每天1800万单 美团外卖如何优化配送模型？

在4月13号刚完毕的OReilly和Intel AI Conference上，美团点评的配送算法战略架构师郝井华博士详细引见了美团外卖即时配送业务的重难点，让我们来看看大数据文摘整理的演讲精髓。

郝井华，美团点评研讨员

美团外卖是全球最大的外卖平台，以及全球最大的即时配送平台。其共有骑手60万，签约商家150万，每天配送外卖1800万单。

美团要做的是即时配送，也就是在一个小时之内把订单送到客户手中。那么配送形式是如何配置的呢？60万骑手如何可以高效率低本钱地任务？

优化配送形式

后台是把一个城市是划不同的区域，用户只要处在特定的区域内翻开App才干看到这个区域内的商家，才干点这个商家的订单。每一个区域都有特定的骑手为区域内的商家效劳。每个区域每天都有少量的订单，如何高效地提升资源的配置效率，是美团外卖想要处理的痛点。

60万的骑手，每个月光薪资就会有几十亿的人民币收入。如何控制本钱，进步效率呢？可以从两个方面动手，第一，对骑手停止专业的培训；第二，对配送形式停止效率优化，例如依据区域的实践状况制定合理的配送费，以及合理的配送人数。

在施行层面做出实时的婚配，也就是，用户下单的时分触及的配送费的静态设定，订单的指派，以及骑手的执行。举一些例子，比方说商家配送范围的规划，一些有争议的小区需求划到哪个区域，划分到各个区域发生的本钱如何，收益又如何？加价机制其实是比拟难确定的，加多少，往哪些方向上加？这些都是需求思索的。

这类决策其实是多目的优化成绩，用户的称心度，本钱收益的状况，都需求思索。以往这些成绩都是用人工的方式处理。

但是人工的方式又会带来许多的成绩，比方说在上万个区域中每个区域都会有一个调度员停止订单分配，调度员显然思索配送形式的时分或多或少会呈现低效率成绩。还有一个其实也是比拟大的成绩，人数太多，就会呈现或多或少的糜烂成绩。比方说，有权利的调度员往往会把订单给和他关系比拟好的人。

在晚期的时分，规模比拟小，这些成绩还不突出。但是当到达如今美团的体量的时分，这些成绩就会变得很严重。因而就需求采用新的、基于大数据、人工智能的处理方案。

人工智能的开展，大致可以分为3个阶段，第一个阶段是Descriptive，做一些检索和准确的计算（比方说加减乘除），第二个阶段Predictive，其实是用算法发现一些规律，这一任务最早可以追溯到最小二乘等线性拟合算法，复杂一些的就是用语音辨认，人脸辨认发现一些规律。目前大局部成功的AI使用都是在第二个阶段。第三个阶段Prescriptive是基于这些规律停止最优的决策，比方说机票的静态定价，物流的订单分配。

拥有一个好的模型只是第一步，如何把模型进一步执行、优化，其实是需求破费许多功夫的。

来看一个复杂的流程，用户下单，商家备餐，骑手在接到单的时分取货，取货完之后停止配送。在美团APP中，你会看到有35分钟、40分钟等工夫的送达工夫的预测，这个工夫的预测要结合一个复杂的战略。然后是静态调价，并不是说基于什么样的规则，我们是要对总体的本钱和收益停止权衡之后给出定价。

当骑手到店之后，由于店里现有的用户会选择打包或许堂食，所以商家影响外卖出餐的工夫是多要素的。另外商家的地位也是会影响配送工夫的，在马路边上的商家，骑手到店方便，那么就会延长取餐工夫，假如商家是在高楼层，绝对来说工夫就会长一些。

对这一复杂的流程停止优化，不能够停止一个商家一个商家地决策，需求用到AI技术。

经过机器学习开收回的智能助手需求思索多重要素：如何停止单量预测，如何停止静态的定价，如何选择骑手到店的途径。当骑手取到餐后何时告诉用户上去取餐等等。

一些线下的流程也需求算法停止优化，例如我们需求添加新的商家，那些商家可以签约，哪些商家又可以优先签约，签约之后给他制定多少的配送费等等。

进步骑手效率

在根底建立方面，要有一个大数据平台，要坚持业务层面和机制的全体运转，在这个根底之上，还需求机器学习的平台，在这之上有许多机器学习的模型，方便对数据停止训练学习。在这两个根底之上还有少量业务的架构。

订单分给谁需求思索用户体验，骑手的体验，商家体验，平台的配送本钱等等。如今面临的次要难点是在思索用户体验的状况下，如何让骑手的效率最高。

中关村的午顶峰大约有200个左右的骑手，如何停止订单分配？最表层的了解是思索多目的优化。在午顶峰的时分每分钟大约有50个左右的新订单出去，每个骑手身上能够都有待配送的订单。

将订单分配给某个骑手，需求思索他是不是顺路，他是不是交通比拟熟，是不是效率可以保证。还有一些质量要求，例如用户点了面条，就要及时的送到，否则就会影响口感。其实留给智能助手思索的工夫不是很多，骑手的地位是不时在变化的，能够上一秒他还合适配送这一单，但是在这一秒就不合适了。

在一些工业场景，在用算法处理一些成绩的时分，并不是算法为王。需求设计一个全体的方案，需求理解企业场景，业务场景。因而算法的改良优化需求多场景的统筹。这些不能够一下片面掩盖，需求一个点一个点的去触及。在没有摸清成绩的边界的状况下，最好不要对算法停止优化。

技术下去说次要是两类，一方面是机器学习的办法技术，另一方面是运输优化。机器学习处理一些数据的统计和数据的规律剖析。当模型的边界比拟明晰的时分，就需求运输优化来处理一些成绩。

数据任务是第一步，需求提升一切的数据的精度，提升数据掩盖的层面。一些复杂的数据经过统计就可以晓得。另一些数据获取则更复杂，比方商户的地位，这些地位是人上报的，这就能够存在由于线下利益关系而上报错误的地位。这时分我们就需求应用骑手的一些行为，应用聚类的办法，掌握商家的真实地位。更复杂的场景，比方上文提到的预估出餐工夫，需求一些弱监视学习的办法，依据骑手的反应，停止统计剖析。

ETR成绩也是需求思索的，其实就是怎样样去估量一个途径上每一个点的工夫。比方说骑手从一个中央动身，给他规划一个线路，他应该在最少的工夫内配送最多的订单且路程最短。需求给每一个节点规划出什么工夫可以完成。这个成绩意义很大，由于在做订单分配的时分，要思索是不是能准时送达，准时与否十分影响用户的体验。

应用优化算法，树立一个根本的关系，骑手从取到送的进程中分配很多的节点。树立参数优化模型，可以将误差控制在4分钟之内。

在优化的根底上，还要做一些执行的任务。比方开发一个智能助手，可以和骑手停止语音交互，使其不必看手机也可以晓得他接到了多少单，他应该接上去做些什么等等操作。还无为骑手导航、停止临时鼓励等等。

将来要做的是经过多维度协同，完成全局最优化。需求思索业务维度，空间维度，工夫维度。业务维度指送达工夫设定、静态定价、运力交融。空间维度指跨区调度、柔性边界、全城优化。工夫维度指静态压单、最优指派、配送引导。