算法工程师
直接向此候选人发送职位邀请
1、9 年 O2O 策略产品与算法经验 长期直面业务一线
2、联合创始人(2024起)，主导东南亚网约车与外卖配送核心算法与策略的研发，覆盖派单、风控、车辆调度、路径规划、电子围栏优化等， 实现配送成本低于竞对30% 、骑手人效16→25+
3、叮当快药：负责智能调度产品全生命周期管理，完成从技术执行到团队管理的转型
4、美团配送核心算法部门：参与路径规划、骑手行为预测、运单合包等核心项目
Wownow ｜2024 - 今 ｜ 带领国内6 人技术团队｜工作地点 北京
项目一｜派单算法设计与实现
背景：—— 平台为当地全新模式 多车型（突突车/电车）与自营+公海司机双模式并存，无成熟经验可参考
方案：
a、自营派单：构建完单概率预估模型（距离/服务质量/用户历史等特征）+ 订单收益预估+ 未来目的地供
需价值的三因子综合打分机制，结合班次收入均衡与回程成本惩罚，实现强管控运力的精细化派单，保障司机收入留存 的同时防止过饱和消极接单;
b、公海派单：基于服务质量将司机划分为独占抢单与普通抢单两级模式，抢单端采用多司机广播机制提升应答率；
c、升舱营销：综合上游用户标签、电车空闲率、目的地供需调节三要素，自动判断是否将订单升级为电车服务。
成果：完成系统从0到1的搭建，派单/抢单完单率稳定在85%/80%以上，电车营运率在95%以上。
项目二｜空车调度
背景：平台部分区域存在运力过剩，但长尾区域供需失衡问题长期未解决，限制了平台覆盖与订单规模扩张。
方案：
a、规律挖掘：基于历史订单数据分析发现，长尾区域的供需缺口在特定时段呈现周期性规律，为预调度提基础；
b、画像建模：将全城划分为若干区块索引，结合时间维度建立区块级供需画像，实现运力缺口的提前预判；
c、调控联动：实时识别供需缺口等级，动态调整派单优先级、优惠券、补贴及热力图引导，实现主动前置调度。
成果：订单派单率提升3.2个百分点，完单率提升4个百分点
项目三｜网约车平台风控体系设计与实现
背景：针对刷单、线下交易等违规行为，主导搭建"识别-处置-追损"全链路风控体系
方案：
a、通过数据洞察与业务反馈，归纳提炼典型违规场景，建立风险行为特征库 b、量化各类违规场景对平台的经济损失，设计实时检测与周期性扫描相结合的分层识别策略；
c、制定梯度化处罚规则（降权/封禁/追缴），打通算法检测、策略配置、财务追损的业务闭环。
成果：同口径下，部分违约场景消失，其余触发概率降低 90% 以上，月挽回损失约 10万美元
项目四｜配送智能调度引擎的设计与实现V2
背景：V1为手工派单和算法派单相结合，面临的问题包括算法分配不合理导致的骑手效率低下，分配重度依赖人工、
骑手流失率高、异常天气下餐损高等问题
方案：
a、将原本严格的约束的站点区域调度，修改为柔性的全城调度 b、设计骑手画像、区块画像、餐厅画像等 c、结合上述画像，并实现的核心算法模块包括压单、路径规划、订单合包、骑手转单、派单优先级调整等 d、结合系统负载、异常天气、商家活动等通过算法自动化的调整商家的店铺围栏，平衡配送难度和平台收益
成果：人效从16上升到25，单均配送成本低于竞对30%左右，系统派单率达99.7%以上，异常天气餐损降低20%
以上
叮当快药｜智能调度产品负责人 2019.05 - 2024.3 ｜团队10 人｜配送策略产品方向
项目一｜智能调度系统从零搭建
背景：旧有配送模式为驻店配送，订单全量依赖站长人工派单，缺乏系统化调度，过程不透明、结果不可控。
方案：a、学习人工经验，用多目标优化派单算法替代站长人工派单，实现分配的自动化与标准化。
b、基于历史骑手配送轨迹、热力图及开源地图，通过聚类算法将每个站点的服务区域拆分为若干细粒度区块，骑手到
店后优先承接最紧急区块的订单，并沿顺路方向动态追加。
c、算法综合骑手已接订单的超时风险及历史顺路配送表现，动态计算最优出发时机，并智能推荐顺路追加订单，实现
单骑手维度的效率最大化。
d、随着门店密度提升，基于数据挖掘将相邻店铺划分为若干配送小组，并根据不同时段单量分布差异化配置小组间的
协同策略，实现跨店组合配送的最优解
成果：5 个月自动化覆盖全国所有站点；用户取消率↓3.5~5.8pp、超时客诉率↓42.6%；骑手无效在店无效等待时
间下降约15%以上
项目二｜多平台运力协作策略
背景：自有骑手模式面临区域运营差异与爆单冲击，时效与成本难以双优，需在新店冷启动及爆单场景下引入三方运力
构建弹性运力池。
方案：
a、搭建多运力协同底座：设计并上线多三方运力接入能力，支持比价、串行呼叫、并行呼叫、订单撤回等核心功能，
为灵活调度提供产品基础。
b、建立运力画像体系：统计各运力方的响应时间、接单率、配送成本、完单时效等指标，形成多维度的运力评价与优
选依据。
c、设计智能路由策略：在成本、时效、骑手留存等多目标约束下，基于订单特征与运力画像动态决策三方运力的分配
与组合，实现多运力协同的最优解。
成果： ↓ 三方接起时间 35% ↓ 、单均成本 2.1%、28/38 ↑ 分钟时效 2.5百分点/3.9百分点。
项目三｜店铺选址
背景: 线上订单占比高，门店选址需在配送难度与租金成本间取得平衡，且面临新城拓展、门店搬迁等场景，
亟需数据化选址工具替代经验决策。
方案：
a、收集基础数据，主要包括历史的订单地址、客单价、三方平台的竞对药店位置等 b、引入三方平台竞对药店位置作为惩罚因子，在候选区域内综合评估订单密度、平均配送距离、周边竞对覆盖度、租
金成本等多维因素，通过加权评分模型输出最优选址点位，避免同质化竞争。
c、基于历史订单时空数据对推荐点位进行配送模拟回放，评估28/38分钟时效达成率、骑手负载等预期表现，将模拟
结果反馈至模型持续优化权重，形成"数据→选址→验证→迭代"的完整闭环。
成果：降低订单滞留率，平衡用户体验与配送成本。
美团｜配送技术部· 算法策略组（核心算法部门） 2016.05 - 2019.05 ｜策略产品/ 算法策略
项目一｜基于合包算法的运单指派和运单回收：
背景：随着单量密度的不断上升，整个调度系统面临着求解空间变大，求解效果变差；运单耦合度高，浪费算法的运行
时间；线下反馈严重，影响用户和骑手体验等问题
方案：针对派单问题：明确合包算法的目标、约束、以及算法流程；通过设计合包算法，将相似的运单进行合包处理，
并进行指派；针对线下反馈的用户体验问题，通过配合压单操作，将相似运单进行合包回收操作，再进行派单处理。
效果：算法耗时下降约10%左右；单均行驶距离/ 单均配送距离下降5% 左右；骑手接百单交互次数由90.1 次下降到
85.9 次；准时率上升0.37~0.89pp；作为美团配送成本下降的坚实技术储备，并申请一项专利
项目二｜基于骑手行为模式的路径规划算法：
背景：考虑到骑手特有的行为模式，为更准确地预估配送成本，通过机器学习方法预测骑手真实的任务执行顺序。
方案：首先，借鉴公共最长子序列的概念，刻画了骑手一致性的指标。利用骑手历史路径数据简历XGB 排序模型预测
路径，在模型中引入运单、骑手、商家等离线和实时特征，模型每次只预测下一步任务点，多次调用模型生成整条路径。
效果：以区域维度进行评估，模型预测得到的路径一致率和ETR、超时时长预估准确度指标均有较为明显的提升
3、基于代理模型和机器学习方法的骑手过滤：背景：为了应对单量剧增带来的算法耗时性能问题，精简了大量无用的路径规划、降低了工程侧的大数据量压力。
方案：通过订单与骑手的匹配关系通过设计的计算轻便而准确的简化评价模型Q 值排序，仅针对部分较好的组合进行
“ 真正的路径规划，采用 粗筛选+ ”
精评价 的方式，获得最佳的派单方案。在V2 版本迭代中，采用XGB 分类模型，根
据骑手当前状态、运单信息以及过去时刻的调度结果等作为特征，完成对骑手的过滤。
效果：上述方法，在整体KPI 效果无损的条件下，算法运算耗时节约50%+。有效地缓解了大区的计算压力
北京工业大学 ｜软件工程｜2010.09 - 2017.06 (本硕)
