外卖场景下的订单预测及列表优化问题

王兴星

内容概览

•  外卖背景  •  订单预测  •  列表优化  •  总结

外卖行业的发展

1993.8 丽华快

餐

2009.4 饿了么

2013.12 美团外卖 淘点点

2014.5 百度外

卖

2014.11 美团外卖100w

单

2015.12 美团外卖300w

单

2016.5 美团外卖400w

单

外卖行业的发展

外卖与团购的异同

流量

性价比

方便快捷

支付

线上

线上为主

就餐

套餐+到店消费

点餐+配送到家

外卖的特点

•  移动化  •  本地化  •  场景化  

外卖的特点：移动化

•  移动化

外卖的特点：本地化

•  本地化  – 某城市各品类距离占比：

外卖的特点：场景化

•  场景化

订单预估的应用场景

•  订单量预估的应用场景：  – 城市稳定性；  – 运力监控、预估；  – 广告流量预估、定价；  

城市订单预估

•  城市订单稳定性：  – 城市维度的波动是否正常？  – 人工检查工作量大；  – 人工确认波动原因成本大；  – 定位到原因，难以量化；  

城市订单预估

•  模型需要解决的问题：  – 自动的监控、报警；  – 原因发现；  – 原因的影响的量化；

城市订单预估

•  解决路径：  – 简单平均；  – 时间序列预估；  – 自回归模型；  – 级联模型；

城市订单预估：牛刀小试

数据收集

• 全国约100个城市； • A&B类城市占据大部分订单;

预处理

• 小城市，订单量小，波动大 • 异常样本过滤

简单平均 • 周期性：工作区&居住区

时间序列

• 指数平滑 • Holt-­‐Winters

城市订单预估：效果

•  评价指标：  – 误差率：  

  |预测单量-真实单量|  / 真实单量 * 100%  

•  效果分析：  

城市订单预估：应用场景的差异

•  不用数据表现差别较大：                       (商圈级别表现更加明显)                

城市订单预估：其他因素

•  订单量此外的因素：  – 天气；  – 星期几；  – 节假日；  – 平均配送费用；  – 是否开启红包；  – 红包使用的比例；  – …

城市订单预估

•  非订单因数，怎么融入？  – 建立统一模型：  

• 如何达到非线性效果：特征&模型；  • 特征如何处理：  

– 归一化；  – 离散化；  – 交叉化  

• 核心关注点：  – 精度；  – 可解释性；    

城市订单预估：级联模型

•  级联模型：  – 第一级：自回归模型；  – 第二级：  

• 目标：真实值/自回归值；  • 特征：  

– 非自回归模型特征；  

• 效果：  –  BoosDng思想，误差率进一步降低；  – 可解释性好；  

城市订单预估：级联模型

•  可解释性：  – 特征间差异直接反映了对订单量的影响；

天气 权重

大雨 0.1780

暴雨 0.1492

晴 -­‐0.0038

…

列表优化

•  产品形态

列表优化：架构

•  架构

列表优化：离线流程

•  负样本的有效性：  – 常用负样本的产生方法：  

• 采样、高频用户/商品；  

– 流量清洗：  • 抓取流量；  • 无效加载

列表优化：特征体系

•  特征矩阵：

1.商家 2.用户

3.商家&用户

列表优化：模型

•  树模型：为什么使用树模型？  – Decision  Tree：简单贪婪，C4.5；  – Bagging：民主智慧，RF；  – BoosDng：知错就改，GBDT；

•  非线性模型：  – 稠密特征：分裂的复杂度；  – 特征选择、组合；  

列表优化：实时性要求

•  实时性的要求：  – 商家库存；  – 商家服务质量；  – 商家活动情况；  – 配送运力情况；

 •  实时性方案：  – 方案一：非统计特征，模型实时学习，在线学习；  – 方案二：统计特征，模型稳定，特征实时更新；  – 方案三：两者混合；  

列表优化：特征实时性

•  特征实时化：

列表优化：跨系统交互

•  跨系统交互：（配送）  – 商家售罄：  

• 库存、单量预测；  

– 流控：  • 实时负载指标；  • 配送等待时间；  • 配送预计送达时间；

列表优化：新商家

•  新商家：  – 如何确定新商家的质量？  

• 固定位置，定义新商家，同类型展示；  • 不确定位置，E&E策略；  • 其他运营方案：广告；

总结

•  总结：  – 理解业务，技术驱动；  – 没有完全一致的技术方案；  – 最小可迭代方案，不断优化；  

Thank  You！