今天我们以滴滴为例，介绍一下网约车公司背后的大数据。

滴滴已经是一家大数据公司了。

从你一打开滴滴出行的界面开始，大数据就已经在为你服务。

下面我们从五个方面，分别介绍大数据在出行中的应用场景：

1. 智能分单

平台首先要解决司机与乘客的匹配问题。

不同司机对下车点、路线等等，有不同偏好；

不同乘客对司机服务水准、车况等等，有不同偏好。

采用大数据的方法，可以在司机和乘客的历史数据中，学习接单概率模型，提高司机和乘客的匹配度，优化司机接单能力和乘客出行体验。

下一次你使用滴滴的时候，记得你的评价数据，会被平台用于推荐你偏好的司机。

2. 智能拼车

乘客如果路线相近，又不赶时间的话，可以拼车节约出行费用；

司机则通过在相近路线上接送多名乘客，获取更多报酬。

在拼车服务后台，有拼车订单匹配、路线规划等算法。系统自动匹配多名乘客的拼车订单，并根据规划路线等信息提示优先送达哪一位乘客。

拼车的服务数据，又可以用于不断提高拼车模型的准确率。

3. 供需预测

你应该有过这样的体验：在某些时段或者某些区域，是很难打到车的，比如周五下班时的办公楼、下雨天的购物中心。

这是典型的供需不匹配问题。

如果采用价格杠杆，将出行费提高到平时的1.2~2倍，会损害乘客利益，增加用户流失率；

如果采用补贴，给接这些需求的司机发红包，又会损失平台利润。

而大数据的方法，可以基于海量实时出行数据，以数十亿订单数据和数百万司机位置信息为基础，预测任意时间段各个区域的订单需求和运力分布状况。

4. 运力调度

基于供需预测结果，对于正在发生的以及潜在的供需失衡状况，可以通过运力调度来解决，虽然目前的运力调度方式，在补贴等方面还有所争议，但至少供需预测可作为调度基准，在一定程度上体现了大数据的能力。

5. 热力图

平台的核心是连接，除了照顾好需求侧的乘客们，为供给侧的司机朋友们提供更好的服务，同样重要。

滴滴司机所关心的，是如何提高自己在单位时间内的赚钱效率。

大数据平台，可以基于对历史数据的统计，结合实时订单数据，给出当前全城范围内订单密集区域的分布，给司机提供有价值的听单位置参考，提高听单概率并减少司机空载时间。

以上我们介绍了滴滴大数据的应用场景，简要回顾如下：

智能分单

智能拼车

供需预测

运力调度

热力图

你的下一次出行路上，感受和思考一下，大数据为出行服务带来的变化吧。