货运八年：一场没有终点的技术马拉松( 三 ) 滴滴打车已在出行市场有较大

如今货拉拉的产研团队已经从两三百人到现在的接近2000人，研发团队从一开始只有前台、中台等几个部门，现在各板块都进行了细分，并都提升了专业化程度。
“技术是可以用同一套武功打天下的，而这套武功的核心在于降本增效。” 张浩在接受采访人员采访时曾如是说。
2020年张浩在某次行业大会上分享了货拉拉打造的一套降本增效的技术体系，这套中台系统在货拉拉内部称之“智慧大脑”，分供需，分单，营销，定价四个模块。
供需引擎预测运力分布，需求预测和运力预测；
分单引擎就是在做匹配，订单来了，给哪个运力；
定价引擎制定不同货运、不同车型价格，有时在不同路段不同时段价格不一样；
营销引擎在什么时候去做什么补贴，促进需求。
这个系统在AI、大数据和地图等基础能力之上，通过自研运筹优化算法框架解决核心的资源优化配置问题。在 IoT技术之上，把所有的物流的生产元素数智化之后进行最精准的匹配。
然而，在货运的“人、车、货、路”生产元素中，人的数智化尚且容易实现，车、货、路的数智化何其艰难。
货物非标，车型类别庞杂，道路限行条件复杂、多样等等，这些都是整车货运场景特有的挑战。
“不少同事刚加入时会有些不适，因为货运场景的技术难度会让行业内的专家都难以应对。”曾经在客运O2O公司工作过的货拉拉技术总监石立臣坦言。
石立臣负责货拉拉交易引擎和地图团队，曾是吴文俊人工智能自然科学奖一等奖获得者。在他的团队，核心骨干专家有30多人，都是来自阿里、百度、美团等一线公司，算得上国内地图界的领军人物。他坦言，货运场景下“路”的数字化比想象中难太多。
“虽然挑战很大，但我们有两项技术做到了行业领先。”石立臣介绍到，一是车货匹配，二是装卸货点推荐。
以车货匹配为例。用户下单后，平台基于货物特点、适配车型的运力分布，结合路况、限行等综合因素，实现实时匹配。通过大数据的积累和智能决策系统的迭代，持续提升履约效率。
再比如装卸货点推荐。基于用户的下单地址，推荐适合货车装卸货的具体位置。通过大数据记录、分析装卸货点的历史分布，基于下单地址与路网的拓扑关系以及道路限行信息，通过智能推荐系统，给用户推荐哪里适合停车，在哪里装货、哪里卸货。
在不断的技术积累下，货拉拉在拉货、搬家场景中,其智能分单系统日均已经能处理百万级订单与国内平台几十万名司机之间的即时分配问题。
接下来，货拉拉将推动货物识别与体积测量技术，以及打造互联网货运地图整体解决方案，在货运数智化方向再进一步。
八年光景，英雄沉浮，货运艰难前行。货拉拉的案例证明，在这块中国仍旧是一片蓝海的O2O市场里，只有对技术的投入和执著，才能真正拥抱它。
【货运八年：一场没有终点的技术马拉松】（文中图片均来源于货拉拉，授权给中国网发布）