画像在同城物流调度系统的实践

在同城物流的服务品类多样化、多角色参与场景下，能够做到精细化细分给角色贴“标签”，通过一系列算法和规则进行挖掘，得到的数据能够比较好的理解和运用，最终达到服务私人订制、完善产品平台、提升服务质量的关键支撑。

引言

随着互联网技术的蓬勃发展，“互联网+”影响着人们生活的方方面面，网购的繁荣和移动支付的持续多场景的渗透，O2O 的模式是众多互联网的必争之地，更有大量传统企业开启向互联网模式的变革进程。消费模式升级的促使人们把 O2O 逐步成为常态，而在领域做得细分最早的行业就是外卖场景的同城物流，如果移动互联网+O2O 是对外卖行业的变革，那么同城物流则是展示提升餐饮服务质量和服务能力的重要落地指标。随着外卖的商品从餐饮扩展到商超、鲜花、蛋糕、生鲜等，同城物流的模式也在推波助澜的适应多种形态，从专送到众包、从商圈配送到全城送、从跑腿到专人专送，都是同城物流在适应向新零售靠拢、成本压力降低、服务升级的需求满足。而在同城物流的服务品类多样化、多角色参与场景下，能够做到精细化细分给角色贴“标签”，通过一系列算法和规则进行挖掘，得到的数据能够比较好的理解和运用，最终达到服务私人订制、完善产品平台、提升服务质量的关键支撑。

因为外卖的同城物流场景下的调度是一个时空最优解的模型评估，模型演进的过程中，都有重要的特征来支持着物流变革，边界非常清晰。模型演进对于画像部分，是开始在配送服务精细化运营的落地步骤；画像是为了满足个体的真实差异而对个性化的支撑方式。无论是时间预估、距离预估、最大能效预测最终都会落实到三方参与角色主题：商户、用户、骑士；主体之外，还有很多附加：骑士配送工具、写字楼/小区、红绿灯、地铁上下层、立交桥、天气风云变幻、交通管制突发情况等都在默默的参与着、影响着配送过程。

百度外卖