KakaoMobility

승객의 택시 호출 이후에는 출발지 근처의 택시 기사들의 앱에 순차적으로 해당 호출 정보가 노출됩니다. 이 중 해당 호출에 대해 가장 먼저 응답(수락)을 한 기사에게 배차됩니다. 이러한 호출 정보를 콜 카드라고 지칭하며, 콜 카드의 디자인과 정보량에 따라 기사들의 사용 편의성과 호출 수락 여부에 큰 영향을 미치게 됩니다. 또한, 이러한 과정에서 어떤 기준과 순서로 택시 기사에게 콜 카드(배차 수락 요청 카드)를 발송할 것인지 결정하는 로직을 배차 로직이라고 합니다. 아래 설명된 배차 진행 과정에서 '콜 카드 발송' 단계에 해당 로직이 적용됩니다.

배차 로직에 의해 콜 카드가 발송되면 기사는 카카오 T 기사 앱을 통해 승객의 목적지를 확인하고 해당 요청을 수락할지 거절할지를 결정하게 됩니다. (단, 자동 배차 시스템의 경우 목적지가 미 노출됨) 실제 배차는 기사가 요청을 수락할 경우에만 실행되는 것이므로 택시 배차가 이뤄지기 위해서는 기사의 배차 요청 수락이 결정적인 역할을 합니다.

따라서, 콜 카드를 확인한 기사의 요청 수락 여부가 배차의 성공과 직결되기에 빠른 배차 성공 경험을 위해서는 콜 카드의 수락률을 높이는 것이 중요합니다. 이를 위해 카카오 T 택시는 서비스 초반의 '도착 예정 시간(ETA, Estimated Time of Arrival)'을 반영하는 것으로 시작하여 현재의 'AI 배차 시스템'에 이르기까지 사용자의 목소리에 귀 기울이며 서비스를 개선해 왔습니다.

승객이 택시를 호출한 뒤 택시가 배차되어 탑승하기까지 교통 상황의 변화, 승객과 택시 간의 거리 변화, 기사의 배차 요청 거부, 승객의 호출 취소 등 다양한 상황이 발생할 수 있습니다. 또한 운행 중에도 승객의 만족감을 저해하는 상황이 생길 수도 있습니다. 카카오 T 택시는 이와 같이 실제로 발생할 수 있는 다양한 상황을 고려하여 승객에게 최고의 이동 경험을 제공하고자 다음과 같은 목표로 배차 시스템을 운영하고 있습니다.

1. 대기 시간의 최소화
   • 기사의 배차 요청 수락 여부: 기사는 기사 앱의 콜 카드를 통해 승객의 요청을 수락할지 결정합니다. 요청 수락 여부는 빠른 배차 성공 및 승객의 대기 시간과 직결된 요소이므로 배차 요청을 수락할 확률이 높은 기사에게 콜 카드를 발송하는 것이 중요합니다.
   • 출발지 도착 예정 시간: 승객과 택시 기사 간의 거리를 직선거리가 아닌 실제 이동 경로를 계산하여 도착 시간을 예측합니다. 이를 통해 승객에게 빠르게 도착할 수 있는 택시를 배차하는 것이 매우 중요합니다.
2. 운행 중 만족도 향상
   • 승객이 운행 중에도 만족스러운 서비스를 경험할 수 있도록 평점 및 '이 기사 만나지 않기'와 같은 서비스 평가 지수를 고려합니다.

위 요소들을 모두 충족해야만 양질의 서비스를 제공할 수 있습니다. 그러나 상황에 따라 각 요소들이 상호 이율배반적 관계(예: 출발지 도착 예정 시간은 가장 짧으나, 수락할 가능성이 매우 떨어져서 배차 요청이 의미 없는 경우, 서비스 평가 지수가 매우 좋으나, 도착 예정 시간이 긴 경우)에 있을 수 있기 때문에 이것을 적절하게 고려하여 실제 배차 시스템에 적용하는 일은 매우 복잡합니다.

카카오 T 택시는 배차 시스템을 지속적으로 고도화하여 이러한 어려운 목표를 달성하기 위해 최선의 노력을 다하고 있습니다.

승객이 택시 호출을 요청하고, 배차가 이루어지는 실제 과정에는 무척 다양한 상황들이 발생합니다. 카카오 T 택시의 배차 로직을 통해 콜 카드를 수신한 기사가 여러 가지 이유로 호출에 응답하지 않거나 선호도가 높은 배차 요청만을 골라서 수락하는, 일명 '콜 골라잡기'를 하여 승객의 대기 시간이 길어지는 상황, 빠른 배차에 성공하여 탑승하였으나 운행 중 만족도가 떨어지는 상황, 근거리에 많은 택시가 보임에도 불구하고 호출에 실패하는 상황, 그리고 기사가 콜 카드를 수락했음에도 배차가 되지 않는 상황 등이 그 예입니다. 각 상황의 구체적인 사례를 살펴보겠습니다.

아래는 대기 시간 증가에 따른 승객의 호출 취소 예시입니다.

예시 1)은 호출 요청에 대한 수락이 가능한 기사가 있었지만 배차 순서상 뒤쪽에 놓여 있어 콜 카드를 받을 기회를 놓친 경우입니다.

배차 순서에 따라 순차적으로 콜 카드를 발송하기 시작하였지만, 앞 순서의 기사들이 호출을 거절하는 동안 승객의 대기 시간이 길어져 해당 기사에게 콜 카드가 발송되기 전 호출이 취소되었습니다. 승객은 원하는 서비스를 이용하지 못했고, 잠재적 운행 가능 기사는 호출을 받지 못해 운행하지 못한 사례입니다.

예시 2)는 앞 순서 기사의 호출 거절 이후 호출 요청을 수락한 기사가 승객의 위치로 이동하는 도중에 승객이 호출을 취소하는 경우입니다.

해당 기사가 요청을 수락하기까지의 대기 시간이 길었을 뿐만 아니라 승객의 위치로 이동하는 시간 또한 길어졌기 때문입니다. 이 경우 역시 승객은 원하는 서비스를 이용하지 못했고, 기사는 승객의 위치로 이동하며 받지 못한 잠재적 콜, 이동 시간, 연료 소모 등 기회비용이 발생한 사례입니다.

아래의 예시 3)과 예시 4)는 승객 주변에 많은 택시가 보임에도 지속적으로 배차에 실패하는 상황의 예시입니다. 카카오 T 택시의 배차 시스템은 발송된 콜 카드를 기사가 수락해야 배차가 이루어지는 구조이기 때문에 아래와 같은 상황이 발생할 수 있습니다.

예시 3)은 승객 주변에 많은 택시가 있음에도 모든 기사들이 호출 요청에 응하지 않아 배차에 실패한 경우입니다.

수요가 공급보다 많거나, 수익성이 낮은 호출이거나, 카카오 T 택시 기사 앱에서 '콜 멈춤'을 하지 않은 채 휴식 또는 운행을 종료했을 때 발생할 수 있습니다.

예시 4)는 승객 주변에 많은 택시가 있음에도 모두 배회 영업이나 타사 플랫폼의 호출을 수행하고 있는 경우입니다.

이 경우 카카오 T 택시 기사 앱에서 '콜 멈춤'을 하지 않았다면 배차 시스템은 해당 기사가 콜을 받을 수 있다고 판단하기 때문에 콜 카드는 발송되지만 실제로 배차 수락으로 이어지지 않는 경우입니다.

카카오 T 택시는 타사 플랫폼 운행 여부 및 타사의 배차 정보를 알 수 없습니다.

마지막으로는 배차에 성공하여 탑승하였으나 운행 중 승객의 만족도가 떨어지는 상황의 예시입니다. 호출을 수락할 가능성이 높은 기사들 중 상대적으로 승객의 이용 평점이 낮은 기사에게 콜 카드가 먼저 발송된 경우입니다. 이 경우 탑승 후 운행 시 낮은 서비스 품질로 인해 승객이 불편을 겪는 상황이 발생할 수 있습니다.

배차 로직의 근본적인 어려움은 해당 기사가 실제로 배차 요청을 수락할지 여부를 알 수 없는 상태에서 콜 카드의 발송 순서를 정해야 하는 점에 있습니다. 이는 검색 엔진이 사용자가 무엇을 원하는지 정확하게 알 수 없는 상황에서 제한된 정보(예를 들어 검색 요청과 같은)를 바탕으로 내용의 제시 순서를 정하는 것과 비슷한 문제입니다. 요청을 수락할 기사를 미리 알 수 있다면 해당 기사군 중에서 가장 가까운 순서대로 콜 카드를 발송하면 되지만, 실제로 이는 미래의 정보를 예측하는 것이므로 호출 정보와 기사의 과거 운행 정보 등과 같은 제한된 정보만을 이용하여 배차 순서를 정하는 것은 기술적으로 매우 까다롭습니다.

이러한 배차 로직 내의 기사 탐색 과정에서 승객의 대기 시간이 길어질 경우 위의 사례들과 같은 다양한 문제가 발생할 수 있습니다. 이로 인해 승객은 배차 요청을 취소하고 다른 교통수단을 다시 탐색하거나 배회 영업중인 택시를 기다리게 되는 등 불편을 겪게 됩니다. 또한, 어렵게 배차가 성사되었음에도 배차 후 기사가 승객의 위치로 이동하는 시간이 길다면 이것 역시 배차 요청의 취소로 이어질 수 있습니다.

승객의 대기 시간을 최소화하고 기사들의 잠재적 운행 기회를 최대화하기 위해서는 콜 카드 발송 순서를 효율적으로 구성하는 것이 매우 중요합니다. 이러한 과제를 달성하기 위해 카카오 T 택시는 AI 기반의 배차 시스템을 배차 로직에 활용하고 있습니다.

실제 발생할 수 있는 다양한 변수들에 좀 더 유연하게 대응하기 위해 AI 배차 시스템은, 승객의 호출을 수락할 가능성이 높은 동시에 승객에게 가장 빠르게 도착할 수 있는 위치의 기사를 AI가 배차해주는 방식으로 동작합니다.

AI 배차 시스템 도입의 궁극적인 목표는 배차 요청을 수락할 가능성이 높은 기사에게 먼저 콜 카드를 발송해 승객의 대기 시간을 줄여 취소율을 낮추고 이를 통해 승객이 원하는 때에 카카오 T 택시 서비스를 이용할 수 있도록 하는 것입니다. 취소율은 승객의 대기 시간과 밀접한 관계가 있습니다. AI 배차 시스템 도입 전후 배차 전 취소율과 관련해 집계한 자료에 의하면 승객이 택시를 호출하고 대기 시간이 15초를 경과한 이후부터 취소율은 급격하게 상승하기 시작하여 초 단위로 배차 전 취소율이 최대 10%p 증가하는 것을 확인할 수 있습니다. 특히나 15초에서 18초로 넘어가는 구간에서는 3초라는 짧은 시간임에도 취소율이 9.8%에서 28.8%로 급증하였습니다.

이처럼 승객의 대기 시간은 호출 취소율과 직결되는 아주 중요한 부분이기 때문에 카카오 T 택시는 호출을 빠르게 수락할 가능성이 높은 기사를 우선적으로 매칭 하여 승객의 대기 시간을 최소화하고, 호출 취소율을 낮추기 위해 AI 배차 시스템을 도입하였습니다. AI 배차 시스템은 평소 운행 정보를 기반으로 기사의 목적지 선호도를 분석하며, 이것을 고려하여 호출 수락 가능성이 높은 기사 후보군을 대상으로 콜 카드를 발행합니다. 이를 통해 호출 수락률을 높이고, 승객의 대기 시간을 줄임과 동시에 다량의 콜 카드 발행으로 인한 기사의 피로도를 낮출 수 있습니다.

더불어 승객이 택시를 타고 원하는 목적지로 다다르는 순간까지 편안하게 이동할 수 있도록 기사들의 평점을 AI 배차 시스템에 반영하여 서비스 만족도를 극대화하기 위해 노력하였습니다.

AI 배차 시스템의 상세 구조

카카오 T 택시는 AI 배차 시스템과 도착 예정 시간(ETA)을 혼합한 배차 로직을 사용합니다. AI 배차 시스템은 기계 학습을 통해 분석한 결괏값을 활용하여 '호출을 수락할 확률이 높고 운행 품질이 보장된 기사 후보군'을 예측합니다. 이러한 후보군 중에서 가장 빨리 도착할 수 있는 기사 1명에게 콜 카드를 발송하게 됩니다. 해당 콜 카드를 받은 기사가 배차 수락을 거절한 경우에는 예측 결과를 보수적으로 적용하여, 그 이후부터는 AI 배차 시스템이 예측한 기사가 아닌, 도착 예정 시간(ETA) 스코어에 따른 콜 카드 발송이 진행됩니다.

이처럼 AI 기반의 예측 시스템과 도착 예정 시간(ETA) 스코어를 동시에 활용하는 것은 높은 예측성을 바탕으로 한 정밀한 배차 시스템과 승객에게 빠르게 도달할 수 있는 많은 기사군을 확보하는 각각의 장점을 취하는 상호보완적인 방법입니다.

AI 배차 시스템이 고려하는 기준은 다음과 같습니다.

AI 배차 시스템을 이용한 배차 시 고려 항목

1. 높은 배차 수락 예측 확률

배차 수락 예측 확률을 측정하기 위해 아래와 같이 다양한 항목들을 반영하고 있습니다.

배차 수락 예측 확률 = ℙ [ 배차 요청 시 수락 | 호출 정보, 기사 정보]

배차 수락 예측 확률은 출발지/목적지와 관련된 호출 정보와 기사의 과거 운행 기록과 관련된 기사 정보를 이용하여 이 기사가 해당 배차 요청에 대해 수락을 할 것인지 여부를 그림 9에서와 같은 다양한 인자를 고려하여 [0.0 ~ 1.0] 사이의 값으로 예측하게 됩니다. 배차 수락 예측 확률의 예측값이 1.0일 경우 기사가 해당 콜을 반드시 수락할 것이라는 의미이며 예측값이 0일 경우 반드시 해당 콜을 거절할 것이라는 의미입니다. 이 예측값은 주요 평가 지표인 ROC-AUC¹ 기준 90% 이상의 정확도(높을수록 좋으며, 확률 예측 모형의 성능이 매우 떨어져서 의미가 없는 경우에는 50%)를 보이고 있습니다.

https://en.wikipedia.org/wiki/Receiver_operating_characteristic새창열림

2. 일 평균 운행 완료 수

하루 평균 운행을 완료한 숫자가 높을수록 배차 확률이 높아집니다. 평균 운행 수가 적은 기사의 경우 배차 수락 확률을 예측하기 위한 데이터가 충분하지 않고 호출 요청에 적극적으로 응하지 않을 수 있기 때문에 운행 완료 수가 많은 기사일수록 예측 모형 결괏값에 긍정적으로 반영될 수 있습니다.

3. '이 기사 만나지 않기'로 지정된 횟수

카카오 T 택시는 승객의 이동이 편안할 수 있도록 돕는 것을 목표로 하기 때문에 기사는 승객에게 양질의 서비스를 제공하는 것이 중요합니다. '이 기사 만나지 않기'는 승객이 기사에게 줄 수 있는 가장 안 좋은 평가입니다. 이러한 안 좋은 평가를 여러 번 받은 기사의 경우 실제 운행 시 승객의 만족도가 떨어질 수 있기 때문에 '이 기사 만나지 않기'로 지정된 횟수가 많은 기사는 AI 배차 시스템에 의한 콜 카드 발송 후보군에서 제외될 수 있습니다.

4. 평점 1점 횟수

평점 1점 역시 승객이 기사에게 줄 수 있는 가장 낮은 평가 점수입니다. 이 기사 만나지 않기와 마찬가지로 승객의 서비스 만족도를 떨어뜨릴 수 있기 때문에 평점 1점을 많이 받은 기사는 AI 배차 시스템에 의한 콜 카드 발송 후보군에서 제외될 수 있습니다.

5. 높은 요청 수락률

기사가 그동안 전달받은 콜 카드 대비 승객의 호출 요청을 얼마나 수락하였는지 고려합니다.

6. 도착 예정 시간(ETA)

위의 다섯 가지 기준을 모두 만족하는 기사 후보군은 매 호출 요청마다 계산되며, 해당 기준을 만족하는 다수의 기사들 중 승객의 위치까지 도착 예정 시간(ETA)이 가장 짧은 기사 1명 만을 대상으로 콜 카드를 발송합니다. AI 배차 시스템에 의해 발송된 콜 카드를 기사가 거절한 경우, 그 후에는 AI 배차 시스템의 예측 결과는 더 이상 사용하지 않고, 승객에게 가장 빠르게 도달할 수 있는 도착 예정 시간(ETA) 스코어에 의해 순차적으로 콜 카드가 발송됩니다.

이처럼 카카오 T 택시는 승객에게 양질의 이동 경험을 제공하고, 그 경험에서의 편의성과 만족도를 높이기 위해 지속적으로 서비스를 개선하고 보완해 왔습니다. 그 노력의 하나인 AI 배차 시스템 로직 적용을 통해 승객들의 평균 배차 대기 시간이 약 39% 감소하였고 그에 따른 취소율 역시 줄어들었습니다. 이러한 배차 로직 고도화를 통한 선순환 구조의 구축과 수요 증대를 통해 결과적으로 하루 평균 약 25만 명의 승객이 카카오 T 택시를 더 이용하게 되었습니다.

특히, 코로나바이러스감염증-19(이하, 코로나19)로 인해 감소하였던 택시 수요가 2021년 11월 단계적 일상 회복(위드 코로나)이 실행되면서 코로나19 유행 이전의 수준으로 회복되었지만 카카오 T 택시의 평균 대기 시간은 코로나19 유행 초기에 극적으로 줄었던 평균 대기 시간을 유지하고 있습니다. 이는 카카오 T 택시의 AI 배차 시스템이 효과적으로 작용한 결과입니다.

AI 배차 시스템 도입으로 인한 배차 품질의 향상으로 코로나19의 유행으로 전반적으로 이동 수요가 감소했음에도 코로나19 국내 유입 전인 2019년 3월부터 2020년 4월까지와 유입 후인 2020년 5월부터 2021년 12월까지를 비교하였을 때 오히려 카카오 T 택시를 이용한 승객이 24% 이상 증가하였습니다.

한편 5 km 미만의 단거리 이동의 경우, 승객의 수요는 많지만 반대로 택시 기사들은 운행을 꺼리는 것이 일반적입니다. 카카오 T 택시는 이러한 단거리 이동 수요에서 발생하는 승차 거부 경험을 해소하기 위해 다양한 방법을 시도해 왔습니다. 배차 시스템에 배차 요청 수락률을 반영하고 머신 러닝을 기반으로 한 AI 배차 시스템 로직을 도입하는 등 지속적인 노력을 해 왔고 그 결과 카카오 T 택시를 이용하는 승객은 5 km 미만의 단거리도 빠르게 이동할 수 있게 되었습니다.

이와 같이 서비스 이용자인 승객의 택시 이동 접근성과 수요를 높여 서비스 제공자인 택시 기사에게도 보다 많은 편익을 제공하기 위해 힘쓰고 있습니다. 카카오 T 택시는 운행 중 다양한 상황에서 발생할 수 있는 요소들을 고려하여 승객의 요청에 가장 만족스러운 서비스를 제공할 수 있도록 배차 로직을 구성하고 개선하여 고도화하기 위한 노력을 지속할 것입니다.