1 線下交易的特點 在介紹線下交易匹配系統之前，先明確下什么是線下交易。線下交易是相對于電商的線上交易模式而言的，在本書寫作之前，我未在其他出版物中看到過類似提法，過去O2O創業潮中的大部分項目都可以被歸為線下交易。本書的線下交易約定為用戶通過在線產品購買線下服務，這些線下服務的提供者具有流動性，且需要與用戶在線下接觸才能完成服務。在這個約定下，線下交易包含非常多的場景，比如外賣服務、網約車服務、搬家公司、保潔服務、共享單車、分時租賃等。隨著互聯網對于傳統行業的滲透和改造，線下交易所包含的行業將越來越廣泛。線下交易有很多特點，這些特點影響著線下交易匹配系統的構建。 1.1 資源排他性 服務和內容的根本不同就是服務具有排他性，主要體現在兩個方面。 第一，內容沒有邊際成本，服務有邊際成本，這就導致服務資源是稀缺的。內容沒有庫存，文章被一個人讀和一萬個人讀是沒有區別的，但是服務不可以。系統在一個區域一個時段所能提供的服務量一定是有限的，比如每時每刻，用戶周圍可服務的共享單車就是有限的，不可能憑空多出來。每多一次服務就會多一定的成本，對于共享單車而言，這個成本是資產的貶值，而對于網約車軟件而言，還有額外的人力成本。而這些非數字化的資源也不可能像數字化資源一樣無限擴張。 第二，人和內容是一對多關系，人和服務是一對一關系。文章可以被好多人同時讀，商品可以同時被好多人一起下單，但是周圍的一輛車一個時刻只能服務一個用戶。這種關系也意味著不能給所有人最優的選項。推薦算法計算出某篇文章適合多個用戶，就可以把這篇文章推送給這些用戶。但是系統如果發現某輛出租車適合周圍多位乘客，卻只能把這輛出租車分配給其中一位乘客。 服務資源的排他性使得線下交易匹配系統和內容匹配有著本質的區別。以提高服務效率為目的的線下交易匹配系統需要處理這種排他性，而大多數內容匹配算法是基于內容非稀缺性設計的，這就導致線下交易匹配系統算法難以借鑒已有的內容匹配算法。 1.2 時空不匹配 線下服務的另一個特點就是服務能力在時空上是分散的。比如鐵路系統每時每刻能服務的乘客量理論上基本上保持不變，但是用戶的鐵路出行需求變化非常大。春運時出行需求會爆發式上升，這意味著需求和服務供給在時間層面難以匹配。 春運初期，乘客大多從大城市往中小城市遷移，春運后期則反之。這意味著需求和服務供給也難以在空間層面匹配。幾乎所有線下服務都有需求時空分布不均的問題，比如共享單車，早高峰時段，需求方向往往是從小區到地鐵站，晚高峰時段則反之。要解決這個問題，只能以匹配高峰時段的需求量為目標在基礎設施上投入資源，而這會造成資源的大量浪費，在商業上是不合理的。 因為時空層面的供需難以匹配，所以在構建線下交易匹配系統時往往要考慮很多問題，比如：調控需求讓高峰期需求盡可能變小；在供需不匹配的情況下，提供系統效率最高的解決方案。 1.3 系統公平性 線下交易匹配系統要考慮公平性，這里的公平性涉及用戶和服務者兩個方面，以打車為例來展開討論線下交易匹配系統的公平性問題。 當運力供給小于打車需求時，可采取以下三種方式分配服務資源：

• 排隊，按照先來后到，依次服務。
• 競拍，給愿意出更高議價的人優先提供服務。
• 以系統效率最高為目標。

這三種方式的公平性是依次遞減的，但是系統效率依次遞增。在公共服務領域需要最大限度地考慮公平性，所以基本上采取排隊的方式，比如火車票。航空公司因是半公共服務性質，就可以動態調整機票價格來分配資源。而第三種方式只有在純商業的產品中應用，但是考慮到用戶體驗，一般也不會單獨使用。在設計線下交易匹配系統的時候，需要根據產品的目標，綜合選用最合適的方案來解決公平性問題。 當打車需求小于運力供給時，則可以用以下方式來考慮服務者的公平性。

• 按照服務效率進行派單，比如就近分配。
• 按照服務者的服務質量進行派單。

但是無論哪一種派單方式，都要盡可能保證服務者在情感上的公平感知，比如同樣的工作時長和努力程度，不能因為系統分配的原因造成過大的收入差異。內容沒有感情，服務者有感情。一個質量不太好的內容可以沒有閱讀量，但是服務者不能長時間沒有訂單，否則他們就會流失。 需要多維度地考慮公平性，同時讓用戶理解這種公平性，這是線下交易匹配系統的一個重要目標。 1.4 系統開放性 線下交易匹配系統面臨的外部環境非常復雜，不可控因素很多，例如天氣、節假日、交通狀況、市政規劃等。共享單車的用戶需求就有明顯的季節性，北方冬天幾乎沒有人騎車。即使是在春季和秋季，一旦下雨，選擇騎車出行的用戶就會減少，選擇打車出行的用戶就會增加。因為線下交易匹配系統是和現實世界中的服務連接的系統，這就導致系統要承擔現實世界中的不確定性，要求系統需要適應各種場景。 當然，線下交易匹配系統不僅會受到客觀因素的影響，還會受到社會因素的影響。因為線下交易匹配系統是近期才大規模興起的，通過線上手段連接線下服務這種方式，必然會對社會原有的秩序造成沖擊。怎么處理系統和公眾的關系，怎么處理系統和政策的關系，都是線下交易匹配系統需要考慮的問題。 以共享單車為例，單車的投放就有很高的負外部性 。大量的單車造成了對公共空間的占用，同時如果單車投放公司不處理損壞車輛，就會造成城市垃圾。在共享單車發展起來之后，市政部門就對單車的投放和回收做出限制，線下交易匹配系統需要針對這些公共問題和政策做出有針對性的調整。同時有部分用戶缺乏社會責任感和公德心，就會隨意停放單車、公車私用、惡意損壞單車。這就要求線下交易匹配系統對車的位置有追蹤和記錄，同時對使用情況有所記錄并評估每個用戶的風險。（負外部性指一些市場活動會給第三方帶成不良影響，比如有的共享單車會成為城市垃圾，給社會帶來了不良影響。） 線下交易匹配系統的開放性就決定了系統需要持續迭代來適應不斷變化的外部環境，同時也導致線下交易匹配系統比傳統的線上內容匹配系統更加復雜。 1.5 服務敏感性 線下交易匹配系統大多是關于服務的系統，用戶對差的服務的容忍度比差的內容更低，用戶對服務更加敏感。 一般的內容產品，信息流的一個分頁下發10~20個內容，只要有幾個內容比較符合用戶口味，用戶就會滿意。然而服務只要有一次是差的，就會讓用戶對整個平臺產生極大的不信任，輕則流失，重則造成公關危機。外賣配送員和用戶發生沖突可以直接威脅用戶的安全，接送機服務遲到耽誤時間讓用戶錯過重要安排，類似情況對用戶造成的損失可能是不可挽回的。 而這種服務的敏感性不僅體現在用戶側，也體現在服務者側。比如Uber在某動亂地區的每一次派單，都可能讓潛在的犯罪分子威脅車輛或司機生命的安全。一旦發生這樣的問題，服務者對于平臺的信任也會降低或者直接流失。 服務的敏感性就要求線下交易匹配系統對于用戶和服務者雙方都要有一定的管控措施，從而保證線下交易匹配系統的持續發展。 2 時空價值模型 線下交易匹配系統模型大致可以分為兩種：用戶到達服務點和服務送達用戶。對于用戶到達服務點，信息檢索和交易匹配邏輯與線上交易匹配系統基本一致，區別是在召回和排序時要考慮用地理信息篩選和調權，比如到店團購。本章主要介紹服務送達用戶的線下交易匹配系統模式。 在服務送達用戶的模式中，系統需要對時空做出預測并進行有針對性的調整。時空是時間和空間的集合，如果能大概了解某個時段某個地方的需求量，系統就可以提前安排和調度服務能力，這也是系統效率提升的一個主要推動力。本節會展開討論關于時空價值模型構建的方法。 2.1 時空價值模型的定義 服務是一種很特殊的產品，不像大多數實物商品那樣，可以存儲和運輸。如果一個地方某類產品滯銷，完全可以在另一個時間點或者運輸到另一個地方進行售賣。但是服務卻不是這樣的，服務永遠會有一定的服務范圍，不可能超過時空范圍進行調配。外賣配送員在2點到4點訂單很少，這段時間的服務能力無法存儲并在高峰期釋放，這是時間的限制；一個在北五環的快遞員也不能在結束一個配送任務后立刻出現在東三環，這是空間的限制。正因為這樣，合理的安排和調度就顯得尤為重要。 在服務有時間和空間的限制下提升交易匹配的效率，是時空價值模型需要解決的核心目標。 時空價值模型是為了評估某個時間某個地點服務價值，模型的入參是時間和坐標，模型的結果代表著對于服務價值的判斷。服務價值取決于業務的導向，以打車為例，兩個小時的時間應該服務一個高價值長訂單還是服務三個短訂單，只有一輛車應該服務老用戶還是服務新用戶，這就是業務判斷。當然，這些業務判斷需要基于對不同時空的需求預估。 根據需求預測的結果調整供給，在傳統商業模型中非常常見，根據需求調整生產節奏、安排合理庫存、規劃物流網絡都屬于這個范疇。線下交易匹配系統也是類似，只是因為在線下交易匹配系統中，需求預測需要涉及時間和空間兩個方面，從時間的一維變量變成關于時間和經緯度的多維變量。如何構建預測模型，并根據預測結果來進行優化匹配，將是我們接下來討論的重點。 2.2 時空理想劃分 時空是時間和空間的集合，時間是連續值，空間也是連續變化的，需求卻只是有限個點。連續的模型難以刻畫這個問題，因為有限個需求點散布在三維空間中，任意一個空間點中出現需求點的概率都是0。為了解決這個問題，我們需要將時空劃分為有限多個時空域，這樣就可以對每個時空域內的需求進行預測。 那么怎么對時空進行劃分呢？如果忽略交通、地形、城市規劃因素，可以假設所有的區域都相同。這個問題就可以簡化為一個簡單的幾何問題：“如何把一個連續的二維平面劃分為多個區域”。 為了完全覆蓋地圖且區域之間不重疊，使用正多邊形來劃分城市。為了覆蓋滿二維平面，則多邊形的多個內角可以拼合到360°。假設正N邊形可以覆蓋一個二維平面，則存在整數x使得公式（11-1）成立：

公式（11-1）的方程有三組解：

因為邊數越多，多邊形越接近圓形，則可以取正六邊形作為劃分圖形。這也是常用的空間劃分方法。在《文明》系列經典游戲中，世界地圖也是使用正六邊形進行劃分的。 對空間劃分之后，時間就直接按照固定間隔劃分，比如每20分鐘作為固定間隔。通過這樣的劃分，整個時空就被劃分成了多個時空域，從而為后續的計算和統計打下基礎。 所有的理想化模型都會做一些假設，這樣的時空域劃分方法也不例外。每一個假設都意味著和實際情況有一定的出入，反復思考這些出入可能通過哪些新的假設來彌補，是系統優化的一個重要思路。上述的劃分方法顯著的問題就是對空間的劃分過于粗暴，完全忽略了地理和交通的影響。如果一個時空域被河流穿過，就意味著這個時空域很難作為一個整體。而很多統一的區域也可能被劃分開，比如按照這樣的劃分方法，清華大學就很可能被劃分為多個時空域，但是顯然一個校園內的需求更適合作為一個整體處理。為了解決這些問題，也可以探索其他的時空劃分方法。 2.3 時空聚類方法 除了六邊形時空域的理想劃分方法之外，時空聚類方法可能更貼合實際。用時空聚類方法分割的邊界一定不是完全規則的多邊形，有更強的適應性；一些典型的完整區域，比如學校、酒店、醫院等，也會在一個時空域里面。 需求散落在時空中，需求分布結果包含了大量的信息，如果一個區域內的需求比較統一，意味著這個區域內部有很強的一致性，則需要將這些區域劃分在一個時空域里面。利用機器學習的聚類方法可以很大程度地利用這些用戶行為數據，減少劃分的誤差，提高時空價值模型的準確性。 當然，機器學習的聚類算法也會有明顯的問題，那就是需要大量的用戶需求數據。這就意味著很多創業公司在起步階段無法使用這樣的方法，同時有一定的開發成本。但是這并不意味著只能使用六邊形時空域的方法，大部分策略都可以用人工標注進行兜底。線下交易匹配系統需要處理的是地圖，地圖是客觀存在的，而且在一定時間內穩定不變，標注后的地圖維護成本不高且可以長時間使用。在人工標注的地圖中，學校、酒店、醫院當然就可以被劃分在一個空間域里。 這些方法也可以有機結合，比如可以使用機器學習或者六邊形時空域模型進行初步劃分，再利用人工標注的方法覆蓋重點區域。一旦將時空劃分為多個時空域之后，就可以在這些時空域內做進一步的需求預測。 2.4 仿真模型構建 時空模型除了上述的將時空劃分為時空域之外，其實還可以盡可能逼近真實環境去構建虛擬場景。大學時我有一段時間被《刺客信條》這一游戲深深吸引，游戲的背景設定是現代人可以通過虛擬系統回到古代場景中，通過在古代場景的戰斗訓練，提升自己的刺客技能。中世紀城市在這個游戲中被構建得栩栩如生，人物在這個虛擬的城市里完成各種任務。 其實在構建線下交易匹配系統時，我們也希望有一個和真實世界盡可能一致的時空模型，里面有交通樞紐、道路，也有堵車，可以對各種匹配策略進行測試，并且利用這些測試的結果，進一步迭代匹配策略。通過仿真來進行系統迭代的方法在各個領域都有所應用，比如所有的航空航天器都需要在風洞中做空氣動力學實驗來調整設計，才能最終升空。 對于線下交易匹配系統而言，一個成熟的仿真系統的好處是多方面的。線下交易匹配系統不能像線上內容匹配系統那樣切分流量做A/B 測試。在線下交易匹配系統中，每一次交易都會對系統產生一定的影響。切分流量本身就意味著系統條件和最終上線的系統條件不同，部分流量條件下有提升的策略，不代表在所有流量下有效。但是線上內容匹配則沒有這個問題，每個用戶在瀏覽內容的時候幾乎不會對其他人的閱讀產生影響，小規模的測試結果和全量的基本一樣，就可以按照用戶切分流量進行測試。不能做A/B測試的直接后果就是在匹配系統中，一個策略是否有效的驗證周期會變長，系統的效果基本上需要上線較長時間才能觀察。一個成熟的仿真系統就能很好地解決這個問題。 成熟的仿真系統可以固化一段時間的用戶需求對新的匹配算法進行測試，并且這種測試可在非常短的時間內完成，也能直接對比不同策略的優劣。因此，仿真系統還可以提升算法迭代的效率。 成熟的仿真系統還可以快速將大量的參數調整到最優值。高階策略往往包含很多參數，這些參數大小一開始可以按照經驗和統計數據設定，但是后期還是需要用數據反饋來迭代，如果在真實環境中調試這些參數，時間成本之大不可想象。 成熟的仿真系統還可以使得用強化學習實現算法迭代成為可能，不斷迭代算法的評估函數，把匹配算法效率迭代到極致。雖然思路是可行的，但是落地執行還有很多問題，即使這樣，這仍舊是未來線下交易匹配系統的一種可能。 3 時空價值 時空劃分是為了方便評估不同時空域的價值。時空價值的計算分為兩步：第一步，需求預估；第二步，利用預估結果分析每個時空域的價值。無論在傳統行業還是基于互聯網的線下交易匹配系統，需求預估都是商業模式能夠運行的基礎。這里以外賣為例，具體的問題是：如何預估晚上8點到8點半東直門附近寫字樓里外賣的需求，即預估晚上8點到8點半的東直門這樣一個時空域里的需求量。 3.1 時空需求預估 在傳統的供應鏈需求預測中，需要挖掘兩個核心因素：趨勢和周期性。 關于趨勢的算法有移動平均和指數平滑這兩種基本思路。在移動平均中，下一個階段的需求值等于前一段時間的需求平均值。在指數平滑中，歷史的數據也對當前的需求量預估產生影響，但是時間越遠，權重越低。在指數平滑的基礎上，再考慮需求的周期性，即比較著名的Holt-Winters法，也被廣泛應用在傳統的供應鏈管理中。 具體到線下交易匹配系統中，也可以用類似的方法來擬合8點到8點半東直門附件寫字樓的需求。需要考慮周一到周日，為整個預估算法添加周期性。在具體的外賣預測中，可以將周期性變為兩類：一類是工作日，一類是非工作日。具體的預測公式可以設計如下：

其中k_x表示當天是工作日或非工作日的權重，工作日和非工作日分別使用不同的值，這個具體數值可以用一段歷史實際數據來計算得到。x_i表示距離現在第i天的需求值，k_i表示距離現在第i天是否是工作日的權重。這個函數的時間衰減系數權重和剛好為1，如果采用別的衰減系數，則需要進行歸一化。 基于需求預測方法的優勢是方法簡單、容易理解，但也有一定局限，那就是需要大量的歷史數據。尤其是當時空域切割到比較小的時候，每個時空域內累計的數據有限，難以做出有效預測。類似北京這樣的超級城市，一天可以切分為上萬個時空域。每個時空域內需要累計大量的需求才能預估這個時間段的外賣需求，即使如美團和餓了么這種量級公司的數據也難以做到。這個時候就需要用更高級的算法進行需求預測。 一個很容易理解的事實是，不同時空之前是有相互關聯的，相似的地方外賣的需求是類似的，比如寫字樓和寫字樓，小區和小區，這也意味著相似地方的數據可以相互補充。雖然行為數據是稀疏的，但是挖掘不同時空域之間的關聯性可以提高每個時空域預測的準確性。這個問題就變成了如何利用稀疏矩陣去預測全矩陣的問題，這也是所有推薦系統問題的元問題。將大量的特征數據作為入參，使用SVD、決策樹等機器學習算法都可以求解，進一步降低對原始數據的需求。 3.2 基于轉移概率的時空價值預估 無論是基于趨勢和周期性的規則預測方法，還是基于的機器學習算法的預測方法，都得利用歷史數據對未來需要進行擬合。但是時空域內的需求并不等價于時空域的價值。外賣因為限定了配送范圍，外賣配送員只能在一定的區域內活動，時空域內的需求基本可以認為是時空價值。但是在服務沒有范圍的行業則不是這樣，比如網約車行業，假設有兩個時空域：某個時空域出發的訂單很多，但是大部分需求都是趕往郊區的，而郊區訂單較少，司機只能自己空駛回到城區；另一個時空域，雖然出發的訂單相對少一些，但是需求基本上都是趕到別的熱區。對比這兩個時空域，第一個時空域的時空價值就可能低于后者。類似打車這樣的線下交易匹配系統，時空價值的計算需要更多策略。 基于轉移概率的時空價值是這個問題的一個直觀解法。在已經預估出未來需求的基礎上，這個問題可以直接轉化為運籌問題。這個問題的核心是轉移概率的計算。轉移概率是馬爾可夫鏈中的重要概念，若馬氏鏈由m個狀態組成，從狀態i出發，經過一次轉移，狀態變成j的概率為轉移概率P_ij。在實際背景中怎么理解這個問題呢？ 比如8點到8點半的中關村是一個時空域，車輛會從這個時空域流轉到其他時空域，即存在轉移概率。通過對一段時間內的訂單數據進行追蹤，可以知道不同時空域內的轉移概率和期望收益，也就計算得到了時空域的時空價值。比如A時空域期望有10個訂單，其中去了B時空域的訂單有5個，C時空域的訂單有3個，D時空域的訂單有2個，A分別到B、C、D時空域的價值轉移概率就是0.5、0.3、0.2。假設A、B、C、D的時空價值分別是V_A 、V_B 、V_C 、V_D，A時空域轉移到其他時空域的訂單平均收益為R_AB 、R_AC 、R_AD。那么A的時空價值就是：

基于轉移概率的方法從模型層面是可解釋的，也可以求得比較好的解，但問題也很明顯；一是要求數據量大。一個時空域內的需求本身可能就比較少，為了計算從一個時空域到另一個的時空域的概率，就可能需要把需求量分割得更小，導致計算轉移概率的數據量將非常??；二是實現成本比較高，大量的轉移概率計算和迭代有很大的計算開銷。 3.3 基于鄰域的時空價值預估 基于鄰域的時空價值預估是我想到的一個比較簡單的啟發式方法，目前還沒有實際應用，但是從理論測算來看是一個比較簡單可行的時空價值預估模型。在小數據規模下，基于鄰域的時空價值預估算法效果會好于基于轉移概率的時空價值預估方法。同樣以打車為例解釋這種算法。 每個打車需求由六個變量刻畫：起始地點的經度、緯度、時間，以及結束地點的經度、緯度、時間，我們可以在三維空間刻畫這個問題。經緯度本來就可以用來描述空間位置，時間乘以平均車速就可以將時間也轉化為距離，這樣經度、緯度、時間就在一個量綱內，可以用歐式距離處理這個三維時空內的距離問題。時空價值分析不外乎分析某個具體訂單的具體價值，那么一個時空域的價值就可以分解為起點的價值和終點的價值。 一個時間域作為起點價值，需要找到訂單終點距離這個時空域最近的k個訂單，計算到達時空域的成本，時空域成本越小，時空價值越高。 一個時空域作為終點價值，需要找到訂單起點距離這個時空域最近的k個訂單，計算訂單價值和趕往這些地點的成本。趕往訂單起始點的成本越低，則時空價值越高。訂單平均價值越高，則時空價值越高。這個成本不僅包含趕過去的成本，還包含司機等候的時間成本。這個過程如圖11-1所示。

圖11-1 基于鄰域的空間價值示意圖 這一方法優勢在于能夠有效衡量稀疏需求下的時空價值，即不需要每個時空域里都有充足的訂單也可以計算時空價值。而且算法相對比較簡單，也是創業公司可以快速上線的策略模式。針對不同的業務模式，計算成本和收益的具體方法都可以變，但是核心不變，即分別用起點和終點距離某個時空域最近的k個訂單去計算這個時空域的價值，保證無論一個時空域里有多少需求量，這個時空域的成本都可以被估算。 4 服務匹配方法 在線下交易匹配系統中，即使沒有估計空間價值，也可以將服務和用戶進行匹配，服務匹配模型是整個系統的基礎。本節會詳細地介紹服務匹配方法。 4.1 匹配度的構建 匹配度就是計算用戶需求和服務者之間的相關度，為了構建匹配模型，需要將匹配度進行量化。 這里仍然以打車為例。乘客在叫車時，乘客關心的是：

• 希望快速上車出發，則司機和乘客之間的距離越近就意味著司機到達越快，乘客等待時間越短；
• 希望有好的服務，則服務評分越高的司機往往更能提供優質的服務。

而司機則期待訂單價值越大越好，如果乘客的終點是熱點地區就會有更高的收入。 如此看來，乘客和司機的匹配度函數就應該由接駕距離、服務質量、訂單價值三個因子構成，還要對每個因子進行有效的歸一化和變形，才能讓結果符合預期。 需要強調的一點是，系統即便對每個乘客及其周圍的司機都有相關度計算，也不意味著所有乘客都可以得到最合適的司機。這就回到了一個乘客經常抱怨的問題：“為什么不給我派最近的車？”即使核心函數中只有接駕距離一個因子，也不一定會給每個用戶都匹配最近的車。 具體案例如圖11-2左邊所示，距離乘客A最近的車是a，在只有A打車的情況下可以給乘客A派最近的車。但是如果同時有兩個乘客叫車，如圖11-2右邊所示，如果給乘客A分配車輛a，會導致B分配到的車都會比較遠。 正確的做法是給乘客A分配車輛b，給乘客B分配車輛a，這樣雖然乘客A就分配不到最近的車，但是A和B都能叫到一個不太遠的車，系統結果更優。而實際在設計服務匹配方法中還需要考慮多種其他因素，比如服務、公平等，就更不可能給所有乘客都分配最近的車。

圖11-2 車輛分配案例 從這個例子中看出，系統應該尋求的是整個系統的匹配度最優化，下面會介紹可以用什么樣的方法來達到系統的最優化。 4.2 二分圖匹配 二分圖是圖論中的一種特殊模型。通俗解釋，二分圖有兩類點，分別在兩個互不相交的子集中，同時每條邊都可以連接這兩個子集中的點。打車問題就是典型的二分圖問題，兩個子集分別代表司機和乘客，司機和乘客的匹配度就是連接兩個子集的邊的權重，如圖11-3所示。

圖11-3 二分圖示意圖 在二分圖中，有一個經典問題就是如何求二分圖的最大匹配。最大匹配的定義就是任意點只連接一條邊，同時邊的權重最大。打車問題就是要求系統讓盡可能多的人叫到車，同時讓乘客和司機之間的匹配度之和最大，這也正是我們希望得到的線下交易匹配系統最好的結果。 值得慶幸的是，可使用貪心算法或者KM算法來解決最大匹配問題，尤其KM算法可以求得全局最優解。只要將所有需要的因素都考慮進KM算法中，這個算法就可以每隔一段時間（比如2s或10s）執行一次，每次執行均有服務者或用戶退出系統，也有新的服務者或用戶加入，循環執行，不斷匹配，就可以持續實現服務匹配。 5 線下交易運營 線下交易運營主要指找到線下交易匹配系統的薄弱環節，進行干預，在用戶側調控需求，在服務側調控供給，使得收益最大化。 5.1 用戶側運營 用戶側運營是通過運營來調控用戶發單的需求，通常包括兩個方面：一是調節平峰時間供需關系；另一個是定向拉新、促活和召回。 時空模型會預測出規律，比如節假日和平時、高峰期和平峰期的供需關系會有明顯的區別，運營可以在一定程度讓供需盡可能匹配。調控需求的主要手段是價格干預：給平峰期設置更優惠的價格，盡可能讓需求多出現在平峰期；在需求特別缺少，甚至影響到服務者平均收入的時候，也可以通過優惠活動促進供需匹配。 而在日常的拉新、促活和召回中，時空分析同樣有效，不同的時空域代表著不同的場景，在特定場景下的用戶價值也會有不同。以打車場景為例，晚上去高級消費場所的一般是高消費的高價值用戶，但是在白天通勤時間前往消費場所的則可能是消費場所的工作人員。根據這個規律對特定時段的可能前往高級消費場所的用戶進行留存干預會更加有效。 價格杠桿調節需求在共享單車中的實現案例就是紅包騎車。通過計算發現某些車輛在冷區無人問津，通過騎車發紅包的方式，讓用戶主動去找這些可能停放位置不顯眼的車，提高資源的利用效率。 5.2 服務側激勵 在用戶側運營讓需求盡可能可控和穩定的同時，還需要服務側激勵，讓高峰時段的供給更多。在網約車行業中，最常見的案例就是早晚高峰和重要節假日。一方面乘客在早晚高峰時段集中出行，需求旺盛，而另一方面，早晚高峰也意味著交通擁堵，導致司機服務乘客的時間更多，還未必比其他時段掙錢更多，很多司機會傾向于早高峰或者晚高峰休息。因此，為了服務更多乘客，需要服務側激勵提高司機在早晚高峰服務的意愿。通過設置合理的高峰時段的補貼和獎勵措施，讓司機早晚高峰的辛苦得到更多的回報。重要節假日也一樣，應該出臺對司機更有利的政策，盡可能提高司機在重要節假日的出車意愿。 服務側激勵往往成本較高，付出1元成本，司機只能得到1元的收入。通過乘客激勵的方式可以讓司機獲得更高的收入，比如給乘客10元優惠券，乘客可能會花50~100元多打一次車，司機因此就能得到多于直接激勵的收入。在用戶需求不飽和的時間段，要提高司機收入，應該優先考慮提升乘客的需求；在用戶需求高度飽和的時間段，才應該用服務側激勵提高司機的收入。 5.3 動態調價 對打車而言：當價格提高的時候，對價格比較敏感或者出行需求不是特別迫切的用戶可能會選擇公共交通出行或者暫時不出行，從而把服務能力留給更迫切和必要的用戶；當價格有優惠的時候，一些本來可以選擇公共交通或者暫時不出行的用戶，也可能因此選擇打車出行。 動態調價的機制就是基于這個現象產生的，其核心就是計算調價的倍率。倍率主要是對某個空間未來一小段時間的供需關系的預估，這個預估主要包括兩個方面：一方面是基于過去一段時間這個時空域的供需關系對接下來這段時間的供需關系進行預估；另一方面是通過當前的供需關系預估因突發事件對供需關系所造成的沖擊，比如惡劣天氣。當綜合考慮歷史數據和當前數據之后，如果發現接下來需求要遠遠大于供給時，就可以讓動態調價倍率更高。動態調價也要有一定的邊界，尤其是在國內大家對于市場機制并不完全接受的情況下，就一定要做好用戶的溝通，并且設置兜底策略，需要對動態加價設置上限，防止算法計算出的倍率過高而引發用戶的抵觸情緒。 5.4 預期可視化 無論如何調控，還是會存在供需關系無法調節的場景，對于用戶而言，當周圍服務資源比較緊張的時候，系統需要做的就是盡可能給用戶一個確定性的預期。 給用戶一個當前系統的狀態，以及預期達到的時間，這在大部分系統設計中都是必要的。對于高峰期的效率降低，大部分用戶都是有預期且可以理解的，但是用戶不能忍受不確定性，系統設計就是要盡可能消除用戶的不確定性。在打車系統中，告知用戶當前的排隊位置和預期時間，快遞和外賣行業中，用戶下單時明確告知用戶預計送達時間，同時實時跟蹤整個派件過程中快遞的位置，都是消除用戶不確定性的做法。 預期可視化不僅線下交易匹配系統需要，所有和用戶進行直接交互的系統也都需要考慮，保證用戶的確定性和可控制性是面向用戶設計的基本原則。 5.5 高價值用戶保護 當服務資源特別稀缺時，所有用戶可被服務的概率都會降低，且都會受到調控手段的干擾。在這樣的情況下可能就需要對高價值用戶做額外的保護。 比如打車遭遇惡劣天氣不能保證所有的用戶都被接單時，就要優先保證高級會員的體驗。而類似價格動態調整這樣的策略，對高價值用戶使用是不合適的。畢竟我們希望和高價值用戶建立更長期的信任關系，不能用價格手段抑制這些用戶的需求。 對于高價值用戶的保護在服務業是非常常見的，比如銀行的高級會員可以免排隊，車站和機場的高級用戶可以提前進站和登機。線下交易匹配系統本質上也是服務業，也需要對核心用戶進行保護。 6 線下交易的挑戰 線下交易是一個新的課題，在本章最后，會討論線下交易產業所面臨的挑戰。 6.1 押金模式的困境 線下交易的產品中用戶可能會使用系統的固定資產，而服務收取的費用一般遠小于用戶可能對系統的固定資產造成的傷害。以共享單車為例，用戶一次騎行支付費用最低僅需要1元，但是如果用戶拿走了這輛車或者對這輛車進行破壞性使用，那么一輛車帶來的損失可能是使用費用的幾百倍甚至上千倍。這就意味著，對于共享單車企業而言，想要盈利的話，至少得把惡意乘客使用的比例控制在千分之一以下。為了達到這個目標，共享單車企業想到的方法是使用押金，一旦有確定性證據證明用戶惡意用車，可以從押金中進行抵扣。 但是押金同樣也帶來了另一個風險，那就是用戶財產的損失。這個行業普遍存在挪用押金的情況，甚至有些惡意企業做共享單車業務的目標就是為了獲取用戶的押金。比如，某企業注冊用戶1600萬，押金298元，前后投放車輛140余萬輛，押金總金額遠高于車輛資產成本，最終攜款倒閉，大量用戶的押金不了了之。用戶的押金應該存放在第三方機構，并且保證押金不貶值。 雖然押金問題非常明顯，但是押金現象在國內還是普遍存在的，一個很重要的原因就是征信體系的缺失。對于企業而言，無法知道一個新用戶的信用如何，所以需要通過押金來保證企業資產的安全，而一個用戶即便在使用服務的過程中有惡意的行為，也不會承擔嚴重的后果。在征信體系健全的國家，一些不誠信行為會通過征信體系傳遞到相關行業，一個逃單可能就會造成用戶申請貸款難、信用卡額度受限等嚴重后果，有效限制用戶的惡意行為。 除了用戶征信體系的缺失，押金模式普遍存在的另一個原因是國內黑產行業的發達?；鶎舆\營商釋放了大量沒有綁定有效身份證的手機號，使得黑產行業可以廉價地獲得了大量的手機號，并利用這些手機號批量注冊大量的賬號，去各個產品中獲取利益，比如微博的僵尸粉、互聯網金融的風險用戶、電商的羊毛黨。在線下交易產品里，黑產也是如影隨形，資產盜竊或者使用服務后造成壞賬，都是行業面臨的嚴峻問題。 目前阿里和騰訊利用自身積累的大量用戶行為數據，分別推出了用戶的信用分，在一定程度上能夠替代押金模式。但是一旦對接阿里或者騰訊的信用分，則意味著用戶的交易行為數據會暴露給這兩家公司，也可能產生其他的隱患。 6.2 社會和政策的影響 線下交易行業在提供服務的同時，也在改變著社會的規則。而這樣的改變一方面可以更好地服務用戶，但是另一方面也會有負面影響。 當網約車軟件出現之后，用戶可以方便地用手機打到車，但是同時也觸犯了傳統出租車公司的利益。無論在海外還是在國內，網約車公司都受到了傳統出租車行業的抵制。除此之外，網約車軟件對一些特定人群并不友好。通過系統發單的方式，車輛減少了空駛率，但是另一方面，在路上招手叫出租車也變得幾乎不可能。對于一些不會使用網約車軟件的老人而言，這并不是一個好消息。這是網約車軟件的負面社會影響。2016年年底，國家出臺了網約車新政讓網約車市場規范化運營，對于網約車公司而言，新政讓規?；黾铀緳C變得更加困難，使得運營成本進一步加大。 共享單車在緩解城市交通擁堵、節能減排上有非常明顯的優勢。但另一方面如果公司不回收廢舊車輛、用戶隨意堆放車輛，會占用公共空間和市政資源。這是共享單車的負面社會影響。而共享單車行業的激烈競爭造成了大量的車輛投放，實際上已經讓很多共享單車變成了城市垃圾。為了控制這樣的趨勢，政府也出臺了政策進一步限制共享單車的投放。 不僅網約車和共享單車行業，線下交易行業有著各種問題。共享汽車可能長時間占用停車位；快遞造成了很多包裝垃圾；外賣造成了一次性餐具的增長。對于行業發展可能造成的社會影響，作為從業者一定要有清醒的意識，否則可能就會有政府政策出臺糾正，輕則管制，重則取締。 當然，即使有著各種社會和政策問題，產品和技術本身也需要持續發展。只有讓產品和社會產生碰撞，才能讓問題暴露并解決，最終讓社會接受新的產品和技術，這也是社會發展的客觀規律。 6.3 供需時空分布不均 供需時空分布不均的問題是線下交易匹配系統要解決的核心問題。需求只要不是均勻分布，有高峰和低谷，就意味著在高峰期需求難以滿足，在平峰期服務能力過剩。為了緩解這個問題，就要求用一些杠桿盡可能讓供需匹配，可以通過浮動定價和高峰期排隊等策略讓用戶盡可能避開高峰期發出需求，讓需求盡可能匹配服務能力；也可以通過獎勵和補貼讓服務者多在高峰期提供服務，讓服務能力盡可能匹配需求。但是這樣的策略本質上也僅僅是緩解供需時空不匹配的問題，無法從根本上解決這些問題。 當然可能有人會問，為什么不提供即使在高峰期也能滿足需求的服務能力？除非提供服務能力不需要固定成本的投入，否則這在經濟學上就是不成立的，因為這樣會極大地壓縮利潤空間，甚至導致虧損。 供需不匹配的問題會持續存在，而對供需不匹配情況下的策略優化，是線下交易產品利潤率優化的一個關鍵點，也是未來面臨的一大挑戰。 6.4 無法兼顧效率和業務目標 線下交易匹配系統往往是非常復雜的系統，需要考慮的不僅僅是單純的效率，還需要考慮多個業務目標。如何在構建線下交易匹配系統時兼顧效率和業務目標，也是一個比較大的挑戰。 以打車系統為例，前面已經介紹了以效率為單一目標的策略該如何設計，但這往往不是系統最佳的狀態。打車系統一個重要的業務目標就是提升司機的服務，因此線下交易匹配系統就應該提升高服務質量司機的收入。那么，在需求少、司機多的情況下，即使一個高服務質量的司機距離需求更遠，也可以優先指派服務質量高的司機接單。不僅是服務，也可能有其他的業務指標，比如為了提高新手司機的留存而給他們更高的分單優先級。 效率也好，業務目標也好，最終體現在一個共同的核心函數中。這個核心函數就需要經過詳細的測算，不能只考慮效率，但也不可能為了業務目標去犧牲太多效率。比如一個用戶呼叫服務，服務好的司機在5公里，服務一般的司機距離乘客1公里，那么顯然應該優先匹配1公里的訂單。簡而言之，實現業務目標一定是在滿足效率目標的基礎上的。 為了達成效率和其他業務指標的平衡，系統設計者需要對系統構建和業務均有很深的理解，這對系統設計者是很大的挑戰。 6.5 數據挖掘和算法創新 當然，線下交易匹配系統最大的問題還是在數據和算法上。這是一個約束很多、沒有成熟算法可以參考的系統。 線下交易匹配系統的時空域轉移數據該如何處理？它們不是商品，不是涇渭分明的多個SKU。在地理信息中包含的用戶特征信息該如何抽象出來并且被算法理解？ 當一個區域內只有少量需求的時候，如何從這些少量需求中挖掘出各個時空域的需求分布？怎么將地理數據的相似性作為需求預測的入參？ 即使通過仿真系統進行強化學習，構建怎樣的模型架構才是合理且高效的，才能讓算法在更復雜的環境中也能適用？ 如何利用這些服務能力相互協同，從而構建將來的智慧城市？ 這些問題都沒有被很好地回答，但都是線下交易匹配系統需要克服的問題。本章討論的內容，或許只是未來更先進系統的腳手架。 7 小結 相比于內容分發，線下交易匹配系統是互聯網行業面臨的新問題。因為線下服務的特點，線下交易匹配系統注定需要用不同的思路去探索解決方案。本章所講解的線下交易運營策略，以及線下交易面臨的挑戰，則是對當前行業現狀的介紹和探討。 服務行業通過算法提升效率和體驗，已成為基本共識。在過去的20年里，互聯網回答了人們應該看到怎么樣的內容，接下來的十幾年里，互聯網需要回答人們應該享受怎樣的服務。未來我們生活在什么樣的城市中，這個城市又是怎么將數據接入互聯網的，而這些數據又是怎么深刻地影響了城市這一系統的運行?，F在，關于線下交易匹配系統的大多數問題，無論是業界還是學界，都沒能給出一個很好的答案，對于互聯網從業者而言，是巨大的挑戰，當然也是巨大的機遇。