工作总结:

1. 买菜智能调度系统1.0版本

(1) 带领算法团队,将人工规则版本的调度系统做智能化升级。从感知、决策、执行不同维度构建智能调度所依赖的

底层算法能力。结合压单策略和订单推荐策略,并针对疫情场景开发了大规模调度策略,完成智能调度1.0版本

的构建。

(2) 在5个月内实现了智能调度的全量上线。骑手单小时人效提升11%以上,配送准时率提升1.4pp,人工干预派单率

从15%降低到8%以下,实现了成本与体验的全面优化。

2. 智能调度系统2.0仓配一体化

(1) 结合买菜前置仓自营业务的属性,做前置仓分拣和骑手配送效率的联合优化。设计算法方案,通过前置仓分拣作

业的合单和排序,加快骑手趟次的流转速度,从而提升骑手配送效率。

(2) 构建两阶段的ML+OR模型,运用整数规划进行求解,结合离线仿真调参。实现仓配一体在业界的首次算法落地,

骑手单小时人效提升6%,配送准时率提升0.8pp,分拣合单率提升6pp。

3. ETA承诺时效模型1.0版本

(1) 针对恶劣天气和疫情场景,对买菜的承诺ETA做算法升级。通过引入大量的实时数据和特征,精准刻画履约供需

压力和产能的动态变化。并结合采样和模型ensemble策略以及分位数回归模型,重点优化供需极端失衡场景长

尾样本的预测效果。

(2) 算法指标上,90min以内订单预估10min准确率,从52%提升到82%,效果达到业界较优水平,90min以上长尾订

单预估30准确率,从10%提升到71%,提升显著。业务指标上,履约超时取消率下降53%(0.8pp)、催单客诉

率下降50%(0.1pp)、严重超时率下降43%(7.9pp),提升显著。

4. ETA承诺时效模型2.0版本

基于数据分析,挖掘ME(承诺送达时间 - 实际送达时间)与人效、体验和用户下单率的关系,找到最优的ME,结合规

则补时策略,对承诺ETA进行迭代,骑手单小时人效提升1.8%,配送准时率提升0.6pp,用户下单率提升0.7pp。

5. ETA动态展示模型

在用户下单之后订单履约的各个阶段向用户动态展示当前阶段的ETA时间。构建不同阶段的ETA时间预估模型,结

合产品策略,对用户做预期管理。重点优化了恶劣天气和疫情场景的用户体验。催单客诉率降低0.016pp(46%)、订单

取消率降低0.033pp(60%)。

6. 团队建设

(1) 组织协同:从0到1搭建履约算法团队,把合适的同学放到适合的岗位上,构建合理的梯队。对团队核心同学给

予充分的发挥空间,对新同学采取借老事练新人的策略,帮助他们快速融入。

(2) 技术成长:对于重点的算法topic,组织团队同学对工业界和学术界的经典模型和落地方案做调研和整理,基于调

研选择论文或技术文章进行分享,形成对于该领域的全面了解,并形成在业务场景中落地应用的方案设计。

(3) 技术沉淀:团队内对技术文档做较高的要求,重点项目要有完整的问题调研、方案设计、项目复盘&迭代的文档,

对文档的写作规范和可读性做好把关。

工作总结:

1. 众包智能调度优化

(1) 从0到1构建骑手接单概率预测模型, 结合对数据、业务的理解,对模型做持续的迭代升级,探索xgboost、wide&deep、

深度时空网络不同的模型版本,auc从0.87提升到0.92。

将预测模型纳入到指派问题中,实现派单策略的千人千面,在主要城市众包指派接单率提升10pp以上,15min接

单率提升1pp左右,配送超时率降低0.9pp,单均降本0.12元,获得显著业务收益。

(2) 引入派单均衡策略, 对不同城市、不同商圈, 合理计算模型相关参数, 做到派单策略的千圈千策,保障了骑手体验,

推进派单策略的全量上线。

2. 骑手app端上订单排序

对原始的基于人工规则的排序算法逻辑进行改造, 基于骑手接单概率ctr预测模型, 尝试不同的样本生成方案, 模型

auc达到0.89, 端上按ctr结果排序,5min接单率提升1.2pp,15min接单率提升0.4pp。

3. 长尾订单预测模型

为了促进众包运力线内部难以接起的订单(尾单)的消化能力, 对尾单进行提前预测。构建基于未来盘面预测的尾单ctr

预测模型,在10分钟时预测订单能否在第15分钟时接起,模型auc达到0.86,准确率65%,召回率达到84%,效果

显著超出base模型,结合分流降级策略,众包尾单数量相对降低30%。

4. 优选派单策略优化

基于接单概率预估模型,构建针对优选骑手的千人千面策略,给优选骑手派更多的顺路度高、熟悉区域的订单,提升

优选骑手人效和体验,策略提升优选骑手小时人效2%左右。

工作总结:

1. 医疗短文本分类

结合NLP算法通过对短文本进行分类来发现数据生产环节中的错误。

(1) 训练word2vec模型,基于词向量构建多维度的特征,纳入randomforest模型,模型的准确率为 88%。

(2) 对模型做调优,尝试textCNN模型,预训练word2vec模型,结合参数调整,textCNN模型的准确率提升到90%。

2. 医学文档分类

使用机器学习算法来挖掘文本信息从而实现对医疗文档的自动归类。

统计医疗文档的词频,应用并改进了TF-IDF算法,挖掘出文档的关键词,对每篇文档进行向量以编码,训练random

forest模型,使得文档分类正确率分别达到88%。

3. 保险核保风控模型

为保险公司搭建核保风控模型,对保单风险进行自动审核。从保险全量数据中抽取、计算模型所需的特征,训练xgboost

模型,模型auc达到0.81,准确率为68%,召回率为73%,对风险识别的准确率满足要求,促进了公司业务与保险公

司的合作。

工作总结:

1. 快捷支付交易风控

统计分析风险交易样本的风险特征,利用历史交易信息,设计出风控规则和评分模型,测算规则、模型的效果,发布

风控规则、模型,对线上风险交易进行实时的拦截。风险交易拦截准确率和风险覆盖率均达到80%以上。

2. 用户画像

利用京东用户的历史交易信息,借助商品标签对京东用户的消费倾向和以及消费能力进行刻画。

(1) 通过给商品sku进行人工归类到不同的大类,给用户打上消费倾向的标签,刻画用户的消费倾向。

(2) 利用商品价格,给商品打上档次的标签,计算用户的消费档次,刻画用户的消费能力。

3. 大数据征信

利用京东用户的交易、收货、理财、钱包等多维度的数据,分别以京东账户、身份证号为维度,计算征信指标,用

logistic回归模型搭建评分模型,制作白条申请和信用风险评分卡。模型的准召率均在85%以上。

工作总结:

负责运营数据的挖掘、分析、数据建模、实验模拟;运用用户行为数据,计算指标,建立用户离网预警模型,

降低流失率;关联分析,预测用户偏好的套餐及服务,给用户做推荐。

个人/团队荣誉

◆2019.01饿了么智能调度优秀项目奖

◆2021.06美团买菜履约提速明星奖

◆2023.02美团买菜事业部ETA优秀项目奖