Пять лет назад однодневная доставка казалась роскошью.Сегодня это ожидание исходной линии.Большая технология — и бум машинного обучения, который она вызвала — тихо переплела привычки потребителей: ожидание завтрашнего дня больше не является вариантом.Рынок продолжает расширяться по двузначным ставкам, и почти каждый скачок в эффективности теперь происходит от моделей ML, которые переплетаются с спросом, маршрутизацией и ценообразованием. Экспресс-доставка («в 30–45 минут») уже опирается на хорошо проверенные алгоритмы: дополнительные сборы растут и падают с пиками спроса, трафика и погоды. Парадоксально, что ни Amazon, ни Uber не опубликовали конечного подхода к ценообразованию этих отложенных окон доставки, хотя они держат самую богатую маржу. По всему рынку поставок динамическое ценообразование является базовым требованием рынка, но большинство публичных статей фокусируются на балансировке спроса и предложения в режиме реального времени (например, роста или «занимающихся» сборов). Это цены на окна доставки по-разному для сдвига спроса, в то время как Uber ест Занятый районная плата, когда заказы превышают доставку курьеров. признать Документы признать Документы Для отложенных однодневных окон розничные продавцы сигнализируют, что гибкость дешевле, но ни один из них не раскрывает, как математика на самом деле работает. Теско бежит цена, которая варьируется в зависимости от почтового кода, дня и времени, Ocado связывает сборы за доставку Amazon предлагает (бесплатная планируемая консолидация) в то время как исторически Prime Now как бесплатный 2-часовой vs. платный 1-часовой. Безопасные слоты Флексибилизация Доступность замка День Амазонки Бегущий Безопасные слоты Флексибилизация Доступность замка День Амазонки Бегущий Это ясно показывает, что более длинные окна приносят пользу розничным продавцам, однако на рынке все еще не хватает решения от конечного до конечного, которое преобразует эффективность отгрузки и экономию курьерских часов в скидки, которые клиенты действительно видят. Это разрыв, который эта статья устраняет: связывание ширины окна того же дня с предсказанной экономией времени поставки и превращение его в четкий, справедливый ценовой сигнал. 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 Батчинг как ключ к эффективности На высоком уровне рынок имеет два основных компонента: Спрос — запросы на доставку, созданные пользователями в режиме реального времени. Поставка – курьеры, которые выполняют эти запросы. В самом простом случае, каждый курьер несет только один заказ за раз. Но в пиковые периоды спрос часто значительно превышает предложение. Многие заказы прибывают в течение короткого промежутка времени, поэтому поручения должны быть выполнены более эффективно (см. рисунок 1). Но что на самом деле означает «эффективность»?Это зависит от того, как мы ее определяем.Эффективность - это количество выполненных часов доставки, разделенное на количество доступных курьерских часов: Как мы можем повысить эту эффективность? Существует множество стратегий — но одна из самых важных Batching означает, что курьер доставляет несколько заказов в одном ходу.Это свойство системы значительно повышает эффективность. batching Understanding Batching Delivery Logic Понимание логики доставки Давайте пройдемся через простой пример. Предположим, что у нас есть два запроса на доставку. Каждая просьба может быть представлена в виде пары точек: точка A (погрузка) и точка B (отключение). Для каждого запроса могут быть оценены часы спроса — время, необходимое для путешествия от А до Б, с учетом трафика, погоды и других условий. Каковы наши варианты? Одним из подходов является назначение отдельного курьера для каждого запроса. В этом случае требуется время курьера как для фактической доставки (A-B), так и для — время, необходимое курьеру, чтобы добраться до точки А. Это работает, но не очень эффективно. approach time Теперь подумайте о чем-то более умном: назначьте одного курьера для обслуживания Например, курьер сначала отправляется в точку А второго запроса, подбирает его, затем отправляется в пункт выхода первого запроса, доставляет его и, наконец, доставляет второй. both orders В этом сценарии курьер следует зеленому маршруту, показанному справа. и Компоненты — и формула эффективности из предыдущего раздела — мы можем рассчитать эффективность партии. demand supply Интуиция должна быть ясной к настоящему времени: batching is a powerful lever for improving efficiency. SH Economy as the Principal Metric Экономика как основная метрика Тем не менее, лучше не оценивать качество партии с использованием общей метрики эффективности.Эффективность зависит от многочисленных внешних факторов, поэтому предпочтительна мера, которая зависит исключительно от свойств партии. Экономия курьерского времени — или экономия SH (экономика времени поставки) — служит этой цели, захватывая сокращение времени поставки, относящееся к партии. SH экономика определяется как разница между курьерским временем, требуемым, если заказы обрабатывались самостоятельно, и временем, фактически потраченным, когда курьер доставляет всю партию, выраженным в относительной форме: Нормализация по сумме независимой поставки дает безразмерное соотношение, которое можно легко сравнить между партиями любого размера или географии. Вернемся к предыдущему двустороннему примеру: 33 минуты курьерского времени Independent deliveries: 26 минут Batched route: А указывает на Это достигается только с помощью патронажа, это обеспечивает не затронуты внешними колебаниями в более широкой сети доставки. SH economy of 0.21 21% reduction in supply hours a clean, batch-specific indicator, Increasing Batching Efficiency with Flexible-Window Delivery Повышение эффективности патронажа с помощью гибкой доставки окон Эффективность партии улучшается, когда экспресс-сервис дополняется гибкой доставкой в окно. , что минимизирует время ожидания клиента, но не дает платформе времени на поиск возможностей для партийных сделок. immediate courier assignment В противоположность — будь то 30 минут, два часа или любой другой интервал в тот же день — расширяет диапазон времени доставки и позволяет запросу оставаться в очереди в течение короткого периода времени. a flexible window Чем шире бассейн Это приводит к меньшему количеству часов доставки, лучшему использованию курьерского времени, и в конечном счете — более низкой цене для клиента. pairable requests, На практике более широкие окна доставки расширяют базу параллельных запросов, повышая вероятность пакетирования и, в свою очередь, экономику SH. Pricing Flexible-Window Delivery Гибкие цены на окно доставки Установление справедливой цены на доставку с гибким окном является ключевым вызовом для продукта. Большинство рынков уже работают для экспресс-доставки. В таких системах, Она может быть представлена как два множительных компонента: a dynamic pricing engine the cost per order (CPO) — динамическая базовая цена, которая уже учитывает сигналы в режиме реального времени, такие как пики спроса, доступность курьеров, трафик, погода и другие операционные факторы. CPO_base — коэффициент скидки, связанный с шириной окна доставки. По мере расширения интервала этот компонент снижает конечную цену, чтобы отразить экономию времени курьера, достигнутую путем партийного доставки. CPO_economy(window_width) Основная задача состоит в том, чтобы узнать функцию CPO_economy(window_width) — при этом сохранить существующую CPO_base(·) нетронутой, так как цены на экспресс-доставку уже работает, как и планировалось. Quick Example Быстрый пример Давайте пройдемся простым расчетом. Предположим, минута курьерского времени стоит $0.20.Доставка двух заказов самостоятельно занимает 33 минуты, поэтому стоимость за заказ составляет: **==33 × $0.20 = $6.60==** Теперь, если более широкое окно доставки позволяет упаковать два заказа, время доставки сокращается до 26 минут, что снижает стоимость до: **==26 × $0.20 = $5.20==** The SH economy in this case is: **==(33 − 26) / 33 ≈ 0.21==** Это приводит к сокращению времени поставки на 21% - и клиенты платят примерно на 21% меньше. Таким образом, Определить ценность экономики. pricing flexible-window options reduces to an analytical problem: Поскольку цены должны быть показаны клиенту для нескольких однодневных окон доставки, - они должны быть up front, the courier-time savings can’t be calculated after the fact predicted in advance. From Baseline to ML-Based SH Economy Forecasts От базовых до ML-основанных экономических прогнозов Естественная отправная точка - это постоянное предсказание: используйте историческую как прогнозируемые сбережения для каждого запроса. Эта исходная линия слаба. с обеих сторон, а также на - от заказов в районах с низкой плотностью, которые никогда не могут быть отгружены. average the SH economy heavy tails zero Опираясь на один средний, игнорируются эти модели и оставляют деньги на столе. Why ML is Needed Зачем нужен ML Улучшение качества прогнозирования требует прогнозирования на основе ML. Но введение машинного обучения в ценообразование не является тривиальным: любая прогнозируемая скидка становится показан клиенту при оплате. Это означает, что модель должна балансировать с по всем сегментам клиентов. a real commitment predictive power high reliability Обычно это происходит при создании такой системы. Three key challenges Defining the target Первый и самый очевидный вопрос: Что именно модель должна научиться предсказывать? Рассмотрим формулу экономики SH. Она сравнивает два количества: Независимая доставка: сколько минут курьера было бы потрачено, если бы каждый заказ в партии обрабатывался отдельным курьером? **Доставка в партии:** сколько минут было фактически потрачено, когда эти заказы были доставлены вместе в партии? Второе значение происходит от реальных журналов (с некоторой очисткой). Первая из них противоречит действительности — Поэтому оно должно быть it never happened, forecast. Даже в простом примере соло доставка включает в себя: Время приближения к пункту пикапа, А → Б Время путешествия, и в производстве: время ожидания при отъезде, время отъезда, очередь и т.д. Каждый из этих элементов представляет собой отдельный прогноз, и каждый прогноз может быть предвзятым. Таким образом, что соответствует наблюдаемому среднему уровню в исторических данных. bias-corrected predicted solo time Where: Sheconomy(batch) — происходит в реальности SH (по порядку i) — прогнозы SH(Batch) — настоящий Еще одно осложнение заключается в том, что цена Но экономика СЭ определяется Поэтому мы должны Наивное разделение по часам спроса не является идеальным, потому что не расстояние. на практике мы распределяем SH экономику — то же количество, которое только что предсказала модель. per order, per batch. allocate the economy across orders. customers pay for courier time, proportionally to predicted supply hours per order Эта трансформация создает конечную цель обучения по заказу, которая агрегируется обратно к истинной экономике на уровне партии после доставки. Volatility & drift Второе препятствие – естественная волатильность цели.Когда средняя экономика SH затягивается в течение длительного периода времени, кривая является чем-либо, кроме неподвижной: в декабре (праздник) появляется внезапное падение, а более широкие сезонные волны отмечают ранние летние волны и пики конца года. Чтобы стабилизировать прогнозы, набор функций разделяется на две части.Контент-функции зависят только от самого предложения: выбранное окно доставки, время дня, день недели и география.Модели запросов на выходные резко отличаются от дней недели, а плотность заказа в большом городе отличается от того, что в меньшем городе с миллионами плюс, поэтому эти категорические сигналы поглощают повторяющуюся сезонность. Дополняют их статистические характеристики, описывающие текущее состояние рынка: роллирующие плотности спроса и предложения, а также тщательно разработанные целеподобные характеристики — краткосрочные средние показатели недавней экономики SH. Последние особенно информативны, но должны обращаться с осторожностью; в противном случае модель рискует утечкой будущей информации. «Контент» — зависит только от самого предложения chosen delivery window time of day/day of week geography «Статистические» особенности – описание текущего состояния рынка Роллинг густоты спроса Ролинг плотности снабжения тщательно отставали от целеподобных характеристик (недавние средние показатели экономики SH) Feedback loops left uncontrolled Собственные предсказания модели переформатируют цель, которую она просит предсказать. Повысить ожидаемую экономику SH, и показанная цена за доставку с гибким окном падает. Более низкая цена убеждает больше клиентов выбрать более медленный вариант, что, в свою очередь, увеличивает партию и стимулирует фактическую экономику SH. Распределение цели продолжает дрейфовать. Сложная, ручная модель коррекции может попытаться отнять это самовлияние, но любая фиксированная формула скоро станет неточной. Непрерывная переподготовка: Модели обновляются по последним данным в короткие промежутки времени, позволяя им поглощать смещающуюся смесь заказов медленного окна. Если распределение предсказаний не сильно изменилось, развертывание решается только по оффлайн-метрике; если сдвиг большой, перед запуском выполняется полный онлайн-тест A/B. Этот цикл поддерживает стабильность системы ценообразования, в то время как поведение клиентов – и, следовательно, цель экономики SH – постоянно развивается. Conclusion Заключение Доставка в последний милю в тот же день не может быть оптимизирована, просто надавливая курьеров или настраивая умножители роста. batching. Когда окна доставки были связаны с ожидаемым — относительная экономия времени курьера, которую разблокирует партия — прогнозировать экономику SH для каждого предложения и перевести эти сбережения в справедливую скидку. 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
