5年前、同じ日の配送は贅沢な感じでした。今日、それはベースラインの期待です. ビッグテクノロジー - そしてそれが引き起こした機械学習のブーム - 静かに消費者の習慣を再結びつける:明日まで待つことはもはや選択肢ではありません。 ショッピングシーズンの最も忙しい日をイメージしてください。Express Delivery(「30～45分で」)はすでに検証済みのアルゴリズムに依存しています:追加料金は需要、トラフィック、天候のピークとともに上昇し、減少します。しかし、買い手が「今日午後6時までに配達する」をクリックすると、ほとんどのプラットフォームは腸の感覚に基づいて割引を提供します。 矛盾することに、アマゾンもUberもこれらの延期配送ウィンドウの価格設定にエンド・トゥー・エンドのアプローチを公表していないが、それらは最も豊かなマージンを保有している。 配送市場全体で、ダイナミックな価格設定は基本的な市場要件ですが、ほとんどの公衆記事は、リアルタイムの供給と需要のバランスをとることに焦点を当てています(スライドや「忙しい」料金など)。 it price delivery windows differently to shift demand, while uber eats. それは需要を変えるために異なって配達ウィンドウを価格にします。 注文が郵便配達を上回る場合の忙しいエリア料金。 認める 文書 認める 文書 延期された同日のウィンドウでは、小売業者は柔軟性がより安いというシグナルを出しますが、それらのうちのいずれも数学が実際にどのように機能するかを明らかにしません。 TESCO RUNS ポストコード、日、時刻によって異なる価格、Ocadoは配送料をリンクします。 「Amazon Offers」 (フリー・スケジュール・コンソーシアム) Historically PRIME NOW 無料 2 時間 vs. 1 時間有料 スロットSave Slots 柔軟な節約 ロック可用性 アマゾンデー 走る スロットSave Slots 柔軟な節約 ロック可用性 アマゾンデー 走る それは、より長いウィンドウが小売業者に利益をもたらすことを明らかにしているが、市場にはまだ、バッチの効率性とクーリー時間の節約を顧客が実際に見る割引に変換するエンド-to-エンドソリューションが欠けている。 それがこの作品が解決するギャップです:同じ日のウィンドウの幅を予測された供給時間の節約にリンクし、それを明確で公正な価格信号に変える。 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 効率化の鍵としてのバッチング 高いレベルでは、市場には2つのコアコンポーネントがあります。 Demand - ユーザーがリアルタイムで作成した配信リクエスト。 供給 - これらの要望を満たすクライアント。 最も単純なケースでは、各クーリーは一度に1つだけ注文を運ぶが、ピーク時期には需要が供給をはるかに上回ることが多い。 しかし、「効率的」とは本当に何を意味するのでしょうか? それは私たちがそれをどのように定義するかによって異なります。 どのようにしてその効率を高めることができますか? いくつかの戦略がありますが、最も重要なのは、 バッチングとは、クーリーヤーが複数の注文を1回で発送することを意味します。 batching Understanding Batching Delivery Logic Batching Delivery Logicについて シンプルな例を踏まえてみましょう. 2 つの配達要請があると仮定します. 各要請はポイントの 2 つとして表されることができます:ポイント A (ピックアップ) とポイント B (ドロップオフ) 各要請に対して、需要時間は推定できます - A から B への移動に必要な時間、トラフィック、天候、その他の条件を考慮して. これらは需要側の要素です。 私たちの選択肢は何ですか? 1つのアプローチは、各要請に別々のクライヤーを割り当てることです。この場合、実際の配達(AからB)と配達の両方にクライヤーの時間が必要です。 クルーがポイントAに到達するには時間がかかりますが、非常に効率的ではありません。 approach time 今、よりスマートなことを考えてください: 1 人のクルーを任命してサービスを提供します。 たとえば、クライヤーは最初に第2の要求のポイントAに移動し、それを拾い上げ、第1の要求の出発点に移動し、それを配達し、最後に第2の要求を配達します。 both orders このシナリオでは、クライヤーは右に示す緑色のルートに従います。 そして コンポーネント - 以前のセクションの効率公式 - バッチング効率を計算できます。 demand supply 今の直感は明確でなければなりません: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric SH Economy as the Principal Metric(主なメトリック) しかし、総合効率メトリックを使用してバッチの品質を評価しないほうがよい。効率性は多くの外部要因によって影響されるので、バッチの属性にのみ依存する測定が好ましい。 クーリータイムの節約 - あるいはSH経済(サプライ リー タイム エコノミー) - は、バッチングに起因するサプライ タイムの削減をキャプチャして、この目的を達成します。 SH経済は、注文が独立して処理された場合に必要なクライアントの時間とクライアントが全体のパッケージを配達した場合に実際に使われた時間の違いで定義されます。 独立配達合計によって正常化すると、あらゆるサイズや地理のバッチ間で容易に比較できる無次元比率が得られます。 前の2つの例に戻る。 33分のクルータイム Independent deliveries: 26分 Batched route: アン 表示 A 純粋にバッチングを通じて達成された。 より広範な配送ネットワークにおける外部の変動に影響されない。 SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery 柔軟なウィンドウ配送によりバッチング効率を向上 バッチング効率は、エクスプレスサービスが柔軟なウィンドウ配送によって補完された場合に改善されます。 顧客の待機時間を最小限に抑えるが、プラットフォームにバッチング機会を見つける時間がない。 immediate courier assignment 対照的に、 30分、2時間、またはその他の同じ日の間隔 - 配達時間範囲を拡大し、リクエストが短期間列に留まることを可能にします。 a flexible window The larger the pool of 成功したバッチングの確率が高くなります。これは、配達時間の減少、クライアントの時間のより良い利用、そして最終的に - 顧客のためのより低い価格につながります。 pairable requests, 実際には、より幅広い配信ウィンドウは、配列可能なリクエストのプールを拡大し、バッチングの確率を高め、またSH経済を高めます。 Pricing Flexible-Window Delivery 価格の柔軟な窓配達 柔軟なウィンドウ配送のための公正な価格設定は、重要な製品課題です。 ほとんどの市場はすでに稼働している。 送料は、このような制度で、 二つの倍増要素として表すことができる。 a dynamic pricing engine the cost per order (CPO) — ダイナミックベース価格、すでに需要のピーク、郵便配達の可用性、トラフィック、天候、その他の運用要因などのリアルタイムのシグナルを考慮している。 CPO_base 配送ウィンドウの幅に結びつく割引因子. As the interval expands, this component reduces the final price to reflect courier-time savings achieved through batching. 配送ウィンドウの幅に結びつく割引因子。 CPO_economy(window_width) コアタスクは、CPO_economy(window_width) 関数を学ぶことであり、既存の CPO_base(·) を無害に保つ一方で、エクスプレス配送価格設定はすでに予定通りに動作しています。 Quick Example 迅速な例 簡単な計算を進めていきましょう。 1分のクライアント時間は0.20ドルであると仮定します。2つの注文を独立して配達するには33分かかりますので、注文あたりのコストは以下の通りです。 **==33 × $0.20 = $6.60==** 現在、より幅広い配送ウィンドウが2つの注文をバッテリー化することを可能にする場合、クルーの時間は26分に減少し、コストは以下のようになります。 **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** これにより、供給時間は21%削減され、顧客は約21%減額されます。 こうして、 SH経済の価値を決める。 pricing flexible-window options reduces to an analytical problem: 価格を顧客に示す必要があるため、 同じ日に複数の窓口で、 彼らは、彼らが up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts ベースラインからMLベースのSH経済予測 A natural starting point is a constant forecast: use the historical forecast.自然な出発点は恒久的な予測である。 それぞれのリクエストで予想される節約として、このベースラインは弱い。 両側とスパイク — 決してバッチすることができない低密度地域の注文から来ている。 average the SH economy heavy tails zero 単一の平均に頼ることは、これらのパターンを無視し、テーブルに資金を残します。 Why ML is Needed なぜMLが必要なのか 予測の質を向上させるには、MLベースの予測が必要ですが、機械学習を価格設定に導入することは無意味ではありません:予測された割引は、 チェックイン時に顧客に表示されます。これはモデルがバランスを取ることを意味します。 同 すべての顧客セグメントで a real commitment predictive power high reliability こういうシステムを構築するときの特徴です。 Three key challenges Defining the target 最初の、最も明らかな質問は、 モデルは予測するために何を学ぶべきでしょうか。 SH経済式を考慮し、2つの量を比較する: 独立した配送: パッケージの各注文が別々のパッケージによって処理された場合、どのくらいのクライアント分が使われますか? **バッチ配達:その注文がバッチで配達されたときに実際にどれくらいの時間を費やしましたか? 第二の値は、実際のログ(いくつかのクリーニング)から来ています。 1つ目は反論である――。 だからこそ、それは it never happened, forecast. たとえ単純な例であっても、ソロ配達には以下が含まれます。 ピックアップポイントに近づく時間、 A B 旅の時間 and in production: waiting time at pickup, hand-off time, queueing, etc. これらの要素のそれぞれは別々の予測であり、それぞれの予測は偏見を示すことができます。 したがって、The 歴史的データで観測された平均値と一致する。 bias-corrected predicted solo time Where: Sheconomy(バッチ) — occurs in reality SH(オーダーI) - 予測 SH(バッチ) — actual もう一つの問題は、価格が決まっていることです。 SH経済が定義されている。 だから我々は必要 需要時間による天真な分割は理想的ではない - なぜなら 実践では、SH経済を割り当てる ――モデルが予想した量です。 per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order このトランスフォーメーションは、配送後の真のバッチレベルのSH経済に戻る最終的なオーダートレーニングターゲットを作成します。 Volatility & drift 第二の障害はターゲットの自然な波動性である。平均的なSH経済が長期にわたって計画されているとき、曲線は静止以外の何ものでもない:突然の下落が12月(休日)に現れ、より広い季節の波は夏の初めと年末のピークを示す。 予測を安定化するために、機能セットは2つに分かれています。コンテンツ機能は、オファー自体に依存します:選択された配信ウィンドウ、日時、週の日、および地理。週末のリクエストパターンは週の日と大きく異なります。 これらを補完するのは、市場の現在の状態を記述する統計的特徴である:需要と供給の流動密度、および慎重に設計されたターゲットのような特徴 - 最近のSH経済の短期平均値。 「コンテンツ」機能 - オファー自体にのみ依存 chosen delivery window time of day/day of week geography 「統計」機能 - 現在の市場状態を説明する Rolling Demand Density ローリング供給密度 注意深く遅れたターゲットのような特徴(SH経済の最近の平均値) Feedback loops left uncontrolled モデルの独自の予測は、予測するように求められている目標を再構成します。予想されるSH経済を上げ、柔軟なウィンドウ配送の表示価格が下がります。より低い価格は、より多くの顧客に遅いオプションを選択するように説得します。 複雑な、手作りの修正モデルは、この自己影響を引き下げることを試みるかもしれないが、いかなる固定式もすぐに不正確になる。 継続的な再訓練: モデルは、定期的に最新のデータを更新し、遅いウィンドウオーダーの変化する組み合わせを吸収することができます。 ディストリビューションガードレイル: 各新しく訓練されたモデルは現在のモデルと比較されます. 予測ディストリビューションがあまり動かなかった場合、デプロイはオフラインメトリクスだけで決定されます; 転換が大きい場合は、展開前に完全なオンラインA/Bテストが実行されます. このサイクルは、顧客の行動、したがってSH経済の目標が絶え間なく進化する一方で、価格システムを安定的に維持します。 Conclusion 結論 同じ日の最後のマイル配達は、クライヤーを押し寄せたり、スルー・マルチレイヤーを調整したりすることだけでは最適化できません。 batching. 配信ウィンドウが予想されたものに接続されたとき — the relative courier-time saving that a batch unlocks — バッチが解除する相対的なクーリーター時間の節約 — 各オファーに対してSH経済を予測し、その節約を公平な割引に翻訳します。 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
