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：
1704249100
1704249101
一是Uber拼车能放大对所在城市的积极影响。Uber官方的数据研究显示，Uber帮助减少了酒驾、停车需求和交通堵塞。因为绝大部分车95%的时间都是在闲置，所以拼车能进一步降低堵塞和污染。对大部分消费者来说，能提供除了买车养车，另外一种真正经济实惠的形式。
1704249102
1704249103
二是Uber拼车有技术难度。Uber拼车所要求的研发水平，无疑是最高的级别。要求Uber的工程技术团队尽最大能力发挥创新才华。但这也是真正令硅谷公司繁荣的核心所在。Uber创始人Travis在欧洲的DLD会议上，更加富有野心地勾勒“永动汽车（Perpetual Ride）”——让司机的车里总有乘客。
1704249104
1704249105
三是Uber拼车得益于Uber的领导优势。要让Uber拼车奏效，需要的基础用户量和交易流动性大。否则找不到足够多方向接近的乘客。Uber在2015年年初的巨额融资，大部分也指定用于Uber拼车。Uber继续豪赌于其数据和算法部门，借鉴UberX依靠提早补贴进行降价的战略，Uber拼车也将投入大量补贴。
1704249106
1704249107
四是Uber拼车能构筑面向未来的平台。很多人都揣测Uber会不会进军物流业。Uber拼车背后的技术和算法，无疑也能支撑货物运输，从而给Uber未来更多可能性。
1704249108
1704249109
Uber拼车背后的概念很直观，司机一开始不止搭载一人，而是目的地接近或者行进方向一致的两人。把第一个乘客放下后，司机可能还捎上第三个人。只要调度系统能保证司机每一趟能服务不止一批乘客，那么就能实现更高的效率，从而保证对乘客更低价。
1704249110
1704249111
Uber拼车服务在旧金山、纽约和巴黎推出后，后台系统已经看到很多习惯性拼车的乘客。Uber拼车看似直观，但实施起来绝对不简单。Uber的数据处理能力和算法水平就充分发挥了价值。
1704249112
1704249113
如果你对计算机科学理论或者运筹规划有了解，一定知道组合优化学里的“邮递员问题”（简称TSP）。要找到这类问题的精确解，需要进行大量计算量超高的线性规划运算。正因为这个计算量规模超大，实际上更有效的办法是开发近似算法，但近似算法也依然非常复杂。
1704249114
1704249115
Uber拼车抽象出的问题比TSP还要难一些。因为若把司机类比为邮递员，Uber要处理的问题中包括成千上万的“邮递员”，而且这些邮递员还不时上线下线，而且不像TSP问题里目的地是一开始固定的，拼车场景里目的地会有多个，而且会在过程中产生变动。另外还要考虑车的座位有限，不断有需求涌进。
1704249116
1704249117
Uber累计用户的出行数据。每日通过Uber叫车出行的用户数百万之巨，如此多的出行记录，使得Uber可以对城市交通趋势、出行热点有更宏观的洞察。高频用户的大部分出行都记录在Uber系统时，Uber更可以勾勒出该用户的消费习性、出行特点。当Uber从微观上更懂一个用户，并且在宏观上更懂一群用户，除了承接用户的出行消费需求，进而为用户提供饮食、居住乃至穿衣服务，都不出奇，而且有可能比传统的衣食住行服务商做得更有特色。比如Uber在加州就推出了Uber Eat外卖业务。
1704249118
1704249119
Uber还与众多衣食住合作方通过数据交换达成了合作。合作对象包括全球最大的饭店及娱乐休闲集团之一喜达屋（Starwood）。
1704249120
1704249121
2015年2月，Uber与喜达屋的合作形式是引导最忠实和优质的Uber用户注册喜达屋的优先顾客账号（SPG），用户一方面有机会获赠喜达屋积分（Starpoint），另外当用户在喜达屋旗下酒店住宿过一晚激活账号之后，每使用Uber每消费一美元，就可以获得1个喜达屋积分，起始地点如果是喜达屋酒店，获得的积分更多。这些积分可用于在喜达屋的消费。根据Uber的数据统计，喜达屋在全球290个城市的品牌酒店里，有72%的酒店支持这一积分计划。
1704249122
1704249123
这个合作形式，初听起来像是Uber把客户卖给了喜达屋。但用户收获喜达屋积分这一形式符合Uber“给用户带来流畅产品感受”的理念，多方合作多方获益。常常出行的人士里不少就是酒店消费的大客户。他们乘坐飞机，从商务舱出来，已经有Uber司机等候，坐上车，直奔喜达屋的酒店登记入住，并到酒店的吧台喝上一杯马提尼。虽然通过Uber叫到的不会是阿斯顿马丁跑车，但不乏詹姆士·邦德在007里的拉风和尊贵感。这个合作场景里，Uber的大数据能在两个方面产生威力：一是通过分析出行用户里本就是喜达屋消费者的群体，更精准地针对他们推广这一合作计划，提升他们的出行及住店体验和获益；二是将其他高端酒店消费群体转化给喜达屋。
1704249124
1704249125
Uber可以跟餐厅、酒吧、航空、购物中心、景点等开展类似合作，从而进一步巩固自己作为用户流量汇集和分发的平台。借助大数据积累更懂得用户的需求，借助智能算法更好地让用户需求满足得更流畅。
1704249126
1704249127
我国商务专车的日出行需求量为百万级，出租车的日出行需求量为千万级，而公交车日需求量为亿级。尤其在一线城市早晚高峰上下班困难是普遍存在的社会问题。一方面需求强烈，一方面大部分公交公司运营状况不佳，需要巨额财政补贴，也无法在运营模式调整和改革。但社会上巴士租赁需求很大，公司班车的运力闲置现象也很普遍。在供需错配的情况下，共享经济在巴士领域有蓬勃的发展潜力。巴士平台定位于连接社会闲置大巴资源和需求用户的智能出行，其后台一个核心环节是通过大数据精准的计算，帮助用户匹配或创建所需线路，弥补城市公交系统线路覆盖的空白。
1704249128
1704249129
滴滴在过去三年，累计了两亿用户大数据。如Uber拼车一样，滴滴拼车需要非常大的数据匹配。他们非常了解所有用户每天从哪儿到哪儿，而且是高频次发生这样的交易。每日计算的次数是10亿次，高峰时每分钟匹配200万次的需求，每天的数据分析是10TB的数据，每天连续上传的连续定位数据是50亿次，这都是非常大的数字，这是在其他任何国家都不会见到的。
[
上一页 ]
[ :1.70424908e+09 ]
[
下一页 ]