【“分秒”之間的多輪篩選，數據完成的用戶畫像系統，人們點滴的打車軌跡正在匯聚成就一個全新的商業生態。】

　　週五晚上6點40分，李菲（化名）在離家不到3公里的地方，用打車軟體叫了一輛計程車，在不到1分鐘的時間、系統通知了附近43輛計程車之後顯示被搶單，與此同時，李菲的手機上收到一條短信：“我們額外支付了司機11元，這部分費用由土豪快的買單。”

　　這次打車給李菲帶來的愉悅感可想而知：之前望眼欲穿的苦等，現在則分秒可得。不過李菲或許不知道的是，從她按下快的界面的叫車鍵到系統啟動用車通知“分秒”之間，快的後臺已經完成了多輪篩選：根據用戶畫像和用車需求，匹配位置合適的計程車，再結合實時的地理位置和運能狀況確立給後者的補貼金額——這些計算都是在毫秒內實現。甚至在更早之前，快的已經根據她的歷史打車的行為特點，將其劃歸到了“屌絲”的標簽之下，由此她才頻繁收到金額不小的代金券。

　　2012年開始成立的快的迅速地網路了360個城市中上億員“快樂的大多數”：每天，300多萬訂單生成，每個小時，數十萬訂單數據匯入快的後臺。而李菲們所不知道的是，他們的點滴打車軌跡正在匯聚成就一個全新的商業生態，而這也正是快的等打車軟體的未來疆場。

　　用戶畫像：屌絲和土豪的不同行為軌跡

　　快的“土豪式”補貼背後，其實也有著它自己的精打細算。就如快的公司技術副總裁朱磊對記者所説的，行業已經從粗暴的跑馬圈地走入了精耕細作的時代，要花更少的錢獲取更多的用戶。

　　精準行銷的前提是對用戶的清晰認知。以簡單的代金券發放為例，快的的歷史數據呈現出兩大類四種不同的消費習慣—代金券敏感型：發代金券才用、發代金券用的更多；代金券不敏感型：發不發都用，發代金券也不用。在快的的用戶畫像系統中，上述四種群體會被分別冠以屌絲、普通、中産、土豪的標簽。針對四類客群的運營策略也會全然不同，最直接的就是代金券的刺激頻率以及刺激金額，而對“代金券”免疫的土豪群體，則更多地需要在服務上做文章。

　　而在實際場景中，影響乘客對應用軟體的使用黏度的因素要遠比代金券複雜得多，在這種情況下，快的對用戶的“貼身跟蹤”就能及時發現薄弱環節，因此從用戶打開軟體到退出使用，其間的每一步情況都被快的記錄在案：哪一天退出的，哪一步退出的，退出之後“跳轉”到什麼軟體等等。

　　據此，快的也實現了用戶另外一個緯度的歸類，分清哪部分是忠實用戶，哪部分可能是潛在的忠實用戶，哪些則是已經流失的；更進一步來看流失的原因：因為代金券沒有了流失？軟體體驗不好流失？還是等車時間太長而流失？—這些都是下一步精準行銷的依據。

　　而對於快的而言，用戶分析不僅僅是針對乘客，也包括司機、計程車公司的所有相關方。儘管基礎資訊大同小異，都包括人的基本資訊、信用、行為資訊等；也有一些通用的刺激手法，比如積分、禮物等。不過，不同的用戶畫像就對應了不同的刺激程度，而結合不同的場景，還是許多特殊的行銷安排。

　　杭州市場就是一個很典型的例子。基於司機的地理位置資訊，快的發現每天中午或者是每天晚上10點以後，司機都會聚集在一些固定的地點，可能休息或者就餐。所以快的就會在這些場所提供一些工作餐或者是優惠食品，通過線下的活動來提升司機和快的的合作關係。

　　産品生成的邏輯：更精確地匹配供需

　　維護好用戶只是一個基礎，最終目的是為了打通供需，生成更加優化的服務和産品。這也正是數據之於打車軟體此類的o2o行業的重要性所在。“數據能解決一個核心問題，就是做供需雙方的智慧匹配。”朱磊説。其實也很容易理解，公交、計程車、地鐵都是對出行人群不同需求的對號入座，不過這樣被朱磊稱之為“粗暴式”的分類法應用起來效率低下，以一個司空見慣的打車場景為例，在路邊攔車，可能許久都沒有空車經過，或者是好不容易等到的車，司機問了地址之後還可能拒載—呈現一種雜亂無章的狀態。

　　而在海量的數據基礎之下，出行的需求被不斷細分，而且是實時匹配。例如一個乘客下單之後，需求方的用戶圖像和需求同時被識別，結合供方的車輛條件和位置地圖進行第一輪篩選，不過這個看似“正常”的訂單卻不一定符合實際，因為有一些訂單發出來是司機不願意接的，比如高峰時段的擁擠路段，那麼在這個時候就要進行訂單評估和內部調節，結合歷史數據制定一些

　　刺激措施、疊加“乘客自行出的小費”來誘導司機，這樣一個符合供需雙方胃口的“合理”訂單就生成了，下一步要做的就是實時調度，要考慮當時的交通情況、車的朝向、車速、附近是否有突發性事件等等因素，選擇最為優化的方案。

　　完成了以上的步驟之後，快的才會把用車需求和獎勵方案推送給經過層層篩選之後的計程車，這樣李菲們打車的成功率大大提升了，而且所用的時間更短。“這是以前所有的産品做不到的，因為不能洞悉消費者的心理。在大數據應用下，消費者和供給方能夠省略中間環節直接議價，這是一個模式上的變革性的突破。”

　　而最終海量的議價數據將提煉成為一種“商業情報”，來推動新的産品和新服務的推出，比如智慧定價系統，以從機場到望京這一段司機不願意接的單為例，可能70%的乘客額外加了20塊錢，少數人加了30塊錢，而有的只願意加10塊錢，那麼系統整合分析以後會得出21元錢是一個更合適的議價，那麼最終的定價可能消費者和司機雙方都可以接受。

　　因此，以這樣的邏輯推導生成的産品才更能有的放矢，因為其生成不是來自於企業對市場的臆斷，而是直接提煉于供需雙方的心理預期和真實需求。

　　“回程單”的産品創設就是一個很典型的例子。最初是快的的數據分析發現一個異常的數據現象，就是司機的搶單意願率在某一個時點會驟然下滑，過一段時間又會反彈，日日如此。通過對這個特殊節點分析，快的得出一個司機運營的特殊場景，就是司機收工的時間，接下來就是針對性地解決，因為不管司機是交班還是回家，肯定有一個固定的方向—這一點可以通過歷史數據分析出來。那麼快的要做的就是把同樣去往這個方向的乘客分配給對應的司機；這樣做是否就一定見效？所以下一步就要評估效果，看回程單是否真正提高了司機的搶單意願，確定之後才能作為常規産品推出。

　　“産品的細分應用場景將會越來越依賴於大數據分析，從數據中洞察需求與商機，再結合大數據提供應用解決方案，將變成未來産品迭代的常規運作模式之一。”朱磊説，這也是快的産品的生成邏輯。

　　由“女神去哪兒”所引發的盈利模式暢想

　　不過正如朱磊所説，打車軟體可以讓傳統的商業模式更加高效，更加酷，那麼它的盈利模式又是什麼？

　　當然，可以簡單地收取一種平臺佣金：司機做成一單交易，打車軟體從中進行提成。且不説現在很少有司機願意支付這種新興的“份子錢”，而且這樣一種缺少差異性的盈利模式需要寄生於壟斷的生態條件下，而打車軟體市場顯然不符合這個條件。

　　機會正隱藏在數據密碼中。2014年，快的打車發佈了名為“七夕，女神都去哪兒了”的全國各地女生用車報告。數據顯示，8月2日七夕節當日女生叫車時間最高峰為22點10分，其中叫車目的地為飯店佔比最高的前五名分別為廣州（49%）、重慶（40%）、上海（38%）、北京（35%）和深圳（34%），叫車目的地為酒店的佔比前五名則分別是，長沙（53%）、深圳（49%）、杭州（46%）、上海(45%)、北京（43%）。

　　對於快的來説，這不是娛樂八卦噱頭，這裡至少暗含了兩大“寶藏”，一個是知道特定時間的特定人群的聚集地，另一個則是特定人群在某段時間的消費行為。