看不懂，为什么跑出租车的大战送外卖的，没关系，主要是你不理解大数据

郭德纲老师有一个段子：

内行要是和外行去辩论那就是外行。比如我和火箭科学家说，你那火箭不行，燃料不好，我认为得烧柴，最好是煤，煤还得选精煤，水洗煤不好。如果那科学家要是拿正眼看我一眼，那他就输了。

第一回合：美团赢

众所周知，滴滴和美团最近在局部市场发生了阵地战。美团打车进网约车市场可谓高调。

结果，滴滴接招了，就中招了。

滴滴看了美团一眼。所以第一局，滴滴就输了。只要网上一直在热炒滴美大战，那么美团的赢面就将继续扩大。不过，这只是声势上。

那怎么才算滴滴赢呢，情景如下：

路人在吆喝，有人要攻打滴滴了。

问：谁呀？

答：是谁我倒给忘了。

做一个简单的推断。

已知条件一：

根据2018年3月官网数据显示，作为一站式综合出行平台，滴滴联接了超2100万司机和车主、4.5亿乘客、汽车租赁公司、汽车经销商等生态圈，每天完成超2500万订单。

已知条件二：

根据美团官方公布的数据，在美团打车登陆上海的第二天（3月22日），日完成订单量超25万单。

推论：250000/25000000X100%=1%

打下一个百分之一的市场，全网舆论哗然。又一个传播界的经典案例诞生了。

恭喜这届美团公关！

第二回合 杀敌一万，自损八千

焦灼中，第二个回合开始了。

美团喜报频传，原理上一回合说的很清楚了。

但是我们要分析一下由来。

前几日，媒体老师们的优质文章已经从资金、补贴、司机零抽成等方面介绍的很透彻了。

《靠高补贴和零抽佣，“新司机”美团能撬动网约车市场吗？》      腾讯深网

《美团出战，滴滴出牌》全天候科技

《北京“黄牛”等待美团打车：先注册先吃肉》新京报

乘客端App下载量比对

1%的市场无疑是资金烧出来的。只有当价格战结束，深层次的技术问题才会暴露出来。

既然，美团铁了心要吃出行这块蛋糕。背后强大的资本肯定是点头同意的，大批粮草弹药备足，那我们就从需要从数据科学的角度来分析。

由此引出本文真正的标题：

释放大数据的力量，起底滴滴出行与美团打车在城市交通场景下竞争背后的关键密码

有人可能要问了，一个团购+外卖+酒店+旅游+民宿+电影+到店综合+生鲜的公司为啥要做出行的生意？其他战场还不够忙活的嘛？

 对，你说的对，你长得那么美，说什么都对。

我们换个问法？

美团配送调度算法和滴滴出行派单算法本质上是一样的吗？

出租车预订应用程序在全世界都很受欢迎，为用户提供了快速响应时间等方便。关键是出租车预订应用程序的调度系统，其目的是提供乘客和司机之间的最佳匹配

虽然不是同一个算法问题，但是应用场景比较类似，美团在这方面确实是有积累的。

说到底，关键是调度系统，旨在提供A和B之间的最佳匹配。算法解决的是调度问题，也是平衡的问题。

调度系统，派单体系、潮汐管理滴滴有，美团也有。

那么问题又来了。算法哪家强？

先介绍一下滴滴老爷大数据的杀手锏。

 大数据预测的关键是有足够多的高质量的数据。大数据日日夜夜、毫不停息的被迅速生产出来，算法和计算平台都被要求越来越快的速度。算法世界犹如一个浩瀚迷人的星空、没有边际，但是我们的视线范围却在不断延伸。算法不能够通用，即使结合风霜雪雨就能幻化出不同的算法，每个具体问题就需要一个特有的算法，必须要结合业务场景找到最合适的算法。

敲黑板划重点拉，请拿笔记录。

算法是无限规模

算法是千变万化

算法是精度优先

这时候数据科学家们，闪亮登场。

 滴滴研究院副院长叶杰平介绍，当前滴滴在交通领域的数据量全球第一，每日峰值订单超过2000万单、每日处理数据超过2000TB，覆盖了交通路况、用户叫车信息、司机驾驶行为、车辆数据等多维度，它所掌握的巨大的真实数据除了预测路况，还能进行预测供需，预测的越准，越能解决供需不平衡的问题。

来自滴滴的特有数据：

• 播单半径

• 每小时的收入IPH

• 每小时的订单TPH

• 空驶率

 在滴滴出行的业务场景下，四大特色：

特色一：路径规划

路径规划这项地图技术是实现智能派单的关键。通过海量历史数据，可以对未来路况做预测，实现A点到B点的路径规划，围绕最低的价格、最高的司机效率和最佳交通系统运行效率来做算法。

特色二：机器学习成功应用到预计到达时间（ETA）

指预估任意起终点所需的行驶时间，对时间要求精准性，是解决“订单匹配”和“司机运力调度”的关键技术。当前滴滴ETA可以预测每一单出行的时长以及预估在每一个路口前的等待时长。这项技术支持在更合适的时间对运力进行更好的调度。

特色三：派单-类似于动态打靶

叫车和搜索的逻辑有所不同，从网购的商品到看新闻的网页等都是静态的，也就是挖掘静态信息，而滴滴的算法类似于解决动态打靶问题，在运动的车辆中，给乘客一个最优的选择，不只是距离上的最优，也是时间上的最优。派单对订单量和司机数量进行预测，最后大规模分布式计算来实现撮合。

这时，最优派单需要供需预测、动态调价、路径规划、服务分的算法技术共同发挥作用，最终服务于实现最优派单，在动态环境中最“聪明”的撮合乘客与司机的交易。据悉，目前高峰期滴滴平台每分钟接收超过30000条乘客需求，每2秒钟作1次订单匹配，每1次发单背后，运算次数达到百亿次级别。

特色四：取消判责的算法模型

取消了订单是谁的责任？该算法模型能在取消订单时，综合考虑发单时间、预估接驾时间、车辆实时位置、路况、取消行为等多个维度，实时、自动判定司乘双方的取消责任。

有了该模型，再也不怕取消订单，被无辜扣款了。

美团配送的业务场景下，智能调度技术走上台前。

美团配送团队在机器学习、运筹优化、仿真技术等方面具有优势，还拥有即时配送智能调度系统。

1

美团外卖系统首先通过优化设定配送费以及预计送达时间来调整订单结构。接单后，结合骑手位置、在途订单情况、骑手能力、商家出餐、交付难度、天气、地理路况、未来单量等因素，在正确的时间将订单分配给最合适的骑手。在执行中随时预判订单超时情况，动态触发改派操作，完成订单和骑手的动态最优匹配；与此同时，系统派单后，为骑手提示该商家的预计出餐时间和合理的配送线路，随时语音沟通；在骑手送完订单后，根据订单需求预测和运力分布情况，尽快告知骑手周边商圈的运力需求，将运力调度到需要的地区。

2

美团外卖每天产生海量的订单配送日志、行驶轨迹数据。对配送大数据进行分析、挖掘，会得到每个用户、楼宇、商家、骑手、地理区域的个性标签，以及有关各地理区块骑行路径的有效数据，那么订单智能分配系统的目标就是根据订单的配送需求、地理环境以及每名骑手的个性标签，实现订单与骑手最优匹配。  3

  3  

即时配送大数据平台实现对骑手轨迹数据、配送业务数据、特征数据、指标数据的全面管理和监控，并通过模型平台、特征平台支持相关算法策略的快速迭代和优化。 4

4

机器学习模块负责从数据中寻求规律和知识，例如对商家的出餐时间、到用户所在楼宇上下楼的时间、未来的订单、骑行速度、红绿灯耗时、骑行导航路径等因素进行准确预估，为调提供信息。

5

运筹优化模块则在即时配送大数据平台以及机器学习的预测数据基础上，采用最优化理论、强化学习等计算，做出全局最优的分配决策。

滴滴美团算法方面的特色分别的介绍结束了。

滴美大战，准确的说，也不是大战。只是竞争。

1

竞争会带来社会和生产效率的提升

算法对于滴滴和美团非常重要。影响着用户体验，影响着司机的收入。可以说——算法既服务。这类服务不是工程性的，不需要较长的决策和反馈链。服务差，用户立刻用脚投票。为此，头部公司在数据科学家的招募方面也上演抢人大战，据悉滴滴出行数据科学部的职位均是可观的五位数月薪。首席数据科学家的收入更是充分体现了这个时代知识应有的价值。美团算法的薪资目前比较缺乏竞争力。

顶级数据人才稀缺又珍贵。算法的护城河究竟有多深多宽，需要价格战的迷雾消散后见分晓。

图片来源自网络数据科学家，版权归于原作者

2

竞争的残酷性

另一方面竞争也是残酷的。据悉，为狙击美团，滴滴专门成立了“三角洲事业部”加速组织融合。三角洲的原意是“打美”，因谐音联想到“达美航空”（DeltaAirlines），英文Delta可译作“三角洲”，奇特的事业部名称。美团既然说服了投资人拿到了进入出行市场的门票，能否继续烧钱前进，也是对公司高层能力的考验。

南京和上海等的“试点制”推行的非常成功。是钱烧来的成功。钱虽然重要，但是竞争讲究“巧劲”，考验美团和滴滴产品和运营部队作战能力的时刻到了。双边平台+城市运营的难度本身就很大。看点确实很多。

用一个真实的小故事结束这篇文章，感谢你听我唠叨了这么久。一位才华与美貌兼备的北美数据科学家小姐姐被滴滴重金招致麾下，在拿到offer人还没有踏进公司时，就通过微信了解到——滴滴的宵夜比晚饭还好吃。

看到人家的劳动强度没有。

还不赶紧进入公号后台回复“滴滴”下载论文，

研读论文、精进实力。

欢迎从国际数据挖掘与知识发现大会滴滴的获奖论文入手《A Taxi Order Dispatch Model based On Combinatorial Optimization》，了解滴滴团队关于出租车组合优化分单模型和目的地预测的思考。