【“分秒”之间的多轮筛选，数据完成的用户画像系统，人们点滴的打车轨迹正在汇聚成就一个全新的商业生态。】

　　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。”

　　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“屌丝”的标签之下，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：屌丝和土豪的不同行为轨迹

　　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屌丝、普通、中产、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。”

　　而最终海量的议价数据将提炼成为一种“商业情报”，来推动新的产品和新服务的推出，比如智能定价系统，以从机场到望京这一段司机不愿意接的单为例，可能70%的乘客额外加了20块钱，少数人加了30块钱，而有的只愿意加10块钱，那么系统整合分析以后会得出21元钱是一个更合适的议价，那么最终的定价可能消费者和司机双方都可以接受。

　　因此，以这样的逻辑推导生成的产品才更能有的放矢，因为其生成不是来自于企业对市场的臆断，而是直接提炼于供需双方的心理预期和真实需求。

　　“回程单”的产品创设就是一个很典型的例子。最初是快的的数据分析发现一个异常的数据现象，就是司机的抢单意愿率在某一个时点会骤然下滑，过一段时间又会反弹，日日如此。通过对这个特殊节点分析，快的得出一个司机运营的特殊场景，就是司机收工的时间，接下来就是针对性地解决，因为不管司机是交班还是回家，肯定有一个固定的方向—这一点可以通过历史数据分析出来。那么快的要做的就是把同样去往这个方向的乘客分配给对应的司机；这样做是否就一定见效？所以下一步就要评估效果，看回程单是否真正提高了司机的抢单意愿，确定之后才能作为常规产品推出。

　　“产品的细分应用场景将会越来越依赖于大数据分析，从数据中洞察需求与商机，再结合大数据提供应用解决方案，将变成未来产品迭代的常规运作模式之一。”朱磊说，这也是快的产品的生成逻辑。

　　由“女神去哪儿”所引发的盈利模式畅想

　　不过正如朱磊所说，打车软件可以让传统的商业模式更加高效，更加酷，那么它的盈利模式又是什么？

　　当然，可以简单地收取一种平台佣金：司机做成一单交易，打车软件从中进行提成。且不说现在很少有司机愿意支付这种新兴的“份子钱”，而且这样一种缺少差异性的盈利模式需要寄生于垄断的生态条件下，而打车软件市场显然不符合这个条件。

　　机会正隐藏在数据密码中。2014年，快的打车发布了名为“七夕，女神都去哪儿了”的全国各地女生用车报告。数据显示，8月2日七夕节当日女生叫车时间最高峰为22点10分，其中叫车目的地为饭店占比最高的前五名分别为广州（49%）、重庆（40%）、上海（38%）、北京（35%）和深圳（34%），叫车目的地为酒店的占比前五名则分别是，长沙（53%）、深圳（49%）、杭州（46%）、上海(45%)、北京（43%）。

　　对于快的来说，这不是娱乐八卦噱头，这里至少暗含了两大“宝藏”，一个是知道特定时间的特定人群的聚集地，另一个则是特定人群在某段时间的消费行为。