如何高效的做资源调度？

十年前移动互联网O2O浪潮大火，出现了一众上门XX服务，例如上门理发、上门洗车、上门做饭、上门美甲，后面实践证明这些服务都不可持续，大量的都倒闭了。

当时跟朋友讨论，一众O2O服务生意不可持续的原因在于，互联网的优势在于连接，但并没有改变供给量。上门服务靠着平台的补贴促成交易量，一旦补贴停止，服务供给侧由于「上门」本身的服务上限瓶颈，势必要提升价格，而价格的提升，又让需求侧觉得「不划算」，或者线下到门店享受服务本身不够痛。各类O2O服务难点不在于通过互联网连接，而在于深刻洞察业务本质，在各资源限制和主体诉求下，做好资源匹配和调度。

在我们生产生活中，资源的利用通常都会涉及各种限制，如何高效的利用，涉及广义的「资源调度」问题，本篇探讨下如何高效的做资源调度。

智能推荐

十年前，深度学习发展，智能推荐在图文内容分发和商品分发上得到了验证，大大加速了内容与人、商品与人的匹配调度效率，促成了头部互联网公司的商业成功。

为了将AI技术扩散到更多的企业，先后在两家公司从事智能推荐工作。将智能推荐应用在更多的图文媒体和垂直电商平台，由于业务体量原因，收益不如头部企业大，也证明存在增量价值。

后面在上家公司接触到更多的推荐与搜索需求，本质上都是物品数和用户量没有足够大，又希望提升物品与人的匹配效率，实现业务效果。在此背景下，以用户画像和物品画像为基础，构建规则引擎。业务人员只需要积累和准备物品属性和用户画像相关数据，便可以灵活构建物品与用户的匹配或调度规则。

抽象的这一套规则引擎逻辑相当底层，当时的管理层需要理解这种产品面向的客群，便以user（用户）和item（物品）数量大致做了区分。

实践中，规则引擎落地并不容易，主要原因在于能利用好规则引擎，需要业务人员特别懂业务，需要懂用户的需求和物品的情况，并且能够抽象出更好的调度分配策略，随着线上数据的分析，不断调整和优化策略。这就对运营人员要求很高，而且业务需要有足够的体量以及能带来增量价值，采购外部To B产品才值得，而往往符合这样条件的客户，自研能力又会比较强。

采用智能推荐和规则引擎的场景，通常用户和物品的匹配，都是通过属性匹配，并不涉及数值计算。规则引擎通过属性匹配，简单直接可解释性强，智能推荐则会将物品和用户偏好转化成高维向量，再做匹配排序。由于用户偏好往往难以完整刻画，单次推荐对准确度要求不高，最终看的是业务整体的转化效果。

运筹优化

运筹优化学科的诞生之初，便是要通过数学方法，在资源有限的情况下给出最优解或可行解。运筹优化需要将现实的问题，抽象成为机理明确、边界清晰的问题，再进一步抽象成解数学优化问题，有明确的目标函数和变量的约束。

因此拿到一个运筹优化问题，做适当的业务调研是基础且必要的。通常需要明确整个业务的运行逻辑，关注的业务目标，以及需要参与优化调度的主要实体及各自约束，这往往是运筹优化项目真正工作的核心，调用优化求解器计算相对确定。

拿航空飞行计划举例，航空业服务终端旅客，需要关注旅客满意度，航班的准时性会影响旅客的满意度和忠诚度，因此做飞行计划需要尽可能按照计划时刻执行。航空公司飞机、飞行员、空乘资源都有限，需要在有限资源和时间下，获得最高的资源利用效率，同时控制成本，例如过夜成本最低，从而实现降本增效作用。

往往在做飞行计划还需要考虑外部因素限制，例如天气、维修、交通流量拥堵等因素。问题本身的复杂度和不可控因素的存在，导致飞行计划往往人力不可为，需要考虑多输入状态下，经过运筹优化分配计算，给出人可供参考的方案，最终决策。

航空机组排班是航空决策关键的环节，需要对飞行员、空乘人员和安全员提前做排班安排，以便航班正常运行。飞行员、空乘人员和安全员都有不同的资质要求，各自需要有不同的人员资质搭配的要求，飞行员和空乘人员可以各自飞开排班。需要关注机组运行的总成本最低，同时考虑机组人员的公平性和满意度问题。

航空公司排班问题有个基础逻辑，出于机组人员实际需要考虑，经过一段时间便需要回家，因此给机组人员安排排班最后都需要形成一个环（最终回家），即组环问题。拿我们日常出差举例，每周从base地出发，最终不管乘坐什么交通工具，通常最终回到base地，只是机组人员通常限制在乘机。组环问题考虑所有环成本最低，并且每个航班段只出现在一个环里。

完成组环后，相当于航班计划都敲定了，需要对航班上的人员分配到不同航班环中，由于人是有生物特性约束的，相关法律法规出于安全考量，对人员不同时间尺度上最大工作时长做了约束。人员排班还需要考虑人员之前关系问题，以及公平性问题，例如红眼航班的比例问题等。

不难发现，对于很多高价值严肃决策场景的资源调度问题，采用运筹优化的数值计算的方法，是更为匹配的解决方案。运筹优化的方法，需要有对业务目标、实体约束特别熟悉的工作人员，解决业务需求理解到业务建模求解全过程。

专家规则

做智能决策这些年，不管是做AI决策或者是运筹优化决策，始终存在问题适配度的问题。当问题规则不足够时，往往业务专家就觉得可以通过制定简单规则实现目标，AI决策或运筹优化决策方案有些高射炮打蚊子的感觉。

事实上，全社会有海量的决策场景，也有大量的决策场景复杂度不高，通过简单的专家规则便能完成。去年某活动，涉及组织团队人员做客户接待，通过日常对客户职位和专业的了解，匹配相对应专业度和情商水平的团队人员，便可以做到高效的资源匹配调度。

在业务管理和团队管理的过程中，就是不断基于对业务理解，不断优化团队资源配置，以更接近业务目标的实现，「管理」往往听起来非常虚，但从资源调度和目标实现的角度考虑，就会变得具体，能不能通过有限的资源配置，更好更快达成目标便是管理的价值。

很多场景，本质上也是做决策，只是很多变量和信息，并不容易表征和量化，始终需要人发挥灵活适应的作用，这便是机器无法取代人底层的逻辑。