美國零售電商Instacart創(chuàng)辦于2012年，僅僅用了兩年多的時間做到估值20億美元，如今，Instacart的創(chuàng)始團隊又借助數(shù)據(jù)科學（ Data Science）和機器學習（Machine Learning）幫助企業(yè)優(yōu)化運營，實現(xiàn)正現(xiàn)金流并逐步走向盈利。

從簡單的搬運工變得更高效，Instacart或許可以為國內(nèi)的同行們提供一些參考。

模式：不僅僅是零售商的搬運工

Instacart是自身不做采購倉儲的在線零售商，Instacart與美國著名的零售商合作，把這些零售商的商品搬到線上銷售，其中包括Whole Foods、Costco、Marsh等知名連鎖零售商。消費者可以通過電腦或者手機App下單， 然后由Instacart簽約的代購者（Shopper）去指定的商店采購，在1小時內(nèi)配送到消費者家中。

下圖是消費者用手機App購物的流程：

Instacart的代購者（Shopper）很像Uber的司機，他們可以是全職也可以利用閑散時間兼職。下圖是一個代購者 用App接單并完成訂單的流程：

單元經(jīng)濟盈利：打破燒錢魔咒

對于這種創(chuàng)新的商業(yè)模式，能否盈利是最根本的問題。而早在2016年，Instacart就已經(jīng)實現(xiàn)單元經(jīng)濟效益（Unit Economics）盈利。

所謂單元經(jīng)濟效益（UnitEconomics），是指在商業(yè)模型中， 能夠體現(xiàn)收入與成本關(guān)系的某個最小運作單元。在Instacart，這就是來自客戶的每一筆訂單，如下圖所示，在這每一筆訂單中，能夠帶來的收益有四類：送貨費、小費、產(chǎn)品合作方、零售合作方，而每一筆的成本來自：交易費（信用卡和保險）、購物時間和送貨時間。如果能壓縮購物時間和送貨時間，那么，Instacart就能在單元經(jīng)濟效益上盈利。

在 Instacart的單元經(jīng)濟效益模型中，只要平均完成訂單時間在最大時間的70%就可以盈利，如今他們已經(jīng)實現(xiàn)了這個目標，Instacart在2016年中實現(xiàn)了正現(xiàn)金流，并預(yù)計2017年會實現(xiàn)財務(wù)盈利。

精準預(yù)測的重要性

要實現(xiàn)盈利以及企業(yè)的良好運營，精準地預(yù)測客戶需求，并且滿足客戶需求顯得尤為重要。

Instacart每天要應(yīng)對來自消費者數(shù)以萬計的訂單，這些訂單都需要在客戶指定的時間完成配送，如何把這些訂單分配給同樣數(shù)以千計的代購者，每個代購者接哪些訂單，走什么線路去指定的零售店，在每個零售店又如何快速尋找到指定的產(chǎn)品，采購?fù)旰螅呤裁淳€路去配送給每個消費者……這些都需要精準的預(yù)測和規(guī)劃。

（圖示：Instacart為代購者優(yōu)化后的超市采購線路圖）

Instacart必須要為自己的預(yù)測準確率負責，如果預(yù)測準確率低，那么結(jié)果就是客戶的訂單延誤，這不僅僅會造成履單成本的提高，也會讓客戶不滿意并造成客戶流失。

機器學習幫助提升

為了應(yīng)對這些挑戰(zhàn)，Instacart選擇了利用數(shù)據(jù)科學（Data Science）和機器學習（Machine Learning）。

第一步，是建立大數(shù)據(jù)平臺。在Instacart，每天要處理和應(yīng)對的是來自多方面的海量數(shù)據(jù)，比如，僅僅代購者每天的GPS定位信息就有1GB左右。Instacart要把這些數(shù)據(jù)分類部署，然后用RabbitMQ來處理各個數(shù)據(jù)庫之間的通訊，用PostgreSQL做生產(chǎn)數(shù)據(jù)庫，用Amazon Redshift做離線數(shù)據(jù)分析。

Instacart會建立多種預(yù)測模型來對客戶需求、超市購物時間、配送時間等進行預(yù)測。每個模型都會用歷史大數(shù)據(jù)進行回顧測試，去不斷的優(yōu)化算法。模型每天做重復(fù)的訓(xùn)練來提高預(yù)測的準確率。

當遇到惡劣天氣或突發(fā)事件時，會有偏離模型的警告，Instacart有一個監(jiān)測市場變化的團隊，他們會在這個時候用自己的接口對預(yù)測進行調(diào)整。Instacart的數(shù)據(jù)科學團隊正在努力實現(xiàn)調(diào)整部分工作的自動化。

梯度推進模型優(yōu)化配送預(yù)測時間

梯度推進模型GBM（Gradient boosting）是一種機器學習的技術(shù)，該技術(shù)可以提高現(xiàn)有預(yù)測模型的準確率。

比如， 在舊金山地區(qū)的Instacart辦公室，要在幾個小時之內(nèi)完成數(shù)千個客戶訂單，那么，如何給出一個最優(yōu)化的方案，用最少的人力和時間去完成這些訂單呢？顯然需要更精確地去預(yù)測每個代購者每條可能路線的時間。此時，GBM模型就非常有用。更精準的預(yù)測可以讓系統(tǒng)用優(yōu)化算法得出最優(yōu)的完成訂單方案，這個方案可以比以往更快地完成客戶的訂單。

自然語言處理（NLP）提升用戶體驗

自然語言處理NLP（Natural Language Processing）實現(xiàn)人與計算機之間用自然語言進行有效通信的方法。在這里的用處就是分析用戶以往的采購行為，然后給用戶推薦可信的熱賣單品。

Instacart與全美數(shù)百家零售商合作，商品匯總起來，數(shù)量竟有數(shù)百萬之巨。這些產(chǎn)品的訂單頻次分布是長尾分布，那么如何能夠給用戶推薦那些他們真正需要而不僅僅是熱賣的單品呢？Instacart 用NLP技術(shù)去歸納總結(jié)，然后推薦那些即使不常被購買但是對客戶有用的商品。比如某個用戶經(jīng)常購買啤酒、奶粉、尿布和游戲產(chǎn)品，那么系統(tǒng)或許會推薦一本《一個奶爸的自我修養(yǎng)》給他。

也玩深度學習

Instacart也用到了深度學習（Deep Learning）技術(shù)，比如產(chǎn)品目錄團隊使用深度學習來進行圖片處理，以及代購者在商場某處，重新安排代購清單和線路。深度學習技術(shù)解決了以往機器學習中的很多棘手的問題，這為提升服務(wù)帶來了新的機遇。

最后，我們來看美國著名科技媒體TechCrunch對Instacart的采訪視頻，看看他們每天是如何快速處理和完成來自客戶數(shù)以萬計的訂單：

https://v.qq.com/x/page/j0377e9vska.html

（作者：鄭倫，聯(lián)系微信公眾號“田野觀察AgriReview“，本文首發(fā)于《天下網(wǎng)商》轉(zhuǎn)載請注明，商業(yè)轉(zhuǎn)載請聯(lián)系作者本人）

文章：8 篇

瀏覽：1792 次

代表文章

“失敗者”的教訓(xùn)，2016生鮮電商年度總結(jié)（下）

增長去哪兒了？2016生鮮電商年度總結(jié)

再見鄉(xiāng)愁！2016農(nóng)村土地政策、流轉(zhuǎn)和電商回顧與總結(jié)

人工智能還會賣菜，估值超百億，這家零售界的Uber是如何顛覆你的菜籃子的！

土地流轉(zhuǎn)電商：一場互聯(lián)網(wǎng)+的土地改革

5天又爆4例，非洲豬瘟的中國故事會改變什么？

AI讓農(nóng)業(yè)變天？

東網(wǎng)易，西Eataly，他們要掀起養(yǎng)豬業(yè)的文藝復(fù)興嗎？