Согласно результатам голосования, наш первый разбор будет посвящён «Яндекс Go» и его „карающему“ алгоритму. 🙂
Контекст
Для такси-агрегаторов ключевая цель - эффективность: быстрый поиск машины и низкий холостой пробег. В 2024–2025 гг. выросли издержки, водителей не хватает, спрос стагнирует - каждую отмену ощущает вся система. Ответом Яндекса стал «рейтинг отмен», рассчитываемый по последним ~30 поездкам. В этом рейтинге завершенные поездки повышают баллы, отмена поездки после назначения водителя - снижает. Пороговые зоны открыто показаны в профиле: «всё в порядке» → стандартный сервис; «приемлемо» → замедленный поиск; «непорядок» → сильно замедленный + запрет на параллельные заказы. Цель Яндекса - дисциплинировать пользователей и сократить число отмен.
Проблема
В теории система справедлива и не наказывает пользователя за вынужденные отмены (например, когда водитель не едет или ETA* резко выросло).
На практике возникает «спираль наказания»: ошибка системы с ETA → пассажир отменяет заказ → его рейтинг падает → следующий поиск машины замедляется, провоцируя новые отмены. В итоге пассажира наказывают за реакцию на сбой самой платформы. Служба поддержки может вернуть деньги, но почти никогда не корректирует рейтинг, что усугубляет проблему.
* ETA (Estimated Time of Arrival) - расчётное время подачи/прибытия.
Драйверы конфликта
1. Алгоритмическая непрозрачность. «Чёрный ящик» назначения и ETA не объясняет, почему машина не едет. Санкции за действие, мотив которого система не распознала, воспринимаются пользователями как несправедливость.
2. Отличающиеся стимулы у водителей. Модель Яндекс Go мотивирует принимать все поездки, иначе водитель теряет приоритет, но короткие поездки водителю часто убыточны. Возникают обходы: принять и не ехать, тянуть время, просить пассажира отменить. Издержки и «вина» перекладываются на пассажира: падает его индекс, замедляется поиск машины. В итоге рейтинг отмен искажается - он отражает конфликт стимулов, а не поведение. Растут ожидание, жалобы и недоверие к алгоритму.
3. Доминирующее положение. При слабой конкуренции в РФ (у Яндекс.Такси доля Рынка в 70% в большинстве регионов) «голосовать ногами» трудно. Алгоритм становится по сути правилом городской мобильности - требования к его справедливости и апелляции возрастают.
4. Ненадёжные данные. Алгоритм обучается на «шумных» данных: причинах отмен и оценках, которые пользователи и водители часто ставят на эмоциях. Система наследует эти искажения и ошибочно наказывает невиновных.
Долгосрочные последствия для бизнеса
Краткосрочная экономия оборачивается стратегическим ущербом: эрозия доверия и падение лояльности; удар по бренду техлидера - ассоциация с несправедливостью; накапливается «поведенческий долг»: пользователи и водители обходят систему, растут конфликты; усиливаются регуляторные риски (ФАС): штрафы, предписания, принудительные изменения. Итог - ниже LTV, выше стоимость привлечения, замедление роста.
Вопрос для кейса: Что бы делали вы как продакт-менеджер в этой ситуации?
Дедлайн: Публикуем свои решения одновременно в чт 28.08.2025 20:00 МСК / 19:00 CET (в комментариях также есть функция "Отправить позже")
Как учавствовать: один комментарий от одного участинка под этим постом (до ~2500 знаков).
После дедлайна: откроем чат для обсуждения и голосования за лучшие решения. Итоги разбора будут опубликованы в канале отдельным постом.
Код ценности.