外卖平台派单规则浅析

由于作者多年的电子商务，O2O相关后台订单模块的产品设计经验一直对各种高频、端到端业务的订单分发和订单分配规则感兴趣。本文简要整理和分析了国内两个外卖平台的骑手订单分配规则。

                           首先，我们可以从产品设计的角度明确表示，作为送货模块，我们的目的是快速匹配最佳骑手。然后，我们可以尝试根据设计目标整理匹配逻辑，然后我们可以比较美团和饿了么的规则逻辑：

订单的订单时间和系统计算的交付路径和交付时间；高峰时间和非高峰时间；取餐商与骑手之间的距离（骑手当前位置）；取餐商的用餐时间估算；骑手当前订单与新订单交付点之间的距离（订单接收率、投诉率和加班率）；骑手已接收订单的数量和排名；骑手当前订单剩余交付时间；骑手设置的电子围栏；

由于大部分信息都是基于收集的片面信息和经验推断，如有偏差，欢迎交流指导。

一，外卖平台派单类别划分

                           由于业务模式基本固定，骑手的资源组成也形成了稳定的模式。目前，两个外卖平台主要分为团队众包和分包订单分配模式：

团队众包 - 本质上是平台发送订单，该订单系统将根据完善的发送订单规则直接分配给最佳骑手。我们常见的特殊订单是系统直接发送订单；分包 - 分包是根据基本的订单匹配原则，将订单分发给一批合格的骑手，骑手独立抢单；

                           相对而言，平台订单发送模式在效率和质量上都优于订单发送模式，可以有效避免骑手选择订单和接收订单时间过长的问题。但该系统需要完善的订单发送规则和持续的优化，以确保效率和满足不同的情况。

二、他们是如何设计派单规则的

距离的计算

                       无论采用何种配送模式，距离都是最基本的信息。只有了解各种距离，系统才能叠加其他规则来匹配最佳骑手。

商家与买家的距离 - 系统收到订单后，需要根据订单信息计算路线和相应的交货距离；乘客的顺利性 - 计算路线和距离后，系统需要在商业区搜索所有骑士。之后，根据骑士目前的订单路线、订单顺序和骑手评分，匹配最佳骑手；骑手与商家的距离 - 确认骑手后，系统需要根据骑手目前的位置和目的地计算骑手与餐饮业务的距离；骑手与买家的距离 - 骑手到点取餐后，系统将继续更新骑手和买家的实时位置；

2. 时间计算

                       时间是外卖配送业务中最重要的骑手匹配因素。提交外商订单后，可以看到以下时间信息:

预计送货时间 - 系统需要业务位置、送货地点、线路规划和平均骑手的骑行速度来计算预期的送货时间。在这个阶段，大数据的优势，每个平台也可以动态调整不同的时间参数根据商业区的特点、高峰时间和不同的天气特点；预计间 - 当骑手收到订单时，系统需要计算骑手的当前位置，是否有送货订单和骑手的骑行速度，加上线路计算骑手的到达时间；预计骑手的用餐时间 - 骑手取餐时间则更多依赖于大数据的积累及计算，某个商家平均出餐时间是主要的参考数据；

3. 骑手的匹配

                       当系统计算时间和距离信息时，我们还需要在发送订单前根据数据选择匹配的最佳骑手，因此需要参与匹配决策：

当前骑手路线 - 骑手目前是否有订单在送达途中？骑手在取餐过程中是否有配送订单的路线，然后系统可以根据这些信息找到路线匹配度最高的骑手；骑手配送订单的数量 - 系统需要根据骑手目前待处理的订单数量和配送难度(匹配距离)来判断是否仍有接单能力和加班风险；骑手的评分 - 骑手评分包括骑手接单量、好评率、转单率、迟到率等综合信息；

4. 对派单质量的激励和平衡

                   我们可以想象，无论有多少骑手不能完美匹配所有订单，总是会有订单数量和距离的差异。然后系统需要考虑如何公平地将不同类型的订单分配给不合格的骑手：

动态调整送餐费 - 外卖平台很容易根据早、午、晚餐的时间和订单数量来判断高峰和非高峰时间，因此系统可以根据订单的高峰和订单数量的趋势动态调整送餐费用；动态调整 订单匹配- 我们一直在说，外卖配送速度的基本原因是准确匹配和快速交付，但订单总是产生低匹配度/远程订单。在分发此类订单时，系统需要动态调整每个骑士的订单匹配度，根据不同骑手在同一时间段的订单接收量、单位时间的交付率和单位时间内订单匹配度的平均值。例如，在同一时间和商业区连续收到高匹配度订单并达到阀值后，系统将随机分发一定比例的低匹配度订单；

                       平衡派单策略不仅要考虑准确性和效率，还要考虑不同级别的骑手和廉价区域的订单。

5. 其他派单规则

                   除上述基本数据匹配规则外，我们还需要考虑一些变量规则：

匹配商家类别 - 不同的外卖商家在接单、出餐效率和服务质量上会有所不同，因此对接单效率和出餐效率的数据分析也会影响订单的匹配和分发：

                   a. 热门商圈和非热门商圈

                   b. 商店商家和外部专营商家

                   c. 商家餐饮类别。如简餐、西餐、中餐、甜点等。

                                       这些分类可以分析不同企业在用餐效率上的差异。例如，除了外部订单外，商店商家还应满足商店订单，因此用餐效率可能低于外部特许经营商。因此，在发送订单时，有必要通过不同的参数将这些差异叠加到匹配规则中；

节假日动态部署 - 系统需要提前预设一些特色商家的用餐效率和接单能力，如冬至、腊八等特色节气对应的饺子馆、粥店。在相应的节日当天，应根据峰值和订单饱和度，动态部署送货费，降低用餐时间和送货时间，匹配度骑手释放订单压力；气候因素的动态调节 - 雨雪天气来临时，系统需要根据数据积累分析骑手的配送速度，降低单骑手的配送订单，增加配送费和调度费，缓解商圈订单压力；

基于我对订单旅程的分析和数据收集，我整理出了上述不同类别的订单发送逻辑规则。我相信，近年来，大数据和机器学习得到了广泛的应用，每个平台都有一个更准确、更智能、更独立的优化订单机制。订单模块可以更有效地完成从创建到分发的订单过程，帮助平台提供更好的用户体验。