Hace cinco años, la entrega del mismo día se sentía como un lujo.Hoy, es una expectativa de base.Big Tech - y el boom de aprendizaje automático que desencadenó- silenciosamente reinterpretó los hábitos de los consumidores: esperar hasta mañana ya no es una opción.El mercado continúa expandiéndose a tasas de dos dígitos, y casi cada salto en la eficiencia ahora proviene de los modelos ML que jugulan la demanda, el enrutamiento y el precio. Imagínese el día más ocupado de una temporada de ventas. la entrega rápida (“en 30–45 minutos”) ya se basa en algoritmos bien probados: los suplementos suben y caen con picos en la demanda, el tráfico y el clima. pero en el momento en que un comprador hace clic en “entrega a las 6 p.m. hoy”, la mayoría de las plataformas ofrecen un descuento basado en la sensación intestinal – sin tener en cuenta en realidad cuántas horas de mensajería la elección ahorra. Paradoxalmente, ni Amazon ni Uber han publicado un enfoque end-to-end para el precio de estas ventanas de entrega pospuestas, a pesar de que mantienen la margen más rica. En todo el mercado de la entrega, el precio dinámico es un requisito básico del mercado, pero la mayoría de los artículos públicos se centran en el equilibrio de la oferta y la demanda en tiempo real (como las tarifas de aumento o "ocupadas"). Los precios de las ventanas de entrega varían para cambiar la demanda, mientras que Uber Eats a Busy Area Fee when orders outstrip courier supply. Admite Documentos Admite Documentos Para las ventanas del mismo día pospuestas, los minoristas señalan que la flexibilidad es más barata, pero ninguno de ellos revela cómo funciona realmente la matemática. El Tesco Runs precios que varían según el código postal, el día y la ventana de la hora, Ocado enlaza los gastos de envío a Amazon ofrece (Free scheduled consolidation) mientras que históricamente Prime ahora como 2 horas gratis vs. pagado 1 hora. Soluciones Slots Flexi-saver Disponibilidad de cierre Día del Amazonas Corriendo Soluciones Slots Flexibilización Disponibilidad de cierre Día del Amazonas Corriendo Mostra claramente que las ventanas más largas benefician a los minoristas; sin embargo, el mercado todavía carece de una solución end-to-end que convierta la eficiencia del batch y los ahorros en horas de mensajería en los descuentos que los clientes realmente ven. That’s the gap this piece tackles: linking the width of a same-day window to the predicted Supply-Hour Saving and turning it into a clear, fair price signal. 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 Limpieza como clave para la eficiencia A un nivel alto, un mercado tiene dos componentes principales: Demanda: solicitudes de entrega creadas por los usuarios en tiempo real. Suministro: los mensajeros que cumplen con esas solicitudes. En el caso más simple, cada corredor lleva solo una orden a la vez.Pero en los períodos de pico, la demanda a menudo excede mucho la oferta.Muchas órdenes llegan en un corto período de tiempo, por lo que las asignaciones deben realizarse de manera más eficiente (ver figura 1). Pero ¿qué significa realmente “eficiente”? depende de cómo lo definamos. Aquí, la eficiencia es el número de horas de entrega completadas divididas por el número de horas de mensajería disponibles: ¿Cómo podemos aumentar esa eficiencia?Existen múltiples estrategias, pero una de las más importantes es Batching significa que un corredor entrega múltiples pedidos en una sola vez.Esta propiedad del sistema aumenta significativamente la eficiencia. batching Understanding Batching Delivery Logic Comprender la lógica de entrega de batches Vamos a pasar por un ejemplo simple. Supongamos que tenemos dos solicitudes de entrega. Cada solicitud puede ser representada como un par de puntos: punto A (pickup) y punto B (drop-off). Para cada solicitud, se pueden estimar las horas de demanda —el tiempo necesario para viajar de A a B, teniendo en cuenta el tráfico, el clima y otras condiciones. ¿Cuáles son nuestras opciones? Un enfoque es asignar un corredor separado a cada solicitud. En este caso, se requiere tiempo de corredor tanto para la entrega real (A a B) como para la entrega. - el tiempo que tarda un corredor en llegar al punto A. Esto funciona, pero no es muy eficiente. approach time Ahora considere algo más inteligente: asigne a un corredor para servir Por ejemplo, el corredor primero viaja al punto A de la segunda solicitud, la recoge, luego va al punto de descenso de la primera solicitud, la entrega y finalmente entrega la segunda. both orders En este escenario, el corredor sigue la ruta verde mostrada a la derecha. and componentes - y la fórmula de eficiencia de la sección anterior - podemos calcular la eficiencia de batido. demand supply La intuición debe estar clara por ahora: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric La economía como la principal métrica Sin embargo, es mejor no evaluar la calidad del lote utilizando la métrica de eficiencia general.La eficiencia está influenciada por numerosos factores externos, por lo que es preferible una medida que depende únicamente de las propiedades del lote. El ahorro de tiempo de mensajería -o la economía SH (economía de la hora de suministro) - sirve a este propósito, capturando la reducción de las horas de suministro atribuible al batch. Un lote es un conjunto de pedidos entregados simultáneamente.SH Economía se define como la diferencia entre el tiempo de envío requerido si los pedidos se han tratado de forma independiente y el tiempo de entrega real de todo el lote, expresado en forma relativa: La normalización por el total de entrega independiente produce una proporción sin dimensiones que se puede comparar fácilmente entre los lotes de cualquier tamaño o geografía. Volvemos al ejemplo anterior de dos órdenes: 33 minutos de tiempo de envío Independent deliveries: 26 minutos Batched route: y indicates a achieved purely through batching. This provides no afectados por fluctuaciones externas en la red de distribución más amplia. SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery Increasing Batching Efficiency with Flexible-Window Delivery La eficiencia del batch se mejora cuando el servicio expreso se complementa con la entrega de ventanas flexibles. , lo que minimiza el tiempo de espera del cliente, pero no da tiempo a la plataforma para encontrar oportunidades de batch. immediate courier assignment En contraste, - 30 minutos, dos horas o cualquier otro intervalo del mismo día - amplía el rango de tiempo de entrega y permite que la solicitud permanezca en la cola durante un corto período. Durante esta pausa, hay una mayor probabilidad de que llegue un pedido cercano, permitiendo que los dos se combinen en un solo lote y se asignen a un corredor. a flexible window Cuanto más grande sea la piscina de Cuanto mayor sea la probabilidad de un batch exitoso, menos horas de entrega, mejor uso del tiempo de envío y, en última instancia, un precio más bajo para el cliente. pairable requests, En la práctica, las ventanas de entrega más amplias amplían el pool de solicitudes emparejables, aumentando la probabilidad de lotes y, a su vez, la economía de SH. Pricing Flexible-Window Delivery Precio de entrega de ventanas flexibles Establecer un precio justo para la entrega de ventanas flexibles es un reto clave para los productos. La mayoría de los mercados ya están operativos para el envío expreso. En tales sistemas, Puede representarse como dos componentes multiplicativos: 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 - un factor de descuento vinculado a la anchura de la ventana de entrega.A medida que el intervalo se amplía, este componente reduce el precio final para reflejar los ahorros de tiempo de mensajería logrados a través del batch. CPO_economy(window_width) La tarea principal es aprender la función CPO_economy(window_width) - manteniendo la base CPO_base(·) existente intacta, ya que el precio de entrega expreso ya está funcionando como se pretendía. Quick Example Quick Example Pasemos por un simple cálculo. Supongamos que un minuto de tiempo de mensajería cuesta $0.20.El envío de dos pedidos independientemente toma 33 minutos, por lo que el coste por pedido es: **==33 × $0.20 = $6.60==** Ahora, si una ventana de entrega más amplia permite batir los dos pedidos, el tiempo de envío se reduce a 26 minutos, reduciendo el coste a: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** Esto resulta en una reducción del 21% en las horas de suministro, y el cliente paga aproximadamente un 21% menos. Thus, Determinar el valor de la economía. pricing flexible-window options reduces to an analytical problem: Como los precios deben ser mostrados al cliente para varias ventanas de entrega del mismo día, - Tienen que ser up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts De la base a las previsiones económicas basadas en ML Un punto de partida natural es una predicción constante: usar la as the predicted savings for every request. This baseline is weak. The actual distribution has En ambos lados y una espiga en - provenientes de pedidos en zonas de baja densidad que nunca pueden ser batidos. average the SH economy heavy tails zero Depender de una media única ignora estos patrones y deja dinero en la mesa. Why ML is Needed ¿Por qué es necesario el ML La mejora de la calidad de la predicción requiere una predicción basada en ML. Pero la introducción del aprendizaje automático en el precio no es trivial: cualquier descuento previsto se convierte en shown to the customer at checkout. This means the model must balance con en todos los segmentos de clientes. a real commitment predictive power high reliability típicamente cuando se construye un sistema de este tipo. Three key challenges Defining the target La primera y más obvia pregunta es: ¿Qué es lo que el modelo debe aprender a predecir? Considere la fórmula de la economía SH. Compara dos cantidades: how many courier minutes would be spent if each order in the batch were handled by a separate courier? Independent delivery: **Envío en lotes: ¿Cuántos minutos se gastaron realmente cuando se entregaban los pedidos juntos en un lote? El segundo valor proviene de los registros reales (con cierta limpieza). El primero es contradictorio – Por lo tanto, debe ser it never happened, forecast. Incluso en un ejemplo simple, la entrega solo incluye: Aproximar el tiempo al punto de recogida, A → B tiempo de viaje, and in production: wait time at pickup, hand-off time, queueing, etc. Cada uno de estos elementos es una predicción separada, y cada predicción puede ser predecible. Para que el corresponde a la media observada en los datos históricos. bias-corrected predicted solo time Where: Sheconomy (batch) — ocurre en la realidad SH(orden i) — predicciones SH(batch) — actual Otro problema es que el precio se but the SH economy is defined Por lo tanto necesitamos Una división ingenua por horas de demanda no es ideal - porque not distance. In practice, we allocate SH economy - las mismas cantidades que el modelo acaba de predecir. per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order This transformation creates the final per-order training target, which aggregates back to the true batch-level SH economy after delivery. Volatility & drift The second obstacle is the target’s natural volatility. When the average SH economy is plotted over an extended period, the curve is anything but stationary: a sudden dip appears in December (Holiday), and broader seasonal waves mark early summer lulls and year-end peaks. Such drift makes a plain “mean” model useless. Para estabilizar las predicciones, el conjunto de características se divide en dos. Las características de contenido dependen sólo de la oferta misma: la ventana de entrega elegida, la hora del día, el día de la semana y la geografía. Los patrones de solicitud del fin de semana difieren notablemente de los días de la semana, y la densidad de pedido en una ciudad grande es diferente a la de una ciudad más pequeña, por lo que estas señales categóricas absorben la estacionalidad recurrente. Complementarlos son características estadísticas que describen el estado actual del mercado: densidades en movimiento de la demanda y la oferta, además de características similares a los objetivos cuidadosamente diseñados - medias a corto plazo de la economía SH reciente. Estos últimos son especialmente informativos pero deben ser tratados con cuidado; de lo contrario, el modelo corre el riesgo de fugas de información futuras. Características de “contenido” – dependen únicamente de la oferta misma chosen delivery window time of day/day of week geography Características “estadísticas” – describe el estado actual del mercado rolling demand density rolling supply density Características similares al objetivo cuidadosamente atrasadas (medias recientes de la economía SH) Feedback loops left uncontrolled Las propias predicciones del modelo remodelan la meta a la que se le pide predecir.Aumente la economía esperada de SH, y el precio mostrado para la entrega de ventanas flexibles cae.Un precio más bajo persuade a más clientes a elegir la opción más lenta, lo que a su vez aumenta el batchamiento y impulsa la economía SH real. Un complejo modelo de corrección construido a mano podría tratar de sustraer esta autoinfluencia, pero cualquier fórmula fija pronto se convertiría en inexacta. Re-entrenamiento continuo: Los modelos se actualizan sobre los datos más recientes a intervalos regulares, permitiéndoles absorber la mezcla cambiante de órdenes de ventana lenta. Si la distribución de predicción no se ha movido mucho, la implementación se decide sobre las métricas fuera de línea solo; si el cambio es grande, se ejecuta una prueba A / B completa en línea antes de la implementación. Este ciclo mantiene el sistema de precios estable incluso mientras el comportamiento del cliente – y por lo tanto el objetivo de la economía SH – evoluciona continuamente. Conclusion Conclusion Same-day last-mile delivery can’t be optimized just by nudging couriers or tweaking surge multipliers. The real unlock is batching. Una vez que las ventanas de entrega estaban conectadas a lo esperado - el ahorro relativo de tiempo de correo que desbloquea un lote - predecir la economía de SH para cada oferta y traducir ese ahorro en un descuento justo. 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
