问1：单量预测模型怎么演进的？
答1：1）背景：对低敏感度的用户加配送费（单量损失少），对高敏感度的用户减配送费（单量增加多），在保证收入的前提下，提高单量
2）具体这个模型构建其实经理了3个阶段
2.1）第一个阶段，预测目标是每个配送区每天的单量，使用特征包括配送区优惠力度，是否工作日，使用的算法是线性回归。每个配送区一个模型
2.2）第二个阶段，预测目标是每个配送区每天的单量，使用特征为历史1天、3天、7天、15天单量，配送费，uv，优惠力度，使用算法为随机森林，线性回归。多个配送区一个模型。
2.3）第三个阶段，预测目标是单量变化比例，使用特征为配送费变化，uv变化，优惠力度变化，使用算法是半对数模型。每个城市一个模型，相似城市公用一个模型。
问2：以上三个模型有什么区别？
答2：1）模型3是最终使用的模型，模型1和模型2在我们的场景下无法使用
2）首先，模型1来说，前期预测效果不错，后期预测效果变坏。原因是：
2.1）前期单量近似线性增长，优惠力度也程线性增长，两者间呈线性关系，我们用线性模型拟合，效果好
2.2）后期单量仍然存在自然的线性增长，优惠力度不增长，甚至某些区域出现下降，两者间不存在线性关系，所以拟合效果不好
2.3）所以前期其实是伪线性关系，被学习到了；而随着业务变化，这种伪线性关系不存在
3）其次，对于模型1来说，还存在一个问题，配送费对单量的影响很小
3.1）在整个优惠力度的角度来看，配送费加减一块钱对其影响很小
3.2）对于用户来说，配送费增加一块钱很敏感，但菜品增加一块钱很可能都无感
3.3）由于上述两点，所以配送费通过优惠力度来预测单量，体现不出配送费的真实影响力，所以需要把配送费单独作为一个特征
4）对于模型2，预测效果是可以的，但配送费的权重很低，对单量影响很小
4.1）我们的场景来说，即使绝对的单量预测特别准，也没法用；我们更关注配送费对单量的影响
4.2）原因是：历史单量是由竞对、优惠力度、配送费、服务、商家质量等多种因素综合决定的，权重会很大；配送费作为单量某一侧面的反应被综合特征替换掉了
4.3）模型使用随机森林，所以特征方面没有进行很多特征选择
5）模型3是我们最终使用的模型
5.1）它的核心是使用配送费明显变化前后各一周的数据进行建模
5.2）这样，对于每一个配送区来说，由于在极短时间内，竞对、市占、商家供给、服务等影响单量的特征不会突变，
5.3）对于单量变化来说，可以认为这些特征是一个常数；对于单量来说，是很重要的特征
5.4）uv、配送费、优惠力度是变的，其他的是衡量
问3：模型怎么评估的？
答3：1）模型指标：R^2，F值，t值
2）测试集上进行测试：cross validation。虽然更经常是用于超参数的选择，但这里是进行模型评估。ME、MAE、MSE、RMSE
3）abtest线上测试：能够保证只有配送费的差异
问4：R^2，F值，t值，ME、MAE、MSE、RMSE定义分别是什么？
答4：1）R^2：模型对观测值的拟合程度，在0~1之间，越接近1拟合程度越高
2）t值：评估在其他解释变量不变的前提下，解释变量X对被解释变量Y的影响，越接近0越显著
3）F值：各解释变量联合起来，对被解释变量Y的影响，越接近0越显著
4）有偏性（ME）：AVG(yi'-yi)
5）平均绝对差值（MAE）：AVG(|yi'-yi|)
6）均方误差（MSE）：∑(yi'-yi)^2/n
7）均方根误差（RMSE）：sqrt(∑(yi'-yi)^2/n)
问5：还有什么可优化的地方？
答5：1）一部分城市进行模型训练，大多数城市根据是运营根据经验选取相似城市使用相同策略，其实可以通过聚类的方法，更自动化
2）在应用过程中，降价效果仅仅是涨价效果的一半，究其原因是需要C端推广配合，否则无法触达用户
3）从定价理论角度来看，更高级的方式应该针对用户提供差异化服务，提供不同价格，这里差异化服务可以是不同配送时长，或者是相同服务的不同包装形式
问6：怎样在线上应用的？
答6：1）工程架构是这样的：价格敏感度模型是离线的，计算出不同场景的敏感度系数
2）另外一个同事完成调价模块，根据敏感度系数，在一定的收入约束下，以单量增长为目标，确定各场景的具体配送费伸缩系数，并导入mysql库
3）客户下单时，会根据不同场景乘以不同的伸缩系数
4）第一步是用R实现，第二步用python实现，第三步用java实现
问7：配送费基础价格是如何确定的？
答7：1）根据配送区的平均配送费
2）每单的配送耗时占配送区平均耗时的比例
3）每单耗时=由商家的历史取餐时长+预估的配送时长+所在位置的交付时长求
问8：模型如何在线定期更新？
答8：1）主要是构建在线的训练样本集
2）可以通过抽取abctest进行，5%加价，5%等比例减价，90%不变，可以保证在不影响收入单量的前提下获取训练样本
答1：1）背景：对低敏感度的用户加配送费（单量损失少），对高敏感度的用户减配送费（单量增加多），在保证收入的前提下，提高单量
2）具体这个模型构建其实经理了3个阶段
2.1）第一个阶段，预测目标是每个配送区每天的单量，使用特征包括配送区优惠力度，是否工作日，使用的算法是线性回归。每个配送区一个模型
2.2）第二个阶段，预测目标是每个配送区每天的单量，使用特征为历史1天、3天、7天、15天单量，配送费，uv，优惠力度，使用算法为随机森林，线性回归。多个配送区一个模型。
2.3）第三个阶段，预测目标是单量变化比例，使用特征为配送费变化，uv变化，优惠力度变化，使用算法是半对数模型。每个城市一个模型，相似城市公用一个模型。
问2：以上三个模型有什么区别？
答2：1）模型3是最终使用的模型，模型1和模型2在我们的场景下无法使用
2）首先，模型1来说，前期预测效果不错，后期预测效果变坏。原因是：
2.1）前期单量近似线性增长，优惠力度也程线性增长，两者间呈线性关系，我们用线性模型拟合，效果好
2.2）后期单量仍然存在自然的线性增长，优惠力度不增长，甚至某些区域出现下降，两者间不存在线性关系，所以拟合效果不好
2.3）所以前期其实是伪线性关系，被学习到了；而随着业务变化，这种伪线性关系不存在
3）其次，对于模型1来说，还存在一个问题，配送费对单量的影响很小
3.1）在整个优惠力度的角度来看，配送费加减一块钱对其影响很小
3.2）对于用户来说，配送费增加一块钱很敏感，但菜品增加一块钱很可能都无感
3.3）由于上述两点，所以配送费通过优惠力度来预测单量，体现不出配送费的真实影响力，所以需要把配送费单独作为一个特征
4）对于模型2，预测效果是可以的，但配送费的权重很低，对单量影响很小
4.1）我们的场景来说，即使绝对的单量预测特别准，也没法用；我们更关注配送费对单量的影响
4.2）原因是：历史单量是由竞对、优惠力度、配送费、服务、商家质量等多种因素综合决定的，权重会很大；配送费作为单量某一侧面的反应被综合特征替换掉了
4.3）模型使用随机森林，所以特征方面没有进行很多特征选择
5）模型3是我们最终使用的模型
5.1）它的核心是使用配送费明显变化前后各一周的数据进行建模
5.2）这样，对于每一个配送区来说，由于在极短时间内，竞对、市占、商家供给、服务等影响单量的特征不会突变，
5.3）对于单量变化来说，可以认为这些特征是一个常数；对于单量来说，是很重要的特征
5.4）uv、配送费、优惠力度是变的，其他的是衡量
问3：模型怎么评估的？
答3：1）模型指标：R^2，F值，t值
2）测试集上进行测试：cross validation。虽然更经常是用于超参数的选择，但这里是进行模型评估。ME、MAE、MSE、RMSE
3）abtest线上测试：能够保证只有配送费的差异
问4：R^2，F值，t值，ME、MAE、MSE、RMSE定义分别是什么？
答4：1）R^2：模型对观测值的拟合程度，在0~1之间，越接近1拟合程度越高
2）t值：评估在其他解释变量不变的前提下，解释变量X对被解释变量Y的影响，越接近0越显著
3）F值：各解释变量联合起来，对被解释变量Y的影响，越接近0越显著
4）有偏性（ME）：AVG(yi'-yi)
5）平均绝对差值（MAE）：AVG(|yi'-yi|)
6）均方误差（MSE）：∑(yi'-yi)^2/n
7）均方根误差（RMSE）：sqrt(∑(yi'-yi)^2/n)
问5：还有什么可优化的地方？
答5：1）一部分城市进行模型训练，大多数城市根据是运营根据经验选取相似城市使用相同策略，其实可以通过聚类的方法，更自动化
2）在应用过程中，降价效果仅仅是涨价效果的一半，究其原因是需要C端推广配合，否则无法触达用户
3）从定价理论角度来看，更高级的方式应该针对用户提供差异化服务，提供不同价格，这里差异化服务可以是不同配送时长，或者是相同服务的不同包装形式
问6：怎样在线上应用的？
答6：1）工程架构是这样的：价格敏感度模型是离线的，计算出不同场景的敏感度系数
2）另外一个同事完成调价模块，根据敏感度系数，在一定的收入约束下，以单量增长为目标，确定各场景的具体配送费伸缩系数，并导入mysql库
3）客户下单时，会根据不同场景乘以不同的伸缩系数
4）第一步是用R实现，第二步用python实现，第三步用java实现
问7：配送费基础价格是如何确定的？
答7：1）根据配送区的平均配送费
2）每单的配送耗时占配送区平均耗时的比例
3）每单耗时=由商家的历史取餐时长+预估的配送时长+所在位置的交付时长求
问8：模型如何在线定期更新？
答8：1）主要是构建在线的训练样本集
2）可以通过抽取abctest进行，5%加价，5%等比例减价，90%不变，可以保证在不影响收入单量的前提下获取训练样本
