Die Preise für Taxis und Lieferungen in derselben Stadt können je nach Stadtteil, Tageszeit und Verkehrslage um das Zwei- bis Dreifache variieren. Für Logistikunternehmen, Aggregatoren und Einzelhändler sind dies kritische Daten – sie bilden die Grundlage für Preismodellierungen, Nachfrageprognosen und Entscheidungen über den Start von Dienstleistungen an neuen Standorten. Aber diese Daten zu sammeln ist nicht so einfach: Taxi- und Lieferdienste binden die Preise strikt an die Geolokalisierung des Nutzers und blockieren aktiv die automatische Informationssammlung.
Warum benötigt das Geschäft eine Preisüberwachung nach Stadtteilen
Die Preise für Taxis und Lieferungen in Apps werden dynamisch festgelegt: Der Algorithmus berücksichtigt die Nachfrage in einem bestimmten Stadtteil, die Tageszeit, das Wetter und die Verfügbarkeit von Fahrern und Kurieren. Dieselbe Route im Stadtzentrum und am Stadtrand kann sogar bei demselben Dienst unterschiedlich kosten. Für Unternehmen eröffnet dies mehrere praktische Herausforderungen.
Logistikunternehmen nutzen Daten über die Preise von Wettbewerbern, um ihre eigenen Tarife in Echtzeit anzupassen. Wenn ein Wettbewerber die Lieferpreise in einem bestimmten Stadtteil senkt, ist es sinnvoll, darauf zu reagieren, bevor die Kunden massenhaft zu ihm wechseln. Taxi- und Carsharing-Aggregatoren analysieren die Preisdynamik nach Stadtteilen, um Gebiete mit hoher Nachfrage zu identifizieren und Fahrer neu zu verteilen. Einzelhändler und Essenslieferdienste (Äquivalente zu Yandex.Eda und SberMarket) überwachen die Lieferpreise der Wettbewerber, um ihre eigenen Zonen für kostenlose Lieferung und Mindestbestellbeträge korrekt einzustellen.
Eine separate Kategorie von Nutzern sind Analysten für urbane Mobilität und Forschungsunternehmen, die Karten des „Preisungleichgewichts“ zwischen Stadtteilen erstellen. Solche Daten helfen Entwicklern, die Verkehrsanbindung neuer Wohnanlagen zu bewerten, und den Stadtbehörden, Gebiete mit unzureichendem Transportservice zu identifizieren. Ohne systematische Datensammlung nach Stadtteilen kann keine dieser Aufgaben gelöst werden – einmalige Preisprüfungen manuell liefern ein verzerrtes Bild, da sich die Preise alle paar Minuten ändern.
Warum blockieren Dienste die Datensammlung nach Geolokalisierung
Taxi- und Lieferdienste schützen ihre Preisdaten aus mehreren Gründen. Erstens ist die dynamische Preisgestaltung ein Geschäftsgeheimnis und ein Wettbewerbsvorteil, der leicht kopiert werden kann, wenn man die aktuellen Tarife in allen Stadtteilen kennt. Zweitens erzeugen massenhafte Anfragen von einer IP-Adresse eine Belastung für die Server und verzerren die Statistik der tatsächlichen Nachfrage, weshalb Antifraud-Systeme solche Anfragen aggressiv sperren.
Technisch wird der Schutz auf mehreren Ebenen aufgebaut. Apps bestimmen die Geolokalisierung nicht nur über GPS, sondern auch über die IP-Adresse – wenn eine Anfrage von einer Moskauer IP mit Koordinaten aus Nowosibirsk kommt, markiert das System sie als verdächtig. Es gibt auch eine Anfragegrenze von einer IP pro Zeiteinheit: Eine Überschreitung der Schwelle führt zu einer vorübergehenden Sperrung oder zur Ausgabe von absichtlich falschen Preisen. Die dritte Ebene ist das Fingerprinting von Geräten und Browsern, das den echten Nutzer von einem Skript anhand vieler Parameter unterscheidet: Bildschirmauflösung, Schriftartenliste, Cursorverhalten.
Aus diesem Grund erhält ein einfaches Skript mit einer IP-Adresse schnell eine Sperre oder verzerrte Daten. Für eine stabile Preisüberwachung in Dutzenden von Stadtteilen einer Stadt, geschweige denn in mehreren Städten, ist eine Infrastruktur erforderlich, die Anfragen von echten Nutzern aus verschiedenen Punkten imitiert – und dafür sind Proxys mit der entsprechenden Geolokalisierung unerlässlich.
Welche Daten sammeln und von welchen Plattformen
Vor der Einrichtung der Datensammlung ist es wichtig zu bestimmen, welche spezifischen Kennzahlen für die Analyse benötigt werden. Für Taxis sind dies in der Regel: Grundpreis für eine Fahrt auf der Standardroute, Nachfragefaktor, Wartezeit auf das Fahrzeug und Verfügbarkeit von Economy/Komfort/Business-Klasse in einem bestimmten Stadtteil. Für Lieferungen – die Lieferkosten für eine Bestellung über einem bestimmten Betrag, der Mindestbetrag für kostenlose Lieferung, die Wartezeit auf den Kurier und die Verfügbarkeit der Abdeckungszone insgesamt.
Die Hauptquellen für Daten in Russland und der GUS sind die Apps und Websites großer Taxiaggregatoren, Essens- und Lebensmittel-Lieferdienste sowie Marktplätze mit eigener Logistik. Wenn die Aufgabe ein Vergleich ist, sollten die Daten gleichzeitig von mehreren konkurrierenden Diensten in denselben Stadtteilen und Zeitfenstern gesammelt werden, da sonst der Vergleich nicht korrekt ist: Die Preise der verschiedenen Dienste schwanken asynchron.
Es ist wichtig, im Voraus eine Liste von Kontrollpunkten festzulegen – spezifische Adressen oder Koordinaten in jedem Stadtteil, nach denen die Route aufgebaut wird. Ohne feste Punkte sind die Daten nicht vergleichbar: Es ist sinnlos, den Preis für eine Fahrt vom Zentrum in einen Schlafstadtteil mit dem Preis für eine Fahrt innerhalb eines Stadtteils zu vergleichen, um die Dynamik über die Zeit zu analysieren.
Sammlungsmethoden: manuell, Automatisierung, API
Es gibt drei Hauptansätze zur Datensammlung über Preise. Manuelle Überwachung – ein Mitarbeiter öffnet die App, ändert den Abfahrtsort und notiert den Preis. Dies ist eine praktikable Option für eine einmalige Untersuchung, aber völlig ungeeignet für regelmäßige Analysen: Die Preise ändern sich jede Minute, und eine manuelle Überprüfung von 20 Stadtteilen über drei Dienste würde Stunden in Anspruch nehmen.
Der zweite Ansatz ist die Automatisierung über Browser-Skripte oder Headless-Browser, die die Aktionen des Nutzers simulieren: Sie öffnen die Website, geben die Adresse ein und lesen den Preis vom Bildschirm ab. Diese Methode lässt sich besser skalieren, erfordert jedoch das Umgehen von Bot-Schutzmaßnahmen und ständige Anpassungen an Änderungen der Website-Oberfläche.
Der dritte Ansatz ist die Arbeit über interne APIs mobiler Apps, die oft einfacher zu verwenden sind als die Weboberfläche, aber eine genauere Nachahmung der Anfrage-Header erfordern und oft an eine Authentifizierung gebunden sind. Unabhängig von der gewählten Methode müssen die Anfragen für realistische Preise in einem bestimmten Stadtteil von einer IP-Adresse kommen, die physisch in dieser Stadt liegt, idealerweise im entsprechenden Stadtteil oder zumindest im entsprechenden Gebiet.
Die Rolle von Proxys bei der geotargetierten Datensammlung
Proxys lösen im Rahmen der Preisüberwachung nach Stadtteilen nicht das Problem der Anonymität, sondern das Problem der Datenverlässlichkeit. Taxi- und Lieferdienste zeigen unterschiedliche Preise, je nachdem, von wo aus die Anfrage physisch kommt. Wenn man Preise für Sankt Petersburg von einer IP-Adresse in Moskau sammelt, gibt das System entweder einen Geolokalisierungsfehler aus oder zeigt falsche Tarife an, die nicht dem realen Markt in der benötigten Stadt entsprechen.
Für diese Aufgabe sind residential Proxys am besten geeignet – sie verwenden echte IP-Adressen von Heim-Internetprovidern und ermöglichen die Auswahl einer bestimmten Stadt oder Region, was bei der Analyse von Dutzenden von Stadtteilen entscheidend ist. Im Gegensatz zu Serveradressen gelangen residential IPs nicht in die schwarzen Listen der Antifraud-Systeme von Taxi-Diensten, da sie wie normale Nutzer aus mobilen oder heimischen Netzwerken erscheinen.
Für die Überwachung von mobilen Apps (nicht von Webversionen) sind mobile Proxys eine gute Option – sie verwenden IPs von Mobilfunkanbietern, die traditionell als vertrauenswürdiger bei Antibotsystemen gelten, da sich hinter ihnen oft Tausende von echten Abonnenten (NAT) verbergen, und die Sperrung einer solchen Adresse betrifft viele normale Nutzer, was die Dienste vermeiden möchten.
Datacenter-Proxys sind ebenfalls anwendbar – beispielsweise für das Sammeln von Daten von öffentlichen Webseiten ohne strikte Geolokalisierung, wo Geschwindigkeit wichtiger ist als die genaue Übereinstimmung mit dem städtischen Netzwerk. Aber für Taxi- und Lieferpreise, wo die Geolokalisierung das Ergebnis der Anfrage direkt bestimmt, liefern residential und mobile Lösungen deutlich stabilere und realistischere Daten.
Welchen Proxy-Typ wählen: Vergleich
Um eine Entscheidung zu treffen, ist es hilfreich, die Proxy-Typen nach den wichtigsten Parametern zu vergleichen, die speziell für die Preisüberwachung nach Stadtteilen wichtig sind.
| Proxy-Typ | Genauigkeit der Geotargetierung | Blockierungsrisiko | Geeignet für |
|---|---|---|---|
| Residential Proxys | Hoch, bis zur Stadt/Region | Niedrig | Websites und Apps von Taxi, Lieferung, detaillierte Analyse nach Stadtteilen |
| Mobile Proxys | Hoch, gebunden an Anbieter und Region | Sehr niedrig | Überwachung über mobile Taxi- und Liefer-Apps |
| Datacenter-Proxys | Niedrig, ohne genaue Geolokalisierung | Über dem Durchschnitt | Sammeln allgemeiner Daten, wo Geolokalisierung nicht kritisch ist |
In der Praxis kombinieren viele Analytik-Teams Ansätze: Sie verwenden residential Proxys für die primäre Preissammlung auf der Website und mobile Proxys zur Überprüfung der Daten aus der App, da die Preise dort manchmal von der Webversion abweichen.
Schritt-für-Schritt-Anleitung zur Datensammlung
Wenn das Unternehmen keinen fest angestellten Entwickler hat, kann die regelmäßige Überwachung über eine Kombination aus Antidetect-Browser und Proxys ohne Programmierung eingerichtet werden. Der Ansatz ist folgender: Sie öffnen einen Antidetect-Browser (Dolphin Anty, AdsPower, Multilogin oder Octo Browser), erstellen ein separates Profil für jede Stadt oder jeden Stadtteil, den Sie überwachen möchten.
In den Profileinstellungen geben Sie den Proxy an, der an die benötigte Region gebunden ist: Sie fügen die IP-Adresse, den Port, den Benutzernamen und das Passwort ein und wählen den Typ SOCKS5 oder HTTP, je nachdem, was der gewählte Proxy-Anbieter unterstützt. Danach sieht das Profil für die Website so aus, als ob der Nutzer physisch in der gewählten Stadt ist – der Browser öffnet die Taxi- oder Lieferwebsite mit „lokalen“ Preisen.
Danach bleibt es, manuell oder über die in den Antidetect-Browser integrierten Automatisierungsskripte (viele Dienste unterstützen einfache Makros ohne Programmierung) die Website zu besuchen, die Kontrollpunkte der Route einzugeben und den Preis zu notieren oder einen Screenshot der Seite für die spätere Verarbeitung zu machen. Für mehrere Stadtteile ist es praktisch, separate Browserprofile mit unterschiedlichen IPs zu halten und nach Zeitplan zwischen ihnen zu wechseln.
Für eine umfassendere Überwachung – wenn Dutzende von Stadtteilen in mehreren Städten mehrmals täglich verfolgt werden müssen – wird der manuelle Modus ineffektiv, und es ist sinnvoll, auf automatisierte Datensammlung über Skripte umzusteigen, die weiter unten behandelt werden.
Beispielskript für die automatische Datensammlung
Für diejenigen, die einen Entwickler oder Analysten im Team haben, der bereit ist, mit Code zu arbeiten, kann die automatische Preissammlung in Python unter Verwendung der Bibliothek requests und der Rotation von Proxys nach Regionen aufgebaut werden. Unten ist ein vereinfachtes Beispiel für die Logik der Abfrage einer API eines Lieferdienstes mit Einfügung der Koordinaten des Stadtteils und der Proxy-Weiterleitung durch die benötigte Region.
import requests
import time
# Liste der Kontrollpunkte nach Stadtteilen
districts = [
{"name": "Zentrum", "lat": 55.7558, "lon": 37.6173},
{"name": "Schlafstadtteil A", "lat": 55.8300, "lon": 37.4500},
{"name": "Schlafstadtteil B", "lat": 55.6200, "lon": 37.7100},
]
# Proxys, die an die benötigte Region gebunden sind
proxies = {
"http": "http://login:password@proxy-host:port",
"https": "http://login:password@proxy-host:port",
}
def get_delivery_price(lat, lon):
url = "https://example-delivery-service.com/api/price"
params = {"lat": lat, "lon": lon}
headers = {"User-Agent": "Mozilla/5.0"}
response = requests.get(url, params=params, headers=headers, proxies=proxies, timeout=10)
return response.json().get("price")
results = []
for district in districts:
price = get_delivery_price(district["lat"], district["lon"])
results.append({"district": district["name"], "price": price, "timestamp": time.time()})
time.sleep(5) # Pause zwischen Anfragen, um die Limits nicht zu überschreiten
print(results)
In der realen Aufgabe müssen Proxys auf Pool-Ebene rotiert werden – damit verschiedene Stadtteile von unterschiedlichen IPs abgefragt werden und Anfragen an denselben Endpunkt nicht zu häufig von derselben Adresse kommen. Dies verringert das Risiko einer Sperre und macht die Datenauswahl zeitlich stabiler.
Aktualisierungsfrequenz und Datenspeicherung
Die Preise für Taxis und Lieferungen ändern sich im Laufe des Tages, daher sagt ein einmaliger Datensatz wenig über die Analyse aus. Die optimale Abfragefrequenz hängt von der Aufgabe ab: Für die Analyse der Spitzenlastzeiten reicht es aus, die Preise alle 15–30 Minuten während der Hauptverkehrszeiten abzufragen und in der restlichen Zeit alle ein bis zwei Stunden. Um eine Karte der „Basispreise“ nach Stadtteilen zu erstellen, genügen ein oder zwei Messungen pro Tag zur gleichen Zeit, um den Einfluss der Nachfrage auszuschließen.
Die gesammelten Daten lassen sich am besten in strukturierter Form speichern – eine Tabelle mit den Feldern „Datum und Uhrzeit“, „Stadtteil“, „Dienst“, „Preis“, „Nachfragefaktor“. Dieses Format lässt sich leicht in Google Sheets für kleine Datenmengen oder in eine Datenbank für die Erstellung vollständiger Dashboards in BI-Tools hochladen. Es ist wichtig, historische Daten zu speichern und nicht zu überschreiben – nur die Dynamik über die Zeit bietet den größten analytischen Wert, nicht punktuelle Messungen.
Bei großen Sammelmengen (mehrere Städte, Dutzende Stadtteile, mehrere Dienste) sollte im Voraus überlegt werden, wie die Daten nach Stunden und Wochentagen gespeichert und aggregiert werden – dies ermöglicht es, zukünftige Nachfrage- und Preisbildungsprognosemodelle zu erstellen, anstatt einfach ein Archiv aus verstreuten Zahlen zu haben.
Typische Fehler bei der Preisüberwachung
Der erste und häufigste Fehler ist die Verwendung derselben IP-Adresse für die Abfrage aller Stadtteile der Stadt. Dies erhöht nicht nur das Risiko einer Sperre, sondern kann auch dazu führen, dass der Dienst durchschnittliche oder zwischengespeicherte Preise anzeigt, anstatt die aktuellen Werte für den spezifischen Standort.
Der zweite Fehler sind zu häufige Anfragen ohne Pausen, die schnell zu temporären Sperren des Kontos oder der IP führen. Antifraud-Systeme von Taxi-Diensten verfolgen nicht nur die Anzahl der Anfragen, sondern auch das Verhaltensmuster: Ein echter Nutzer überprüft nicht 50 Mal hintereinander in einer Minute den Preis für eine Fahrt von demselben Punkt aus.
Der dritte Fehler ist die Ignorierung des Unterschieds zwischen dem Preis in der App und auf der Website. Bei vielen Taxi- und Lieferdiensten zeigt die mobile App andere Tarife als die Webversion an, aufgrund unterschiedlicher Algorithmen oder Aktionen, die nur in der App sichtbar sind. Wenn die Analyse nur auf Webdaten basiert, spiegeln die Ergebnisse möglicherweise nicht das reale Bild für die meisten Nutzer wider, die über die App bestellen.
Der vierte Fehler ist die Nichtvergleichbarkeit der Kontrollpunkte zwischen den Messungen. Wenn heute die Koordinaten des Stadtteils von einer Adresse stammen und morgen von einer anderen im selben Stadtteil, kann der Preisunterschied nicht durch eine Marktveränderung erklärt werden, sondern einfach durch einen anderen Start- oder Endpunkt der Route.
Fazit
Die systematische Überwachung der Preise für Taxis und Lieferungen nach Stadtteilen gibt Unternehmen konkrete Vorteile: die Möglichkeit, schnell auf die Aktionen von Wettbewerbern zu reagieren, die Nachfrage genauer vorherzusagen und fundierte Entscheidungen über Abdeckungsgebiete und Tarife zu treffen. Eine Schlüsselbedingung für die Erzielung verlässlicher Daten ist, dass die Anfragen von IP-Adressen kommen müssen, die physisch an die benötigte Stadt und den Stadtteil gebunden sind, andernfalls geben die Dienste falsche oder durchschnittliche Preise aus.
Wenn Sie planen, eine regelmäßige Datensammlung zu den Preisen von Taxis oder Lieferungen in verschiedenen Stadtteilen aufzubauen, empfehlen wir, mit residential Proxys mit genauer Geolokalisierung zur benötigten Stadt zu beginnen – sie liefern die realistischsten Daten und minimales Risiko von Sperren. Für Aufgaben, die speziell mit mobilen Apps für Taxis und Lieferungen verbunden sind, sollten Sie zusätzlich mobile IPs in Betracht ziehen, die von Antifraud-Systemen besser als Traffic von normalen Nutzern wahrgenommen werden.