即时配送拼什么?揭秘你看不到的即时配送技术

物流CTO , 夏瑾 , 2018-12-27 , 浏览:13

在国内即时配送领域,除了美团外卖、饿了么(蜂鸟)、滴滴外卖等典型代表外,还有专门于即时配送服务的创业公司,如闪送、UU跑腿、达达、点我达等,以及顺丰、京东、菜鸟等巨头公司也宣布入局。

 

至此,外卖配送、专业即时配送和传统快递,三者之间已经形成争夺形势。

 

在蓬勃发展的业态背后,即时配送行业供需不平衡的“痛点”也日渐凸显,这主要表现在峰值和谷值之间的明显差异,而这时以众包模式解决方案等为代表的多种配送模式的出现,正好在一定程度上解决了高峰期人手不够的问题。

 

大体上,根据各企业定位及性质的不同,物流配送模式也各有差异。

 

一种是以顺丰、圆通等为代表的传统的物流公司的仓储模式。这种模式的特点在于,以“收件网点-分拣中心-送件网点”三级流程进行配送。京东推出的“准时达”服务也是在自建仓储物流的基础之上,保证配送速度,准时到达客户手中。

 

值得一提的是,最近兴起的盒马鲜生、每日优鲜为代表的前置仓模式,该模式主要是将仓库分布在城市中,以此保证将生鲜产品快速送达至目的地。

 

具体来讲就是,前置仓模式将传统由“电商平台→快递企业→消费者”的配送格局转变为“电商平台→前置仓→即时物流平台→消费者”。目前,这种新型的仓储模式正被广泛关注和学习。

 

另一种是基于众包模式的点对点配送方案。这种模式是利用社会的物流资源内进行配送,商家用人但不用养人,模式较为轻便。简单来说,就是搭建一个平台让闲散的劳动力自由支配时间,兼职从事快递工作取得报酬,平台从其中获得抽成。目前,达达、闪送第三方运力平台多数采用这种模式。

 

即时配送背后有哪些关键技术?

 

北京交通大学经济管理学院物流管理系教授汝宜红曾称,除了尝试不同模式,技术领域的创新也会一定程度上促进供需平衡问题的解决。

 

另有行业专业人士也表示,对于即时配送平台来说,如何获取订单量和流量是关键,这离不开大数据、人工智能等技术的支撑。“需要在满足干线物流健康发展的前提下,实现末端物流整体性、系统性、全局式的网络布局。尽快融入AI、导航等先进技术,更好地实现线上线下对供需市场的有效匹配。”

 

可见,技术已成为除资金和模式的创新之外,即时配送企业竞争的关键。打个比方,平台可以通过技术手段帮助商户在时间、天气、是否是节日、地段和环境等诸多因素进行综合考量,并进行准确时间预估,以此来前置备货等。

 

当然,在即时配送中所需要的技术很多,比如大数据、人工智能、运筹优化等算法、无人配送技术等等,下面主要盘点几个在即时配送上的技术布局。

 

1. 智能调度系统

 

谈及即时配送,不得不提智能调度系统,这是即时配送背后的整个技术支持。

 

由中国物流与采购联合会和美团点评联合编纂的《2018年中国即时配送行业发展报告》认为,智能调度系统是各家运力平台的技术核心,依托海量历史订单数据、配送员定位数据、商户数据等, 针对配送员实时情景(任务量、配送距离、并单情况、评级),对订单进行智能匹配,实现自动化调度及资源全局最优配置,最大限度提升用户体验。因此,包括无人配送、依靠大数据和AI的智能调度系统是未来发展的方向。

 

智能调度系统主要有美团的“超级大脑”智能调度系统,饿了么方ArK智能调度系统等。比如饿了么的方ArK智能调度系统,就包含了智慧物流、智能调度、智能营销、智能客服、图像识别、智能硬件等部分。

 

2. AI人工智能

 

即时配送线下环节非常多且复杂,这就需要人工智能技术必须能够面对复杂的真实物理世界,必须能深度感知、正确理解与准确预测、并瞬间完成复杂决策。

 

根据美团技术团队的消息,美团的“超脑”配送系统包含了大数据、深度感知、人工智能等技术的应用。

 

首先,大数据处理和计算能力。比如算法数据、大数据平台、机器学习平台等。

 

其中大数据平台实现对骑手轨迹数据、配送业务数据、特征数据、指标数据的全面管理和监控,并通过模型平台、特征平台支持相关算法策略的快速迭代和优化,形成精准的画像;机器学习平台,则是一个一站式线下到线上的模型训练和算法应用平台,主要负责从海量的数据中寻求规律并进行准确预估,其目的在于解决算法应用场景多,重复造轮子的矛盾问题,以及线上、线下数据质量不一致。

 

其次,建立对世界深度感知。为此美团搭建了LBS系统:提供正确位置(用户/商户/骑手)以及两点之间正确的骑行导航。同时,多传感器:提供室内定位以、精细化场景刻画、骑手运动状态识别。

 

再次,正确理解和准确预测,这点主要对配送环节所需时间、销量、运力等方面的预估。

 

最后,完成复杂决策,这方面主要体现在调度、定价和规划几个方面。比如运筹优化模块,主要是在在大数据平台以及机器学习的预测数据基础上,采用最优化理论、强化学习等优化策略进行计算,做出全剧最优化的分配决策,并和骑手高效互动,处理执行过程中的问题,实现动态最优化。

 

3. ETA分析(Estimated Time of Arrival,时间送达预估)—机器学习

 

ETA是配送系统中非常重要参数,与用户体验、配送成本有直接关系,而且会直接影响调度系统和定价系统的最终决策。而为了给用户提供更好的感知体验,就需要通过机器学习技术进行精准预估预测。

 

当然,如何准确预估送达时间,这是一个非常复杂的过程,首先从骑手接单到最终送达,这就涉及到接单、到店、取货、送达等每个关键环节的预估时间,这中间要需要考虑商户准备餐食的时间,以及用户最终收获时间等等,每一个节点都需要精准的预测。

 

总结来讲,就需要机器学习来对出餐时间、交付时间、未来订单、路径耗时等进行精准的预估预测,为调度决策提供准确的基础信息。

 

4. 运筹优化

 

运筹优化主要是在大数据平台以及机器学习的预测数据基础上,采用最优化理论、强化学习等优化策略,对整个路径规划、系统派单、自动改派、仿真系统等做进行计算,做出全剧最优化的分配决策,并和骑手高效互动,处理执行过程中的问题,实现动态最优化。

 

可见,优化算法的作用是里找到最优的策略。而如何设计好的优化算法,从庞大的解空间中搜索得到一个满意解,还要求在高实时性,算法只允许运行2~3秒钟的时间必须给出最终决策,这是一个很大的挑战。

 

运筹优化中涉及了各类基础性的算法,应用到具体场景中就是对于骑手路径的优化算法和订单分配优化算法。

 

info.10000link.com本文已标注来源和出处,版权归原作者所有,转载请联系原作者,如有侵权,请联系我们。文章来源于物流CTO

关注万联网公众号
上一篇:不离其宗的新零售,下一个十年的新动能
下一篇:2018物流变阵:京东、顺丰独大,“两极化”趋势明显
扫一扫

微信扫一扫

为你推送和解读最前沿
的供应链金融创投资讯

返回
顶部