计划就业协议实战-知名出行平台-第三节课补充.pptx

开课吧课程设计专家知名出行平台订单下滑原因——以滴滴出行为例

滴滴的派单逻辑滴滴的订单分配系统数据分析位置服务订单匹配乘客司机自行选单系统系统自动分配

滴滴的派单逻辑派单逻辑的核心问题：如何将乘客的订单分配给在线的司机

滴滴的派单逻辑-延迟派单4

滴滴的派单逻辑-延迟派单乘客D车B车A1km3km乘客C

滴滴的派单逻辑-前置逻辑前置逻辑的核心：规则A快车司机不能接专车订单规则B保证司机接单后不会通过限行限号区域规则C为设定实时目的地的司机过滤不顺路区域规则D为只听预约单司机过滤实时订单规则E同一个订单只会发给一个司机一次逻辑例子：确保给需要的乘客匹配他们所需要的网约车

滴滴的派单逻辑-匹配逻辑

滴滴的派单逻辑-匹配问题如何把复杂的数学问题简单化：一对一匹配N对一匹配

滴滴的派单逻辑-匹配问题N个乘客与M个司机在一个matchtime内的匹配

滴滴的派单逻辑-匹配问题

滴滴的派单逻辑-匹配问题-全局最优最近原则匹配全局最优匹配显然，派单方案2更加合理

滴滴的派单逻辑-匹配问题-贪心策略贪心算法示意图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

滴滴的派单逻辑-匹配问题

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）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

滴滴的派单逻辑-匹配问题步骤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

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）

滴滴的派单逻辑-连环派单15

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15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。

滴滴的派单逻辑-连环派单16

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

滴滴的派单逻辑-预测-机器学习17什么是决策树？什么是随机森林？

滴滴的派单逻辑-预测-机器学习18

滴滴的派单逻辑-预测-机器学习19

滴滴的派单逻辑-预测-机器学习2020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）

案例-销量预测21618仓维度销量预测方法？模型选择前端不断货成本不冗余目的定性分析法定量分析法现有的GMV是计划数GMV和销量之间的关系？一元线性回归模型跨部门沟通障碍管理层根据宏观环境做出的定性决策PEST模型分析（宏观环境）波特五力模型分析（行业环境）判断分析方法因果预测法趋势预测法一元线性回归、多元线性回归法、非线性回归法指数平滑法、移动平均法、趋势分解法等时间序列分析方法支付销量与出库销量存在时间差支付金额=支付单价*支付销量支付销量=超售销量+出库销量相关分析更换变量step1回归分析相关不相关散点图相关系数互信息step2

22案例-销量预测案例描述：往年大促，由中台战略部门输出主站GMV计划值，供需部门需基于此针对仓维度的出库销量进行预估，并用于备货，防止前台销售断货，或仓储成本冗余。以此为案例，研究和讨论平台GMV和各仓出库销量之间是否存在相关性，以此进行大促期间仓维度出库销量预估。

案例-销量预测23618仓维度销量预测方法？模型选择前端不断货成本不冗余目的定性分析法定量分析法现有的GMV是计划数GMV和销量之间的关系？一元线性回归模型跨部门沟通障碍管理层根据宏观环境做出的定性决策PEST模型分析（宏观环境）波特五力模型分析（行业环境）判断分析方法因果预测法趋势预测法一元线性回归、多元线性回归法、非线性回归法指数平滑法、移动平均法、趋势分解法等时间序列分析方法支付销量与出库销量存在时间差支付金额=支付单价*支付销量支付销量=超