大数据与美团外卖的精细化运营

导读：如今，外卖已经成为很多人生活中的一部分，一身黄衣、满街飞驰的外卖小哥也早已是我们熟悉的城市风景线。然而，大家可能想象不到的是，看上去简简单单的送盒饭的背后，其实也有很多黑科技。2013年11月上线的美团外卖，在两年半的时间内成为中国最大的外卖平台，最近日订单已经突破400万，这个数字放在所有电商交易平台里也能轻松排到前列。而这种高速发展背后，与大数据技术的支撑和精细化的强力运营是分不开的。

本文选自美团外卖商业分析与策略负责人马宏彬和美团技术架构负责人夏华夏于2016年6月2日在清华大数据“应用·创新”系列讲座上所做的题为《大数据与美团外卖的精细化运营》的演讲。

夏华夏：下面我来介绍一下，我跟马宏彬将会与大家分享美团外卖在大数据方面的一些应用。虽然美团外卖在大家看来就是一个送盒饭的。但是在送盒饭这个行业里，美团外卖充分结合自己的技术优势，把业务做到极致。美团首先是一个互联网公司，美团的团队之前做校内网（人人网的前身），后来做饭否网，再后来因为某些原因饭否网被关掉之后，开始转做美团网。

美团外卖2013年正式上线，我想跟大家分享的是怎么利用互联网的基因，怎么利用技术的优势来把送外卖这件事做得更好。

首先我想跟大家分享的是你怎么利用互联网的基因，怎么利用技术的优势来把送外卖这件事做的更好，然后会请马老师来介绍这里面最高大上的整个业务的战略，介绍战略里面又怎么利用了一些数据分析以及大数据的技术。

先简单介绍一下O2O模式，O2O有很多种说法，比较常见的说法是线上和线下的结合。其中涉及平台、商户、消费者三方，他们共同参与到交易的三个方面：信息、支付、履约。

“外卖O2O”是一种特殊的O2O形态，多了一个配送和调度的部分。其他像信息发布、用户信息的搜索以及支付和以往都一样，但是履约部分就由消费者到商家店里消费改成配送上门。配送团队首先报告给平台，每一个配送员的位置在什么地方，平台根据这个定位、根据订单的信息发起调度，告诉配送员去取哪个订单，然后这个配送员就可以去商户那边把订单取回来，送给消费者，这是外卖O2O的模式。

为什么这个模式对我们整个消费者群体和我们社会是有意义的？对商户来说，一方面我们可以帮他们解决知名度的问题，可以通过这个平台触达更多的用户。另一方面由于很多的消费不是发生在店里，商户不需要租用一个好地段的店铺、不需要租用一个大面积的店铺，可以减少店铺的租金。

对用户来说，他可以有更多的选择，并且对现在很多追求生活享受的宅男宅女或者一些生活节奏比较快的人，这也是非常方便的。

看起来，这是一件盈利模式极佳的业务，商家成本降低流量增加，用户得到了便利，作为平台的美团外卖也可以从商家的销售提成。但是理想和现实总是有很大的差距。天下本来就没有免费的午餐，如果这个业务那么好做，为什么国内还没有做起来？国内整个餐饮业务是三万亿的大盘子，外卖只占4%，跟欧美的很多发达国家占百分之二三十相比是有很大的差距。

原因是，这个业务里面有很大的成本。对平台来说，我们虽然跟商家要了一块钱、两块钱，跟用户要了好几块钱的配送费，但是实际上至少在现在这个阶段，我们还需要很多的支出。

给大家列几个我们的主要运营成本：

补贴，对一个快速发展的新业务来说，我们需要获取大量的新用户，同时我们又需要照顾3亿多老用户，留住老用户也需要一定的代价。

刷单，我们需要去限制那种恶意的通过刷单来套利的做法。

配送，每一个订单都需要配送。我们更需要管理上万人的团队，如此庞大的团队的协调、管理、组织，包括业务策略的制定都是很大的挑战。

接下来我们会按照补贴、刷单、配送这个顺序给大家简单举一些例子。

用户补贴。用户补贴在很多情况下是很有必要的，因为对我们来说用户是上帝，我们希望有更多的新用户到我们平台上来，也希望留住老用户，这是我们业务发展的重中之重。

大家可以看一下，我们很多过去用户的补贴。对于很多的新客会推出一元吃大餐，新客第一次买会减25块钱，25块钱对一个用户来说可能不是很多，但是对于整个平台来说，如果有那么多的用户，就显得很多了。很多时候我们会推出一些红包，一些新客的红包第一次用，通过朋友分享，可以让你的微信朋友拿到红包。我们以后也会推出一些老客的红包，这个价值都是变的，这个显示的是最低档，我们没有低于一元的红包，也会有很多面额很高的，现在有六元、十元、十几元的红包。这么多的红包发出去，这么多补贴做出去，发现有的时候效果不是那么好，有很多不同的配置，一种情况比如说，有一些用户觉得，你给我发红包是没用的。比如，有的用户不需要补贴，有的用户需要补贴，也有的用户虽然需要补贴，但是补贴了对我们的业务没有帮助。这个用户是不是需要给他补贴？这是不一样的。

第二是用户在什么时间用补贴？有的用户可能在周末的时候才点外卖，平时的时候在公司上班，公司有食堂，也不需要自己带饭，到食堂买饭就可以。但是到周末没有人给他做饭，这时候需要点外卖。有的人只在上班的时候点，还有的是夜猫子型的，可能晚上给他推个红包特别有用。最有理想的情况是，我们能预测每个用户他即将点外卖了，我们提前一、两分钟给他推一个红包是最有用的，所以时间是非常重要的。

用户需要什么形式的红包？比如说我是不是给他一个特别品类的红包，比如是一个夜宵的红包，还是给他一个下午茶或者是早餐的红包。有多大力度？有的用户可能给他一块钱他无感，有的用户给他十块钱，他消费不了，到底有多大力度的补贴也是非常有讲究的。

用户在使用补贴之后，到底是什么行为？我们之所以给这个用户补贴，是希望通过给这个用户补贴，把他吸引到我们平台上来，之后就源源不断地能在我们平台上消费。但有一种用户我们叫做是“薅羊毛”型的，就是我给他红包他就来，不给他红包他就不来，如果我们一直做就亏了。所以我们希望预测一下，用户使用补贴之后，下单之后，他以后的行为是什么样的。这是我们用户补贴里面需要考虑的一些问题。

先把用户分成几个象限，用户两个维度，一是用户的留存率什么样，一旦把用户拿到我们的平台上，他有多大的可能一直留在我们平台，就算我不给他补贴了，他还会不会留在这里？所以这个留存率是有高有低的。有的用户只有给他红包的时候他才留下，这是留存率比较低。

还有一个维度，用户自动转化的概率有多大，其实我们发现每天都有很多的新客进来，很多新的用户没有用红包就过来了。还有的用户只有给他用红包，他才完成转化，但是转化之后就可能一直留在这里，因为之前的渠道可能不足以让他接触到美团外卖，或者说在使用美团外卖有一些门槛，比如说完成支付的门槛、需要建立帐号等等，如果我们作为补贴把他拉过来之后，他越过了这个门槛，以后就留在这里，这个很好，所以就有这么几个象限。

我们说，用户自动转化意愿高的，不给他红包他也愿意过来，如果能识别出来这个最好，就可以不给他补贴。还有一些只有发他红包他才过来，给了之后他又会流失的，第三象限这一块，就是我刚才说的就是那种“薅羊毛”型的，这部分用户我们认为也最好不给他了。我们需要识别那些给了红包就可以一直留在我们平台，即使以后没有红包。我们怎么知道用户属于哪个象限的？这需要我们用大量数据做挖掘。

对于每个用户来说，我们希望给用户做一个用户画像，首先通过各种手段知道他的年龄、婚姻状况、收入水平、消费习惯包括他在什么地方，他喜好是什么样子等等，如果知道这些东西，我们再做一次用户模型的训练，我把这些各种参数跟我们四个象限再做一次训练，就知道给什么样的用户推红包。怎么做用户画像呢？

这是数据挖掘的流程示意图。在美团外卖里面有大量的数据，首先我们为什么说美团外卖也是一个大数据公司，我们每天有大量用户浏览网页、大量用户在网站上购买、用户的位置属性和手机型号这些数据我们也都可以获得，另外还有用户自己填写的性别、年龄等，这些都可以帮助我们做用户数据的挖掘。

有了这些数据之后，通过数据挖掘的算法，把用户做了深入的挖掘之后，再去完善用户的各种画像。就可以得到一个模型。

然后对于任何一个特定的用户，我把他的一些浏览购买历史的信息输入这个模型里面，就知道这个用户很多具体的特征。例如说他的年龄25到30，可能是一个刚毕业没多久的白领。例如他是一个夜猫子，我们就在晚上给他推荐一些夜宵。比如说单身理工男，他可能就不太喜欢这种甜食、水果之类的。这就是我们在通过大数据挖掘得到很多用户画像的信息，再反过来用在我们用户营销、用户补贴、红包推送方面，可以大大提高我们的精准度。

如果理想情况下，我们把原来随便撒红包的形式，限制在一个象限，我们资金的使用效率就会更高。所以这就是大数据在用户补贴方面的使用。

有用户补贴往往会带来另外一个问题，就是刷单作弊，一般有利的地方就容易产生这种情况。刷单就是一种行业毒瘤，简单来说就是一些作弊的订单，作弊的交易。他们有很多不同的目的，比如说他们用大量虚假的订单套取补贴的利率、套现。

还有制造一些虚假的订单量，一个店上去之后，本来一个月卖三单五单的，通过大量的虚假订单，这个月一下子卖了一千单。因为我们网站对商家排名的时候是按照销量排名的，把他刷上去，他的排名就在上面，就会带来更多的流量，这就是制造虚假订单。

还有一部分是利用虚假订单写一些虚假的评论来误导用户。

跟补贴相关的，主要是补贴套现这部分。

给大家看几个例子，这个是打车行业，这个人非常有创意的在车的天窗上面夹了六个手机，一个人开车，另一个人坐在后面帮他刷单。滴滴、优步补贴都很厉害的时候，据报道说，他们收获非常丰富。除了打车，其他行业会这么刷单。

上面这图看着像路由器似的，其实是插电话卡的。这一个里面可以插64张电话卡，我们专业人叫“卡池”或者叫“猫池”，专门用来刷单，在网络平台他们已经形成了一个产业。

与刷单行为作斗争对O2O行业的发展是非常重要的一个事情。去年的一些报道，比如说去年9月，新京报报道说“O2O烧钱催生刷单黑洞”，新财富报道，“他们怎么月入数万”，IT时报报道“职业刷单者月入五万不是问题”，搜狐科技说“职业刷单人可以月入十万”，所以大家是不是觉得不用在这里听大数据的分享了？当然现在在我们多方努力下，刷单已经被控制的差不多了，现在再去入这行已经晚了。为什么？我们已经有很多的手段了，一遇到问题就可以去解决。

这是我们最初用的办法，在网页上面放了一个链接，举报刷单，运用群众的力量抑制刷单，让大家举报。这个有用吗？这个的确是没有什么用，因为真正刷单的人，像在家里用“猫池”刷单的人，别人是不知道的。链接放上后好像也没有接到几个举报的，而接到的举报经查，往往是商家的一些竞争对手为了打击对方虚假举报，所以这个没用。那我们怎么办？最终还是要靠大数据的技术手段来抑制刷单。

这也是一个简单的示意图，我们会收集大量的数据，包括每个月用户所有的下单历史、浏览历史，商家的销售历史，比如说一个商家销售一千单，这一千单到底是卖给了一个用户还是卖给很多个用户，这里面可以找到很多的规律。配送员的配送记录，我们现在每一个订单是由配送员配送的，每个配送员的app要每隔十秒钟往上报一下他的地理位置，所以我们有所有配送员的路径记录。同时有一支运营团队去人工分析，到底哪些订单是刷单的，有哪些特征。利用这些人工的样本作为种子，加上上面的一些数据，同样的把他输入到我们的整个基于学习的引擎里面。

最后我们就会做出这个防刷单模型，基于这个刷单模型我们就可以判断说，这个用户刷单的可能性有多少，商家刷单的可能性有多少。对可能性比较高的，我们运营人员就会介入进去，去分析，如果是真的就加以比较严厉的惩罚，轻的，就追回刷单的赃款，如果重的话，就以欺诈的罪名，与法律机关配合做一些动作。

接下来介绍很重要的一部分成本——配送成本。配送，按照我们现在的现状，我们每个配送员大概平均每天配送二十单上下，现在每天峰值四百多万单，按照对我们行业的认识和我们自己行业的增长，预估到2020年的时候，每天到3000万单，大家可以算一算，未来如果还是保持这个配送效率，需要大概150万配送员。这是一个非常大的数字，关键是成本很高，每个人要支付很高的工资。好的方面是，我们帮社会解决了这么多人的就业，但是我们的确付出了高昂的成本。

订单数是减不了的，甚至有可能更多，怎么优化这一部分成本？只能是通过技术手段提高每个人的效率，提高每个人每天能送的单数。

先给大家看一个配送调度的示意图，黑色的袋鼠假设是我们的一个配送员，我们也叫骑手。我们没法预测用户下单的位置。每个用户下单频率不一样，下单的餐馆也不一样。我们这些骑手站位要怎么站？这么多订单要让哪个骑手取哪个订单，用什么顺序送这个订单，这些在极大程度上影响了他的能效。

我们把这个问题逐渐用数学的思路建一个数学模型，需要解决两个问题，第一，把订单分配给这些骑手，同时告诉骑手要怎么走，以什么路径来走。想要达到的目的是什么。订单是什么类型，比如有些订单是冷饮，有一些订单是热饮，这两个订单就没有办法合在一块。还有一些订单比如说盒饭，可以一个配送放好几个盒饭没有问题，但是我们也有商品外卖，比如说他购了几箱水，或者说了购了几袋大米，二轮电瓶车就歇菜了，所以不同的订单类型需要有不同的运送工具。下单时间也需要考虑，用户什么时间下单的，商家大概在什么时间可以出餐，用户下单后商家会需要一段时间来做餐，有的商家很快比如说麻辣烫很快就出来了，但是有一些正餐可能需要准备很长时间，不同商家需要的时间也不一样。

另外，用户希望外卖到达的时间也不太一样，我们会给用户承诺，大部分订单是45分钟甚至35分钟就送达。但还有一些用户就希望指定，比如说今天上午定，希望今天下午六点半送到我这儿。我们会把这些信息收集起来，配合骑手的信息，包括骑手的数量，每个骑手的地理位置会时时上报上来。每个骑手的手里有什么订单会上报上来，包括每个骑手骑车的速度，有的烧汽油的，就跑的很快，有的电动车就跑的慢，还有的城市限摩限电，他们就只能很辛苦的骑着自行车送。比如说有一些天气不好的时候，也要考虑，比如说下雨天、冬天下雪天的时候，很多配送员是步行送餐，这些信息都要考虑进去。

如果考虑一个数学模型，目标函数就会优化很多的变量，比如说每一单平均的行驶距离，因为我们根据这个给配送员付工资的；配送时间，这个决定了用户的体验；运单的准时率，如果用户希望今天晚上六点，我们就今天晚上六点；如果订单很多，我们的骑手有限，实在送不过来，希望最坏的体验也不要太坏；还有骑手的满意度，在我们技术团队看来，骑手也是我们的客户，所以希望在分派订单的时候骑手也是满意的。这是我们想要优化的地方，我们可以决策的变量，比如说每一个订单让谁去取，建议每个骑手的距离是什么，会有一大堆的约束条件。比如说每个骑手最快跑多快，有的骑手箱子放多少盒饭，包括一些餐馆需要一些时间准备我们的饭，还有我们的交付时间，还有到底有多少骑手可以用，这些都是我们的约束条件。之前我们去调研了很多，发现这个问题非常难。它跟之前我们在算法上研究的旅行商问题即TSP问题很不同。TST问题，包括现在像顺风这种快递公司用的快递的问题，以及优步和滴滴打车的调度问题，比他们都复杂得多。在外卖的场景下，每个骑手可以同时接很多单，他可以沿途不停的接单，这就跟TSP不一样，TSP是从一个起始点批量取很多订单，比如说我拉一车包裹，规划好路径，我用一天来送就可以。还有我们每个订单必须在45分钟之内送完，所以约束条件非常多。现在在学术界是没有非常高效的解决办法，我们在尝试很多种不同的算法。

这是我们现在使用的一套系统。我们同样会拿出很多的特征数据来挖掘，包括给骑手画像，骑手的骑程速度、送多少，他的箱子能送什么，骑什么车送外卖，等等。商家也会给他画像，这个商家一天最多出多少单，可以做多少盒外卖，商家从接到订单到准备好订单平均大约几分钟等等。还有各种配送指标包括统计指标，包括骑手上报的各种路径，然后我们都会放在这里面去挖掘。挖掘之后，我们会结合做的一个数学模型在一个仿真平台上运行，运行之后发现这个算法可以，就放到一个实时的海量计算平台上给我们实时的这些订单做实时调度。调度算法是基于一个多目标的运筹优化的数学模型。做调度的过程中，再同时监控每一个订单，监控实际配送时间跟预期的配送时间是否相同，骑手实际走什么样的路径，跟我们预期的最佳路径是否相同，还包括有一些骑手给我们反馈一些不好的调度的方案，等等。我们把这些信息都收集回来，再输入到我们的回放平台，找到那个时间点再回放一下，这样可以指导我们看这个算法有什么地方可以优化，或者需要加一些什么新的数据参数进去。

这个数据量特别大，现在包括了骑手的数据，现在十几万骑手，每十秒上报一个位置，所以有特别多的点。再加上我们因为要给全国很多城市做配送，专门跟气象部门合作，购买了每个城市的实时气象数据，然后我们会根据气象数据知道城市的雨雪情况，根据这个天气情况做调度，这个输入的数据特别多。基于这个，我们正在配送的调度方面不断的去探索。当然现在离我们真正的所预期的一个目标，我自己预期，是希望每个人每天四五十单，现在我们送二十单还有很大的距离，但是我们现在一直在做一些优化。

但是我们有几万员工在全国各地，这么多人业务的协调，怎么更有效的来配合，这就需要我们的马宏彬老师，他所在的商业分析战略团队做了很多工作，下面有请马老师。

马宏彬：今天从业务的角度，简单说一点，这个可能有点打击，因为作为一个需求方，大家搞大数据的时候，必须明确一点，那么多的算法最终呈现出来是在某次会议上，不管用多么花哨的分析，必须是让会议上人士能够听懂的这件事情。将来大家加入这个行业里，真正做大数据的时候，想想这个结果的终极场景是什么样的。不好意思要黑文科生一下，如果你的领导是一个文科生，你跟他讲这个过程中有这样那样约束条件、变量、算法，他很有可能其实根本不知道你在说什么。所以我觉得站在我业务的角度有一个建议，不管大数据、中数据还是小数据，在结论层面非常简单、非常有力。如果他搞不懂的时候，他问你的时候，你跟他说一些算法之类的时候，他也搞不懂，所以一定要站在最终的使用场景上来考虑如何应用数据。我曾经还懂点技术，但是现在技术几乎是盲的，我只知道我大概每天需要花多少钱。我们是整个业界、互联网界今年第二大的补贴大战，仅次于滴滴和优步，然后每天补贴烧钱，就由我们这个部门来完成。

所以第一个小建议，不管什么数据，一定要站在一个听众的角度。所以结论有力，逻辑要清晰，你可以知道过程，过程留给你自己。之前和我们团队一个很不错的小伙子一起开会，我说我想看看竞争对手最近的补贴是什么情况，因为大家都在烧钱，我想知道补贴什么情况。然后同学非常有信心的过来聊了一下，说马老师我这个想清楚了，基于他大概客单价是多少，用了一个正态分布，用一个三角形的这种概率分布，估计大概是一个什么样的价格空间，套上他的三种活动呈上去，最后得到一个大概的补贴率。我对这个事整体上是听不懂你在说什么，然后你这个三角形概率和正态分布的概率错了怎么办？你怎么知道这件事情一定是这个东西，他用了非常复杂的算法。我说你大体上来讲就是一个非常靠谱的不精确，非常靠谱的模糊，就是这个算法很靠谱但是结果基本上是没有办法使用的。后来换了一种别的方式,虽然不精确,但是很靠谱,可以知道大体上知道方向怎么走。所以我今天第一个观点就是，所以把最上面上的事情想清楚。

第二个建议，还是结合终极使用的场景。我以前做咨询做惯了，《金字塔原理》大家都听说过， BCC叫假设驱动，你在决定干一件事的时候，大体上得先知道分析什么，这件事大体上有哪几种，可能其中的假设是一种。我们很多时候常见的年轻同学的工作特点，叫boil the ocean“煮大海”，什么叫“煮大海”，我不知道，先给你们分析，一会儿再说。先跑一轮数，出来以后看看结果，可能这个用户画像是这样或那样的，这样工作大不说,也没有重点,搞不清楚来龙去脉,做任何分析,一定是我在做这件事情之前大体就有初步的假设，然后通过数据挖掘来预测这个事情。

举一个我们内部看市场份额的例子,外卖的市场份额现在差多是100亿的盘子一个月，一个非常迅猛的发展速度。主要的玩家越来越清晰，盒饭三巨头饿了么、百度外卖、美团外卖。

盒饭三巨头里面，介绍一下美团的一些小数据。12月份当时通过23亿，当时整个单量通过300万单，很多城市单月交易额持续破亿。

然后，我们当时就看见系统，怎么用数据做这些事。我们的校园市场和白领市场份额都是第一，感觉还是挺牛的，但是实际上是不是这样，你要不断的自省，基于一个数据只能看到我们市场份额是多少，数据稍微往下细看一下.第一点，把中国按照不同城市等级分一下，我们订单是海量的，按照不同的城市等级把它划分出来，比如说北京肯定是一级城市，到我们家黑龙江、牡丹江那边肯定是三线四线城市，他有自己的一个排名。我把中国的城市按照一二三四五六七八的等级分别排以后，比如说我一开始觉得我的市场占有率是百分之三四十，我按照这个，我把我们的订单归集到不同的城市，最后再在整个全面层面呈现出来以后，就发现特别好玩儿的现象，在北上广深杭我们市占就比较低，偏一些，比如到我们省哈尔滨就觉得好一点，到牡丹江就发现我们太牛了，简直是百分之百的市占，因为别人都没去。这是我们当时应用数据最简单的例子，就是用数据按照城市等级分析整个的市场份额.所以基于这种分析，随便往下看一个维度，把订单和城市的维度结合起来，再看你的市场份额形势还是很严峻的。农村包围城市，这就是我们当时面临的一个现状，这是基于数据分析的结果。

第二，统一城市类也是不同的商圈，大家知道国贸、五道口，这些都是比较繁华的地方，到我住的立水桥就是更偏一点。同样在北京，实际上看起来市量很高，但是打到不同的商圈再来看，又不一样了.同一个城市商圈再来看市场占有率，比如说在北京，市占看起来还可以。但是我还得用大数据还是中数据再去细看，你这订单都是哪儿产生的？归集到地理位置，究竟是在回龙观产生的还是昌平产生的？国贸还是五道口？把基于这个数据再看，还真的都是在我家地方产生的多一些。在国贸地区，好像没怎么见过，在国贸地区你想想应对的是什么样的消费者？相对来讲比较挑剔的，在这些地方像城外的消费者相对来讲就没有那么挑剔,可能对价格更在意一些在国贸对你的要求很高，在立水桥可能要求不高，就很难感受到消费者的声音。华夏老师刚才算法的接近条件就不用改，他觉得不错，消费者没有什么意见，感觉45分钟也基本上搞得定。但是在国贸每天就很紧张了，不断地投诉，所以这儿如果是两种态势下，大家能感觉到出现的状态是什么？如果你的产品是围绕国贸的用户打造的，他的整个产品技术性能会越来越好，城外就有点不思进取。只要把这儿搞定了，比如说他要求45分钟，但35分钟他也不会觉得难受，也觉得还好。如果在这样的一种市场环境下打，就会发现非常大的问题。所以如果在这儿被别人把市场定位占领了之后，别人去攻打你这儿的时候，你根本抵挡不住。

所以把市占如果从另外一个角度，这也是基于各种数据，围绕这个角度，一看我们的市占必须得清楚自己的数据最后打到不同的地方，市占哪里强哪里不强。

再分析第三点，按照不同的配送方式来思考市场占有率，从结论的角度出发，非常简单的结论，我在数据曾经就可以做很多的更细致的分析要求。这是我同学给我发的，大数据问题，为什么在街上看到百度外卖送餐小哥要比美团多很多呢？是区域覆盖的关系吗？我住东三环、四环之间，还有五道口也是整体上都是。这是大概去年十月份的时候发生的一个状况。很多用户也反映说美团外卖送的慢，百度外卖送的快。

我下面放了一张图，《速度与激情》大家估计都看过，结尾的时候歌响起的时候，两个人在路口分开。我为什么放这张图？大概去年某个阶段，我妈也跟我说，自从我进了外卖，他天天关注我们小区内，他用了一个小样本的采集方式，关注我们小区内的哪一家多哪一家少。有一天，他说最近百度特别多。一天晚上我回去之后到我们家看，三个百度的车进到我们家院里，在小区的中间某个口的位置，分了三个方向，各拿一个旗就冲出去了，我当时脑海里呈现的就是《速度与激情》的这个画面。

当时心里就想，出现了什么问题？因为我看市场份额觉得差不多，问题差的不是很多。感觉在北京，我们觉得是三足鼎立，但是为什么呈现出来的结果是压倒性的优势？最后我们就把我们的市场份额，是不是配送？是不是平台配送方式的来拆一拆？突然之间你就明白了是什么问题，我们在平台配送，专送的领域内，尤其在北京，被百度绝对性优势压倒了。一旦他把这一块市场站住了，把这一块用户服务好了，把整个体验做好了，整个的过程双方不在同一个维度上，我们就有点被人降维攻击了，出现这种状况。这也是导致我们后来策略的一个调整。

今天我路过望京地区，见到穿黄色衣服的都是我们的骑手。我不知道大家是否有这种感觉，现在大街上某个稍微繁华的路口，大部分时间都能够看到一两个穿黄色衣服的骑手。用专送之后，整个骑手制服各方面挺精神、挺帅气的。我们搞了专送以后，整个用户体验变好了之后，用户体验变好了，走访消费者，很多人说觉得你穿上制服以后觉得比较正规，我们以前其实都不是，都是各个商家自己出去的配送员。但是现在穿制服之后，可以进行统一管理，这方面相对好一些。所以按照不同的方式思考占有率，这都是对数据的一个最基本的应用。结合业务数据思索背后的原因。

我们一定得有点竞争优势，专送实际上就是能让我们建立竞争优势的好方式。什么叫竞争优势？就是我们牛，你想赶都赶不上我们，根本超过不了我们。但总体来讲，一般业界你要是比别人厉害，他超过不了你，要不然你有特别牛的产品和服务。

还有另外一种，比如呷哺呷哺的火锅，我觉得不难吃，也谈不上口味多难忘，但是他特别便宜。所以他这种就属于我也不指着我的服务和产品比别人好特别多，就是便宜，我通过我整个店内的摆放、服务员成本、店面的成本、厨子的成本全都降到最好，就是比你便宜很多，你60我30，所以我每天的翻台率高，包括我的整个房租成本就进一步打下去。所以说到底，一个行业，你真的要和别人拉开竞争优势要不就是服务跟体验特别厉害，要不就是成本控制上特别厉害。我们这个行业，大家的成本其实差不多的，主要还是就是拼体验，我现在如果有专送肯定比非专送的体验好一些。我在大街上能看到到处都是黄色的小袋鼠，经过我们培养和训练的这些配送人员确实是在礼仪方面、服务态度方面还是不错的，我们觉得这实际上是建立竞争优势非常好的一个方式。所以说这都是基于数据看到的。

还有一些可以用的方式，你可以基于用户下单的频次做一些优惠敏感度的分析。外卖平台有补贴大家都知道，没有补贴是不行的。但实际上，各家企业的补贴都降的差不多了。第二点，你在整个分析这个用户敏感度的时候，你基于不同的单价，看一下补贴降低的过程中，大家的活跃度、消费频次的变化，这是很简单的一个事情，比如说我脑子里带着这个结论去看，然后基于华夏老师提供的数据，我们就把每个订单锁定到每个用户，然后看不同的这种单定价的范围内，用户的的消费频次的变化，你惊奇的发现，随着补贴率的降低，高客单价的用户消费频次反而在提升，高客单价用户的整个的这种活跃度反而在提升，你就会思考，为什么会出现这些事情？你知道整个行业的体验在改善，体验改善包括很多种，一个是速度越来越快，送的越来越标准。最早送的外卖多数是地沟油产品，我当年在清华读书的时候，点餐体验不是那么好。今天在点外卖的时候，就发现各种品牌非常好的餐厅都在我们外卖平台上。你会发现随着平台供给的各种改善，其实消费者对整个补贴的敏感程度是不高的，都是通过大数据的来分析出来的。

还有一个方式，烧钱补贴大战，补贴大战意思就是，你烧一把，他烧一把，大家来回对着烧。我们是相对来讲比较理性，但是有的时候并不代表我们竞争对手同样理性，所以有的时候会发现，竞争对手烧一笔大钱上去，你就会想跟还是不跟？我抗一段时间看一下，抗了以后你发现，你把整个定价结构这一段时间和前一段时间再比较一下发现，我们高客单价用户整体上来讲并没有因为活动受到一些什么影响，我们低客单价用户可能受到了一些影响。我们自己好多同事，每天看我们楼下点外卖的频次，就知道谁做的活动力度最大。基于这样一种特点，你发现这部分用户走了，你想想能不能抗得住？然后再基于客单价的敏感度分析，这个其实是抗得住的，说的有点极端了。但其实说的意思就是基于优惠的敏感度分析，基于大数据的分析，可以做一些基本的结论判断，然后在关键时刻，在别人决定出大招的时候，你决定跟还是不跟，整个数据应用层面是这样的。

所以关于使用大数据，我就一个建议，从策略和假设出发，所以基于我们策略跟假设先行是很关键的。第二是，在搞不清楚这件事情的要不断的再往下拆，拆了几层之后，比如说我刚才说的市场占有率，层层往下拆，各种方式都拆完以后再确定今天的状态好与不好。如果你发现各种拆完都比竞争对手好特别多，那就不用分析数据了，就是出了很大问题的时候，反过来知道去看有什么问题，不断的拆很多层以后，答案往往就会浮现。