Кратко: общий рост $20\%$, в трёх районах падение $35\%$. Нужно одновременно количественное и качественное исследование, сбор данных по продукту/географии/времени и целенаправленное тестирование гипотез (ценообразование, доступность, безопасность, конкуренция, инфраструктура, маркетинг). Ниже — план.
1) Какие количественные исследования провести
- Временные ряды и разложение: сравнить поездки по районам до/после за период, выделить сезонность и тренд (interrupted time series).
- Разница в разнице (DID): районы с падением = treatment, остальные = control; модель
$$y_{it}={\beta }_0+{\beta }_{1}Trea{t}_i+{\beta }_{2}Pos{t}_t+{\beta }_3(Trea{t}_i\times Pos{t}_t)+X_{it}\gamma +{ϵ}_{it}.$$ Проверить значимость ${\beta }_3$.
- Регрессия причинно-следственная: объяснить число поездок $y_{it}$ через доступность самокатов, цену, погоду, события, ремонт дорог, безопасность:
$$y_{it}=\alpha +{\beta }_{1}Availabilit{y}_{it}+{\beta }_{2}Pric{e}_{it}+{\beta }_{3}Weathe{r}_{it}+\cdots +{ϵ}_{it}.$$ - Анализ когорт и оттока: retention, churn по районам; вычислить LTV/ARPU.
- Пространственный анализ (GIS): плотность поездок, точки спада; кластеризация точек начала/конца.
- Тесты на значимость: t-тест/туковские для средних, хи-квадрат для категорий; уверенный уровень значимости $\alpha =0.05$.
- Модели выбора: логит/мультиномиальный логит для выбора вида транспорта (если есть данные).
- Эксперименты: A/B тесты в районах (цена/промо/доступность).
2) Какие качественные исследования провести
- Глубинные интервью с пользователями и не-пользователями в пострадавших районах (целевой набор: $n\approx 20\text{–}40$ интервью).
- Фокус‑группы (6–8 человек) для обсуждения опасений, барьеров.
- Ride-along / полевые наблюдения: посмотреть точки посадки/посадки, состояние дорожной сети, парковки.
- Интервью с местными курьерами, операторами технического обслуживания, муниципалитетом, бизнесами.
- Опрос в приложении: краткий NPS + причины отказа/неиспользования (выбор ответа).
3) Какие данные собрать
- Транзакционные: поездки (start/end time, gps, duration, distance), user_id, device_id, fare.
- Операционные: наличие/флот по району, downtime, заряд батареи, ремонты, время на обслуживание, rebalancing.
- Финансовые: промокоды, возвраты, скидки, ARPU.
- Внешние: погодные условия, дорожные работы, события, изменения маршрутов общественного транспорта, преступность по районам.
- Конкуренты: цены/акции других сервисов, новые операторы.
- Социо‑демографические и точки притяжения: рабочие места, универы, ТЦ.
- Отзывы/жалобы/падения/инциденты безопасности по локации.
4) Основные гипотезы и как их тестировать
- Гипотеза A (доступность): в районах снизился флот/время работы — тест: восстановить/увеличить количество самокатов и сравнить изменение поездок в A/B (контрольный район без вмешательства).
- Гипотеза B (цена/ценообразование): повышение цены/неэффективные промо — тест: A/B снижение цены или targeted промо и измерение эластичности спроса $\epsilon =\frac{\%\Delta Q}{\%\Delta P}$.
- Гипотеза C (безопасность/инциденты): случаи аварий/криминала снизили использование — тест: анализ корреляции времени/локаций инцидентов с падением, пилот безопасного маршрута/освещения и замер изменений.
- Гипотеза D (инфраструктура): ремонт дорог/отсутствие велополос — тест: сопоставить с данными о дорожных работах; полевое наблюдение; переговоры с муниципалитетом.
- Гипотеза E (конкуренция/альтернативы): появление конкурента/самоорганизованных сервисов — тест: мониторинг конкурирующих поездок, опрос пользователей.
- Гипотеза F (сегментация пользователей): падение связано с потерей ключевой когорты (студенты/работники) — тест: когортный анализ, таргетированные опросы, рекламные кампании на когорт.
- Гипотеза G (UX/платежи): баги/удаление методов оплаты — тест: логирование отказов на этапе брони/оплаты и A/B исправления.
5) Метрики для контроля и успеха
- Trips per day per district; Trips per active user; Utilization (часы в пути на самокат); Availability rate; Average downtime.
- Conversion rate (app open → ride); Retention (D7, D30); Revenue per ride; Complaint/incident rate.
- Для экспериментов — статистическая мощность и минимально значимый эффект: планировать выборку так, чтобы detect effect size (например $5\%$) при $\alpha =0.05$, power $=0.8$.
6) Быстрые приоритетные действия (первые 2 недели)
- Проверить доступность/флот и неисправности в пострадавших районах (если снижен флот — немедленно перебросить).
- Быстрый user survey в приложении (1–3 вопроса).
- Сопоставление с внешними данными: дорожные работы, погодные аномалии, события, изменения в транспорте.
- Запуск пилота (A/B) с повышенной доступностью или скидкой на несколько дней и мониторинг KPI.
7) Пример экспериментального дизайна (коротко)
- Выделить похожие контрольные районы по предтренду.
- Запустить intervention (доп. флот + 20% скидка) в treatment на 14 дней.
- Оценить эффект DID на trips/день, проверить устойчивость после завершения промо.
Если нужно, могу подготовить конкретный набор SQL‑запросов/метрик, шаблон опроса и план A/B‑теста.