计划就业协议实战-滴滴-第四次课堂.pptx

知名出行平台商业模式分析——以滴滴出行为例

如果有N个乘客、M个司机，一会再来几个乘客和司机？（供需预测）2N个乘客与M个司机在一个matchtime内的匹配滴滴应用了运筹优化+机器学习方法，从中找出所有乘客接驾时长最短的解法。

4.3.1匹配问题的抽象

4.3.2批量匹配（全局最优）解决痛点：乘客等待时间合理3最近原则匹配全局最优匹配显然，派单方案2更加合理

什么是贪心算法？4贪心算法示意图

4.3.3匹配问题的具体算法实现——贪心算法贪心算法并不能一定找到全局最优解，但所得出的结果一定是每一步最优解的组合

滴滴派单体系下的贪心算法解决痛点：快速匹配订单+最大化利润（局部）5

4.3.3匹配问题的具体算法实现——贪心算法司机集乘客集配对集剩余司机集剩余乘客集步骤1步骤2

滴滴派单体系下的贪心算法解决痛点：快速匹配订单+最大化利润（局部）6

4.3.3匹配问题的具体算法实现——贪心算法步骤3步骤4配对集剩余司机集剩余乘客集附近司机集重新匹配利益最大新配对集新附近司机集新附近乘客集

连环派单解决痛点：间接提高可接单司机数量，进而提高成单率7

4.3.4匹配问题的具体算法实现——连环派单连环派单预测的是下一时刻空闲司机的所在位置。由于高峰期空闲司机多为司机完成订单后转换而来，预测司机的位置就变成了一个相对确定性的问题，即监测司机到目的地的距离和时间。当服务中的司机距终点很近，且终点离乘客新产生的订单也很近时，便会命中连环派单逻辑。司机在结束上一单服务后，会立刻进入新订单的接单过程中，有效地压缩了订单的应答时间、以及司机的接单距离。

8

4.3.5供需预测问题的具体算法实现——GBDT算法

滴滴派单体系下的GBDT算法解决痛点：快速匹配订单+提高成单率

什么是GBDT：GBDT是一种梯度提升的决策树模型，核心：它会帮你寻找输入与输出之间的关系举个例子：假设我们输入是：身高，财富和颜值输出结果是：对这个男生的打分通过输入大量数据并训练模型，GBDT可以得到如右图一样的决策模型

补充知识要点-决策树和随机森林什么是决策树？什么是随机森林？

补充知识要点-决策树和随机森林

补充知识要点-决策树和随机森林

12

4.3.5供需预测问题的具体算法实现——GBDT算法

滴滴派单体系下的GBDT算法解决痛点：快速匹配订单+提高成单率使用的输入参数（特征）：1.打车的时间2.打车时的日子（工作日还是假期）3.出发经度4.出发纬度5.历史目的地的集合输出：该用户今天几点有可能会打车，可能会打车去哪统计附近用户的结果：可以得到该地区各时段大致需要出行的人数，进而提前调度远处的车向打车密集区靠近（可通过偏远地区留下一小部分车原地进行连环接单，大部分从随着订单向打车密集区靠近的方式实现）

数据科学在商业分析中的地位13数据科学在商业分析中的地位

分析流程15STEP1STEP2STEP3STEP4分析问题分析的是问题本身针对问题进行拆解理解数据理解数据结构是分析的基础和起点清洗数据数据清洗十分重要如何清洗数据？建立分析模型不同的业务类型，使用不同的模型什么是分析模型STEP5可视化处理好的可视化会升华分析成果糟糕的可视化“功亏一篑”

16描述性分析和诊断性分析

17描述性统计

18描述性统计意义计算公式优点缺点

19分位数

20分位数

21标准差

分析流程22STEP1STEP2STEP3STEP4分析问题分析的是问题本身针对问题进行拆解理解数据理解数据结构是分析的基础和起点清洗数据数据清洗十分重要如何清洗数据？建立分析模型不同的业务类型，使用不同的模型什么是分析模型STEP5可视化处理好的可视化会升华分析成果糟糕的可视化“功亏一篑”

23诊断性分析

24可视化

25数据提取-SQL问题：1、计算司机应答率2、计算司机完单率3、平均呼叫应答时长4、呼叫量最高的小时5、呼叫量最小的小时

26数据预处理表名称

27数据提取-SQL司机应答率=应答单量/呼叫单量

28数据提取-SQL表名称

www.islide.cc29数据提取-SQL完单率=完单单量/呼叫单量

www.islide.cc30数据提取-SQL

www.islide.cc31数据提取-SQL平均呼叫应答时长=总应答时长/呼叫总单量

www.islide.cc32数据提取-SQL

www.islide.cc33数据提取-SQL呼叫量最高的时间呼叫量最少的时间

www.islide.cc34数据提取-SQL

www.islide.cc35分析-python

www.islide.cc36分析-python

www.islide.cc37分