根据上面所述，我们进入了一个大的框架，就是在外卖这个行业是三个大东西，一个是机器学习，运筹优化其实也是跟机器学习密不可分的。讲到其中运筹优化，大数据作为运筹优化的基础起到了非常关键的作用，现在大家看这个图挺有意思，我会多花两分钟讲一讲在业务中的算法问题，大概有三个层面。底层的外卖行业希望 30 分钟把食物送到手里，不可能送到二十或者三十公里之外，除非你会飞，否则半个小时不可能送 10 公里。基于这种情况，所有行业都是基于当前打开 APP 定位，定位可能 3 公里或者 5 公里的半径，LBS 保证在运营商做各种推荐或者搜索为基础，再往上两层就是机器学习和优化。所以现在来具体讲一下这三部分。
第一：交易
大家可以看一下中间这个模块是用户商户分层，推荐搜索以及智能补贴，这几个大的方向是任何电商都必须做的。
在有很精细的用户画像体制上，我们希望对用户和商户的生命周期做严格的管理，在这个基础上我们做相应的推荐、搜索、补贴，比如说有一个用户进入沉睡期，我们会通过一定的方式对客户进行刺激。
第二：线下
当交易行为发生时，我们希望 30 分钟将外卖送到用户手里，这里面涉及到机器学习的规划，我会详细讲智能的调度，也会详细讲到出餐时间和送餐时间的预估，以及动态定价等这几个模块。智能调度是调度的一部分，我们 30 分钟包括了准备的时间和路上的时间，甚至保证了送到楼下，等电梯到你手上的时间等等，所以 30 分钟有很多不可预估的东西。那么压力平衡是什么意思?大家都知道，线上交易和我们物流是矛盾的，对于线上交易来说我们当然希望订单越多越好，我们希望有上千万的用户一下子几秒钟进来。但是 30 分钟内把订单全部送出去，这个是不太可能一下子解决的问题，为了达到压力平衡，就要保证交易和物流、配送等保持平衡，既达到交易质量，也不损失用户的积极性。
第三：底层
讲到这两个之后就是一些底层的东西，现在让我们看上一张图，左边包括选址推荐等等，刚才讲到配送是本地，当一个商家定下准备配送的地方就会画一个圈，比如说我送一个圆圈或者六边形，这个不是随便画的，首先有可能这个地方是高速路或者高架桥，不是每个人平台都是一样，有的用户也有可能老是定便宜订单，我们在网格和站点规划的时候会考虑所有因素，这个涉及很多运筹优化的问题，最后一个例子就会讲到选址和网格规划的问题。简单讲一下我们三个部分包含了我们在人工智能方面所有一些尝试，这对我们业务是非常重要的。
关于运筹优化与应用实例
这一部分我会分两种来说，分别是机器学习的应用案例和机器学习应酬优化的案例。
案例 1 : 出餐时间预估
第一个是出餐时间预估，我在这里用滴滴做比较，什么是等待时间预估，比如我们在滴滴场景下下了一个订单，比如说我想去浦东机场，它会告诉你这个车离这里两公里，3 分钟会到，3 分钟就是等待时间预估。“饿了么” 相当于下了一个单，大概 20 分钟才能做好，我希望来的早不如来的巧，作为我平台骑手刚好在 20 分钟就到，如果早了骑手等在那儿是浪费，但是去晚了，就可能订单超过了时间。
这个出餐时间准确性是关键，当订单完成之后，怎么知道订单花多长时间完成，这个餐厅受很多的因素影响， 餐厅的备餐时间和食堂吃的用户数, 餐品类型, 烹饪方式, 订单大小等因素影响, 且备完餐后无通知，比如说餐厅客户特别多，平时可能 5 分钟做出来，可能人多了就做不出来，还有产品品类的问题，甚至包括一天的天气各种原因，包括餐厅的出勤率，餐厅厨师请假突然少了几个人，这些都是造成预估不准确的原因之一。我们想过为什么不让餐厅做好了告诉我们，我们就去，这个理论是可行，大家想象一下在餐厅场景里面，厨房是什么样的情况，你想象一个厨师满手都是油，出来点一下这个订单好了，下一个订单了，这个是很难想象的事情，我们没有得到这方面的数据。这个是一个前提，我们的解决方案毫无疑问是机器学习，最简单版本就是线性模型，一开始效果不是特别好，逐渐演进到后面用了的 GBDT ，大家都比较熟悉下，在场景下做到平均不是特殊平均，加上出餐时间是 10 分钟，我们可以固定 7 分钟到 13 分钟，这个准确率比较高。
免责声明：科技狗对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。 本网站转载图片、文字之类版权申明，本网站无法鉴别所上传图片或文字的知识版权，如果侵犯，请及时通知我们，本网站将在第一时间及时删除：yzl_300@126.com
