पांच साल पहले, एक ही दिन की डिलीवरी एक लक्जरी की तरह महसूस हुई. आज, यह एक बेसिक लाइन की उम्मीद है. बिग टेक - और मशीन लर्निंग बूम जिसने इसे शुरू किया - चुपचाप उपभोक्ता की आदतों को दोहराया: कल तक इंतजार करना अब एक विकल्प नहीं है। एक बिक्री के मौसम के सबसे व्यस्त दिन की कल्पना करें। एक्सप्रेस डिलीवरी ("30-45 मिनट में") पहले से ही अच्छी तरह से परीक्षण किए गए एल्गोरिथ्मों पर भरोसा करता है: अतिरिक्त शुल्क मांग, ट्रैफ़िक और मौसम में पिक्स के साथ बढ़ते हैं और गिरते हैं। विरोधाभासी रूप से, न तो अमेज़ॅन और न ही Uber ने इन देरी की डिलीवरी विंडो की कीमतों के लिए एक अंत-उत्तर दृष्टिकोण प्रकाशित नहीं किया है - भले ही वे सबसे अमीर मार्जिन रखते हैं। शिपिंग बाजार में, गतिशील मूल्य निर्धारण एक बुनियादी बाजार आवश्यकता है - लेकिन अधिकांश सार्वजनिक लेख वास्तविक समय की आपूर्ति और मांग संतुलन पर ध्यान केंद्रित करते हैं (जैसे बढ़ते या "बहुत व्यस्त" शुल्क)। यह डिलीवरी विंडो की कीमतें अलग-अलग रूप से मांग में बदलाव करती हैं, जबकि Uber खाता है एक व्यस्त क्षेत्र शुल्क जब आदेश कूरियर की आपूर्ति को पार करते हैं। admits दस्तावेज admits दस्तावेज एक ही दिन के खिड़कियों के लिए, खुदरा विक्रेता संकेत देते हैं कि लचीलापन सस्ता है - लेकिन उनमें से कोई भी यह नहीं बताता है कि गणित वास्तव में कैसे काम करता है। टेक्नोलॉजी चलती है कीमत जो पोस्टकोड, दिन और समय विंडो के अनुसार भिन्न होती है, ओकाडो शिपिंग शुल्क को लिंक करता है Amazon की पेशकश (free scheduled consolidation) while historically Prime Now as free 2-hour vs. paid 1-hour. Saver slots Flexi-saver लॉक उपलब्धता Amazon Day running स्लॉट बचाएं लचीला बचत लॉक उपलब्धता अमेज़ॅन दिवस दौड़ना यह स्पष्ट रूप से दिखाता है कि लंबे खिड़कियां खुदरा विक्रेताओं को लाभ पहुंचाती हैं. फिर भी बाजार में अभी भी एक अंत-उत्तर समाधान की कमी है जो बैटरी दक्षता और कूरियर-घंटे की बचत को वास्तव में ग्राहकों को देखता है। यह वह अंतर है जिसे यह टुकड़ा संबोधित करता है: एक ही दिन की खिड़की की चौड़ाई को पूर्वानुमानित आपूर्ति-घंटा बचत के साथ जोड़ना और इसे एक स्पष्ट, उचित मूल्य सिग्नल में बदलना। 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 कुशलता के लिए एक कुंजी के रूप में बैचिंग एक उच्च स्तर पर, एक बाजार में दो मुख्य घटक होते हैं: मांग - वास्तविक समय में उपयोगकर्ताओं द्वारा बनाए गए वितरण अनुरोध। आपूर्ति - उन कूरियर जो उन अनुरोधों को पूरा करते हैं। In the simplest case, each courier carries just one order at a time. But in peak periods, demand often far exceeds supply. Many orders arrive within a short span, so assignments have to be made more efficiently (see picture 1). लेकिन "प्रभावी" वास्तव में क्या मतलब है? यह इस बात पर निर्भर करता है कि हम इसे कैसे परिभाषित करते हैं. यहां, दक्षता उपलब्ध कूरियर घंटों की संख्या से विभाजित किए गए वितरण घंटों की संख्या है: हम उस दक्षता को कैसे बढ़ा सकते हैं? कई रणनीतियां हैं - लेकिन सबसे महत्वपूर्ण में से एक है . Batching means a courier delivers multiple orders in a single run. This system property significantly boosts efficiency. batching Understanding Batching Delivery Logic बैटचिंग डिलीवरी तर्क को समझें Let’s walk through a simple example. Suppose we have two delivery requests. Each request can be represented as a pair of points: point A (pickup) and point B (drop-off). For each request, demand hours can be estimated — the time required to travel from A to B, factoring in traffic, weather, and other conditions. These are the demand-side components. हमारे विकल्प क्या हैं? एक दृष्टिकोण प्रत्येक अनुरोध के लिए एक अलग कूरियर को सौंपा जाना है. इस मामले में, वास्तविक वितरण (ए से बी) और कूरियर समय दोनों के लिए कूरियर समय की आवश्यकता होती है - एक कूरियर को बिंदु ए तक पहुंचने में समय लगता है. यह काम करता है, लेकिन यह बहुत कुशल नहीं है. approach time Now consider something smarter: assign one courier to serve . For instance, the courier first travels to point A of the second request, picks it up, then goes to the drop-off point of the first request, delivers it, and finally delivers the second one. both orders इस परिदृश्य में, कूरियर दाईं ओर दिखाए गए हरे रास्ते का पालन करता है। और घटकों - और पिछले खंड से दक्षता सूत्र - हम बैटरी दक्षता की गणना कर सकते हैं। demand supply अंतर्दृष्टि अब स्पष्ट होनी चाहिए: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric मुख्य मीट्रिक के रूप में अर्थव्यवस्था हालांकि, कुल दक्षता मीट्रिक का उपयोग करके बैटरी गुणवत्ता का मूल्यांकन नहीं करना बेहतर है. दक्षता को कई बाहरी कारकों द्वारा प्रभावित किया जाता है, इसलिए एक उपाय जो पूरी तरह से बैटरी गुणों पर निर्भर करता है, बेहतर है। कूरियर-टाइम बचत - या एसएच अर्थव्यवस्था (सूर्य घंटे अर्थव्यवस्था) - इस उद्देश्य को पूरा करता है, जो बैचिंग से संबंधित आपूर्ति घंटों में कमी को कैप्चर करता है। एक बैच एक साथ वितरित किए गए आदेशों का एक सेट है. SH अर्थव्यवस्था को कूरियर के लिए आवश्यक समय के बीच अंतर के रूप में परिभाषित किया जाता है यदि आदेशों को स्वतंत्र रूप से संसाधित किया गया था और वास्तव में उस समय के रूप में व्यक्त किया गया जब कूरियर पूरे बैच को वितरित करता है: स्वतंत्र वितरण कुल के द्वारा सामान्यकरण एक आयामहीन अनुपात प्रदान करता है जिसे किसी भी आकार या भूगोल के बैचों के बीच आसानी से तुलना किया जा सकता है। पहले दो प्रकार के उदाहरण पर वापस जाएं: 33 मिनट का समय Independent deliveries: 26 मिनट Batched route: एक indicates a सफाई के माध्यम से प्राप्त किया जाता है. यह व्यापक वितरण नेटवर्क में बाहरी उतार-चढ़ावों से प्रभावित नहीं है। SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery लचीला खिड़की वितरण के साथ बैचिंग दक्षता में वृद्धि बैचिंग दक्षता में सुधार होता है जब एक्सप्रेस सेवा को लचीला खिड़की वितरण द्वारा पूरक किया जाता है। , जो ग्राहक की प्रतीक्षा समय को कम करता है - लेकिन मंच को बैचिंग अवसरों को खोजने के लिए समय नहीं देता है। immediate courier assignment इसके विपरीत, — whether 30 minutes, two hours, or any other same-day interval — widens the delivery time range and allows the request to remain in the queue for a short period. During this pause, there’s a higher chance that a nearby order will arrive, allowing the two to be combined into a single batch and assigned to one courier. a flexible window जितना बड़ा है पूल सफल बैचिंग की संभावना अधिक है. यह कम आपूर्ति घंटों, कूरियर समय का बेहतर उपयोग, और अंततः - ग्राहक के लिए एक कम कीमत का कारण बनता है। pairable requests, अभ्यास में, व्यापक वितरण विंडो जोड़ने योग्य अनुरोधों के पूल को बढ़ाते हैं, बैटरी संभावना को बढ़ाते हुए और, बदले में, एसएच अर्थव्यवस्था। Pricing Flexible-Window Delivery फ्लेक्सिबल विंडो वितरण लचीला खिड़की वितरण के लिए एक उचित मूल्य निर्धारित करना एक महत्वपूर्ण उत्पाद चुनौती है। Most marketplaces already operate इस तरह के प्रणालियों में, दो बहुमुखी घटकों के रूप में प्रस्तुत किया जा सकता है: 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 — a discount factor tied to the width of the delivery window. As the interval widens, this component reduces the final price to reflect courier-time savings achieved via batching. CPO_economy(window_width) मुख्य कार्य CPO_economy(window_width) कार्य सीखना है - मौजूदा CPO_base(·) को अवरुद्ध रखते हुए, क्योंकि एक्सप्रेस डिलीवरी मूल्य निर्धारण पहले से ही इरादा के अनुसार काम कर रहा है। Quick Example त्वरित उदाहरण चलो एक सरल गणना के माध्यम से चलते हैं। कल्पना कीजिए कि एक मिनट के कूरियर समय की लागत $0.20 है। दो ऑर्डर को स्वतंत्र रूप से वितरित करने में 33 मिनट लगते हैं, इसलिए प्रति ऑर्डर की लागत है: **==33 × $0.20 = $6.60==** अब, यदि एक व्यापक वितरण विंडो दो आदेशों को बैटरी करने की अनुमति देता है, तो कूरियर समय 26 मिनट तक कम हो जाता है, जिससे लागत कम हो जाती है: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** इससे आपूर्ति घंटों में 21% की कमी आती है - और ग्राहक लगभग 21% कम भुगतान करता है। इस प्रकार, SH अर्थव्यवस्था के मूल्य को निर्धारित करना। pricing flexible-window options reduces to an analytical problem: Since prices must be shown to the customer एक ही दिन में कई खिड़कियों के लिए, - वे होना चाहिए up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts Baseline से ML-Based SH Economy Forecasts तक एक प्राकृतिक प्रारंभिक बिंदु एक निरंतर पूर्वानुमान है: ऐतिहासिक का उपयोग करें as the predicted savings for every request. This baseline is weak. The actual distribution has दोनों पक्षों पर और एक स्पाइक पर - कम घनत्व वाले क्षेत्रों में आदेशों से आता है जो कभी भी बैटरी नहीं किया जा सकता है। average the SH economy heavy tails zero एक एकल औसत पर भरोसा इन पैटर्न को अनदेखा करता है और टेबल पर पैसा छोड़ देता है। Why ML is Needed ML क्यों आवश्यक है Improving prediction quality requires an ML-based forecast. But introducing machine learning into pricing isn't trivial: any predicted discount becomes shown to the customer at checkout. This means the model must balance के साथ across all customer segments. a real commitment predictive power high reliability typically arise when building such a system. Three key challenges Defining the target पहला और सबसे स्पष्ट सवाल है: वास्तव में मॉडल को भविष्यवाणी करने के लिए क्या सीखना चाहिए? SH अर्थव्यवस्था सूत्र पर विचार करें. यह दो मात्राओं की तुलना करता है: स्वतंत्र वितरण: कितने कूरियर मिनट खर्च किए जाएंगे यदि बैच में प्रत्येक आदेश को एक अलग कूरियर द्वारा संसाधित किया गया था? **बैच डिलीवरी:** उन आदेशों को एक बैच में एक साथ वितरित करते समय वास्तव में कितने मिनट खर्च किए गए थे? दूसरा मूल्य वास्तविक लॉग से आता है (कुछ सफाई के साथ)। The first is counterfactual — इसलिए यह होना चाहिए it never happened, forecast. यहां तक कि एक सरल उदाहरण में, एकल वितरण में शामिल हैं: Approach time to the pickup point, A → B यात्रा समय, और उत्पादन में: पिकअप पर प्रतीक्षा समय, हस्तांतरण समय, लाइनिंग, आदि। इनमें से प्रत्येक तत्व एक अलग पूर्वानुमान है - और प्रत्येक पूर्वानुमान पारदर्शी हो सकता है। ताकि यह ऐतिहासिक डेटा में देखे गए औसत से मेल खाता है। bias-corrected predicted solo time Where: Sheconomy (बैच) — वास्तविकता में होता है SH(order i) — forecasts SH(batch) — actual एक और जटिलता यह है कि मूल्य निर्धारण किया जाता है but the SH economy is defined इसलिए हमें चाहिए कि मांग घंटों द्वारा एक बेवकूफ विभाजन आदर्श नहीं है - क्योंकि अर्थशास्त्र में नहीं, अर्थशास्त्र में नहीं, अर्थशास्त्र में - मॉडल ने अभी ही भविष्यवाणी की गई मात्रा। per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order यह परिवर्तन आदेश के अनुसार अंतिम प्रशिक्षण लक्ष्य बनाता है, जो वितरण के बाद वास्तविक बैच स्तर के एसएच अर्थव्यवस्था में वापस जमा होता है। Volatility & drift दूसरा बाधा लक्ष्य की प्राकृतिक अस्थिरता है. जब औसत एसएच अर्थव्यवस्था को एक लंबी अवधि के लिए चित्रित किया जाता है, तो झुकाव स्थिरता के अलावा कुछ भी नहीं है: एक अचानक ड्रिप दिसंबर में दिखाई देता है (दिवसीय), और व्यापक मौसमी लहरें शुरुआती गर्मियों और वर्ष के अंत के पिक को चिह्नित करती हैं। भविष्यवाणियों को स्थिर करने के लिए, फ़ीचर सेट को दो में विभाजित किया जाता है. सामग्री विशेषताएं केवल प्रस्ताव पर निर्भर करती हैं: चुने गए वितरण विंडो, दिन का समय, सप्ताह का दिन, और भूगोल। इनका पूरक उन सांख्यिकीय विशेषताओं हैं जो बाजार की वर्तमान स्थिति का वर्णन करते हैं: मांग और आपूर्ति के चलने वाले घनत्व, साथ ही सावधानीपूर्वक तैयार लक्षित-सामान्य विशेषताएं - हाल के एसएच अर्थव्यवस्था के अल्पकालिक औसत। "संपत्ति" विशेषताएं - केवल प्रस्ताव पर निर्भर करती हैं chosen delivery window time of day/day of week geography "आधुनिक" विशेषताएं - वर्तमान बाजार की स्थिति का वर्णन करें rolling demand density रोलिंग आपूर्ति घनत्व सावधानीपूर्वक पीछे हटे लक्ष्य-सामान्य विशेषताएं (SH अर्थव्यवस्था के हाल के औसत) Feedback loops left uncontrolled मॉडल के स्वयं के पूर्वानुमानों ने उस लक्ष्य को फिर से आकार दिया जिसे भविष्यवाणी करने के लिए कहा जाता है। अनुमानित एसएच अर्थव्यवस्था को बढ़ाएं, और लचीला खिड़की वितरण के लिए प्रदर्शित कीमत कम हो जाती है। एक कम कीमत अधिक ग्राहकों को धीमी विकल्प चुनने के लिए आश्वस्त करती है, जो बदले में बैचिंग को बढ़ाती है और वास्तविक एसएच अर्थव्यवस्था को बढ़ाती है। एक जटिल, हाथ से बनाए गए सुधार मॉडल इस आत्म प्रभाव को कम करने की कोशिश कर सकता है, लेकिन किसी भी ठोस सूत्र जल्द ही गलत हो जाएगा। Models are refreshed on the latest data at short, regular intervals, letting them absorb the shifting mix of slow-window orders. Continuous retraining: वितरण गार्डले: प्रत्येक हाल ही में प्रशिक्षित मॉडल को वर्तमान के साथ तुलना की जाती है. यदि पूर्वानुमान वितरण बहुत अधिक नहीं हो गया है, तो तैनाती केवल ऑफ़लाइन मीट्रिक पर तय की जाती है; यदि स्विच बड़ा है, तो लॉन्च से पहले एक पूर्ण ऑनलाइन ए / बी परीक्षण चलाया जाता है. यह चक्र कीमत प्रणाली को स्थिर रखता है, यहां तक कि ग्राहक व्यवहार - और इसलिए एसएच अर्थव्यवस्था लक्ष्य - लगातार विकसित होता है। Conclusion Conclusion उसी दिन आखिरी मील वितरण को केवल कुर्सियों को धक्का देने या ब्रोक मल्टीप्लेयर को समायोजित करके अनुकूलित नहीं किया जा सकता है। batching. एक बार डिलीवरी विंडो अपेक्षित के साथ जुड़े हुए थे — 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
