快的打车“超级脑”数据变现记.docVIP

快的打车“超级大脑”数据变现记 　　 　　周五晚上6点40分，李菲（化名）在离家不到3公里的地方，用打车软件叫了一辆出租车，在不到1分钟的时间、系统通知了附近43辆出租车之后显示被抢单，与此同时，李菲的手机上收到一条短信：“我们额外支付了司机11元，这部分费用由土豪快的买单。” 下载论文网 /3/ 　　这次打车给李菲带来的愉悦感可想而知：之前望眼欲穿的苦等，现在则分秒可得。不过李菲或许不知道的是，从她按下快的界面的叫车键到系统启动用车通知“分秒”之间，快的后台已经完成了多轮筛选：根据用户画像和用车需求，匹配位置合适的出租车，再结合实时的地理位置和运能状况确立给后者的补贴金额――这些计算都是在毫秒内实现。甚至在更早之前，快的已经根据她的历史打车的行为特点，将其划归到了“?潘俊钡谋昵┲?下，由此她才频繁收到金额不小的代金券。 　　2012年开始成立的快的迅速地网络了360个城市中上亿员“快乐的大多数”：每天，300多万订单生成，每个小时，数十万订单数据汇入快的后台。而李菲们所不知道的是，他们的点滴打车轨迹正在汇聚成就一个全新的商业生态，而这也正是快的等打车软件的未来疆场。 　　用户画像：?潘亢屯梁赖牟煌?行为轨迹 　　快的“土豪式”补贴背后，其实也有着它自己的精打细算。就如快的公司技术副总裁朱磊对记者所说的，行业已经从粗暴的跑马圈地走入了精耕细作的时代，要花更少的钱获取更多的用户。 　　精准营销的前提是对用户的清晰认知。以简单的代金券发放为例，快的的历史数据呈现出两大类四种不同的消费习惯―代金券敏感型：发代金券才用、发代金券用的更多；代金券不敏感型：发不发都用，发代金券也不用。在快的的用户画像系统中，上述四种群体会被分别冠以?潘俊⑵胀ā⒅胁?、土豪的标签。针对四类客群的运营策略也会全然不同，最直接的就是代金券的刺激频率以及刺激金额，而对“代金券”免疫的土豪群体，则更多地需要在服务上做文章。 　　而在实际场景中，影响乘客对应用软件的使用黏度的因素要远比代金券复杂得多，在这种情况下，快的对用户的“贴身跟踪”就能及时发现薄弱环节，因此从用户打开软件到退出使用，其间的每一步情况都被快的记录在案：哪一天退出的，哪一步退出的，退出之后“跳转”到什么软件等等。 　　据此，快的也实现了用户另外一个纬度的归类，分清哪部分是忠实用户，哪部分可能是潜在的忠实用户，哪些则是已经流失的；更进一步来看流失的原因：因为代金券没有了流失？软件体验不好流失？还是等车时间太长而流失？―这些都是下一步精准营销的依据。 　　而对于快的而言，用户分析不仅仅是针对乘客，也包括司机、出租车公司的所有相关方。尽管基础信息大同小异，都包括人的基本信息、信用、行为信息等；也有一些通用的刺激手法，比如积分、礼物等。不过，不同的用户画像就对应了不同的刺激程度，而结合不同的场景，还是许多特殊的营销安排。 　　杭州市场就是一个很典型的例子。基于司机的地理位置信息，快的发现每天中午或者是每天晚上10点以后，司机都会聚集在一些固定的地点，可能休息或者就餐。所以快的就会在这些场所提供一些工作餐或者是优惠食品，通过线下的活动来提升司机和快的的合作关系。 　　产品生成的逻辑：更精确地匹配供需 　　维护好用户只是一个基础，最终目的是为了打通供需，生成更加优化的服务和产品。这也正是数据之于打车软件此类的O2O行业的重要性所在。“数据能解决一个核心问题，就是做供需双方的智能匹配。”朱磊说。 　　其实也很容易理解，公交、出租车、地铁都是对出行人群不同需求的对号入座，不过这样被朱磊称之为“粗暴式”的分类法应用起来效率低下，以一个司空见惯的打车场景为例，在路边拦车，可能许久都没有空车经过，或者是好不容易等到的车，司机问了地址之后还可能拒载―呈现一种杂乱无章的状态。 　　而在海量的数据基础之下，出行的需求被不断细分，而且是实时匹配。例如一个乘客下单之后，需求方的用户图像和需求同时被识别，结合供方的车辆条件和位置地图进行第一轮筛选，不过这个看似“正常”的订单却不一定符合实际，因为有一些订单发出来是司机不愿意接的，比如高峰时段的拥挤路段，那么在这个时候就要进行订单评估和内部调节，结合历史数据制定一些刺激措施、叠加“乘客自行出的小费” 来诱导司机，这样一个符合供需双方胃口的“合理”订单就生成了，下一步要做的就是实时调度，要考虑当时的交通情况、车的朝向、车速、附近是否有突发性事件等等因素，选择最为优化的方案。 　　完成了以上的步骤之后，快的才会把用车需求和奖励方案推送给经过层层筛选之后的出租车，这样李菲们打车的成功率大大提升了，而且所用的时间更短。“这是以前所有的产品做不到的，因为不能洞悉消费者的心理。在大数据应用下，消费者和供给方能够省略中间环节直接议价，这是一个模式上的变革性的突破。”