Vor fünf Jahren fühlte sich die Lieferung am selben Tag wie ein Luxus an. Heute ist es eine Baseline-Erwartung. Big Tech - und der Machine Learning-Boom, den es ausgelöst hat - haben die Verbrauchergewohnheiten ruhig neu vernetzt: Warten bis morgen ist keine Option mehr. Express-Lieferung („in 30–45 Minuten“) stützt sich bereits auf gut getestete Algorithmen: Zuschläge steigen und fallen mit Spikes in Nachfrage, Verkehr und Wetter. Aber in dem Moment, in dem ein Käufer auf „Lieferung bis 18:00 Uhr heute“ klickt, bieten die meisten Plattformen einen Rabatt basierend auf gutem Gefühl - ohne tatsächlich zu berücksichtigen, wie viele Kurierstunden die Wahl spart. Paradoxerweise haben weder Amazon noch Uber einen End-to-End-Ansatz zur Preisgestaltung dieser verzögerten Lieferfenster veröffentlicht - obwohl sie die reichste Marge halten. Auf dem gesamten Liefermarkt ist dynamische Preisgestaltung eine grundlegende Marktanforderung - aber die meisten öffentlichen Artikel konzentrieren sich auf die Echtzeit-Angebot-Nachfrage-Balance (wie z. B. Boost- oder "beschäftigte" Gebühren). es Preise Lieferfenster anders, um die Nachfrage zu verschieben, während Uber isst a Busy Area Fee when orders outstrip courier supply. admits Dokumente zugeben Dokumente For deferred same-day windows, retailers do signal that flexibility is cheaper — but none of them reveal how the math actually works. Sainsbury’s promotes cheaper 4-hour TESCO läuft Preise, die je nach Postleitzahl, Tag und Zeitfenster variieren, bezieht Ocado Versandkosten auf Amazon bietet (freie geplante Konsolidierung) während historisch Prime Now als kostenlose 2 Stunden vs. bezahlte 1 Stunde. Sparen Sie Slots Flexibilität sparen Schloss Verfügbarkeit Amazon Tag running Sparen Sie Slots Flexibilität sparen Schloss Verfügbarkeit Amazon Tag running It clearly shows that longer windows benefit retailers. Yet the market still lacks an end-to-end solution that converts batching efficiency and courier-hour savings into the discount customers actually see. Das ist die Lücke, die dieses Stück behebt: die Breite eines gleichen Tagesfensters mit der vorhergesagten Supply-Hour Saving zu verknüpfen und es in ein klares, faires Preissignal zu verwandeln. This article distils the key ideas behind a solution I built to address the problem. The goal is to outline the framework, not describe any one company’s system. The approach links delivery-window width to the expected Supply Hour Economy (SH economy) and turns it into a price signal that’s fair for shoppers, couriers, and the platform. I’m sharing my approach to give ML engineers and last-mile delivery practitioners a concrete reference point — something practical to help move the field forward faster. Batching as a Key to Efficiency Batching als Schlüssel zur Effizienz Auf einer hohen Ebene hat ein Marktplatz zwei Kernkomponenten: Nachfrage – Lieferanfragen, die von Benutzern in Echtzeit erstellt werden. Versorgung – die Kurier, die diese Anfragen erfüllen. Im einfachsten Fall trägt jeder Kurier nur eine Bestellung gleichzeitig.Aber in Spitzenzeiten übersteigt die Nachfrage oft weit das Angebot.Viele Bestellungen kommen innerhalb kurzer Zeit an, so dass Zustellungen effizienter erfolgen müssen (siehe Abbildung 1). Aber was bedeutet „effizient“ wirklich? Es hängt davon ab, wie wir es definieren. Hier ist Effizienz die Anzahl der abgeschlossenen Lieferzeiten durch die Anzahl der verfügbaren Kurierstunden geteilt: Wie können wir diese Effizienz steigern?Es gibt mehrere Strategien – aber eine der wichtigsten ist die . Batching means a courier delivers multiple orders in a single run. This system property significantly boosts efficiency. batching Understanding Batching Delivery Logic Understanding Batching Delivery Logic Nehmen wir ein einfaches Beispiel. Nehmen wir an, wir haben zwei Lieferanfragen. Jede Anfrage kann als ein Paar von Punkten dargestellt werden: Punkt A (Pickup) und Punkt B (Drop-off). Für jede Anfrage können Nachfragestunden geschätzt werden – die Zeit, die benötigt wird, um von A nach B zu reisen, unter Berücksichtigung von Verkehr, Wetter und anderen Bedingungen. What are our options? Ein Ansatz besteht darin, für jede Anfrage einen separaten Kurier zuzuweisen. In diesem Fall erfordert es Kurierzeit sowohl für die tatsächliche Lieferung (A bis B) als auch die — the time it takes a courier to reach point A. This works, but it’s not very efficient. approach time Betrachten Sie jetzt etwas Klügeres: Geben Sie einen Kurier zu dienen Zum Beispiel reist der Kurier zuerst zum Punkt A der zweiten Anfrage, nimmt sie auf, geht dann zum Abschlusspunkt der ersten Anfrage, liefert sie und liefert schließlich die zweite. both orders In diesem Szenario folgt der Kurier der auf der rechten Seite angezeigten grünen Route. und components — and the efficiency formula from the previous section — we can compute the batching efficiency. demand supply Die Intuition sollte jetzt klar sein: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric SH Economy as the Principal Metric However, it's better not to evaluate batching quality using the overall efficiency metric. Efficiency is influenced by numerous external factors, so a measure that depends solely on batch properties is preferable. Courier-time savings — or SH economy (Supply Hour economy) — serve this purpose, capturing the reduction in supply hours attributable to batching. SH Economy ist definiert als der Unterschied zwischen der Kurierzeit, die erforderlich ist, wenn die Bestellungen unabhängig bearbeitet wurden, und der Zeit, die tatsächlich verbracht wurde, wenn der Kurier die gesamte Partie liefert, ausgedrückt in relativer Form: Normalizing by the independent-delivery total yields a dimensionless ratio that can be easily compared across batches of any size or geography. Zurück zum vorherigen zweistufigen Beispiel: 33 Minuten Kurierzeit Independent deliveries: 26 Minuten Batched route: ein Zeigt a rein durch Batching erreicht. nicht durch externe Schwankungen im größeren Liefernetz beeinflusst. SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery Erhöhte Batching-Effizienz mit flexibler Fensterlieferung Batching-Effizienz verbessert sich, wenn Express-Service durch flexible Fensterlieferung ergänzt wird. , which minimizes customer wait time — but gives the platform no time to find batching opportunities. immediate courier assignment Im Gegensatz dazu, - ob 30 Minuten, zwei Stunden oder ein anderes Tagesintervall - erweitert den Lieferzeitraum und ermöglicht es der Anfrage, für einen kurzen Zeitraum in der Warteschlange zu bleiben. a flexible window Je größer der Pool je höher die Wahrscheinlichkeit eines erfolgreichen Batchings.Dies führt zu weniger Lieferzeiten, besserer Nutzung der Kurierzeit und letztendlich zu einem niedrigeren Preis für den Kunden. pairable requests, In der Praxis erweitern breitere Lieferfenster den Pool der Paarbaren Anfragen, was die Batch-Wahrscheinlichkeit und wiederum die SH-Ökonomie erhöht. Pricing Flexible-Window Delivery Pricing Flexible-Window Delivery Die Festlegung eines fairen Preises für flexible Fensterlieferungen ist eine Schlüsselprodukt-Herausforderung. Die meisten Marktplätze sind bereits in Betrieb für die Expresslieferung. in solchen Systemen, can be represented as two multiplicative components: a dynamic pricing engine the cost per order (CPO) — the dynamic base price, which already accounts for real-time signals such as demand spikes, courier availability, traffic, weather, and other operational factors. CPO_base - ein Rabattfaktor, der an die Breite des Lieferfensters gebunden ist.Wenn sich das Intervall erweitert, senkt diese Komponente den Endpreis, um die durch Batching erzielten Kurierzeitersparnisse zu widerspiegeln. CPO_economy(window_width) Die Hauptaufgabe besteht darin, die CPO_economy(window_width) -Funktion zu erlernen, während die bestehende CPO_base(·) unberührt bleibt, da die Express-Lieferpreisung bereits wie beabsichtigt funktioniert. Quick Example Schnelles Beispiel Let’s walk through a simple calculation. Nehmen Sie an, eine Minute Kurierzeit kostet $ 0,20. Die Lieferung von zwei Bestellungen unabhängig dauert 33 Minuten, so dass die Kosten pro Bestellung sind: **==33 × $0.20 = $6.60==** Wenn ein breiteres Lieferfenster es ermöglicht, die beiden Bestellungen zu batchen, sinkt die Kurierzeit auf 26 Minuten, wodurch die Kosten auf: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** This results in a 21% reduction in supply hours — and the customer pays roughly 21% less. So ist, Bestimmung des Wertes der SH-Wirtschaft. pricing flexible-window options reduces to an analytical problem: Since prices must be shown to the customer für mehrere Lieferfenster am selben Tag, - Sie müssen sein up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts Von der Baseline bis zu ML-basierten SH-Wirtschaftsprognosen Ein natürlicher Ausgangspunkt ist eine konstante Prognose: Verwenden Sie die historische wie die vorhergesagten Einsparungen für jede Anfrage. Diese Baseline ist schwach. on both sides and a spike at - aus Aufträgen in Gebieten mit geringer Dichte, die nie batchbar sind. average the SH economy heavy tails zero Relying on a single average ignores these patterns and leaves money on the table. Why ML is Needed Warum ML benötigt wird Improving prediction quality requires an ML-based forecast. But introducing machine learning into pricing isn't trivial: any predicted discount becomes dem Kunden beim Checkout gezeigt. Dies bedeutet, dass das Modell with In allen Kundensegmenten. a real commitment predictive power high reliability typisch entstehen, wenn ein solches System gebaut wird. Three key challenges Defining the target Die erste und offensichtlichste Frage lautet: Was genau sollte das Modell lernen, vorherzusagen? Betrachten Sie die Wirtschaftsformel SH. Es vergleicht zwei Mengen: Unabhängige Lieferung: Wie viele Kurierminuten würden ausgegeben, wenn jede Bestellung in der Partie von einem separaten Kurier bearbeitet würde? **Batched-Lieferung:** wie viele Minuten wurden tatsächlich verbracht, wenn diese Bestellungen zusammen in einer Partie geliefert wurden? The second value comes from real logs (with some cleanup). Der erste ist kontrovers - so it has to be it never happened, forecast. Selbst in einem einfachen Beispiel umfasst die Solo-Lieferung: Zeit zum Pickup Point, A → B travel time, und in der Produktion: Wartezeit beim Abholen, Hand-off-Zeit, Warteschlangen usw. Each of these elements is a separate forecast — and every forecast can be biased. To avoid cumulative distortion, the total must be so that the entspricht dem beobachteten Durchschnitt in historischen Daten. bias-corrected predicted solo time Where: Sheconomy (Batch) – passiert in der Realität SH(order i) — forecasts SH(batch) — actual Ein weiterer Vorteil ist, dass die Preise Die SH-Wirtschaft ist definiert So we need to A naive split by demand hours isn't ideal — because nicht Distanz.In der Praxis verteilen wir SH-Wirtschaft - die gleichen Mengen, die das Modell gerade vorhergesagt hat. per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order Diese Transformation schafft das endgültige Trainingsziel pro Bestellung, das nach der Lieferung wieder auf die wahre Batch-Economy SH zusammengefasst wird. Volatility & drift Das zweite Hindernis ist die natürliche Volatilität des Ziels.Wenn die durchschnittliche SH-Wirtschaft über einen längeren Zeitraum geplant ist, ist die Kurve alles andere als stationär: Ein plötzlicher Abstieg erscheint im Dezember (Feiertage), und breitere saisonale Wellen markieren frühe Sommerrutschen und Jahresende. To stabilise the predictions, the feature set is split into two. Content features depend only on the offer itself: the chosen delivery window, time of day, day of week, and geography. Weekend request patterns differ sharply from weekdays, and order density in a big city is unlike that in a smaller million-plus city, so these categorical signals absorb recurring seasonality. Complementing them are statistical features that describe the marketplace’s current state: rolling densities of demand and supply, plus carefully crafted target-like features — short-term averages of recent SH economy. The latter are especially informative but must be handled with care; otherwise, the model risks leaking future information. Proper lagging and windowing keep these target-like signals safe while still letting the predictor react to real-time shifts in batching efficiency. “Content” features – depend only on the offer itself chosen delivery window time of day/day of week geography „Statistische“ Merkmale – beschreiben Sie den aktuellen Marktzustand Rolling Demand Densität rolling supply density sorgfältig vernachlässigte Ziel-ähnliche Merkmale (neue Durchschnitte der SH-Wirtschaft) Feedback loops left uncontrolled The model’s own predictions reshape the target it is asked to predict. Raise the expected SH economy, and the displayed price for flexible-window delivery falls. A lower price persuades more customers to pick the slower option, which in turn increases batching and boosts the actual SH economy. The distribution of the target keeps drifting. Ein komplexes, handgefertigtes Korrekturmodell könnte versuchen, diesen Selbst-Einfluss abzuziehen, aber jede feste Formel würde bald ungenau werden. Models are refreshed on the latest data at short, regular intervals, letting them absorb the shifting mix of slow-window orders. Continuous retraining: Wenn sich die Vorhersageverteilung nicht viel bewegt hat, wird die Bereitstellung auf Offline-Metriken allein entschieden; wenn die Verschiebung groß ist, wird vor dem Launch ein vollständiger Online-A/B-Test ausgeführt. Dieser Zyklus hält das Preissystem stabil, während sich das Kundenverhalten – und damit das SH-Wirtschaftziel – kontinuierlich weiterentwickelt. Conclusion Schlussfolgerung Die Lieferung der letzten Meile am selben Tag kann nicht optimiert werden, indem nur Kurier gedrückt oder Bounce-Multiplikatoren angepasst werden. batching. Once delivery windows were linked to the expected — die relative Kurierzeitersparnis, die ein Batch freigibt — prognostizieren Sie die SH-Wirtschaft für jedes Angebot und übersetzen Sie diese Einsparungen in einen fairen Rabatt. Supply-Hour Economy (SH economy) dynamic pricing became a machine learning problem: Three technical hurdles shaped the solution: Predict the solo courier minutes for each request, then allocate the future batch’s savings back to its orders in proportion to those minutes. Turn a batch metric into an order target. Absorb seasonality and daily shocks with a two-tier feature set: stable content-based signals (window length, time, geography) and rolling marketplace statistics (demand, supply, lagged SH economy). Stabilise a volatile target. Continuous retraining keeps the model aligned with the behaviors it creates, while distribution guardrails trigger A/B testing when predictions drift. Control the feedback loop. Two more layers — and — work behind the scenes to keep the system stable and trustworthy in production. robust experimentation the dynamic strategies of large shippers Public, end-to-end cases of flexible-window pricing remain rare. Sharing real-world lessons helps the industry move faster toward tomorrow’s customers will take for granted. the friction-free, on-demand marketplaces
