外卖配送是一个典型的 O2O 场景。既有线上的业务，也有线下的复杂运营。配送连接订单需求和运力供给。为了达到需求和供给的最好平衡，不仅要在线下运营商家、运营骑手，还要在线上将这些需求和运力供给做合理配置，目的是提高效率。配送效率最大化，才能带来良好的顾客体验、较低的配送成本。做资源优化配置的过程，实际上是有分层的。按我们的理解，可以分为三层：

• 基础层是结构优化，它直接决定了配送系统效率的上限。这种基础结构的优化，周期比较长，频率比较低，包括配送网络规划、运力结构规划等。
• 中间层是市场调节，相对来说是中短期的，主要通过定价或者营销手段，使供需达到一个相对理想的平衡状态。
• 再上层是实时匹配，通过调度做实时的资源最优匹配。实时匹配的频率是最高的，决策的周期也是最短的。
• 针对智能配送的三层体系，配送算法团队也是这样运作的。图中右边三个子系统，对应三层，最底层是规划系统，中间层是定价系统，最上层是调度系统。同样非常重要的，还包括图中另外四个子系统，在配送过程中做精准的数据采集、感知、预估，为优化决策提供准确的参数输入，包括机器学习系统、IoT 和感知系统、LBS 系统，都是配送系统非常重要的环节，有大量复杂的机器学习问题。
• 配送连接的是商家、顾客、骑手三方，配送网络决定了这三方的连接关系。打开 App，哪些商家可以点餐，是由商家配送范围决定的。每个商家的配送范围不一样，看似是商家粒度的决策，但实际上直接影响每个 C 端用户得到的商流供给，这本身还是一个资源分配或者资源抢夺问题。商家配送范围智能化也是很有意思的组合优化问题，但是我们这里讲的是商家和骑手的连接关系。

  在公司点外卖，为我服务的骑手是哪一批呢？又是怎么确定的呢？这些是由配送区域边界来决定的。配送区域边界指的是一些商家的集合所对应的范围。为什么要划分区域边界呢？从优化的角度来讲，对于一个确定问题，反而是约束条件越少，目标函数值更优的可能性越大。做优化的同学肯定都不喜欢约束条件，但是配送区域边界实际是给配送系统强加的约束。

  在传统物流中，影响末端配送效率最关键的点其实是配送员对他所负责区域的熟悉程度。这也是为什么在传统物流领域，配送站或配送员，都会固定负责某几个小区的原因之一。因为越熟悉，配送效率越高。

  即时配送场景也类似，每个骑手需要尽量固定去熟悉一片商家或者配送区域。同时，对于管理而言，站点的管理范围也是比较明确的。另外，如果有新商家上线，也很容易确定由哪个配送站来提供服务。所以，这个问题有很多运营管理诉求在里面。