在途保养：需求预测驱动的服务调度

什么是在途保养？

连山在途保养是基于多维数据的智能调度预测系统，通过融合交通大数据、城市信息与服务中心产能数据，从空间、时间、需求三个维度预测外来车辆流量与维保需求，提前给门店出具调度建议。春节试点数据显示，人力成本降低28.6%，重点城市实现零缺货投诉，成功预测与本地祈福习俗相关的47%流量峰值。

适用场景： 汽车售后、道路救援、新能源充电网络、食品供应链、零售补货等面临移动需求与固定资源调度挑战的服务型企业。

被动响应的局限

滴滴在演唱会散场前就把司机调到场馆周边，不是因为已经有人叫车，而是知道半小时后会有人叫车。

它知道演唱会几点结束、场馆能容纳多少人，再结合同一地点历史上的订单数据，就能估算出半小时后会有多少人同时叫车。这还只是单一事件的预测——遇到下雨天，历史数据告诉它需求会上涨多少；遇到工作日晚高峰，沿线写字楼的密度决定了哪几个路口会先堵死。多个信号同时进来，模型综合判断，最终落地成司机端热力图上的一块高亮区域，价格也会提前上浮。结果是司机主动往需求集中的地方靠，而不是乘客叫不到车了系统再临时调度。

这件事听起来理所当然，但大多数行业的调度逻辑和这个正好相反——等需求出现了，再去响应。结果就是该有人的时候没人，不该备货的时候备了一仓库。

这不只是效率问题。投诉会来，复购会跌，口碑会坏，而这些损失往往很难追溯到某一次具体的调度失误上，等意识到的时候已经晚了。

节假日会把这个问题放大。大量人口流向旅游城市、民俗活动聚集地，把消费需求一起带了过去。但目的地的服务资源是按常驻人口配的，没有人告诉门店今年春节会来多少外地车、夏天自驾的游客会把哪条补给线压垮、某个景区附近的诊所会在黄金周第几天开始人手告急。于是只能靠往年经验猜，猜多了是浪费，猜少了是事故。

靠经验判断还有一个更根本的问题：人脑同时处理的变量有限。交通流向、出行趋势、本地民俗、天气、车型分布……这些因素同时影响进店量，人工判断只能抓住其中几个，剩下的靠感觉补。变量一多，经验就不够用了。

让调度跑在需求前面

汽车售后是连山最早验证这件事的场景。外地车主在旅途中同样需要保养维修，但他们不在任何本地门店的服务记录里，不会提前预约，就近找一家进来。门店预判不到，就只能被动应对——零件用完了再调货，人不够了再加班，投诉来了再道歉。

连山做的是把这件事反过来：在外地车主出发之前，就预测他们会去哪里，什么时候会需要服务，大概是哪类车、哪类保养需求。连山把这些信息提前交给门店，让调度跑在需求前面。

去年春节，连山在假期开始前就预测到大年初一衡阳进店量会有47%的异常增长——衡山祈福是湖南当地的习俗，这一天大量车辆聚集在周边，这个信号在交通数据里是可以识别的。门店据此备了人，调了零件。国庆三天加班费21万，春节四天只用了15万，少的那部分不是压缩了服务，是减少了猜错之后的被动应对成本。

预测的三个维度

连山的预测逻辑建立在三个维度上。

空间维度，预测哪里会出现需求——车辆会从哪个城市流向哪个城市，哪些服务中心会迎来流量高峰。判断的不只是"某城市会变忙"，而是具体到哪几个门店会承压。

时间维度，预测什么时候——具体日期的车辆流入流出量，以及峰值集中在哪个时段。提前识别到1月29日衡山地区会有47%的车辆增长，靠的就是这一层，粗粒度的预测对排班没有实际帮助。

单车维度，预测哪些车需要保养——基于单辆车的行驶数据，判断哪些车的保养周期恰好落在这次行程里，预测它们在途中产生维保需求的概率。这决定了调哪些货、派哪些人，而不只是调多少。

同样的三层，在不同行业里有不同的形式。

食品供应链要追的是批次。空间上，哪些城市节假日人流激增、对应的门店需要优先补货；时间上，每批货的保质期窗口决定了最晚什么时候必须完成配送；单批次上，哪批货当前库位离消耗点最远、到期风险最高，就优先调配哪批。

文旅行业的核心矛盾是景区承载力。空间上，节假日哪些景区会迎来访客高峰，周边的酒店、停车场哪几个节点会首先承压；时间上，黄金周具体哪几天是最高峰，服务压力最集中的时段是什么；到了单个游客的维度，老年团、带小孩的自驾家庭、从外省来的访客，服务需求和风险程度各不相同，提前知道这次客群的构成，备什么人、备什么物资才有依据。

家电维修的需求有明显的季节性规律。空间上，哪些片区的维修工单密度会在特定时段集中爆发，新交付的住宅小区和老旧社区的故障类型完全不一样；时间上，夏季空调、冬季供暖设备是两个最可预期的高峰，极端天气之后的集中故障也有历史规律可循；单台设备上，品牌、型号、使用年限决定了故障概率，提前识别出哪批设备正在进入高风险区间，就能在用户报修之前把维修资源提前调配到位。

需求结构不同，但调度的核心动作是一样的：在需求出现之前，把资源放到它会去的地方。