DoorDash 引入机器学习模型提升用户体验并减少订单取消

DoorDash 最近引入了一种机器学习（ML）模型，用于预测商家的运营状态，以提高用户体验并减少数千个订单的取消。理解商家的运营状态以及其接收和完成订单的能力对于 DoorDash 平台至关重要。DoorDash 上的每个市场都是独立运作的，因此了解商家的营业时间信息对于告知顾客订单无法送达以及避免将订单提交给已关闭的市场非常重要。

传统流程的局限性

当 Dasher（DoorDash 配送员）发现商家关闭时，可以通过 Dasher App 上的“Dasher Report Store Close”（DSRC）功能报告关闭的市场。该流程包括提交关闭市场的照片，之后 Dasher 会因时间损失获得退款，并可以继续进行其他配送。当收到 DSRC 报告后，DoorDash 会联系商家以确认其状态，并更新平台信息。然而，这一流程耗时、不可扩展且效率低下。

机器学习模型的引入

为了解决上述问题，DoorDash 开发了一种 ML 模型，能够基于一些变量（包括最后一次配送的时间和 Dasher 上传的照片分析）来推断商家的运营状态。

初始模型的构建

最初，DoorDash 尝试通过计算 DSRC 报告提交时商家关闭的条件概率来推断商家的运营状态：

概率(商家关闭 | DSRC 报告)

商家状态变量基于过去的 DSRC 报告状态构建。例如，如果 Dasher 在 15 分钟内完成了取货，那么尽管有 DSRC 报告，商家可能仍然是营业的。

图像分类器的应用

新的 ML 模型还使用了 Dasher 上传的照片。DoorDash 内部开发的图像分类器（基于 DoorDash 图像处理平台）分析上传的照片，以判断商家是否关闭（例如，通过分析灯光是否关闭）。分类器将图像信息压缩为一个数字，作为新 ML 模型的一个特征，这使得 DoorDash 平台能够快速处理和使用数十万张图像。

LightGBM 模型的结合

DoorDash 使用 LightGBM 模型结合历史数据和图像数据，最终计算出商家关闭的概率。基于这一概率，DoorDash 定义了三个阈值来决定商家状态：

• 低概率：取消订单并寻找新的 Dasher 进行配送。
• 中等概率：取消订单。
• 高概率：取消订单并暂停商家运营。

模型部署与测试

在 ML 模型投入生产并进行 A/B 测试后，DoorDash 确认用户体验得到了改善，每周减少了数千个订单的取消。接下来，DoorDash 计划通过引入其他特征（如时间、未来订单量和取消量）使决策阈值动态化。此外，DoorDash 还计划开发损失函数，以理解每个商家决策的成本。通过损失函数和概率模型，DoorDash 将计算预期损失并找到最小化损失的决策。