JapanTaxi Inc.
Dirilis pada 2011, sekarang JapanTaxi (sebelumnya Taksi Nasional) telah tumbuh menjadi salah satu aplikasi pengiriman taksi terbesar di Jepang, membangun jaringan sekitar 70.000 kendaraan (sekitar 30% dari total jumlah taksi) di 47 prefektur di seluruh negeri. BigQuery telah digunakan sejak musim dingin 2017 sebagai infrastruktur analisis data yang mendukung aplikasi. Bapak Shuichiro Kaniwa, insinyur data perusahaan, berbicara tentang alasan BigQuery diperlukan.
Mengapa Anda menggunakan BigQuery?
Nikko Data Service Co., Ltd., yang didirikan pada tahun 1977 merupakan departemen pengembangan sistem dari Nippon Kotsu Group, pendahulunya (nama perusahaan diubah menjadi JapanTaxi Co., Ltd. pada Agustus 2015). Mengembangkan dan mengoperasikan sistem bisnis yang sangat penting dalam grup, seperti alokasi kendaraan dan manajemen pelanggan. Pada tahun 2011, aplikasi pengiriman taksi “Nationwide Taxi” dirilis (namanya diubah menjadi “JapanTaxi” pada September 2018). Jumlah karyawan sebanyak 123 orang (per Oktober 2018).
BigQuery merupakan produk canggih yang cepat, tanpa ada masalah dalam pengoperasian
Aplikasi pengiriman taksi untuk smartphone “JapanTaxi” adalah layanan yang nyaman yang meluncurkan aplikasi dan menentukan di mana Anda ingin naik taxi dengan cara melihat peta, dan taksi akan datang kepada Anda. Banyak manfaat yang diperoleh untuk meningkatkan efisiensi ketika menggunakan taksi, seperti pemesanan dengan waktu tertentu, pembayaran tanpa uang tunai, bisa menggunakan kartu kredit, dll. Dilengkapi dengan multi fungsi bahasa (Inggris, Cina, Korea), pebisnis sering menggunakan taksi untuk melakukan kegiatan travelling baik untuk wisatawan domestik dan asing dan kami memiliki berbagai macam fitur layanan yang mendukung. JapanTaxi mengadopsi BigQuery sebagai platform analisis data hampir setahun yang lalu. Data besar yang diperoleh melalui layanan dikumpulkan ke dalam BigQuery, dan analisis data untuk mendukung keputusan dilakukan untuk lebih meningkatkan kegunaan dan efisiensi operasional.
“Dengan BigQuery, informasi lokasi taksi dikirim setiap puluhan detik, dan memesan informasi dari aplikasi (termasuk informasi lokasi, waktu penggunaan, data pengguna, dll). Kami menangani berbagai data yang terkait dengan layanan JapanTaxi. Saya memilih BigQuery karena dapat mengoperasikan data seperti itu dengan cepat dan efisien. Sehubungan dengan masalah waktu, tekanan waktu tunggu, terutama selama analisis ad hoc sudah tidak ada. Dengan sistem konvensional, sangat tidak nyaman untuk menunggu selama beberapa jam, sehingga memungkinkan untuk berkonsentrasi pada analisis esensial. Tentu saja, BigQuery memiliki pengaruh besar pada hal ini. Biasanya, jika sistem pemrosesan terdistribusi skala besar dioperasikan sendiri, untuk memelihara sistem ini perhatian terhadap kinerja tenaga kerja sangat diperlukan. Di sisi lain, dengan BigQuery yang dikelola sepenuhnya, Anda tidak perlu khawatir tentang hal itu, dan Anda dapat beroperasi dengan sejumlah kecil orang. Pada kenyataannya, kami juga menggunakan infrastruktur analisis data ini sendiri dengan seorang insinyur lainnya saja. (Bapak. Kaniwa)
Beritahu kami hal-hal yang positif mengenai BigQuery!
Salah satu tujuan besar memperkenalkan BigQuery adalah meningkatkan jumlah pengguna. Sampai sekarang, hanya beberapa insinyur yang memiliki akses ke infrastruktur analitik data, tetapi dengan berpindah ke BigQuery, hal ini menjadi terbuka untuk banyak karyawan.
“Infrastruktur analitik data agregat dan berbagi data yang tersebar dapat mengakses semua data yang relevan. Basis data diakses terutama oleh anggota manajemen, pengembangan aplikasi, pemasaran, dan tim penjualan. Di setiap organisasi, tim pemasaran menganalisis pengguna dan sumber arus masuk, serta analisis tim penjualan berdasarkan wilayah dan perusahaan analisis dilakukan dari berbagai perspektif, sehingga Anda dapat dengan cepat menganalisis poros yang ingin Anda lihat. Dalam hal itu, kemajuan besar adalah bahwa orang-orang yang tidak memiliki akses langsung ke database, seperti eksekutif dan tim penjualan, sekarang dapat mengakses BigQuery melalui alat BI sendiri. Intinya di sini adalah “sendiri”. Di masa lalu, analisis ini diproses dengan meminta tim analisis, yang telah menjadi penghambat utama, tetapi efisiensi telah ditingkatkan dengan memungkinkan orang tersebut untuk secara langsung melakukan analisis data. Namun dalam hal ini, perlu untuk memahami secara obyektif status penggunaan karena ada risiko bahwa penggunaannya mungkin keliru dan menyebabkan biaya besar. Secara khusus, dengan menggunakan fungsi-fungsi baru seperti tabel dipartisi yang dimulai pada hari lain dan versi beta dari tabel berkerumun, kinerja dan biaya dapat dioptimalkan tanpa kesadaran pengguna. Salah satu alasan memilih BigQuery adalah munculnya fitur-fitur baru ini. (Bapak. Kaniwa)
Upaya ini sangat populer di kalangan pengguna. Dahulu, data dikumpulkan dan diedit dengan meminta anggota pengembangan kapanpun data dibutuhkan. Lapisan non-engineering sekarang memiliki akses ke infrastruktur analisis data melalui alat mereka. Tampaknya kecepatan bisnis telah meningkat pesat. Sebagai contoh, sekarang mungkin bagi anggota tim penjualan untuk secara langsung mengambil dan menunjukkan data di tempat di perusahaan taksi pelanggan. Saya merasa ini adalah pencapaian besar.
Beritahu kami tentang cara memanfaatkan BiqQuery di masa mendatang!
Kami ingin mempromosikan pemanfaatan data lebih lanjut dengan layanan AI khusus Google
JapanTaxi juga menggunakan versi beta dari BigQuery GIS (Sistem Informasi Geografis) sebagai cara menggunakan aplikasi pengiriman taksi. Saya bertanya kepada Pak Sakuraba tentang cara menggunakannya. “Informasi lokasi taksi dan informasi lokasi termasuk dalam data pesanan . Dalam analisis selanjutnya akan ada persyaratan untuk memodifikasi setiap kabupaten.
Ketika ditanya tentang metode pemanfaatan di masa mendatang dan fungsi yang diperlukan untuk itu, kami menerima tanggapan berikut. “Sejauh ini kami telah menangani data yang relatif terstruktur dan kompatibel dengan BigQuery, seperti log aplikasi dan informasi pesanan pengguna. Ketika ditanya tentang metode pemanfaatan di masa mendatang dan fungsi yang diperlukan untuk itu, kami menerima tanggapan berikut. “Sejauh ini kami telah menangani data yang relatif terstruktur dan kompatibel dengan BigQuery, seperti log aplikasi dan informasi pesanan pengguna. Namun, di masa depan, masalahnya adalah bagaimana menangani video dan data tidak terstruktur dari perekam drive yang dikembangkan oleh taksi. Layanan AI pengenalan gambar yang membanggakan Google Cloud Platform kemungkinan akan bermanfaat. Gunakan layanan seperti Cloud Auto ML dan Cloud Vision API untuk menganalisis video dari drive perekam, ekstrak mobil dan struktur. Kami ingin melakukan hal-hal seperti menyusun data yang tidak terstruktur sambil mengurangi biaya operasional. (Bapak. Kaniwa)
Bapak Kaniwa berkomentar tentang berbagai daya tarik GCP lainnya.
Layanan AI akan digunakan tidak hanya untuk data tidak terstruktur tetapi juga untuk analisis data konvensional. Kami memperhatikan BigQuery ML. Sebagai pandangan dunia, Saya berharap bahwa penggunaan data akan berkembang lebih jauh karena kita dapat menggunakan model prediksi in-house secara mandiri. (Bapak. Kaniwa)
Klik di sini https://lp.google-mkto.com/rs/248-TPC-286/images/Google_GCP_JapanTaxi.pdf untuk PDF dari studi kasus JapanTaxi