美国零售电商Instacart创办于2012年，仅仅用了两年多的时间做到估值20亿美元，如今，Instacart的创始团队又借助数据科学(Data Science)和机器学习(Machine Learning)帮助企业优化运营，实现正现金流并逐步走向盈利。

从简单的搬运工变得更高效，Instacart或许可以为国内的同行们提供一些参考。

模式：不仅仅是零售商的搬运工

Instacart是自身不做采购仓储的在线零售商，Instacart与美国著名的零售商合作，把这些零售商的商品搬到线上销售，其中包括Whole Foods、Costco、Marsh等知名连锁零售商。消费者可以通过电脑或者手机App下单， 然后由Instacart签约的代购者(Shopper)去指定的商店采购，在1小时内配送到消费者家中。

Instacart的代购者(Shopper)很像Uber的司机，他们可以是全职也可以利用闲散时间兼职。

对于这种创新的商业模式，能否盈利是最根本的问题。而早在2016年，Instacart就已经实现单元经济效益(Unit Economics)盈利。

所谓单元经济效益(Unit Economics)，是指在商业模型中， 能够体现收入与成本关系的某个最小运作单元。在Instacart，这就是来自客户的每一笔订单，如下图所示，在这每一笔订单中，能够带来的收益有四类：送货费、小费、产品合作方、零售合作方，而每一笔的成本来自：交易费(信用卡和保险)、购物时间和送货时间。如果能压缩购物时间和送货时间，那么，Instacart就能在单元经济效益上盈利。

在 Instacart的单元经济效益模型中，只要平均完成订单时间在最大时间的70%就可以盈利，如今他们已经实现了这个目标，Instacart在2016年中实现了正现金流，并预计2017年会实现财务盈利。

精准预测的重要性

要实现盈利以及企业的良好运营，精准地预测客户需求，并且满足客户需求显得尤为重要。

Instacart每天要应对来自消费者数以万计的订单，这些订单都需要在客户指定的时间完成配送，如何把这些订单分配给同样数以千计的代购者，每个代购者接哪些订单，走什么线路去指定的零售店，在每个零售店又如何快速寻找到指定的产品，采购完后，走什么线路去配送给每个消费者……这些都需要精准的预测和规划。

Instacart必须要为自己的预测准确率负责，如果预测准确率低，那么结果就是客户的订单延误，这不仅仅会造成履单成本的提高，也会让客户不满意并造成客户流失。

机器学习帮助提升

为了应对这些挑战，Instacart选择了利用数据科学(Data Science)和机器学习(MachineLearning)。

第一步，是建立大数据平台。在Instacart，每天要处理和应对的是来自多方面的海量数据，比如，仅仅代购者每天的GPS定位信息就有1GB左右。Instacart要把这些数据分类部署，然后用RabbitMQ来处理各个数据库之间的通讯，用PostgreSQL做生产数据库，用Amazon Redshift做离线数据分析。

Instacart会建立多种预测模型来对客户需求、超市购物时间、配送时间等进行预测。每个模型都会用历史大数据进行回顾测试，去不断的优化算法。模型每天做重复的训练来提高预测的准确率。

当遇到恶劣天气或突发事件时，会有偏离模型的警告，Instacart有一个监测市场变化的团队，他们会在这个时候用自己的接口对预测进行调整。Instacart的数据科学团队正在努力实现调整部分工作的自动化。