导语
纵观科技发展史，绝大多数的发明都在解决人们“偷懒”的诉求。随着新一代用户群体成为消费主力军，他们追求省时省力，希望提升效率与品质，由此诞生了“懒人经济”，而疫情进一步催生出“宅经济”概念，用户只要手机下单，足不出户即可享受到各类上门服务。
在这种消费升级的强烈需求下，相应的技术解决方案也应运而生。基于卓思的技术实践，本文将梳理商业上门服务如何进行最优资源安排，希望帮助相关行业解决业务痛点，找到新的业务拓展机会。
正文
一场突如其来的疫情踩下“宅经济”发展的油门，外卖、代送物品、社区生活服务等业态迎来春天，商业上门服务需求呈现井喷式增长，站上风口。换个角度窥探“懒人经济”，在“偷懒”的表象下，这一类消费者实际上是单位时间成本更高、更注重效率的人，对服务的时效性有更高的需求，对服务过程中的体验更加敏感。
回溯上门服务发展的初期，供给、需求都较小，经常会出现接单时间慢、派单距离远的情形，导致客户体验极差。而在上门服务行业，满足“懒人需求”的核心命题之一，就是精准预测供需、科学规划派单路径，从而降低用户的时间成本，提升服务质量。
1、经典路径优化：最短路径
无论是To B还是To C产品，技术发展追求的方向都是以最短路径和最低成本满足客户需求，这是提升服务效率、增加客户量的关键，尤为重要。
其中，最短路径问题是图论研究中的一个经典算法问题，有多种表现形态，但最基本的就是已知起点和终点，求两节点之间的最短路径。解决这类问题有很多种算法，如深度或广度优先搜索算法、弗洛伊德算法、迪杰斯特拉算法和Bellman-Ford算法等。
（来源：Maxinsight卓思）如图所示，图中有7个节点，从4号点到6号点最短一条路径是哪条呢？图中红色线条就是用迪杰斯特拉算法得出的最短路径。这类算法总体来说是高效的，应对大规模需求也没有问题，但它解决的问题多是局部和静态的，比如示例图中，节点数量是静态确定的，且某些节点是可略过的。
但是，上门服务业务的基本逻辑，是要安排N个员工去拜访分布在全国各地的M个位置并提供相应的服务，然后回到出发地，这种需要巡行（Tour）的问题被称为“旅行商问题”。面对这类情形时，最短路径算法显然需要进一步优化。
2、组合路径优化：旅行商和多人旅行商问题
旅行商问题（TSP）也被称为旅行推销员问题，是指一名旅行商需要拜访多个城市，给定一系列城市和每对城市之间的距离，求解访问每一座城市后再回到起始城市的最短路径。它是组合优化中的一个NP完全问题（多项式复杂程度的非确定性问题），在运筹学和理论计算机科学中非常重要。
多人旅行商问题（MTSP）由此衍生而来，即多个旅行商遍历多个城市，在满足每个城市被一个旅行商经过一次的条件下，求遍历全部城市的最短路径，例如卓思的“明检”和“神秘客”就是这样的业务逻辑。在过去的研究中，大多将 MTSP转化成多个TSP，再使用针对TSP的算法进行求解。
旅行商问题最初是为交通运输而提出，比如飞机航线安排、送邮件、快递服务等，用于规划最合理高效的路径，更好地设置节点，减少运营成本，应用范围非常广泛。
（来源：Maxinsight卓思）如上图所示，这是某个工作人员执行某次任务时在全国范围内的轨迹。或许有些看官会质疑图中大跨度的调度，感觉这个路线和上文提到的最短路径有矛盾。没错，由于执行项目时，有人员规避、日期规避、规定日期内完成等多种规则，决定了某个执行人员不能在某个地域内连续执行任务，因此图示是用算法在特定条件下求解的“最短路径”。
这类算法有普遍的现实意义，能够帮助我们规划一个大范围执行任务的人员或设备调度问题，但它解决的问题仍是相对静态且低效的，无法直接应用到实时上门服务业务中。
3、动态组合路径优化：带动态预测的多人旅行商问题
“懒人经济”中的上门服务，在具体订单确定前，无法得知客户什么时间、什么位置会有上门服务需求，企业只知道自己有几个工程师在哪天可以提供上门服务。因此，实时上门服务可以说是动态的多人旅行商问题。
面对实时上门服务，首先需要构建一个带有订单预测功能，并可根据订单情况排划出最优路线的综合系统。客户下单时，系统会根据实际服务余量情况，为客户提供可供预约或建议预约的时段；当某时段的订单确定后，系统会动态划分，在每个划分单元里寻找最优路径，最终完成动态的多人旅行商问题。
1)订单预测
上文提到，当用户在某个日期有某种需求时，系统需要提供当前可下订单的时间。那么，我们如何计算在某个地址、某个时间、某种级别的工程师是可用的呢？我们可能需要维护一个时间、空间、服务容量的三维矩阵。
（来源：Maxinsight卓思）这种思路比较直接，但实际计算会变得异常复杂。由于工程师的级别、位置和时间有互斥关系，且这种关系不可简单量化，比如E工程师上午8点在北京五道口提供一个小时的上门服务，那他就不能在其它位置提供8点的服务，甚至10点也不行，因为8-9点完成服务后，1个小时的时间是赶不到下一个服务位置的。那么在时间这个维度上，当某个人被占用1小时，总体减去的服务能力或许就不止1人/时。
因此，我们进一步采用了一种虚拟的三维矩阵，用来计算不同时间段的服务能力。
（来源：Maxinsight卓思）2)排划订单
在预测完成后，对于按预测容量收到的所有订单，就可以按多人旅行商的模型去解决了。由于启发示算法效率较低且对计算资源要求较高，而我们需要同时保证某些订单必须能够执行完成，所以我们会采用动态切分策略，在局部中寻找最优解。
（来源：Maxinsight卓思）下面通过一个视频为大家演示工程师的实际路线安排。虽然对于个体工程师来说可能不是最佳路径，但在某个维度上能够达到全局最优，让系统在较为均衡的情况下给工程师安排更多的服务单，提升服务效率。
（来源：Maxinsight卓思）
从成效上看，卓思目前的上门服务资源优化方案可大大提升服务响应速度，同时节约计算资源。基于卓思的自动化派单系统，我们帮助拜耳旗下To C品牌“虫虫拜拜”优化派单路线，使其线下服务团队每个工程师每天平均服务的客户量提升了近2倍，真正带来了客户体验管理和企业经营的双效提升。
好的预测和排划算法对高效合理安排服务资源具有重要意义，在很多业务场景下都是有价值的研究课题。多年来，卓思致力于打造更好的路径优化解决方案，持续提升预测、推荐和技术服务能力，为合作伙伴的上门服务业务提供更先进的技术支持。
随着消费观念的转变与升级，各类新业态经济不断聚焦消费者细分需求，提供本地化的便利服务。可以预见的是，“宅”已经逐渐成为一种全新的生活方式，面对新一代消费者，企业必须打造以客户为中心，高效便捷的“懒人”服务模式，才能持续优化客户体验，取得竞争优势。
作者：北京卓思天成数据咨询股份有限公司 较有觉悟的陈刀仔
