📖 ZKIZ Archives

人工智能還會賣菜，零售界的Uber如何顛覆你的菜籃子

鄭倫 2017-03-01 11:43

美國零售電商Instacart創辦於2012年，僅僅用了兩年多的時間做到估值20億美元，如今，Instacart的創始團隊又借助數據科學（ Data Science）和機器學習（Machine Learning）幫助企業優化運營，實現正現金流並逐步走向盈利。

從簡單的搬運工變得更高效，Instacart或許可以為國內的同行們提供一些參考。

模式：不僅僅是零售商的搬運工

Instacart是自身不做采購倉儲的在線零售商，Instacart與美國著名的零售商合作，把這些零售商的商品搬到線上銷售，其中包括Whole Foods、Costco、Marsh等知名連鎖零售商。消費者可以通過電腦或者手機App下單， 然後由Instacart簽約的代購者（Shopper）去指定的商店采購，在1小時內配送到消費者家中。

下圖是消費者用手機App購物的流程：

Instacart的代購者（Shopper）很像Uber的司機，他們可以是全職也可以利用閑散時間兼職。下圖是一個代購者 用App接單並完成訂單的流程：

單元經濟盈利：打破燒錢魔咒

對於這種創新的商業模式，能否盈利是最根本的問題。而早在2016年，Instacart就已經實現單元經濟效益（Unit Economics）盈利。

所謂單元經濟效益（UnitEconomics），是指在商業模型中， 能夠體現收入與成本關系的某個最小運作單元。在Instacart，這就是來自客戶的每一筆訂單，如下圖所示，在這每一筆訂單中，能夠帶來的收益有四類：送貨費、小費、產品合作方、零售合作方，而每一筆的成本來自：交易費（信用卡和保險）、購物時間和送貨時間。如果能壓縮購物時間和送貨時間，那麽，Instacart就能在單元經濟效益上盈利。

在 Instacart的單元經濟效益模型中，只要平均完成訂單時間在最大時間的70%就可以盈利，如今他們已經實現了這個目標，Instacart在2016年中實現了正現金流，並預計2017年會實現財務盈利。

精準預測的重要性

要實現盈利以及企業的良好運營，精準地預測客戶需求，並且滿足客戶需求顯得尤為重要。

Instacart每天要應對來自消費者數以萬計的訂單，這些訂單都需要在客戶指定的時間完成配送，如何把這些訂單分配給同樣數以千計的代購者，每個代購者接哪些訂單，走什麽線路去指定的零售店，在每個零售店又如何快速尋找到指定的產品，采購完後，走什麽線路去配送給每個消費者……這些都需要精準的預測和規劃。

（圖示：Instacart為代購者優化後的超市采購線路圖）

Instacart必須要為自己的預測準確率負責，如果預測準確率低，那麽結果就是客戶的訂單延誤，這不僅僅會造成履單成本的提高，也會讓客戶不滿意並造成客戶流失。

機器學習幫助提升

為了應對這些挑戰，Instacart選擇了利用數據科學（Data Science）和機器學習（Machine Learning）。

第一步，是建立大數據平臺。在Instacart，每天要處理和應對的是來自多方面的海量數據，比如，僅僅代購者每天的GPS定位信息就有1GB左右。Instacart要把這些數據分類部署，然後用RabbitMQ來處理各個數據庫之間的通訊，用PostgreSQL做生產數據庫，用Amazon Redshift做離線數據分析。

Instacart會建立多種預測模型來對客戶需求、超市購物時間、配送時間等進行預測。每個模型都會用歷史大數據進行回顧測試，去不斷的優化算法。模型每天做重複的訓練來提高預測的準確率。

當遇到惡劣天氣或突發事件時，會有偏離模型的警告，Instacart有一個監測市場變化的團隊，他們會在這個時候用自己的接口對預測進行調整。Instacart的數據科學團隊正在努力實現調整部分工作的自動化。

梯度推進模型優化配送預測時間

梯度推進模型GBM（Gradient boosting）是一種機器學習的技術，該技術可以提高現有預測模型的準確率。

比如， 在舊金山地區的Instacart辦公室，要在幾個小時之內完成數千個客戶訂單，那麽，如何給出一個最優化的方案，用最少的人力和時間去完成這些訂單呢？顯然需要更精確地去預測每個代購者每條可能路線的時間。此時，GBM模型就非常有用。更精準的預測可以讓系統用優化算法得出最優的完成訂單方案，這個方案可以比以往更快地完成客戶的訂單。

自然語言處理（NLP）提升用戶體驗

自然語言處理NLP（Natural Language Processing）實現人與計算機之間用自然語言進行有效通信的方法。在這里的用處就是分析用戶以往的采購行為，然後給用戶推薦可信的熱賣單品。

Instacart與全美數百家零售商合作，商品匯總起來，數量竟有數百萬之巨。這些產品的訂單頻次分布是長尾分布，那麽如何能夠給用戶推薦那些他們真正需要而不僅僅是熱賣的單品呢？Instacart 用NLP技術去歸納總結，然後推薦那些即使不常被購買但是對客戶有用的商品。比如某個用戶經常購買啤酒、奶粉、尿布和遊戲產品，那麽系統或許會推薦一本《一個奶爸的自我修養》給他。

也玩深度學習

Instacart也用到了深度學習（Deep Learning）技術，比如產品目錄團隊使用深度學習來進行圖片處理，以及代購者在商場某處，重新安排代購清單和線路。深度學習技術解決了以往機器學習中的很多棘手的問題，這為提升服務帶來了新的機遇。

最後，我們來看美國著名科技媒體TechCrunch對Instacart的采訪視頻，看看他們每天是如何快速處理和完成來自客戶數以萬計的訂單：

https://v.qq.com/x/page/j0377e9vska.html

文章評論

匿名用戶

發布

全部評論：10

發布