大数据商业价值

 1用户画像

 

2 用户行为收集

3 精准营销

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，滴滴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。在滴滴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，滴滴快的对用户的“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，滴滴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。

而对于滴滴快的而言，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，滴滴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。所以滴滴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滴滴快的的合作关系。

4 消息对称

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。

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，滴滴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。