Vijf jaar geleden voelde levering op dezelfde dag zich als een luxe.Vandaag is het een basisverwachting.Big Tech - en de machine learning-boom die het triggerde - heeft rustig de consumentengewoonten herverweven: wachten tot morgen is niet langer een optie.De markt blijft groeien met dubbele cijfers, en bijna elke sprong in efficiëntie komt nu van ML-modellen die vraag, routing en prijzen juggelen. Express levering (“in 30–45 minuten”) vertrouwt al op goed beproefde algoritmen: toeslagen stijgen en dalen met spikes in vraag, verkeer en weer.Maar op het moment dat een koper klikt op “levering tegen 6 pm vandaag”, bieden de meeste platforms een korting op basis van gevoel – zonder daadwerkelijk rekening te houden met hoeveel koeriersuren die keuze bespaart. Paradoxaal genoeg hebben noch Amazon noch Uber een end-to-end benadering van de prijsstelling van deze uitgestelde leveringsvensters gepubliceerd - ook al houden ze de rijkste marge op. Over de hele leveringsmarkt is dynamische prijzen een basismarktvereiste - maar de meeste publieke artikelen richten zich op real-time aanbod-vraagbalans (zoals stijgende of "besloten" vergoedingen). Het prijzen van levering vensters anders om de vraag te verschuiven, terwijl Uber Eats een drukke gebieden vergoeding wanneer bestellingen overtreffen koeriersvoorziening. toegegeven Documenten toegegeven Documenten Voor uitgestelde ramen van dezelfde dag geven retailers het signaal dat flexibiliteit goedkoper is - maar geen van hen onthult hoe de wiskunde echt werkt. Tesco loopt prijzen die variëren per postcode, dag en tijdvenster, Ocado koppelt leveringskosten naar Amazon biedt (gratis geplande consolidatie) terwijl historisch Prime Now als gratis 2 uur vs. betaald 1 uur. Spaar Slots Flexibele besparing slot beschikbaarheid Amazon Dag hardlopen Spaar Slots Flexibele besparing slot beschikbaarheid Amazon Dag hardlopen Toch ontbreekt de markt nog steeds aan een end-to-end-oplossing die batch-efficiëntie en koerier-uurbesparingen omzet in de korting die klanten daadwerkelijk zien. Dat is de kloof die dit stuk aanpakt: de breedte van een venster van dezelfde dag koppelen aan de voorspelde Supply-Hour Saving en het omzetten in een duidelijk, eerlijk prijssignaal. 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 sleutel tot efficiëntie Op een hoog niveau heeft een marktplaats twee kerncomponenten: Demand – leververzoeken die door gebruikers in real time worden gemaakt. Lever - de koeriers die aan deze verzoeken voldoen. In het eenvoudigste geval draagt elke koerier slechts één bestelling per keer.Maar in piektijden overschrijdt de vraag vaak het aanbod.Veel bestellingen komen binnen korte tijd aan, dus taken moeten efficiënter worden uitgevoerd (zie figuur 1). Maar wat betekent “efficiënt” eigenlijk?Het hangt ervan af hoe we het definiëren. Hoe kunnen we die efficiëntie verhogen?Er zijn meerdere strategieën – maar een van de belangrijkste is Batching betekent dat een koerier meerdere bestellingen levert in één run. batching Understanding Batching Delivery Logic De logica van Batching Delivery begrijpen Laten we door een eenvoudig voorbeeld gaan. Stel dat we twee leveringsverzoeken hebben. Elk verzoek kan worden weergegeven als een paar punten: punt A (pickup) en punt B (drop-off). Voor elk verzoek kunnen vraaguren worden geschat - de tijd die nodig is om van A naar B te reizen, rekening houdend met verkeer, weer en andere omstandigheden. Wat zijn onze opties? Eén aanpak is het toewijzen van een afzonderlijke koerier aan elk verzoek.In dit geval is koeriertijd vereist voor zowel de werkelijke levering (A tot B) als de - de tijd die een koerier nodig heeft om punt A. Dit werkt, maar het is niet erg efficiënt. approach time Overweeg nu iets slimmers: een koerier toewijzen om te dienen De koerier reist bijvoorbeeld eerst naar punt A van het tweede verzoek, neemt het op, gaat vervolgens naar het uitvalpunt van het eerste verzoek, levert het en levert uiteindelijk het tweede. both orders In dit scenario volgt de koerier de groene route aan de rechterkant. en componenten - en de efficiëntieformule uit de vorige sectie - we kunnen de batch efficiëntie berekenen. demand supply De intuïtie moet nu duidelijk zijn: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric De economie als de belangrijkste metric Efficiëntie wordt beïnvloed door tal van externe factoren, dus een maatregel die uitsluitend afhankelijk is van batch eigenschappen is de voorkeur. Courier-tijd besparingen - of SH economie (Supply Hour economie) - dienen dit doel, het vastleggen van de vermindering van levertijden toegeschreven aan batching. SH-economie wordt gedefinieerd als het verschil tussen de vereiste koeriertijd als de bestellingen onafhankelijk werden verwerkt en de tijd die daadwerkelijk werd besteed toen de koerier de hele partij leverde, uitgedrukt in relatieve vorm: Normaliseren door de onafhankelijke-levering totaal levert een dimensionale verhouding die gemakkelijk kan worden vergeleken over batches van elke grootte of geografie. Terug naar het voorgaande voorbeeld van twee orders: 33 minuten koeriertijd Independent deliveries: 26 minuten Batched route: een aangeeft a Dit wordt bereikt door middel van batching. niet wordt beïnvloed door externe schommelingen in het bredere distributienetwerk. SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery Verhoogde batch-efficiëntie met flexibele vensterlevering Batching-efficiëntie wordt verbeterd wanneer expressdienst wordt aangevuld met flexibele vensterlevering. , wat de wachttijd van de klant minimaliseert - maar het platform geen tijd geeft om batchmogelijkheden te vinden. immediate courier assignment In tegenstelling tot, - of het nu 30 minuten, twee uur of een ander tijdsinterval van dezelfde dag is - breidt het levertijdsinterval uit en stelt het verzoek in staat om in de wacht te blijven voor een korte periode. a flexible window Hoe groter de pool van hoe hoger de waarschijnlijkheid van succesvolle batch. dit leidt tot minder levertijden, beter gebruik van koeriertijd, en uiteindelijk - een lagere prijs voor de klant. pairable requests, In de praktijk breiden bredere leveringsvensters de pool van koppelbare verzoeken uit, waardoor de waarschijnlijkheid van batching en op zijn beurt de SH-economie toeneemt. Pricing Flexible-Window Delivery Prijs Flexibele-Window levering Het vaststellen van een eerlijke prijs voor flexibele levering is een belangrijke productuitdaging. De meeste markten zijn al actief voor express levering. in dergelijke systemen, kan worden weergegeven als twee vermenigvuldigde componenten: a dynamic pricing engine the cost per order (CPO) — de dynamische basisprijs, die al rekening houdt met real-time signalen zoals vraagspiken, beschikbaarheid van koeriers, verkeer, weer en andere operationele factoren. CPO_base - een kortingsfactor gekoppeld aan de breedte van het leveringsvenster.Naarmate het interval wordt uitgebreid, verlaagt dit onderdeel de uiteindelijke prijs om de besparingen op koeriertijd te weerspiegelen die zijn bereikt door batching. CPO_economy(window_width) De kerntaak is om de functie CPO_economy(window_width) te leren – terwijl de bestaande CPO_base(·) ongerept blijft, aangezien de prijsstelling van expresslevering al werkt zoals bedoeld. Quick Example Snel voorbeeld Laten we door een eenvoudige berekening gaan. Veronderstel dat een minuut koeriertijd kost $ 0,20. Het leveren van twee bestellingen onafhankelijk duurt 33 minuten, dus de kosten per bestelling zijn: **==33 × $0.20 = $6.60==** Nu, als een breder leveringsvenster de twee bestellingen in batch toestaat, daalt de koeriertijd tot 26 minuten, waardoor de kosten worden verlaagd tot: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** Dit resulteert in een vermindering van de levertijden met 21% – en de klant betaalt ongeveer 21% minder. En zo, Het bepalen van de waarde van de SH economie. pricing flexible-window options reduces to an analytical problem: Omdat de prijzen aan de klant moeten worden getoond voor meerdere leveringsvensters van dezelfde dag, - ze moeten zijn up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts Van baseline naar ML-gebaseerde SH economische voorspellingen Een natuurlijk uitgangspunt is een constante voorspelling: gebruik de historische zoals de voorspelde besparingen voor elke aanvraag. Deze basislijn is zwak. Aan beide zijden en een spike op — afkomstig van bestellingen in gebieden met lage dichtheid die nooit in batch kunnen worden geplaatst. average the SH economy heavy tails zero Vertrouwen op een enkel gemiddelde negeert deze patronen en laat geld op de tafel. Why ML is Needed Waarom ML nodig is Het verbeteren van de kwaliteit van de voorspelling vereist een ML-gebaseerde voorspelling.Maar het introduceren van machine learning in de prijsstelling is niet trivial: elke voorspelde korting wordt getoond aan de klant bij het checkout. Dit betekent dat het model in balans moet met In alle klantensegmenten. a real commitment predictive power high reliability Typisch bij het bouwen van een dergelijk systeem. Three key challenges Defining the target De eerste en meest voor de hand liggende vraag is: Wat precies moet het model leren voorspellen? Overweeg de SH economie formule. Het vergelijkt twee hoeveelheden: Onafhankelijke levering: hoeveel koerierminuten zouden er worden besteed als elke bestelling in de partij door een afzonderlijke koerier werd verwerkt? **Batched levering:**hoeveel minuten werden daadwerkelijk besteed toen die bestellingen samen in een partij werden geleverd? De tweede waarde komt van echte logs (met enige schoonmaak). De eerste is tegengesteld - Daarom moet het it never happened, forecast. Zelfs in een eenvoudig voorbeeld omvat solo levering: Tijd om het pickuppunt te bereiken, A → B reistijd, en in de productie: wachttijd bij pick-up, hand-off tijd, wachttijd, etc. Elk van deze elementen is een afzonderlijke voorspelling - en elke voorspelling kan vooroordeel zijn. Zo dat de overeenkomt met het gemiddelde waargenomen in historische gegevens. bias-corrected predicted solo time Where: Sheconomy (batch) – gebeurt in de werkelijkheid SH (orde i) — voorspellingen SH(batch) – actueel Een ander probleem is dat de prijzen Maar de SH-economie is gedefinieerd Daarom moeten we Een naïeve splitsing door vraaguren is niet ideaal – omdat niet de afstand. in de praktijk, we toewijzen SH economie - de hoeveelheden die het model net voorspelde. per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order Deze transformatie creëert het ultieme trainingsdoel per bestelling, dat na levering teruggaat tot de echte SH-economie op batchniveau. Volatility & drift Wanneer de gemiddelde SH-economie over een langere periode wordt gepland, is de curve niets anders dan stationair: een plotselinge duik verschijnt in december (vakantie), en bredere seizoensgolven markeren vroege zomervallen en eindjaarspitsen. Om de voorspellingen te stabiliseren, wordt de feature set in tweeën verdeeld. Inhoudskenmerken zijn alleen afhankelijk van het aanbod zelf: het gekozen leveringsvenster, de tijd van de dag, de dag van de week en de geografie. Weekendverzoekspatronen verschillen sterk van weekdagen, en de orderdichtheid in een grote stad is anders dan in een kleinere stad met een miljoen plus, dus deze categorische signalen absorberen terugkerende seizoensgebondenheid. Ze worden aangevuld met statistische kenmerken die de huidige toestand van de markt beschrijven: rollende dichtheden van vraag en aanbod, plus zorgvuldig ontworpen doel-achtige kenmerken - korte-termijn gemiddelden van de recente SH-economie. de laatste zijn vooral informatief, maar moeten met zorg worden behandeld; anders loopt het risico dat het model toekomstige informatie lekken. “Content”-functies – afhankelijk alleen van het aanbod zelf chosen delivery window time of day/day of week geography “Statistische” kenmerken – beschrijf de huidige markttoestand Rolling Demand Densiteit Rolling Supply Densiteit zorgvuldig achtergelaten doel-achtige kenmerken (recente gemiddelden van de SH-economie) Feedback loops left uncontrolled Verhoog de verwachte SH-economie en de weergegeven prijs voor flexibele-vensterlevering daalt. Een lagere prijs overtuigt meer klanten om de langzamere optie te kiezen, wat op zijn beurt de batching verhoogt en de werkelijke SH-economie stimuleert. Een complex, handgemaakt correctiemodel zou kunnen proberen deze zelf-invloed te ontnemen, maar elke vaste formule zou snel onnauwkeurig worden. Continu opnieuw trainen: Modellen worden op korte termijn met regelmatige tussenpozen vernieuwd op de nieuwste gegevens, waardoor ze de veranderende mix van slow-window-orders kunnen absorberen. Als de voorspellingsdistributie niet veel is verplaatst, wordt de implementatie alleen op offline metrics besloten; als de verschuiving groot is, wordt een volledige online A/B-test uitgevoerd voor de uitrol. Deze cyclus zorgt ervoor dat het prijsstelsel stabiel blijft, terwijl het klantgedrag – en dus de SH-economie – voortdurend evolueert. Conclusion Conclusie De levering van de laatste mijl van dezelfde dag kan niet worden geoptimaliseerd door alleen koeriers te duwen of boostmultipliers aan te passen. batching. Zodra de leveringsvensters zijn gekoppeld aan de verwachte — de relatieve koeriertijdbesparing die een partij ontgrendelt — voorspellen SH economie voor elk aanbod en vertaal die besparing in een eerlijke korting. 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
