- Bạn là Data Analyst trong team Operations của TubeGrap – Ứng dụng gọi xe tại TP.HCM.
- Cuối năm là mùa cao điểm: Tiệc tất niên, lễ hội, countdown khiến nhu cầu đặt xe tăng mạnh, đặc biệt buổi tối – Khi khách nhậu xong cần TubeGrap để về nhà an toàn.
- Team đã thu thập dữ liệu 4 ngày thứ Bảy liên tiếp, khung giờ cao điểm 17:00–23:00 (6 tiếng), cho 2 dịch vụ TubeBike (xe ôm) và TubeCar (ô tô).
| Ngày | Loại ngày | Sự kiện |
|---|---|---|
| 07/12 | Bình thường | — |
| 14/12 | Sự kiện | Mùa tiệc tất niên → nhậu xong gọi TubeGrap |
| 21/12 | Bình thường | — |
| 28/12 | Sự kiện | Countdown + Lễ hội ánh sáng Nguyễn Huệ → nhu cầu tăng đột biến |
- Thứ Bảy tuần tới (04/01): Concert chào năm mới tại Phú Mỹ Hưng – Dự kiến nhu cầu tăng 20% so với 28/12. Team cần:
- Chọn phương án thưởng tối ưu cho tài xế.
- Đảm bảo Fulfillment Rate ≥ 92%.
Phương Án Thưởng Team Đề Xuất Cho Tài Xế Vào 04/01
Team đề xuất 3 phương án (PA) cho mỗi dịch vụ. Chỉ được chọn 1 PA để áp dụng.
TubeBike
| PA | Điều kiện để nhận thưởng | Mức thưởng |
|---|---|---|
| A | Online ≥ 5h VÀ accept ≥ 85% VÀ trips ≥ 10 VÀ hủy ≤ 5% | 80.000đ cố định |
| B | Trips ≥ 12 VÀ hủy ≤ 10% | 5.000đ * số cuốc |
| C | Accept ≥ 75%, thưởng theo bậc | Bậc thang (xem bên dưới) |
Phương án C Bike – Bậc thang:
| Số cuốc | Thưởng |
|---|---|
| 6 – 7 cuốc | 30.000đ |
| 8 – 9 cuốc | 70.000đ |
| 10 – 13 cuốc | 120.000đ |
| ≥ 14 cuốc | 200.000đ |
TubeCar
| PA | Điều kiện để nhận thưởng | Mức thưởng |
|---|---|---|
| A | Online ≥ 5h VÀ accept ≥ 85% VÀ trips ≥ 6 VÀ hủy ≤ 5% | 150.000đ cố định |
| B | Trips ≥ 7 VÀ hủy ≤ 10% | 12.000đ * số cuốc |
| C | Accept ≥ 75%, thưởng theo bậc | Bậc thang (xem bên dưới) |
Phương Án C Car – Bậc thang:
| Số cuốc | Thưởng |
|---|---|
| 4 cuốc | 50.000đ |
| 5 – 6 cuốc | 100.000đ |
| 7 – 8 cuốc | 180.000đ |
| ≥ 9 cuốc | 280.000đ |
- Cách tính hủy:
cancel_rate=trips_cancelled÷ (trips_completed+trips_cancelled) - Chiết khấu TubeGrap thu: Bike 20%, Car 25% trên tổng doanh thu mỗi cuốc
Câu Hỏi Đặt Ra Cho Bạn (Sử Dụng Dữ Liệu Ngày 28/12 Để Phân Tích)
File Data Thực Hành: Click Here
Q1. Mô tả phân phối trips_completed của Bike và Car. Mốc thưởng của phương án A đang rơi vào percentile nào? Dữ liệu có tuân theo phân phối chuẩn không?
File Hướng Dẫn: Click Here
Q2. Tính bonus và chiết khấu TubeGrap kiếm được cho từng tài xế. Với mỗi PA × dịch vụ, bao nhiêu % tài xế khiến TubeGrap bị lỗ ròng (bonus > chiết khấu)? PA nào an toàn nhất?
Q3. Top 20% tài xế đóng góp bao nhiêu % tổng cuốc và doanh thu? Trong nhóm này, bao nhiêu tài xế không đủ ĐK PA A? Chính sách đang reward đúng hay miss nhóm giá trị nhất?
Q4. Tính Fulfillment Rate (FR) ngày 28/12 cho Bike và Car. Phân rã cuốc “mất” thành 3 nguyên nhân:
- (a) Thiếu tài xế = bookings − assigned
- (b) Tài xế từ chối = assigned − accepted
- (c) Tài xế hủy = cancelled
Nguyên nhân nào là bottleneck chính cho mỗi dịch vụ?
Q5. Dự báo ngày 04/01: Demand tăng 20%, Supply chỉ tăng 10%. Ước tính FR cho Bike và Car. Thay vì 1 con số, hãy tính khoảng tin cậy 95% cho FR dự báo dựa trên biến động qua 4 tuần. Cần thêm bao nhiêu tài xế để FR ≥ 92%?
Q6. So sánh các metric giữa ngày sự kiện và ngày thường (tách Bike/Car):
- drivers, trips/driver, fare, cancel rate, FR
- Tính % Change cho từng metric
- Metric nào cần monitor đặc biệt vào ngày sự kiện? Nên có SOP riêng cho service nào?
Q7. Có bao nhiêu tài xế xuất hiện cả 4 ngày (backbone drivers)? Nhóm này đóng góp bao nhiêu % tổng cuốc? Nếu mất 30% backbone, FR 28/12 giảm bao nhiêu?
Q8. Dựa trên dữ liệu cả 4 tuần, tự đề xuất tiêu chí phân tài xế thành 3 nhóm (tách Bike/Car) dựa trên online_hours và trips_completed. Tính Contribution Index (% cuốc ÷ % tài xế) cho mỗi nhóm. Tỷ lệ đạt PA A giữa Bike và Car có khác biệt có ý nghĩa thống kê không? (Dùng kiểm định Chi-bình phương)
Q9. Tính Efficiency = trips ÷ online_hours theo nhóm cho ngày 28/12. PA A có vô tình reward tài xế “treo đầu” (online nhiều nhưng chạy ít) không? PA nào align tốt nhất với efficiency?
Q10. Dựa trên Q1–Q9, viết đề xuất 5–10 dòng cho Head of Operations:
- Bike chọn PA nào? Car chọn PA nào?
- Tổng ngân sách thưởng dự kiến ngày 04/01?
- Rủi ro lớn nhất là gì?
- Cần thêm data gì để ra quyết định tốt hơn?
Dữ Liệu
File dataset.xlsx gồm 2 sheet:
Sheet dataset — dữ liệu tài xế (mỗi dòng = 1 tài xế × 1 ngày)
| Cột | Mô tả |
|---|---|
driver_id | Mã tài xế |
service_type | Bike hoặc Car |
date | Ngày: 07/12, 14/12, 21/12, 28/12 |
is_event | Ngày sự kiện? (1 = có, 0 = không) |
online_hours | Số giờ online (tối đa 6h) |
trips_assigned | Số cuốc hệ thống phân cho tài xế |
trips_completed | Số cuốc hoàn thành |
trips_cancelled | Số cuốc tài xế nhận rồi hủy |
acceptance_rate | Tỷ lệ nhận cuốc (0–1) |
total_fare | Tổng doanh thu cuốc xe (VNĐ, trước chiết khấu) |
Sheet demand — nhu cầu đặt xe (mỗi dòng = 1 dịch vụ × 1 ngày)
| Cột | Mô tả |
|---|---|
date | Ngày |
service_type | Bike hoặc Car |
total_booking_requests | Tổng lượt khách đặt xe |
Công thức liên kết giữa các cột
acceptance_rate ≈ (trips_completed + trips_cancelled) / trips_assigned
cancel_rate = trips_cancelled / (trips_completed + trips_cancelled)
fulfillment_rate = Tổng trips_completed của ngày đó / total_booking_requests
(cần VLOOKUP hoặc SUMIFS kết hợp 2 sheet)
Leave a Comment