大数据预测 - 小鸣单车1毛用车的策略，可行不？.docxVIP

大数据预测 | 小鸣单车1毛用车的策略，可行不？ PAGE 10 大数据预测 | 小鸣单车1毛用车的策略，可行不？ 伴随着云概念的诞生，大数据逐渐进入了人们的视野，时至今日，想必对很多人（特别是互联网行业的从业者）来说，大数据已不陌生。我真正接触大数据的时间并不长，认识自然也比较有限。不过，对于大数据的神奇魅力却早已领教，并让我常常为之激动不已。于是，四处搜集大数据的文献和资料，尽管收益甚微，还是坚持着。常想着能够学以致用，那就从写东西开始吧，因此有了此文。在进入正题前，先来看看官方关于大数据的权威定义：对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。如此专业精辟的定义，身为大数据小白的我自然是写不出的。即便如此，我还是鼓足了勇气，总结出两点自己对大数据的基本认识：大数据就如同一位考古学者，可重现千年以前的历史和画面。她的还原是如此的逼真，就如同亲身经历一般真实；大数据又好比一位未卜先知的科学家，可事先告诉你，明天将要发生什么。她的预测是如此的精准，就如同告诉你，明早太阳会依然升起一样靠谱。至于大数据重现历史与预测未来之间，有着什么样的关系，如：哪一个容易些，哪一个更有运用价值，哪一个更神奇以及她们的运用范围有哪些等问题。本人虽有过思考，但很遗憾，并没有完全搞明白，故不做深入探讨。今天我们就从小处入手，以一个大家熟悉的例子，做一个简单的分析。思来想去，觉得用大数据来预测未来会好点，因为事情尚未发生，且预测结果，可以在不久的将来加以验证，更为有说服力，想想就挺美的！接下来就是要选个好例子了，碰巧，最近对共享单车关注的有点多，像摩拜、ofo、小蓝、优拜、骑呗、小鸣等共享单车，如雨后春笋般，涌现在各大城市的街头巷尾。共享单车对大家来说也不陌生，前段时间看到小鸣单车的收费标准，突然眼前一亮，以此为例，再好不过了。故，本文的主题是：通过大数据手段来预测小鸣单车1毛用车的策略的可行性。首先，我们需要了解清楚小鸣单车的计费方式：押金：使用小鸣单车的押金是199元人民币（可退）；车费：采用分段计费的方式，每半小时计费0.1元到1元，初始为1元。车费随邀请好友个数逐渐减少(受邀或邀请总数达到10位或10位以上，车费每半小时0.1元;而邀请了一位好友，半小时车费优惠至0.9元，邀请两位好友车费每半小时0.8元，以此类推，优惠累积上限为10位)。取消预约不收费。使用单车从开锁开始计费，手动关锁后打开APP点击结束骑行后方可结束计费。说实话，初次看到小鸣单车的计费方式时，觉得相当的不错，因为，当时还停留在传统的产品思维中，没有意识到大数据的存在。因此，第一时间想到的是，该计费方式想通过（第三方）社交属性、薄利驱动、人带人、口碑相传的策略，来达到吸引用户和廉价推广的目的，竟而在竞争日趋激烈的共享单车市场中立于不败之地。咋一看，该策略虽说有点老套，仍不失为明智之举。那么，现实发展真的能如偿所愿吗？现在，我们从大数据的角度，来分析该策略的可行性，以及其往后的走势和结局（如分析不当，请尽情吐槽，但千万别用板砖哈！）为了系统的说明问题，我们先设定一个简单的市场场景：（1）地点：深圳（由于小鸣单车最先从上海、广州铺开，因此，以此二地为研究对象会更好些。）（2）人口数量：1190.84万（16年常驻人口），加上非常住人口，应该不少于2000万（3）适用对象：深圳是个很年轻的城市，刨除老人、小孩，当然还有一部分其他人员，保守估计应该是过半的，市场潜力巨大，完全符合大数据场景应用的要求。（4）用户心理：以年轻的上班族为主，社交面广、关系错综复杂，近年来，利用社交关系互推的营销模式，在一定程度上，消耗掉年轻人的热情（这也可以算是该策略的一个弊端）。（5）竞争环境：同类产品有膜拜、ofo、小蓝、优拜、骑呗、智享单车等不下二十家，竞争激烈，出局的风险较大。根据上面的市场场景，为了能粗略的计算出小鸣单车的平均收费大概是多少，现建立一个简单的数学模型如下：样本容量：约1000人（可取大一点，结果会更准些。）研究时段：半小时（如一天中的17:00 ~ 17:30）用车频率：人均一次（这里看成理想状态，即每人用车一次）优惠力度：0.1*999 = 99.9（元），每位用户最多可以被邀请1次，故可贡献优惠金额为0.1元，而首位用户是主动进入的，因此无优惠（大