美团是怎么配送的流程（|）

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。那么配送模式是如何配置的呢？60万骑手如何能够高效率低成本地工作？

优化配送模式

后台是把一个城市是划不同的区域，用户只有处在特定的区域内打开App才能看到这个区域内的商家，才能点这个商家的订单。每一个区域都有特定的骑手为区域内的商家服务。每个区域每天都有大量的订单，如何高效地提升资源的配置效率，是美团外卖想要解决的痛点。

60万的骑手，每个月光薪资就会有几十亿的人民币支出。如何控制成本，提高效率呢？可以从两个方面入手，第一，对骑手进行专业的培训；第二，对配送模式进行效率优化，例如根据区域的实际情况制定合理的配送费，以及合理的配送人数。

在实施层面做出实时的匹配，也就是，用户下单的时候涉及的配送费的动态设定，订单的指派，以及骑手的执行。举一些例子，比如说商家配送范围的规划，一些有争议的小区需要划到哪个区域，划分到各个区域产生的成本如何，收益又如何？加价机制其实是比较难确定的，加多少，往哪些方向上加？这些都是需要考虑的。

这类决策其实是多目标优化问题，用户的满意度，成本收益的情况，都需要考虑。以往这些问题都是用人工的方式解决。

然而人工的方式又会带来许多的问题，比如说在上万个区域中每个区域都会有一个调度员进行订单分配，调度员显然考虑配送模式的时候或多或少会出现低效率问题。还有一个其实也是比较大的问题，人数太多，就会出现或多或少的腐败问题。比如说，有权力的调度员往往会把订单给和他关系比较好的人。

在早期的时候，规模比较小，这些问题还不突出。但是当达到现在美团的体量的时候，这些问题就会变得很严重。因此就需要采用新的、基于大数据、人工智能的解决方案。

人工智能的发展，大致可以分为3个阶段，第一个阶段是Descriptive，做一些检索和精确的计算（比如说加减乘除），第二个阶段Predictive，其实是用算法发现一些规律，这一工作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识别，人脸识别发现一些规律。目前大部分成功的AI应用都是在第二个阶段。第三个阶段Prescriptive是基于这些规律进行最优的决策，比如说机票的动态定价，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，其实是需要花费许多功夫的。

来看一个简单的流程，用户下单，商家备餐，骑手在接到单的时候取货，取货完之后进行配送。在美团APP中，你会看到有35分钟、40分钟等时间的送达时间的预测，这个时间的预测要结合一个简单的策略。然后是动态调价，并不是说基于什么样的规则，我们是要对总体的成本和收益进行权衡之后给出定价。

当骑手到店之后，因为店里现有的用户会选择打包或者堂食，所以商家影响外卖出餐的时间是多因素的。另外商家的位置也是会影响配送时间的，在马路边上的商家，骑手到店方便，那么就会缩短取餐时间，如果商家是在高楼层，相对来说时间就会长一些。

对这一简单的流程进行优化，不可能进行一个商家一个商家地决策，需要用到AI技术。

通过机器学习开发出的智能助手需要考虑多重因素：如何进行单量预测，如何进行动态的定价，如何选择骑手到店的路径。当骑手取到餐后何时通知用户下来取餐等等。

一些线下的流程也需要算法进行优化，例如我们需要增加新的商家，那些商家能够签约，哪些商家又能够优先签约，签约之后给他制定多少的配送费等等。

提高骑手效率

在基础建设方面，要有一个大数据平台，要保持业务层面和机制的整体运行，在这个基础之上，还需要机器学习的平台，在这之上有许多机器学习的模型，方便对数据进行训练学习。在这两个基础之上还有大量业务的架构。

订单分给谁需要考虑用户体验，骑手的体验，商家体验，平台的配送成本等等。现在面临的主要难点是在考虑用户体验的情况下，如何让骑手的效率最高。

中关村的午高峰大约有200个左右的骑手，如何进行订单分配？最表层的理解是考虑多目标优化。在午高峰的时候每分钟大约有50个左右的新订单进来，每个骑手身上可能都有待配送的订单。

将订单分配给某个骑手，需要考虑他是不是顺路，他是不是交通比较熟，是不是效率能够保证。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。其实留给智能助手考虑的时间不是很多，骑手的位置是不断在变化的，可能上一秒他还适合配送这一单，但是在这一秒就不适合了。

在一些工业场景，在用算法解决一些问题的时候，并不是算法为王。需要设计一个整体的方案，需要了解企业场景，业务场景。因此算法的改进优化需要多场景的兼顾。这些不可能一下全面覆盖，需要一个点一个点的去涉及。在没有摸清问题的边界的情况下，最好不要对算法进行优化。

技术上来说主要是两类，一方面是机器学习的方法技术，另一方面是运输优化。机器学习解决一些数据的统计和数据的规律分析。当模型的边界比较清晰的时候，就需要运输优化来解决一些问题。

数据工作是第一步，需要提升所有的数据的精度，提升数据覆盖的层面。一些简单的数据经过统计就可以知道。另一些数据获取则更复杂，比如商户的位置，这些位置是人上报的，这就可能存在因为线下利益关系而上报错误的位置。这时候我们就需要利用骑手的一些行为，利用聚类的方法，掌握商家的真实位置。更复杂的场景，比如上文提到的预估出餐时间，需要一些弱监督学习的方法，根据骑手的反馈，进行统计分析。

ETR问题也是需要考虑的，其实就是怎么样去估计一个路径上每一个点的时间。比如说骑手从一个地方出发，给他规划一个线路，他应该在最少的时间内配送最多的订单且路程最短。需要给每一个节点规划出什么时间可以完成。这个问题意义很大，因为在做订单分配的时候，要考虑是不是能准时送达，准时与否非常影响用户的体验。

利用优化算法，建立一个基本的关系，骑手从取到送的过程中分配很多的节点。建立参数优化模型，能够将误差控制在4分钟之内。

在优化的基础上，还要做一些执行的工作。比如开发一个智能助手，能够和骑手进行语音交互，使其不用看手机也能够知道他接到了多少单，他应该接下来做些什么等等操作。还有为骑手导航、进行长期激励等等。

未来要做的是通过多维度协同，实现全局最优化。需要考虑业务维度，空间维度，时间维度。业务维度指送达时间设定、动态定价、运力融合。空间维度指跨区调度、柔性边界、全城优化。时间维度指动态压单、最优指派、配送引导。