Истории наших клиентов: Яндекс.Еда

Руководитель отдела аналитики Яндекс.Еда Роман Халкечев

Как устроена работа аналитиков в Яндексе?

Яндекс достаточно большая компания, — есть несколько крупных бизнес-юнитов, например основное – Поиск, Маркет, и другие, есть условный крупный «блок такси», в котором помимо самого Яндекс.Такси есть и наш сервис Еда, а также Яндекс.Лавка. В каждой из команд есть своя команда аналитиков, а иногда и несколько команд (например, в Поиске есть отдельная команда по Алисе), — команда специализируется на конкретном сервисе, поскольку ключевая задача аналитика – найти точки роста, а у каждого сервиса они свои (и нужно хорошо разбираться в специфике самого сервиса).

В частности, у нас в Яндекс.Такси аналитику можно разбить на 4 части: бизнес-аналитика (поиск точек роста, помощь бизнесу), аналитика эффективности самой платформы (например, анализ % времени, которое водитель проводит «с пользой», зарабатывая свои деньги, перевозя пассажира, ну и для Яндекса, конечно же), команда «машинного обучения и анализа данных», ну и наконец, наша команда – аналитика Еды и Лавки.

Аналитическая инфраструктура Яндекса

Инфраструктура, при этом, во многом in-house разработки, и она при этом централизована: есть как свой собственный MapReduce, общий на весь Яндекс, или, например собственный диалект для поисковых запросов, — YQL (Yandex Query Language); с точки зрения BI аналитические команды, как правило, используют Tableau (в целом, у нас в Яндексе несколько серверов, в каждом от одной до нескольких команд).  Этот инструмент простой, тем более для технологичных компаний, обучиться которому можно как самостоятельно, так и прокачать свои навыки в АНАЛИТИКЕ ПЛЮС, которая регулярно проводит семинары, и периодически зовёт наших аналитиков в качестве слушателей.

Что конкретно делают аналитики?

В целом, я бы выделил 3 направления деятельности: аналитики «про то», чтобы помочь бизнесу (Яндекс сугубо data driven компания) – это анализ пользователей, партнеров, таксопарков, курьеров и т.д.; далее, — «поиск точек роста», — зачастую бизнес-идеи рождаются внутри аналитической команды (а давайте, мы, попробуем новый алгоритм назначения курьера?); третье – это внутренняя техническая часть, где мы пишем какие-либо библиотеки для оценки экспериментов – здесь пользователями этих разработок являются другие аналитические команды.

Пример задачи по поиску инсайта с помощью Tableau?

В качестве примера могу описать смену алгоритма назначения курьера для доставки еды. Ранее мы использовали алгоритм, когда курьер назначался в момент заказа пользователем: мы выбирали ближайшего к ресторану свободного курьера, и он направлялся в ресторан, ожидая пока еда готовится. Но, разложив общую хронологию по этапам, мы поняли (а это стало видно визуально на графике Tableau), что много времени уходит на ожидание курьером (то есть, он сидит в ресторане и ждет, пока блюдо приготовится), — в процентном отношении до 40%, — то есть, это как раз время неэффективно тратится, — курьер не зарабатывает (да и Яндекс тоже), а мог бы выполнить другой заказ. И мы изменили алгоритм 😊, приводя курьера к моменту конца готовки еды, а не к его началу (внутри, безусловно, наши алгоритмы прогнозирования).

Планы по развитию аналитики?

Вообще, фуд-тех достаточно быстрорастущие сервисы внутри Яндекса, да и рынок доставки растёт. Понятное дело, что некоторую часть можно автоматизировать, но в целом, и разработка и аналитика – это core-сервисы для Яндекса. Поэтому, мы рассчитываем на серьезный кратный рост как количества курьеров и доставок, так и на численный рост самой команды аналитиков. Много есть планов, что делать внутри команды, — как по задачам бизнеса, так и по чисто инфраструктурным задачам. Планы самые амбициозные.