【大咖来了 第2期】快狗打车智能化演进之路

作者: 胡显波 2019-10-22 15:43:18

如果让你从 0 组建一个智能化派单系统,日订单量为 40W,你敢接单吗?你会怎么做?
做过的人都会说简单,没有做过的人却连想都不敢想,其实技术上并没有太大的差距,差就差在“做过一次”的经验。
听别人讲述自己的经历,也是积攒经验的一种好方法。我们曾邀请快狗打车高级经理胡显波讲述他的职业生涯,他讲述了快狗打车的派单系统从 0 到智能化的演进。

下面是整理的文字版,希望您看了能有所启发。

石器时代
单一拆分数据库、业务解耦

由于快狗打车是 58 同城当时孵化的 N 个业务线之一,并且短短三周就已上线,最初的版本包含了用户侧 App、商家 App、管理后台三个模块。


上图所示的是业务孵化期整体系统架构,采用的是的单一数据库模式,与其他业务公用数据库,节省成本,这样做是为了快速验证市场对业务接受度。


上图所示是业务孵化期的派单系统,可以理解为一个单元运作。系统核心部分是 OrderPushJar,订单创建、推送等派单逻辑都在这里进行处理。


这个阶段订单调度原理很简单,就是由推送框架 MQTT,把订单推送给设定范围内所有司机,司机凭手速接单,单单都有补贴旨在快速抢占市场,这对平台而言是庞大的浪费。

快狗打车上线之后,市场反响非常好,业务也在短短三个月增长了一万单。但此时数据库达到瓶颈,字段冗余、数据库索引有效性等问题凸显,没办法支持多业务的发展,某个子业务做上线下线等操作时,“同源”业务也会受到影响。


上图是针对数据库瓶颈的解决方案,把快狗打车的数据库,从耦合的业务数据库中拆分出来。方案中采用双向同步模式来业务不停服的情况下进行数据迁移。

整体迁移后,快狗打车整体系统大致分成订单、结算、配置、轨迹等模块,每一个模块都有对应单独数据库,这样就很好的避免了业务之间的耦合,轨迹服务数据库出现异常,并不会影响其他业务流程。

铁器时代
双推送通道、象限推送


2015 年,快狗打车进入高速发展阶段,市面上也出现了很多同类竞品,如蓝犀牛、1 号货的及云鸟等。市场争夺战进入白热化阶段,快狗打车采用大量订单补贴的方式来提升市场占有率,产品方面也是争分夺秒的进行迭代,抢占市场先机。

上图是业务高速发展时期的系统架构。App、PC 及其他第三方渠道进入到 OrderCenterServer(订单中心),OrderCenterServer 会根据具体职责进入业务的模块化,分成了像结算、支付、推送、司机任务等模块。

为保证订单能够尽快被司机接收到以及保证消息推送到达率,快狗打车采用自研 TCP 通道与 GeTui 和 MiPush 等三方通道相结合。根据司机的手机品牌择优选择 GeTui 或 MiPush 通道,加上自研的 TCP 通道,保证消息的到达率。


这个阶段订单调度原是按照不同的象限方式进行予以推送,订单产生时会先在附近 X 公里范围之内,寻找满足该需求的司机,进行推单。如果无人抢单便加部分补贴,激发司机的抢单意愿。

如上图所示,会采用象限推送的模式,如果没人抢单,就增加部分补贴,延象限进行推送,如果抢单人数达到一定上限,就回降低部分补贴。

在指派司机的环节,根据抢单司机的距离、好评率、历史订单完成率等核心评估指标进行择优指派,这种简单的方法既减少了平台派发无效补贴的浪费,又有效避免了凭速度抢单的恶意竞争,进而提升了整个平台的订单完成率。

智能时代
大数据平台引入到智能化


2016 年,快狗打车成为行业佼佼者,进入了平稳期,这时更多考虑的是平台补贴如何高效,起到真正补贴的作用、如何尽量满足用户的需求、如何分配司机的收益。

进而效率提升成为这一年的整体目标,主要做了引入大数据平台、智能派单算法和智能分流框架等内容。

Ste.1数据收集


如上图,App 用户使用数据、H5 端日志操作,Server 端用户请求日志等数据进行收集并通过日志中心组进行上报,汇集到日志中心,利用 Flume 和 Kafka 同步到大数据平台。DB 则是通过 DTS 和 Canal 形式,也引入到大数据平台。

Ste.2智能模型训练


如上图,是智能模型的训练逻辑。底层是收集信息:

l 订单的信息,包括:始发地、目的地、以及价格。

l 用户的信息,包括:用户位置、以及对于价格的敏感度。

l 司机的信息,包括:接单的意愿等。

l 客户和司机的关系信息,包括:两者能够相匹配的标准。

l 整体订单的推送和接单场景等信息。

凭借着归一化&分桶、XGBoost、特征组合、编码等大数据手段,进行模型训练,目前拥有约 80 万的数据模型用于整体的业务流程。

接下来,通过具体场景来诠释大数据的智能化派单系统的应用,涉及主要场景有计价、推单、中单等。

场景一:计价

先分享计价场景,是因为无论是打车用户还是司机,对于价格都是很敏感的。


具体说来:用户先上来询价,根据询价信息给予用户一定的优惠 A 元,同时也要据此来补贴司机 B 元,另外,在定价 C 元的基础上,快狗打车还要通过一定的抽佣 D 元,来保证平台的运营。

那么该如何计算 ABCD 之间的关系呢?显然,在保证整体抢单率的情况下,应使得 A 和 B 尽可能的小。


也就是说,在尽量降低平台补贴的前提下,根据给定补贴的预算情况,来提高抢单率。


根据上述两个计价模型,不难发现:为了保证订单的完成率,至少要保证两个司机的抢单:通过对司机和用户的行为分析,要掌握司机对于订单大致的接受价位;同时,也会通过整体的接单司机数量,来反过来验证该模型的有效性。


上述优惠模型是分析用户流失率的手段。根据用户每天的活跃度,订单价值贡献等,能够获悉:可能由于某些原因,用户存在流失的风险,就应该通过平台发券的方式将他刺激用户的回流。

场景二:推单


上图是一个接单的场景。把订单推送给愿意接单的司机,既能降低用户的等待时间、提升用户的满意度,又能通过订单的成单率,来提升司机的兴趣度。


那么司机的接单意愿又是从何而来呢?其中包括:订单与司机之间的距离、订单的价格、小费&补贴、以及起点&终点等方面。

平台通过大规模的逻辑回归,可以计算出附近司机的接单意愿,进而推送给相应的司机。

场景三:中单


在中单场景中,如果有 50 位司机抢单,那么哪位司机的好评率、距离、服务态度、以及是否愿意免费搬运等策略最为切合,谁就能够“中签”。


此处的服务模型相对较为简单,主要涉及到距离、等级、评分、耦合度等指标。


为了防止一些假司机来扰乱平台秩序,快狗打车通过:设备交叉、订单轨迹、客司金额分配、以及虚拟识别等手段,来识别订单中的作弊概率。如果发现有作弊的订单,平台会对用户和司机予以惩罚。

场景四:整体运营


如上图,是整体运用场景。

l 在用户下单时,快狗打车运用订单的定价模型,来确定用户是否需要调价、优惠、或是补贴。

l 在系统推送时,快狗打车预测司机的接单意愿,以及推送的顺序。

l 在司机抢单时,快狗打车预测整体的接单人数,一旦人数到达上限,就会通过降低订单补贴等方式进行动态微调。

l 在订单指派时,快狗打车也会预测司机的完成概率,并获取司机的质量度。

l 在订单完成后,快狗打车会预测用户是否流失,并根据其留存价值,来确定是否给他更多的优惠。


上图展示的是整体派单侧的架构。核心在于策略应用服务侧、通用逻辑服务层,以及底层数据服务侧的划分。


上图展示的是智能派单的核心流程。左侧的核心模块是特征数据,它经由数据的收集与训练,得到相应的特征数据值。通过特征匹配系统,将数据应用到整体的业务系统中。同时这里的订单队列引擎和司机队列引擎,根据订单状态的实时变化,将订单推送给司机。


另外,通过业务监督平台,来保证新的模型、或算法在上线时得到相应的分流与监测。具体而言,根据用户的设备特点,来模拟流量的分配,进而实时地得到数据上报。

例如:用户是否仅在询价阶段完成后就流失了。倘若流失率较高的话,就会通过实时报告将线上新的分流设置关闭掉。

接下来分享快狗打车的的监控平台,具体的定义如下三点:

l 算法需要稳定的系统支撑

l 业务的波动要快速知悉

l 提高问题排查效率就是在挽回损失


如上图,是快狗打车侧立体化监控部分截屏,涉及关键字监控、接口监控、流量,端口、JVM、CPU,线程、缓存、DB 等监控。

业务指标监控包含订单整体波动以及补贴整体波动等。订单波动就是对附近平均司机数量,推单波动进行监控。补贴波动就是对用户和司机的补贴实时投放的数据进行监控。这些核心业务指标监控需要做到实时反馈,有波动快速告警。

如果优惠券订单数为什么突然间在暴涨?补贴订单数为什么突然之间下降?等等这些核心业务指标监控需要做到实时反馈。

总结

2014 年至今,一路走来快狗打车团队不断壮大,业务也是不断地迭代和优化,总结如下几点:

l 架构与团队、业务对齐,保持服务的持续演进,以响应业务的快速变化

l 建议使用双推送通道,保证推送的到达率

l 监控很重要,快速发现问题,减少影响l 持续提升,团队的能力,要跟得上业务的节奏

智能化 数据 人工智能
上一篇:指南 | 手把手教你解决90%的NLP问题 下一篇:【大咖来了 第4期】数据驱动的产品决策和智能化
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

抵御另一个人工智能冬天的最后一道防线

很多人都担心又一波 AI 寒冬即将到来。虽然 ML 解决方案并不缺乏,但得到企业实际部署的不过十分之一。

核子可乐 ·  1天前
斯坦福大学对话特朗普政府CTO:关于AI、移民、技术基础设施及更多

美国政府首席技术官Michael Kratsios上周登上斯坦福大学的舞台,在2019年人工智能研究所秋季会议上,回答了由校方主持人Eileen Donahoe及现场与会者提出的问题。

佚名 ·  1天前
高通副总裁Reiner Klement:“5G+人工智能+云”将如何变革未来产业

论坛上,高通公司产品管理副总裁Reiner Klement在发表《5G赋能工业互联网及未来产业》主题演讲时表示,“5G+人工智能+云,是构建智能云连接时代的根基。”

Miss Zhou ·  1天前
一束激光冒充人声,110米外黑掉智能音箱,手机电脑平板也中招 精选

当激光打在装有语音助手的设备上,就可以冒充人类的语音,被麦克风转换成电信号,悄无声息的发出指令,控制相连的设备。

郭一璞 光栗子 ·  1天前
未来已来,如何减少人工智能带来的风险?

为了在新时代蓬勃发展,企业安全需要减少人工智能带来的风险,并充分利用它提供的机会。

高博 ·  2天前
选择正确的人工智能用例的5个技巧

很多企业可能对采用人工智能还没有做好准备,因此从单个项目开始可能是一个很好的开始。首席信息官在早期人工智能项目中应该有什么收获?

David Petersson ·  2天前
一份不可多得的数据科学与机器学习Python库

本文全面地介绍了当前市场上适合于数据科学和机器学习的优秀 Python 库。

陈峻 ·  2天前
长相不讨AI喜欢面试就会挂?全球百万求职者经历AI“看脸”面试 精选

AI不仅会筛选你的简历,还会通过看脸决定你能否通过面试。这不是将来时。全球已有超过一百万求职者,经历过AI面试官的冷酷“凝视”。

鱼羊 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载