Five years ago, same-day delivery felt like a luxury. Today, it’s a baseline expectation. Big Tech — and the machine learning boom it triggered — quietly rewired consumer habits: waiting until tomorrow is no longer an option. The market continues to expand at double-digit rates, and nearly every leap in efficiency now comes from ML models that juggle demand, routing, and pricing. Imaxina o día máis ocupado dunha tempada de vendas. Entrega expresa (“en 30–45 minutos”) xa depende de algoritmos ben probados: os suplementos suben e caen con picos na demanda, o tráfico e o tempo. Paradoxalmente, nin Amazon nin Uber publicaron un enfoque de extremo a extremo para o prezo destas fiestras de entrega adiada - aínda que manteñan a marxe máis rica. Across the delivery market, dynamic pricing is a basic market requirement — but most public articles focus on real-time supply–demand balancing (like surge or “busy” fees). Instacart even Os prezos das fiestras de entrega varían para cambiar a demanda, mentres que Uber come a Busy Area Fee when orders outstrip courier supply. admits documents admits Documentos Para as fiestras adiadas do mesmo día, os comerciantes de venda polo miúdo sinalan que a flexibilidade é máis barata - pero ningún deles revela como a matemática realmente funciona. Tesco Rúa prezo que varía por código postal, día e hora, Ocado vincula os custos de envío a As ofertas de Amazon (consolidación gratuíta programada) mentres que historicamente Prime Now as free 2-hour vs. paid 1-hour. Xogos Slots Flexións Lugares de dispoñibilidade Amazon Día Correndo Xogos Slots Flexións Lugares de dispoñibilidade Amazon Día Correndo 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. 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 Batching as a Key to Efficiency A un nivel elevado, un mercado ten dous compoñentes principais: Demanda: solicitudes de entrega creadas polos usuarios en tempo real. Subministración - os mensaxeiros que cumpren estas solicitudes. No caso máis sinxelo, cada corredor leva só unha orde á vez. Pero en períodos de pico, a demanda adoita exceder moito a oferta. Moitas ordes chegan dentro dun curto período de tempo, polo que as cesións deben realizarse de forma máis eficiente (ver figura 1). Pero o que realmente significa "eficiente"? Depende de como o definamos. aquí, a eficiencia é o número de horas de entrega completadas divididas polo número de horas de correo dispoñibles: Como podemos aumentar esa eficiencia?Hai varias estratexias, pero unha das máis importantes é Batching significa que un correo entrega varias ordes nunha soa execución. batching Understanding Batching Delivery Logic Comprender a lóxica de entrega de lotes Imos pasar por un exemplo sinxelo. Supoñamos que temos dúas solicitudes de entrega. Cada solicitude pode ser representada como un par de puntos: punto A (pickup) e punto B (drop-off). Para cada solicitude, as horas de demanda poden ser estimadas - o tempo necesario para viaxar de A a B, factoring no tráfico, o tempo e outras condicións. What are our options? Un enfoque é asignar un correo separado a cada solicitude. Neste caso, require tempo de correo tanto para a entrega real (A a B) como para a entrega. - O tempo que tarda un corredor en chegar ao punto A. Isto funciona, pero non é moi eficiente. approach time Agora considere algo máis intelixente: asigne un correo para servir Por exemplo, o corredor primeiro viaxa ao punto A da segunda solicitude, colle-la, logo vai ao punto de saída da primeira solicitude, entrega-la e, finalmente, entrega a segunda. both orders Neste escenario, o correo segue a ruta verde mostrada á dereita. e compoñentes - e a fórmula de eficiencia da sección anterior - podemos calcular a eficiencia de lotes. demand supply A intuición debe ser clara por agora: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric A economía como principal métrica Non obstante, é mellor non avaliar a calidade do lote utilizando a métrica de eficiencia global.A eficiencia está influída por numerosos factores externos, polo que é preferible unha medida que depende exclusivamente das propiedades do lote. O aforro de tempo de correo - ou SH economía (economía de subministración hora) - serve a este fin, capturando a redución de horas de subministración atribuíbel ao batch. Un lote é un conxunto de pedidos entregados simultaneamente.A economía SH defínese como a diferenza entre o tempo de envío necesario se os pedidos foron tratados de forma independente e o tempo de entrega real do lote enteiro, expresado en forma relativa: Normalizing by the independent-delivery total yields a dimensionless ratio that can be easily compared across batches of any size or geography. Volvendo ao exemplo anterior de dúas ordes: 33 minutos de tempo de envío Independent deliveries: 26 minutos Batched route: unha Indica a achieved purely through batching. This provides non afectados por fluctuacións externas na rede de distribución máis ampla. SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery Aumentar a eficiencia do batch con entrega flexible de fiestras A eficiencia de lotes mellora cando o servizo expreso é complementado por entrega flexible. , o que minimiza o tempo de espera do cliente - pero non dá á plataforma tempo para atopar oportunidades de lote. immediate courier assignment In contrast, - Sexa 30 minutos, dúas horas, ou calquera outro intervalo do mesmo día - amplía o intervalo de tempo de entrega e permite que a solicitude permaneza na cola durante un curto período. a flexible window Canto máis grande sexa a piscina O maior é a probabilidade de lotes exitosos. Isto leva a menos horas de subministración, mellor uso do tempo de correo e, en última instancia, un prezo máis baixo para o cliente. pairable requests, Na práctica, as fiestras de entrega máis amplas amplían o conxunto de solicitudes aparellables, aumentando a probabilidade de lotes e, á súa vez, a economía de SH. Pricing Flexible-Window Delivery Prezo de entrega flexible Establecer un prezo xusto para a entrega de fiestras flexibles é un reto clave do produto. Most marketplaces already operate para o envío expreso.Nestes sistemas, Pódese representar como dous compoñentes multiplicativos: a dynamic pricing engine the cost per order (CPO) O prezo de base dinámico, que xa conta con sinais en tempo real como os picos de demanda, a dispoñibilidade de correos, o tráfico, o clima e outros factores operativos. CPO_base - un factor de desconto vinculado á anchura da xanela de entrega.Como o intervalo se amplía, este compoñente reduce o prezo final para reflectir os aforros de tempo de correo alcanzados a través do batch. CPO_economy(window_width) A tarefa principal é aprender a función CPO_economy(window_width) - mentres mantén a base CPO_base(·) existente intacta, xa que o prezo de entrega expreso xa funciona como se pretendía. Quick Example Quick Example Let’s walk through a simple calculation. Supoñamos que un minuto de tempo de correo custa $ 0.20.O envío de dúas ordes independentemente leva 33 minutos, polo que o custo por orde é: **==33 × $0.20 = $6.60==** Now, if a wider delivery window allows the two orders to be batched, courier time drops to 26 minutes, bringing the cost down to: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** Isto leva a unha redución do 21% nas horas de subministración - e o cliente paga aproximadamente un 21% menos. E así, Determinación do valor da economía. pricing flexible-window options reduces to an analytical problem: Since prices must be shown to the customer para varias fiestras de entrega do mesmo día, teñen 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 base a previsións económicas baseadas en ML Un punto de partida natural é unha previsión constante: usar o histórico como o aforro previsto para cada solicitude. Esta liña de base é débil. on both sides and a spike at — coming from orders in low-density areas that can never be batched. average the SH economy heavy tails zero Depender dunha media única ignora estes patróns e deixa diñeiro na mesa. Why ML is Needed Why ML is Needed A mellora da calidade da predición require unha predición baseada en ML. Pero a introdución do aprendizaxe automático no prezo non é trivial: calquera desconto previsto convértese mostrado ao cliente no checkout. Isto significa que o modelo debe equilibrar con en todos os segmentos de clientes. a real commitment predictive power high reliability típica cando se construe un sistema así. Three key challenges Defining the target A primeira e máis obvia é: Que é o que o modelo debe aprender a predicir? Consider the SH economy formula. It compares two quantities: how many courier minutes would be spent if each order in the batch were handled by a separate courier? Independent delivery: **Envío lotado:** cantos minutos se gastaron realmente cando eses pedidos foron entregados xuntos nun lote? O segundo valor vén de rexistros reais (con algunha limpeza). A primeira é contraria - Así que ten que ser it never happened, forecast. Mesmo nun exemplo sinxelo, a entrega en solitario inclúe: Approach time to the pickup point, A → B Tempo de viaxe and in production: wait time at pickup, hand-off time, queueing, etc. Cada un destes elementos é unha previsión separada - e cada previsión pode ser prexudicial. Para que o matches the observed average in historical data. bias-corrected predicted solo time Where: Sheconomy (batch) — ocorre en realidade SH(orde i) — previsións SH(batch) — actualidade Outra dificultade é que o prezo A economía galega está definida Por iso necesitamos Unha división inxenuo por horas de demanda non é ideal - porque non distancias.Na práctica, asignamos SH economía — the very quantities the model just forecasted. per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order Esta transformación crea o obxectivo de adestramento final por orde, que se agrega de volta á verdadeira economía SH a nivel de lote despois da entrega. Volatility & drift O segundo obstáculo é a volatilidade natural do obxectivo.Cando a economía SH media está planificada durante un período prolongado, a curva é calquera cousa que non sexa estacionaria: un repentino descenso aparece en decembro (vacacións), e as ondas estacionais máis amplas marcan os picos do inicio do verán e finais do ano. Para estabilizar as previsións, o conxunto de recursos divídese en dous.As características de contido dependen só da propia oferta: a xanela de entrega elixida, a hora do día, o día da semana e a xeografía.Os patróns de solicitude de fins de semana difiren drasticamente dos días da semana, e a densidade de ordes nunha cidade grande é diferente da dunha cidade máis pequena, polo que estes sinais categóricos absorben a estacionalidade recorrente. Complementándoas son características estatísticas que describen o estado actual do mercado: densidades en movemento de demanda e oferta, ademais de características coidadosamente deseñadas similares ao obxectivo - medias a curto prazo da economía SH recente. Estes últimos son especialmente informativos pero deben ser tratados con coidado; se non, o modelo corre o risco de vazar información futura. O atraso correcto e a fiestra mantén estes sinais similares ao obxectivo seguros mentres aínda permite que o predictor reaccione aos cambios en tempo real na eficiencia do batch. “Content” features – depend only on the offer itself chosen delivery window time of day/day of week geography Características "estadísticas" - describe o estado actual do mercado Densidade de demanda Densidade de subministración Características similares ao obxectivo coidadosamente atrasadas (medias recentes da economía SH) Feedback loops left uncontrolled As propias predicións do modelo reformulan o obxectivo que se lle pide predecir.Aumentar a economía esperada de SH, e o prezo mostrado para a entrega de fiestras flexibles cae.Un prezo máis baixo persuade a máis clientes a escoller a opción máis lenta, o que á súa vez aumenta o batch e aumenta a economía SH real. A complex, hand-built correction model could try to subtract this self-influence, but any fixed formula would soon become inaccurate. Instead, a simpler and more robust approach is used: Re-entrenamento continuo: Os modelos son actualizados sobre os datos máis recentes en intervalos regulares, permitíndolles absorber a mestura cambiante de ordes de xanela lenta. Se a distribución de predición non se move moito, a implantación decídese só sobre as métricas offline; se o cambio é grande, execútase unha proba A / B completa en liña antes do lanzamento. Este ciclo mantén o sistema de prezos estable aínda que o comportamento do cliente -e, polo tanto, o obxectivo da economía SH- evolucione continuamente. Conclusion Conclusión A entrega da última milla do mesmo día non se pode optimizar simplemente poñendo correos ou axustando os multiplicadores de impulso. batching. Unha vez que as fiestras de entrega estiveron ligadas ao esperado — the relative courier-time saving that a batch unlocks — forecast SH economy for every offer and translate that saving into a fair discount. 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
