時間：2018-04-16 09:02:03 點擊：次
來源：大數(shù)據(jù)文摘 作者：大數(shù)據(jù)文摘

條評論打印收藏

在4月13號剛結(jié)束的OReilly和Intel AI Conference上，美團點評的配送算法策略架構(gòu)師郝井華博士詳細介紹了美團外賣即時配送業(yè)務(wù)的重難點,，讓我們來看看大數(shù)據(jù)文摘整理的演講精華,。

郝井華，美團點評研究員

美團外賣是全球最大的外賣平臺,，以及全球最大的即時配送平臺,。其共有騎手60萬，簽約商家150萬,，每天配送外賣1800萬單,。

美團要做的是即時配送，也就是在一個小時之內(nèi)把訂單送到客戶手中,。那么配送模式是如何配置的呢,？60萬騎手如何能夠高效率低成本地工作？

優(yōu)化配送模式

后臺是把一個城市是劃不同的區(qū)域,，用戶只有處在特定的區(qū)域內(nèi)打開App才能看到這個區(qū)域內(nèi)的商家,，才能點這個商家的訂單。每一個區(qū)域都有特定的騎手為區(qū)域內(nèi)的商家服務(wù),。每個區(qū)域每天都有大量的訂單，如何高效地提升資源的配置效率,，是美團外賣想要解決的痛點,。

60萬的騎手，每個月光薪資就會有幾十億的人民幣支出,。如何控制成本,，提高效率呢？可以從兩個方面入手,，第一,，對騎手進行專業(yè)的培訓(xùn)；第二,，對配送模式進行效率優(yōu)化,，例如根據(jù)區(qū)域的實際情況制定合理的配送費，以及合理的配送人數(shù),。

在實施層面做出實時的匹配,，也就是，用戶下單的時候涉及的配送費的動態(tài)設(shè)定,，訂單的指派,，以及騎手的執(zhí)行。舉一些例子,，比如說商家配送范圍的規(guī)劃,，一些有爭議的小區(qū)需要劃到哪個區(qū)域,，劃分到各個區(qū)域產(chǎn)生的成本如何，收益又如何,？加價機制其實是比較難確定的,，加多少，往哪些方向上加,？這些都是需要考慮的,。

這類決策其實是多目標優(yōu)化問題，用戶的滿意度,，成本收益的情況,，都需要考慮。以往這些問題都是用人工的方式解決,。

然而人工的方式又會帶來許多的問題,，比如說在上萬個區(qū)域中每個區(qū)域都會有一個調(diào)度員進行訂單分配，調(diào)度員顯然考慮配送模式的時候或多或少會出現(xiàn)低效率問題,。還有一個其實也是比較大的問題,，人數(shù)太多，就會出現(xiàn)或多或少的腐敗問題,。比如說,，有權(quán)力的調(diào)度員往往會把訂單給和他關(guān)系比較好的人。

在早期的時候,，規(guī)模比較小,，這些問題還不突出。但是當達到現(xiàn)在美團的體量的時候,，這些問題就會變得很嚴重,。因此就需要采用新的、基于大數(shù)據(jù),、人工智能的解決方案,。

人工智能的發(fā)展，大致可以分為3個階段,，第一個階段是Descriptive,，做一些檢索和精確的計算（比如說加減乘除），第二個階段Predictive,，其實是用算法發(fā)現(xiàn)一些規(guī)律,，這一工作最早可以追溯到最小二乘等線性擬合算法，復(fù)雜一些的就是用語音識別,，人臉識別發(fā)現(xiàn)一些規(guī)律,。目前大部分成功的AI應(yīng)用都是在第二個階段。第三個階段Prescriptive是基于這些規(guī)律進行最優(yōu)的決策，比如說機票的動態(tài)定價,，物流的訂單分配,。

擁有一個好的模型只是第一步，如何把模型進一步執(zhí)行,、優(yōu)化,，其實是需要花費許多功夫的。

來看一個簡單的流程,，用戶下單,，商家備餐，騎手在接到單的時候取貨,，取貨完之后進行配送,。在美團APP中，你會看到有35分鐘,、40分鐘等時間的送達時間的預(yù)測,，這個時間的預(yù)測要結(jié)合一個簡單的策略。然后是動態(tài)調(diào)價,，并不是說基于什么樣的規(guī)則,，我們是要對總體的成本和收益進行權(quán)衡之后給出定價。

當騎手到店之后,，因為店里現(xiàn)有的用戶會選擇打包或者堂食,，所以商家影響外賣出餐的時間是多因素的。另外商家的位置也是會影響配送時間的,，在馬路邊上的商家,，騎手到店方便，那么就會縮短取餐時間,，如果商家是在高樓層,，相對來說時間就會長一些,。

對這一簡單的流程進行優(yōu)化,，不可能進行一個商家一個商家地決策，需要用到AI技術(shù),。

通過機器學(xué)習(xí)開發(fā)出的智能助手需要考慮多重因素：如何進行單量預(yù)測,，如何進行動態(tài)的定價，如何選擇騎手到店的路徑,。當騎手取到餐后何時通知用戶下來取餐等等,。

一些線下的流程也需要算法進行優(yōu)化，例如我們需要增加新的商家,，那些商家能夠簽約,，哪些商家又能夠優(yōu)先簽約，簽約之后給他制定多少的配送費等等,。

提高騎手效率

在基礎(chǔ)建設(shè)方面,，要有一個大數(shù)據(jù)平臺,，要保持業(yè)務(wù)層面和機制的整體運行，在這個基礎(chǔ)之上,，還需要機器學(xué)習(xí)的平臺,，在這之上有許多機器學(xué)習(xí)的模型，方便對數(shù)據(jù)進行訓(xùn)練學(xué)習(xí),。在這兩個基礎(chǔ)之上還有大量業(yè)務(wù)的架構(gòu),。

訂單分給誰需要考慮用戶體驗，騎手的體驗,，商家體驗,，平臺的配送成本等等。現(xiàn)在面臨的主要難點是在考慮用戶體驗的情況下,，如何讓騎手的效率最高,。

中關(guān)村的午高峰大約有200個左右的騎手，如何進行訂單分配,？最表層的理解是考慮多目標優(yōu)化,。在午高峰的時候每分鐘大約有50個左右的新訂單進來，每個騎手身上可能都有待配送的訂單,。

將訂單分配給某個騎手,，需要考慮他是不是順路，他是不是交通比較熟,，是不是效率能夠保證,。還有一些質(zhì)量要求，例如用戶點了面條,，就要及時的送到,，否則就會影響口感。其實留給智能助手考慮的時間不是很多,，騎手的位置是不斷在變化的,，可能上一秒他還適合配送這一單，但是在這一秒就不適合了,。

在一些工業(yè)場景,，在用算法解決一些問題的時候，并不是算法為王,。需要設(shè)計一個整體的方案,，需要了解企業(yè)場景，業(yè)務(wù)場景,。因此算法的改進優(yōu)化需要多場景的兼顧,。這些不可能一下全面覆蓋，需要一個點一個點的去涉及。在沒有摸清問題的邊界的情況下,，最好不要對算法進行優(yōu)化,。

技術(shù)上來說主要是兩類，一方面是機器學(xué)習(xí)的方法技術(shù),，另一方面是運輸優(yōu)化,。機器學(xué)習(xí)解決一些數(shù)據(jù)的統(tǒng)計和數(shù)據(jù)的規(guī)律分析。當模型的邊界比較清晰的時候,，就需要運輸優(yōu)化來解決一些問題,。

數(shù)據(jù)工作是第一步，需要提升所有的數(shù)據(jù)的精度,，提升數(shù)據(jù)覆蓋的層面,。一些簡單的數(shù)據(jù)經(jīng)過統(tǒng)計就可以知道。另一些數(shù)據(jù)獲取則更復(fù)雜,，比如商戶的位置,，這些位置是人上報的，這就可能存在因為線下利益關(guān)系而上報錯誤的位置,。這時候我們就需要利用騎手的一些行為,，利用聚類的方法，掌握商家的真實位置,。更復(fù)雜的場景,，比如上文提到的預(yù)估出餐時間，需要一些弱監(jiān)督學(xué)習(xí)的方法,，根據(jù)騎手的反饋,，進行統(tǒng)計分析。

ETR問題也是需要考慮的,，其實就是怎么樣去估計一個路徑上每一個點的時間,。比如說騎手從一個地方出發(fā)，給他規(guī)劃一個線路,，他應(yīng)該在最少的時間內(nèi)配送最多的訂單且路程最短,。需要給每一個節(jié)點規(guī)劃出什么時間可以完成。這個問題意義很大,，因為在做訂單分配的時候,，要考慮是不是能準時送達,，準時與否非常影響用戶的體驗,。

利用優(yōu)化算法，建立一個基本的關(guān)系,，騎手從取到送的過程中分配很多的節(jié)點,。建立參數(shù)優(yōu)化模型，能夠?qū)⒄`差控制在4分鐘之內(nèi)。

在優(yōu)化的基礎(chǔ)上,，還要做一些執(zhí)行的工作,。比如開發(fā)一個智能助手，能夠和騎手進行語音交互,，使其不用看手機也能夠知道他接到了多少單,，他應(yīng)該接下來做些什么等等操作,。還有為騎手導(dǎo)航、進行長期激勵等等。

未來要做的是通過多維度協(xié)同,，實現(xiàn)全局最優(yōu)化。需要考慮業(yè)務(wù)維度,，空間維度,，時間維度。業(yè)務(wù)維度指送達時間設(shè)定,、動態(tài)定價,、運力融合?？臻g維度指跨區(qū)調(diào)度,、柔性邊界、全城優(yōu)化,。時間維度指動態(tài)壓單,、最優(yōu)指派、配送引導(dǎo),。