Алгоритмы доставки и подбор заказов для курьеров

В приложениях для доставки курьером используются алгоритмы доставки (динамическая маршрутизация, батчинг и назначение заказов), языки Java/Kotlin для Android и Python/Go/Java на сервере, а математическая основа — теория графов, комбинаторная оптимизация и статистика. Подбор заказов реализуют через scoring/assignment (жадные алгоритмы, min-cost flow, online matching), сервисы строят как микросервисы с гео-БД и движками маршрутизации; как курьер вы можете собрать данные, прототипировать бота и за 6–12 месяцев освоить необходимые навыки для первых пет-проектов и перехода в сферу разработки приложений доставки.

Содержание

• Алгоритмы доставки и подбор заказов
• Математические области и формулы
• Технологический стек и языки программирования
• Как разрабатываются такие системы и команда разработчиков
• Практические улучшения: идеи для курьера и пет-проекты
• Реверс-инжиниринг и этика
• План обучения 6–12 месяцев и литература
• Источники
• Заключение

Алгоритмы доставки и подбор заказов

Какие алгоритмы используются на практике? Коротко — сочетание классических задач комбинаторной оптимизации и простых эвристик, адаптированных под онлайн-режим доставки.

• Назначение и подбор заказов (matching / assignment)

  • Модель: двудольный граф «курьеры — заказы». В офлайн-режиме задача сводится к задаче назначений (Hungarian) или min-cost max-flow; в онлайн-режиме применяют жадные правила, аукционные схемы или приоритетные очереди. Для масштабных систем используют гибрид: быстрые эвристики для немедленного решения + периодическая глобальная оптимизация.
  • Практическое правило: вычислить «score» для каждого заказа и брать максимум (скоринг объединяет цену заказа, ETA, расстояние до ресторана и вероятность отмены).

• Маршрутизация и VRP (vehicle routing)

  • Классические задачи: TSP, VRP, VRP с временными окнами (VRPTW), Pickup & Delivery, Dynamic VRP (DVRP). Все они NP-трудны, поэтому на практике применяют эвристики (nearest neighbor, savings), локальный поиск, метаэвристики (tabu search, genetic) или ILP-решения для небольших подзадач.
  • Для доставки еды важен батчинг: объединение нескольких заказов в один маршрут, чтобы повысить проходимость системы; об этом пишет практика крупных сервисов, которые группируют небольшие наборы заказов для сокращения времени ожидания и повышения эффективности (см. пример на RB.RU).

• ETA и прогнозы

  • ETA строят через регрессионные модели и градиентные бэггинги (XGBoost/LightGBM), а в сложных случаях — нейронные сети, учитывающие временные и дорожные паттерны. Исторические телеметрические данные и погодные/дорожные факторы — ключевые признаки.
  • Компонент ETA критичен для скоринга заказа: малое расхождение ETA и реального времени — повышает доходность.

• Инкрементальная оптимизация в реальном времени

  • Система должна быстро реагировать на пинги курьеров: используется «локальный ремонт» маршрутов, когда перерасчёт охватывает соседние участки, а не всю систему.

Пример простого скоринга (формула и код для прототипа):

$$score_i = P_i - \alpha \cdot ETA_i - \beta \cdot D_{toPickup,i} + \gamma \cdot H_i$$

где P — оплата за заказ, ETA — оценка времени доставки, D — расстояние до точки забора, H — исторический коэффициент успешности.

Пример на Python:

def score(order, courier, alpha=1.0, beta=0.3, gamma=0.5):
    pay = order['pay']
    eta = order['eta_min']
    dist = order['dist_to_pickup_km']
    hist = order.get('history_score', 0.0)
    return pay - alpha * eta - beta * dist + gamma * hist

Для реального прототипа ETA/дистанции лучше брать из движка маршрутизации (OSRM/GraphHopper/Valhalla) или из API карт, а не из евклидова расстояния.

Математические области и формулы

Какие области математики вы будете использовать при разработке алгоритмов подбора заказов?

• Теория графов: модели дороги как графа, поиск кратчайших путей (Dijkstra, A*), анализ связности и кластеризация зон доставки.
• Комбинаторная оптимизация: Integer Programming / Mixed-Integer Programming для точных формулировок VRP; LP-релаксации и ветвей-и-границ для малых инстансов.
• Приближённые алгоритмы и эвристики: локальный поиск, k-means для кластеризации заказов, greedy/online алгоритмы.
• Случайные процессы и статистика: прогнозирование спроса (временные ряды, сезонность), оценка неопределённости ETA и робастная оптимизация.
• Машинное обучение: регрессия/деревья решений для ETA и динамического скоринга, классификация (вероятность отмены), иногда RL для динамического диспетчирования.

Минимальная математическая формулировка VRP выглядит так:

$$\min \sum_{k}\sum_{i,j} c_{ij} x_{ij}^k$$

при ресурсных ограничениях (вместимость, временные окна $a_i \le t_i \le b_i$, и пр.). Полный аппарат — линейное программирование, теория матриц, численные методы и статистика; для практики хватит базовых знаний линейной алгебры, теории вероятностей и оптимизации.

Полезные обзорные статьи о роли математики в логистике и применении алгоритмов можно найти в материалах по практике логистики и IT-решениях в доставке (например, Логистика и прикладная математика и обзор на RB.RU).

Технологический стек и языки программирования

Какие языки и инструменты встречаются в продуктах доставки:

• Клиент (мобильные приложения):

  • Android: Java, Kotlin (стандарт для Android).
  • iOS: Swift.
  • Кроссплатформенные варианты: Flutter (Dart), React Native (JavaScript/TypeScript).

• Сервер (бэкенд):

  • Python (быстрая прототипизация, ML), Go (высокая конкуренция и простота деплоя), Java/Kotlin (enterprise), Node.js (быстрый старт).
  • Фреймворки: FastAPI/Django (Python), Spring Boot (Java/Kotlin), Gin (Go), Express (Node).

• Базы данных и гео:

  • PostgreSQL + PostGIS для пространственных запросов, Redis для кэша и realtime-state, Kafka/RabbitMQ для стримов/очередей.
  • Хранилища: ClickHouse/BigQuery для аналитики.

• Маршрутизация и карты:

  • Движки: OSRM, GraphHopper, Valhalla; коммерческие API: Google Maps, Яндекс.Карты, Mapbox.
  • В интерфейсе: Mapbox GL, Leaflet.

• ML/analytics:

  • Python: pandas, scikit-learn, XGBoost/LightGBM, PyTorch/TensorFlow.

• DevOps/инфраструктура:

  • Docker, Kubernetes, CI/CD (GitLab CI/Jenkins), мониторинг Prometheus+Grafana, логирование ELK. Совокупность этих инструментов — часть современного SaaS-стека (WorkSolutions обзор стека, обзор стеков — SkillFactory).

Практические примеры интеграций и описания архитектуры приложений доставки см. в материалах по разработке приложений доставки от агентств и поставщиков: e-Legion, Purrweb, а также платформы автоматизации доставки (например, Poster).

Как разрабатываются такие системы и команда разработчиков

Типичный цикл разработки:

1. Выделяют MVP-функции: приём заказа, отображение заказа курьеру, подтверждение, статус-апдейты, простая логика подбора.
2. Создают API и модель данных, настраивают карты и routing service.
3. Добавляют наблюдаемость (logging/metrics), симуляторы для нагрузки и backtesting.
4. Итерируют: вводят ML-компоненты для ETA/скоринга, оптимизацию батчинга, управление очередью задач.

Команда и роли (пример):

• Небольшой стартап/MVP: 3–6 человек — 1 product, 1–2 backend, 1 mobile, 1 devops/infra, 1 QA.
• Средний проект/scale-up: 10–30 человек — backend, mobile, frontend, data engineer, ML engineer, devops, QA, product/design.
• Большая платформа (Яндекс, Ozon): десятки + аналитики, SRE, операторы, продуктовые команды.

Агентства и команды разработки описывают этапы создания приложений и типичный стек в разборе по бизнес-функциям — см. обзоры от Purrweb и пример интеграции с сервисами Яндекса через бэк-офисы (QuickResto — настройка Yandex.Eda).

Практические улучшения: идеи для курьера и пет-проекты

Как опытный курьер вы имеете преимущество понимания «узких мест» — используйте это.

Шаги для начала:

1. Сбор данных: заведите локальный журнал (CSV) с полями: время заказа, адреса, расстояния, оплата, ETA платформы, реальное время, отмена/проблема.
2. Анализ и простая модель скоринга: на основе историки посчитайте среднюю доходность по типам заказов/зон.
3. Прототип-бот: Telegram/CLI-бот, который на входе получает список доступных заказов и ранжирует их по вашей формуле скоринга.
4. Симуляция и бэктест: прогоняйте алгоритм по историческим данным и измеряйте ключевые метрики: доход/час, среднее время доставки, % отмен.
5. Деплой и итерации: если стабильно лучше, оформите проект как портфолио.

Минимальная архитектура пет-проекта:

• Backend: Python + FastAPI
• БД: PostgreSQL (+ PostGIS по желанию)
• Routing: OSRM или простой haversine-ETA
• Queue: Redis (для очереди задач)
• Interface: Telegram bot / простая веб-панель

Пример кода для оценки списка заказов (упрощённо):

orders = [...]  # список словарей с полями pay, eta_min, dist_km
scores = [(o, score(o, courier)) for o in orders]
best = sorted(scores, key=lambda x: x[1], reverse=True)[0]

Инструменты для использования: pandas (анализ), PostGIS (пространственные запросы), OSRM/GraphHopper (маршрутизация), и Python ML-стек для ETA. Полезные практические описания процессов разработки доставки — у компаний и агентств, например e-Legion и Datakrat.

Какие метрики считать при тестах?

• Доходы за час (₽/ч)
• Среднее время «от принятия до доставки»
• % своевременных доставок (время < обещанного)
• Количество успешных заказов/отказов

Если хотите интегрироваться с реальными сервисами, сначала изучите официальные интеграции и API (например, интеграции Poster/QuickResto с маркетплейсами), а не пытайтесь «взламывать» чужие закрытые интерфейсы.

Реверс-инжиниринг и этика

Можно ли реверс-инжинирить сервисы вроде Яндекс/Достависты/Ozon ради обучения? Технически — да, APK-файлы и сетевой трафик можно анализировать; но есть три важных оговорки:

1. Правовая и договорная сторона: деактивация аккаунта, нарушение условий использования, возможные юридические риски.
2. Приватность: нельзя копировать или использовать чужие персональные данные.
3. Бизнес-этика: автоматические боты, использующие уязвимости, вредят рынку и могут привести к блокировке.

Безопасные и этичные альтернативы:

• Использовать открытые API или партнерские интеграции (см. QuickResto → Yandex.Eda integration).
• Создавать клоны/форки с собственной логикой и данными, использовать OpenStreetMap для карт и OSRM для маршрутизации.
• Изучать публичные исследования и open-source проекты по маршрутизации и оптимизации.
• Reverse-engineering внутри учебного контекста (анализ APK локально) допустим для личного изучения, но не для эксплуатации — соблюдайте законы и ToS.

План обучения 6–12 месяцев и литература

Реально ли перейти в сферу за 6–12 месяцев? Да, если вы сфокусированы и практикуетесь ежедневно. Ниже — примерный маршрут.

6-месячный интенсив (целевой путь: создать работающий пет-проект — бот для подбора заказов)

• Месяц 1: Python, Git, базы данных (SQL). Ресурс: бесплатные курсы по Python (пример — Netology Python).
• Месяц 2: Основы алгоритмов и структуры данных (списки, графы, BFS/DFS, Dijkstra).
• Месяц 3: Web/API (FastAPI), основы работы с картами, PostGIS вводно.
• Месяц 4: Простая модель ETA/скоринга, первые эксперименты с историческими данными.
• Месяц 5: Интеграция с routing (локальный OSRM) и реализация Telegram-бота.
• Месяц 6: Тестирование, симуляции, подготовка портфолио и публикация проекта.

12-месячный расширенный путь (глубже в ML/оптимизацию и мобильную разработку)

• Добавить курсы по ML/Time Series, OR-optimization (OR-Tools), разобраться с Docker/Kubernetes и CI/CD (см. обзоры стеков: WorkSolutions, SkillFactory).
• Параллельно: изучение Kotlin и основ Android, если вы хотите делать мобильные приложения для курьеров.

Книги и материалы (рекомендуемые):

• “Алгоритмы. Построение и анализ” — Cormen et al. (для общего понимания алгоритмов).
• “Python для анализа данных” — Wes McKinney (практика с pandas).
• Книги/курсы по операционным исследованиям/оптимизации (введение в LP/ILP).
• Практические статьи и кейсы по разработке приложений доставки — читать обзоры от агентств (e-Legion, Purrweb).

Советы для ускорения:

• Делайте маленькие итерации: один рабочий feature в неделю.
• Публикуйте код и бенчмарки (GitHub).
• Используйте реальные данные (собранные вами) для бэктестов.

Источники

• https://dev.go.yandex/services/eda
• https://rb.ru/stories/master-delivery/
• https://e-legion.ru/news/longreads/razrabotka-prilozheniya-dlya-dostavki-yedy
• https://joinposter.com/business/delivery
• https://www.purrweb.com/ru/blog/razrabotka-prilozheniya-dlya-dostavki/
• https://www.datakrat.ru/solutions/sistema-upravleniya-dostavkoy-produktsii-delivery
• https://quickresto.ru/support/rabota_s_bek_ofisom/delivery/yandex_eda_setup/
• https://worksolutions.ru/useful/saas-aktualnyj-tehnologicheskij-stek/
• https://blog.skillfactory.ru/chto-takoe-stek-razrabotki-i-kak-ego-vybrat/
• https://netology.ru/programs/pyfree-async
• https://www.lobanov-logist.ru/library/352/55059/

Заключение

Если ваша цель — улучшать подбор заказов и оптимизировать доставку курьером, начните с простого: логируйте свои заказы, проанализируйте доходность по зонам, сделайте прототип-бота на Python и протестируйте скоринг на исторических данных. Освоив базовые алгоритмы маршрутизации, SQL и инструменты гео (PostGIS/OSRM), вы сможете за 6–12 месяцев создать конкурентный пет-проект и претендовать на позиции джуниора/инженера по маршрутизации в командах, разрабатывающих приложения доставки. Укажите, если хотите — пришлю конкретный чек-лист по шагам разработки Telegram-бота/микросервиса и пример тестовой выборки для бэктестов.