1704249050
1704249051
以往的评价机制，往往是消费者单方面的评价。这种评价有时候不顾客观事实，甚至出现恶意评价的情况。例如，某人在住一个酒店的时候心情不好，或者某个服务员不小心惹怒他，他也许就会否定这个酒店的其他方面，给酒店非常低的评价。消费者可以这样做的原因在于他可以不受约束。而以Uber和Airbnb形成的相互评价体系建立起了一个相互信任的机制，而不是单方面的、非客观的、带有明显感情色彩的意见。
1704249052
1704249053
以前在单向评价机制下，乘客以为可以随意非客观评价司机而不承担任何后果，但是现在如果他们这样做，那Uber等车的时间会越来越长甚至干脆叫不到车。原因可能是Uber司机给你的行为评了低分，其他的Uber司机因为这个评价不愿意载你。
1704249054
1704249055
对租客评分是共享经济正常运转的有力保障。很多人愿意把闲置资源租给别人，但这些车主房主一方面希望对租客有更多的了解，从而建立起更多信任，另一方面也希望能够对租客进行评价。Uber乘客故意损坏车上设施、在车上吸毒、让司机一直等待、说错误的上车地点等，会被Uber司机打低分。同时，Uber对评分又采取保护机制，司机和乘客并不知道具体是谁给自己评了多少分。
1704249056
1704249057
本书第三章提到波斯顿大学研究团队比较了TripAdvisor和Ainbnb上评分的差异。《纽约时报》对此进一步提供了例证。在美国旅游点评网站TripAdvisor上的Tropica酒店，它收到了很多差评。有的顾客抱怨说“有虫子！”，有的说它“价格超贵、质量超低”。将近40个评论中，有18个“超级糟糕（terrible）”的差评。但TripAdvisor上，酒店不能给顾客评分。
1704249058
1704249059
在Airbnb上房主可以给房客评分。这大概是45位顾客给Tropica酒店平均4星评价的原因。虽然租客会提到枕头上有头发、有些吵、有些热，但他们的评价里基调总是偏正面，会赞扬床铺舒服、很干净等。一方面这得益于Airbnb致力于打造和谐氛围，租客更觉得有做客的感觉，对一些不方便变得更加容忍；另一方面，正如波斯顿大学研究团队所讨论的，双向评分机制能更好地维系住平衡的分数。单向评分有可能导致一面倒的差评，引发羊群效应和分数雪崩。双向评分也会让每个人越来越公开透明。
1704249060
1704249061
对于很多共享经济的企业来说，其累计的消费评价大数据在征信领域作用重大。国内外不少企业正在从事大数据征信的研发、实验以及实践工作。但国内金融行业中成功运用大数据做风控的企业，只有阿里小贷等少数几家。他们能够通过累计的海量交易信息及资金流水，在几秒内完成对商家的授信。
1704249062
1704249063
相对而言，美国征信市场较为成熟。个人征信的数据先由美国三大征信局益百利（Experian）、爱克菲（Equifax）美国环联（TransUnion）进行处理，然后再由FICO Score和Vantage Score等评分机构进行信用评级，最后应用到实际的金融环境之中，该市场已形成一条成熟的核心产业链。
1704249064
1704249065
美国信用局协会（CDIA）还制定了用于个人征信业务的统一标准数据报告格式和标准数据采集格式，在将美国征信数据的标准推广至其他国家，以促进征信体系的全球化发展。除金融相关数据外，电商、电信业、零售业的数据也正在纳入征信体系。
1704249066
1704249067
另外，美国通过立法和行业共识，其数据征信体系也形成了相对统一的标准。以“个人征信”为例，其内涵由“5C1S”定义：品德（Character）、能力（Capability）、资本（Capital）、条件（Condition）、担保品（Collatera）、稳定性（Stability）。同时，信用的边界也得到了明确的刻画，即对于用来量化信用的数据基础形成了共识。
1704249068
1704249069
由于我国利用大数据进行征信还处于初级阶段，央行授权开展个人征信业务的8家征信机构也没有形成成熟的产业闭环。
1704249070
1704249071
1704249072
1704249073
1704249075
共享经济2.0：个人、商业与社会的颠覆性变革 催生数据驱动型经济
1704249076
1704249077
当一个公司步入成熟期时，平台使用的人数会庞大到无法逐个用户去询问需求意见。这时候，数据能传递出信息。通过对数据的分析以及对数据动态的观测，可以及时了解用户的需求，并对产品开发、资源分配进行相应的调整，甚至影响到公司的发展决策。数据的力量对实现一个公司的长足发展来说是不可或缺的。
1704249078
1704249079
把共享经济模式做到出类拔萃的公司，必定是优秀的大数据公司。比如Uber就拥有海量数据与核心智能算法直追Facebook和Google。
1704249080
1704249081
Uber有一个传奇部门，被创始人Travis封为“数学部”。在这里，聚集了一大票科学家和数学家，他们不仅掌握着Uber后台的路线规划算法，也是Uber价格战略的依靠。
1704249082
1704249083
Uber的涨价算法，把市场经济赖以为基石的供求-价格平衡做到极致，同时它的派单逻辑，把计划经济和共享管理的资源调度能力发挥到新高度。
1704249084
1704249085
Uber的董事会成员比尔·格利（Bill Gurley），不仅是一位出色的投资人，还一手经营名为“Above the Crowd”的个人博客。该博客里有很多富有真知灼见的文章，其中不少是关于创投以及深度介绍他参与的公司的内容。
1704249086
1704249087
柯林斯在1994年出版的经典著作《基业长青》里提到，顶级公司有一个秘诀是会设立宏伟、艰难和大胆的目标，简称为B-HAG（Big Hairy Audacious Goal），从而在任重道远，筚路蓝缕时有光亮可追。在比尔·格利看来，Uberpool（拼车）是Uber能维持基业长青、从优秀到卓越的又一大法宝。B-HAG式目标，在提出的初期，其实跟宏伟这种褒义词难扯上关系，毕竟大部分人并不能看懂，他们只可能把这类目标武断地理解为夸大（Big）、毛糙（Hairy）和狂傲（Audacious）。
1704249088
1704249089
Uber成立时的口号是“您的私人司机”，后来演化成了“给所有人处处行云流水般交通体验”。前后的转变，关键词是“所有人”。为了让Uber能为更多的人服务，Uber一方面要保持在实惠价格上的领导地位，另一方面要寻找新颖的方式，这也成为他们推出Uber拼车的催化剂。
1704249090
1704249091
Uber不单单包括用户端的App，还有值得称道的服务端智能系统，这个系统进行需求预测、塞车预测、司机匹配、司机定位、智能派单和动态定价。
1704249092
1704249093
Uber在国外有五个类型（UberX，UberTaxi，UberBlack，UberSUV，UberLux）。UberX是在2012年夏推出的，主打更便宜的出行体验。UberX推出后，数学和数据部门发现需求跟价格的高弹性特征：当Uber把平均每趟行程降到一个个更低的价格点后，消费者对Uber的需求显著上升。Uber在2014年的重心是优化效率，使得绝大部分乘客都负担得起UberX。
1704249094
1704249095
数学部门意识到如果能提升司机利用效率（司机每小时能跑的趟数），那么乘客要付的价格能降低，但司机的收益不会减少。于是他们通过不断优化算法，实现更多的交易量和更高的效率，来降低价位，扩大现金流。而低价又会催生更多需求、更大的流动性和更高的利用率，使得价格可以再降一轮。这使得UberX很快超越Uber原来的Black业务，成为Uber平台上体量最大的业务。
1704249096
1704249097
Uber这种“降低价格-需求增加-优化算法-效率更高-再降低价格”的正向循环模式的有效性，在多个城市得到实施和验证。有的城市短短两年之内能实现六轮降价。不同城市层出不穷的一轮轮降价，普遍使得Uber价格变得只有出租价格的40%～50%，但也给大众带来不少对于价格的困惑，以及司机对收入总量的担心。Uber通过分析过去不同价格点大量的供需数据和曲线，有能力对市场如何演进作出预测。因此Uber能用提早补贴（Forward Invest）的模式，尽快让这个市场达到更低的价位。
1704249098
1704249099
Uber拼车成为Uber2015年的重要目标。究其原因，无外乎以下几点：
[
上一页 ]
[ :1.70424905e+09 ]
[
下一页 ]