顶点计划3-1__外卖小哥

你了解外卖小哥吗

背景: 随着社会经济与科技的飞速发展,人们对个人生活的美好需求水平越来越高。对于那些不想吃饭的人,特别是当代大学生,吃泡面已经成为过去式,而外卖行业因为快速,便利,营养,美味等因素,成为了包括大学生在内的广大人群饮食中的一颗新星。行业中的外卖小哥也受到人们越来越多的重视。

目的: 希望能通过此次调研让同学门对外卖小哥加深一步了解,并能给予他们更多的包容,体谅和关心。

第一次调研:面相同学的问卷
(由于第一次调研主题不够明确,问卷中有两个问题关于外卖小哥)
图1:当外卖送达不准时,如何对待。
(图1)
如图一所示为当外卖送达不及时,你如何对待。根据饼状图可以看出在被调查人群中,没有人回为此情绪激动,责怪骑手,甚至给出差评;将近半数的人表示无所谓;半数的人会情绪稳定地联系骑手询问情况。由于问卷普及范围有限,所以调查数据并不能代表整个社会的情况,但可以推测大部分的人的做法应该都是比较冷静的。
图2:取外卖时,会与外卖小哥有交流吗
(图2)
如图二所示为取外卖时与外卖小哥的交流程度。据图可看出被调查人群中没有人会与外卖小哥有过多的交流,65.14%的人会有简单的交流,还有部分人没有任何交流。虽然外卖小哥时间紧张,但几句话其实占用的时间也不长。
小结:
对于外卖小哥,绝大部分人是能够体谅的,然而整个社会对外卖小哥的关怀可能还不是很够。

学生换位思考:
⑴外卖小哥所听看想:
凌晨四点的成都;
让顾客取餐,手机尾号;
催促商家;
被顾客骂,被周围司机骂;
礼貌
⑵外卖小哥的pain:
差评;
疲惫;
单调;
卑微;
等待顾客时间过长;
发生交通事故
⑶外卖小哥的desire:
好评;
温暖的话语;
尊重;
高效准时送达;
加薪;
安全保障

第二次调研:校园内对外卖小哥的采访
为了了解更真实的外卖小哥的情况,我们组全体成员在各组团门口进行了对外卖小哥的采访。问题主要分为兼职与全职、工资构成、骑手的车和保险、惩罚制度、奖励制度与补贴以及我们自己的一些小发现。(采访的形式比较灵活,会顾及外卖小哥的感受。)

⑴兼职与全职:
兼职:
ⅰ.没保障,五险一金自己买。各种装备衣服都要自己买。
ⅱ.自由,今天想跑就跑,跑出来的钱都是自己的,不想跑就休息,没得人管 。
ⅲ.美团众包需要自己去抢单 ,这样就需要骑手一直不断的盯着手机看,哪怕是在骑车,而且还要该抢的抢不该枪的不能抢,抢单是不利于新手的 , 因为还要一直盯着手机看,还要规划路线,一般新手规划路线能力预算时间能力是不足的。
全职
ⅰ. 拿的工资比较“死”,做够了分配的任务才能去抢单。
ⅱ .工作时间比较固定和强制。
ⅲ .有五险一金,算工龄,有保障。有装备,有公司配的各种物资。
ⅳ . 一般都是系统派单,系统会自动识别你在哪儿,你附近有什么单子,顺路的单子派给你,比较人性化,顺路单效率也比较高,专送送餐一般是3公里以内。

⑵工资组成
众包是根据距离来算提成的,有5块的、8块的、10块的。
每单提成基本是固定的,比如5+2,也就是每单5块钱,好评另外加2块,也就是最高7块,这个提成跟距离远近是没有关系的,送500米和送3公里,提成都是5+2。
工资总体在4000-6000左右,甚至有些外卖骑手达到10000+。

⑶骑手的车以及保险
骑手的车子基本都是自己买的(我们所调查到的都是)。
保险:有单的那一天交三块(自己交),作为意外保险,时间为接到的第一单到第二天凌晨一点半(发生事故时可享受最高保险为50~70w)。

⑷惩罚制度
ⅰ.差评:
美团 一个差评扣50元;
蜂鸟 差评限制高峰期接单;
其他 一个差评扣两百。
ⅱ.超时、打翻:
扣钱或者绩效分;
美团 绩效分100,两个月低于六十清退。
ⅲ.与顾客争吵:一次扣两百元,扣50绩效分。
ⅳ.手机没电:被发现一次扣十元。
ⅴ.投诉:投诉一次罚款50~200元,24小时不能接单,一个月累计三次被辞退。

⑸奖励制度:
ⅰ.每月团建
ⅱ.员工生日聚会
ⅲ.公司设立奖励制度设置三等奖励,一等奖金牌骑手200元,二等奖银牌骑手100元,三等奖铜排洗手50元,考核方式为综合考评得分最高者为一的,以此类推。

⑹补贴:
骑手招聘网:提供车辆,住宿,缴纳保险,油补,话补,冲单奖励,距离补贴,恶劣天气补贴,夏天有丰厚高温补贴,月休4天。
调研:基本没有油补、话补,恶劣天气与夏日高温补贴只局限于全职人员(一个月几百块),国定假日没有额外补贴,每单价格提高。

⑺我们想要做的:
外卖平台:未来我们打算和他们联系,争取能让外卖小哥得到公司买的保险和较为充裕的送外卖的时间,不用拼命地在路上奔波;当他们送外卖出现意外时,减轻公司对他们的惩罚力度;让公司真正落实对外卖小哥的权益保障。保险公司:我们也打算尝试联系保险公司,希望可以促成他们对外卖小哥的公益投保,这样既有利于保险公司的对外宣传,也给予了外卖小哥更贴心的保障。

总结: 课堂上同学们的换位思考大多也正是外卖小哥的感受,比如大家都立马想到的差评,但同学们不了解的可能是差评真正对外卖小哥的影响,从我们的调查中可以看到,一个差评对外卖小哥的惩罚大概能是外卖小哥一天甚至几天的收入。网上也有关于给了差评遭到外卖小哥威胁的情况,这个问题一方面是外卖小哥的问题,另一方面是不是我们也要考虑到顾客的原因?有的人给差评原因甚至是’‘让我不爽了’‘??!这种能叫原因吗?骑手来做这个就为了能挣到些钱,而’‘顾客是上帝’‘这样的理念让外卖公司对骑手的要求格外严格,于是差评就可以起到监督的作用。初心是好,只希望不要被滥用。
另外,有同学想到’‘卑微’'这个词,在我们与外卖小哥的交流和观察过程中,我们可以看出无论是和哪些人交流,都是平等待之的。每一种行业,只要它成为了一种行业,是一种正规合法的工作,都不必说卑微,任何一种行业的人都是平等的。还有对外卖小哥的关怀方面,也希望大家能沟通过这次的调研展示在与外卖小哥的交涉过程中对他们多一些交流,多一些关心。如果我们能让外卖公司对外卖小哥的惩罚力度减小,奖励制度增加,给外卖小哥充裕的送餐时间,那么外卖小哥的交通事故就会减少,饭餐损坏的事件就会减少;如果我们在接餐时像是熟人一样笑一笑,问个好,体谅外卖小哥的不易,宽容他的小错误,外卖小哥该会更加认真的做好自己的工作给广大顾客更好的服务。
如果我们哪天真能丢去那些框框架架,留下的只是人与人之间感真诚的对待和信任,那该是一个和谐的大家了吧。在发展愈来愈快的今天,我们是否能这样畅想呢?

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值