縱觀科技發展史，絕大多數的發明都在解決人們“偷懶”的訴求。隨著新一代用戶群體成為消費主力軍，他們追求省時省力，希望提升效率與品質，由此誕生了“懶人經濟”，而疫情進一步催生出“宅經濟”概念，用戶只要手機下單，足不出戶即可享受到各類上門服務。
在這種消費升級的強烈需求下，相應的技術解決方案也應運而生?；谧克嫉募夹g實踐，本文將梳理商業上門服務如何進行最優資源安排，希望幫助相關行業解決業務痛點，找到新的業務拓展機會。
一場突如其來的疫情踩下“宅經濟”發展的油門，外賣、代送物品、社區生活服務等業態迎來春天，商業上門服務需求呈現井噴式增長，站上風口。換個角度窺探“懶人經濟”，在“偷懶”的表象下，這一類消費者實際上是單位時間成本更高、更注重效率的人，對服務的時效性有更高的需求，對服務過程中的體驗更加敏感。
回溯上門服務發展的初期，供給、需求都較小，經常會出現接單時間慢、派單距離遠的情形，導致客戶體驗極差。而在上門服務行業，滿足“懶人需求”的核心命題之一，就是精準預測供需、科學規劃派單路徑，從而降低用戶的時間成本，提升服務質量。
1、經典路徑優化：最短路徑
無論是To B還是To C產品，技術發展追求的方向都是以最短路徑和最低成本滿足客戶需求，這是提升服務效率、增加客戶量的關鍵，尤為重要。
其中，最短路徑問題是圖論研究中的一個經典算法問題，有多種表現形態，但最基本的就是已知起點和終點，求兩節點之間的最短路徑。解決這類問題有很多種算法，如深度或廣度優先搜索算法、弗洛伊德算法、迪杰斯特拉算法和Bellman-Ford算法等。
（來源：Maxinsight卓思）
如圖所示，圖中有7個節點，從4號點到6號點最短一條路徑是哪條呢？圖中紅色線條就是用迪杰斯特拉算法得出的最短路徑。這類算法總體來說是高效的，應對大規模需求也沒有問題，但它解決的問題多是局部和靜態的，比如示例圖中，節點數量是靜態確定的，且某些節點是可略過的。
但是，上門服務業務的基本邏輯，是要安排N個員工去拜訪分布在全國各地的M個位置并提供相應的服務，然后回到出發地，這種需要巡行（Tour）的問題被稱為“旅行商問題”。面對這類情形時，最短路徑算法顯然需要進一步優化。
2、組合路徑優化：旅行商和多人旅行商問題
旅行商問題（TSP）也被稱為旅行推銷員問題，是指一名旅行商需要拜訪多個城市，給定一系列城市和每對城市之間的距離，求解訪問每一座城市后再回到起始城市的最短路徑。它是組合優化中的一個NP完全問題（多項式復雜程度的非確定性問題），在運籌學和理論計算機科學中非常重要。
多人旅行商問題（MTSP）由此衍生而來，即多個旅行商遍歷多個城市，在滿足每個城市被一個旅行商經過一次的條件下，求遍歷全部城市的最短路徑，例如卓思的“明檢”和“神秘客”就是這樣的業務邏輯。在過去的研究中，大多將 MTSP轉化成多個TSP，再使用針對TSP的算法進行求解。
旅行商問題最初是為交通運輸而提出，比如飛機航線安排、送郵件、快遞服務等，用于規劃最合理高效的路徑，更好地設置節點，減少運營成本，應用范圍非常廣泛。
（來源：Maxinsight卓思）
如上圖所示，這是某個工作人員執行某次任務時在全國范圍內的軌跡?；蛟S有些看官會質疑圖中大跨度的調度，感覺這個路線和上文提到的最短路徑有矛盾。沒錯，由于執行項目時，有人員規避、日期規避、規定日期內完成等多種規則，決定了某個執行人員不能在某個地域內連續執行任務，因此圖示是用算法在特定條件下求解的“最短路徑”。
這類算法有普遍的現實意義，能夠幫助我們規劃一個大范圍執行任務的人員或設備調度問題，但它解決的問題仍是相對靜態且低效的，無法直接應用到實時上門服務業務中。
3、動態組合路徑優化：帶動態預測的多人旅行商問題
“懶人經濟”中的上門服務，在具體訂單確定前，無法得知客戶什么時間、什么位置會有上門服務需求，企業只知道自己有幾個工程師在哪天可以提供上門服務。因此，實時上門服務可以說是動態的多人旅行商問題。
面對實時上門服務，首先需要構建一個帶有訂單預測功能，并可根據訂單情況排劃出最優路線的綜合系統?？蛻粝聠螘r，系統會根據實際服務余量情況，為客戶提供可供預約或建議預約的時段；當某時段的訂單確定后，系統會動態劃分，在每個劃分單元里尋找最優路徑，最終完成動態的多人旅行商問題。
訂單預測
上文提到，當用戶在某個日期有某種需求時，系統需要提供當前可下訂單的時間。那么，我們如何計算在某個地址、某個時間、某種級別的工程師是可用的呢？我們可能需要維護一個時間、空間、服務容量的三維矩陣。
（來源：Maxinsight卓思）
這種思路比較直接，但實際計算會變得異常復雜。由于工程師的級別、位置和時間有互斥關系，且這種關系不可簡單量化，比如E工程師上午8點在北京五道口提供一個小時的上門服務，那他就不能在其它位置提供8點的服務，甚至10點也不行，因為8-9點完成服務后，1個小時的時間是趕不到下一個服務位置的。那么在時間這個維度上，當某個人被占用1小時，總體減去的服務能力或許就不止1人/時。
因此，我們進一步采用了一種虛擬的三維矩陣，用來計算不同時間段的服務能力。
（來源：Maxinsight卓思）
排劃訂單
在預測完成后，對于按預測容量收到的所有訂單，就可以按多人旅行商的模型去解決了。由于啟發示算法效率較低且對計算資源要求較高，而我們需要同時保證某些訂單必須能夠執行完成，所以我們會采用動態切分策略，在局部中尋找最優解。
（來源：Maxinsight卓思）
下面通過一張圖片為大家展示工程師的實際路線安排。雖然對于個體工程師來說可能不是最佳路徑，但在某個維度上能夠達到全局最優，讓系統在較為均衡的情況下給工程師安排更多的服務單，提升服務效率。
（來源：Maxinsight卓思）
從成效上看，卓思目前的上門服務資源優化方案可大大提升服務響應速度，同時節約計算資源。基于卓思的自動化派單系統，我們幫助拜耳旗下To C品牌“蟲蟲拜拜”優化派單路線，使其線下服務團隊每個工程師每天平均服務的客戶量提升了近2倍，真正帶來了客戶體驗管理和企業經營的雙效提升。
好的預測和排劃算法對高效合理安排服務資源具有重要意義，在很多業務場景下都是有價值的研究課題。多年來，卓思致力于打造更好的路徑優化解決方案，持續提升預測、推薦和技術服務能力，為合作伙伴的上門服務業務提供更先進的技術支持。
隨著消費觀念的轉變與升級，各類新業態經濟不斷聚焦消費者細分需求，提供本地化的便利服務。可以預見的是，“宅”已經逐漸成為一種全新的生活方式，面對新一代消費者，企業必須打造以客戶為中心，高效便捷的“懶人”服務模式，才能持續優化客戶體驗，取得競爭優勢。
