本文探讨了外卖行业的订单预测和列表优化问题，介绍了外卖的发展历程和特点。通过模型分析，文中提出了订单量预估的方法及其应用场景，并详细讨论了列表优化的特征体系和实时性要求。最后，强调了理解业务与技术驱动的重要性，并建议采用最小可迭代方案进行持续优化。

1. 外卖场景下的订单预测及列表
优化问题
王兴星

2. 内容概览
• 外卖背景
• 订单预测
• 列表优化
• 总结

3. 外卖行业的发展
1993.8
丽华快
餐
2009.4
饿了么
2013.12
美团外
卖 淘
点点
2014.5
百度外
卖
2014.11
美团外
卖100w
单
2015.12
美团外
卖300w
单
2016.5
美团外
卖400w
单

4. 外卖行业的发展

5. 外卖与团购的异同
流量
性价比
方便快捷
支付
线上
线上为主
就餐
套餐+到店消费
点餐+配送到家

6. 外卖的特点
• 移动化
• 本地化
• 场景化

7. 外卖的特点：移动化
• 移动化

8. 外卖的特点：本地化
• 本地化
– 某城市各品类距离占比：

9. 外卖的特点：场景化
• 场景化

10. 订单预估的应用场景
• 订单量预估的应用场景：
– 城市稳定性；
– 运力监控、预估；
– 广告流量预估、定价；

11. 城市订单预估
• 城市订单稳定性：
– 城市维度的波动是否正常？
– 人工检查工作量大；
– 人工确认波动原因成本大；
– 定位到原因，难以量化；

12. 城市订单预估
• 模型需要解决的问题：
– 自动的监控、报警；
– 原因发现；
– 原因的影响的量化；

13. 城市订单预估
• 解决路径：
– 简单平均；
– 时间序列预估；
– 自回归模型；
– 级联模型；

14. 城市订单预估：牛刀小试
数据收集
• 全国约100个城市；
• A&B类城市占据大部分订单;
预处理
• 小城市，订单量小，波动大
• 异常样本过滤
简单平均
• 周期性：工作区&居住区
时间序列
• 指数平滑
• Holt-­‐Winters

15. 城市订单预估：效果
• 评价指标：
– 误差率：
|预测单量-真实单量|
/ 真实单量 * 100%
• 效果分析：

16. 城市订单预估：应用场景的差异
• 不用数据表现差别较大：
(商圈级别表现更加明显)

17. 城市订单预估：其他因素
• 订单量此外的因素：
– 天气；
– 星期几；
– 节假日；
– 平均配送费用；
– 是否开启红包；
– 红包使用的比例；
– …

18. 城市订单预估
• 非订单因数，怎么融入？
– 建立统一模型：
• 如何达到非线性效果：特征&模型；
• 特征如何处理：
– 归一化；
– 离散化；
– 交叉化
• 核心关注点：
– 精度；
– 可解释性；

19. 城市订单预估：级联模型
• 级联模型：
– 第一级：自回归模型；
– 第二级：
• 目标：真实值/自回归值；
• 特征：
– 非自回归模型特征；
• 效果：
– BoosDng思想，误差率进一步降低；
– 可解释性好；

20. 城市订单预估：级联模型
• 可解释性：
– 特征间差异直接反映了对订单量的影响；
天气 权重
大雨 0.1780
暴雨 0.1492
晴 -­‐0.0038
…

21. 列表优化
• 产品形态

22. 列表优化：架构
• 架构

23. 列表优化：离线流程
• 负样本的有效性：
– 常用负样本的产生方法：
• 采样、高频用户/商品；
– 流量清洗：
• 抓取流量；
• 无效加载

24. 列表优化：特征体系
• 特征矩阵：
1.商家 2.用户
3.商家&用户

25. 列表优化：模型
• 树模型：为什么使用树模型？
– Decision
Tree：简单贪婪，C4.5；
– Bagging：民主智慧，RF；
– BoosDng：知错就改，GBDT；
• 非线性模型：
– 稠密特征：分裂的复杂度；
– 特征选择、组合；

26. 列表优化：实时性要求
• 实时性的要求：
– 商家库存；
– 商家服务质量；
– 商家活动情况；
– 配送运力情况；
• 实时性方案：
– 方案一：非统计特征，模型实时学习，在线学习；
– 方案二：统计特征，模型稳定，特征实时更新；
– 方案三：两者混合；

27. 列表优化：特征实时性
• 特征实时化：

28. 列表优化：跨系统交互
• 跨系统交互：（配送）
– 商家售罄：
• 库存、单量预测；
– 流控：
• 实时负载指标；
• 配送等待时间；
• 配送预计送达时间；

29. 列表优化：新商家
• 新商家：
– 如何确定新商家的质量？
• 固定位置，定义新商家，同类型展示；
• 不确定位置，E&E策略；
• 其他运营方案：广告；

30. 总结
• 总结：
– 理解业务，技术驱动；
– 没有完全一致的技术方案；
– 最小可迭代方案，不断优化；

31. Thank
You！