现在，没有人不知道滴滴打车。从第一单到日成交 1000 万单，它只用了不到 21 个月的时间。
短短的时间里，我们见证滴滴打车的迅猛发展，也见证它如何影响我们的生活，如今“出行”这个词，与滴滴已经紧密相连。
这有赖于滴滴打车通过出行数据的深度挖掘，进行出行服务方面的创新，以及针对不同城市展开的城市化运营有密切的关系。
爱范儿旗下的创业社区 MindStore，邀请滴滴打车的快车运营负责人孙枢，分享了“快车拼车”这一产品的诞生始末，以及在滴滴在不同城市运营的基本机制。
（滴滴快车运营负责人孙枢）
以下是分享全文：
大城市已经非常拥挤了，在北京工作，尤其是五道口上下班的人都知道，下班时打车回家是非常痛苦的。
然而，我们的城市化进程却越来越块。中国的一线城市车辆密度已经超过任何一个其它国家的城市，比如杭州、北京，远远高于东京和纽约。
车辆密度高，导致路面上的车辆行驶速度缓慢。当我们每天上下班都要花那么长时间在路上，每个人的出行成本提升，整个社会的效率下降。 4 年前，滴滴打车上线时，我们希望解决一个简单的问题：当你需要打出租车的时候，你能够打到。
这 4 年，我们通过一个业务线一个业务线、一个产品一个产品，逐渐地把滴滴打车打造成了一个多元化、多业务线的出行平台。从一开始的出租车、专车、顺风车，再到快车。之后又有代驾、试驾、企业出行等服务。这么多条业务线，我们想做的很简单：满足绝大多数人的出行需要。
除了业务线增加，我们也可从数据看到滴滴打车迅速成长：
使用人群 3 亿； 2015 年全年订单总量 14.3 亿，是美国 2015 年所有出租车订单量的 2 倍； 2016 年 3 月，滴滴打车整个平台的日订单量突破 1000 万，相当于美国全国每日移动出行的 5、6 倍。
随着我们规模的迅速增长，每天积累大量数据，通过对这些数据的深度挖掘，我们有了一些比较有趣的发现。
第一个，关于空驶率。
当我们开始用移动互联网连接出租车的时候，一个我们不断去努力优化的指标就是空驶率。这个指标的背后，是我们在思考，怎么能够让在路上跑的司机师傅们提升产出，减少一趟行程结束和第二趟行程开始之间的时间，以及油费上的浪费。
实际上，以我们现在的规模和掌握的数据，我们基本能够在早晚高峰做完一个订单结束，第二个订单就进来，这时候，司机的手机端立即就响了。但是即使能做到订单的紧密衔接，一般情况下，司机还是需要花 5 分钟的时间，从第一个乘客的下车地点开到第二个乘客的上车地点，所以算下来每个小时还会 10% 的空驶率。
那么一个直接的问题就是有没有方法我们能够完全解决空驶率这个问题，让司机在这一个小时里面都有产出。
第二个，关于车内空间的使用。
做滴滴大巴后，我们开始非常关注上座率。也就是说一个大巴里面的30个或者40个座位，有多少个是实际有乘客的。上座率越高，大巴资源的利用率也就越高。
轿车其实也是一样的，我们发现大多数在滴滴平台上的车型，除了司机之外，都能够差不多坐四个乘客。但是一般的行程只有一到两个乘客，早高峰、晚高峰，大家都是上班或者下班回家，一般都是一个人，本来可以坐四个人的这样一个车型，车内的资源只有用了40%。于是，我们开始更加深度去思考上座率这件事。
第三个，关于滴滴平台上特定时间段的供需平衡。
当一个滴滴用户打开滴滴，他是否能够叫到一辆车，应该是我们这个平台需要去满足的一个最基本的需求，我们叫应答率。应答率也是我们每天，我们的运营、技术、产品非常关注的这样一个指标。
基本上，在不断地增加我们平台上的车辆和司机，同时通过不同的策略和运营方法来鼓励司机在对的时间上路接单，也在不断地优化我们的派单和匹配算法。但是发现在几乎所有城市里，出行需求实在是太庞大了，早晚高峰很难满足得了。
一旦碰到差的天气，，比如下雪，情况就更糟糕了。所以，我们会思考，除了不断地增加车辆之外，我们有没有其他方法能够保证我们的用户体验，保障每个用户在需要的时候是能够打到车。
第四个，同类出行需求的满足。
我们发现，当一个城市的规模变大之后，会有很多类似的行程在类似的时间发生，特别是早晚高峰。举个例子，每天早上 7 点到 9 点之间在北京有上千上万个用户从北京北边一个庞大的居住区“回龙观”往“上地”或者是“五道口”方向。
他们很大一部分的行程是重叠的，我们能不能把这些行程合并起来？
所以怎么减少空驶，怎么利用车内的空间，怎么能在早晚高峰和天气恶劣的时候满足需求，怎么连接这些重叠的行程，这些观察和思考最终成果汇集在新的共享出行的方式上——拼车。
那什么是拼车？拼车是您和相似出行路线的人共同坐一辆车。
我们先看看非拼车是什么。当我们自己独立出行的时候，一个司机从第一个乘客的上车地点，接上乘客 A，根据最佳路线开到乘客 A 的目的地。乘客 A 下车，司机结束订单。司机再空驶去乘客 B 的上车地点，把乘客 B 放下，再空驶去接乘客 C，这样一直下去。
那拼车有什么不一样呢？一个司机先接上乘客 A，但是在途中有可能乘客 A 才上车不久，有可能是走了一半了，司机又接上一单，那他顺路会去接上乘客 B，那之后司机再按照两个人的目的地顺序，看谁最近，把两个乘客送到他们相对应的目的地。
所以总体来讲，在拼车的情况下，一辆车一个司机可以用稍多余一个行程的时间和距离，来服务之前需要两倍的时间来完成的两个行程。也就是说更短的时间、更短的路程来服务同样的用户，效率更高了。
对于一个用户来讲，选择拼车，也有可能会有三种不同的体验。第一，有可能是正在附近没有几米，另外一个乘客也在叫车，同时去的地方也比较顺路，那你们俩在出发点就拼上了，这种发生的可能性还比较小的。
第二种是我在叫车的时候并没有拼上，但是在行程上，滴滴的后台还在不断地计算，在收集顺路的订单，如果发现正好有一个人离你的行程不远，也在发单去比较顺路的一个目的地，它就会把这个单子发给这个司机。匹配上了，你就会在路途中接上第二个用户，一起去你们类似顺路的目的地。
第三种等于是第二种的反过来，我叫车了，正好另外一个拼友他在行程中离我很近，同时我们俩也是去类似的地方，所以我的车在来接我的时候，这个拼友已经在车上了。
产品听起来比较简单，但往往很多时候，简单的产品背后需要非常大的工作量。拼车这个产品是依赖于目前滴滴出行的出行数据，每天我们采集的出行数据超过 50 个 TB 的，同时每天路径规划也超过了 50 亿次。
基于上面的数据量，我们可以进行最大限度的数据挖掘，不断地通过大数据和深度学习驱动的人工神经元的这样一个智能网络，来实现非常精准的预测能力、智能的调配能力和动态的定价能力。
那么这样一个大数据驱动的共享出行方式能带来什么？有什么意义？
首先，拼车能够提高叫车的成功率。以前我们一个人叫车，必须要有一辆车来匹配上，现在一辆车可以当两辆用。拼车能够在不增加道路一辆车的情况下，大幅度地提升叫车的成功率，提升整体的用户体验。
第二点是可以提升司机的时薪。举例，原来 30 分钟 10 公里，一个车主一个司机只能服务一个用户，现在他稍微多花一点时间，有可能 35 分钟、40 分钟就可以服务两批不同的用户，效率更高，司机每小时的利用率更高，空驶率甚至可以降到 0，司机的收入自然也就变得更高。而司机的效率的提升，整个平台效率的提升，可以进一步地降低出行者的出行成本。原本一个人要付这个行程的费用，现在跟一起拼车的人共享了那一部分行程，就可以一起负担了，出行成本可以至少降低 30%。
那么叫车成功率的提升、司机时薪的提升，以及用户出行成本的降低，实际上组成了一个良性循环。当我司机的时薪提升的时候，就会有更多的车主愿意来加入这样一个平台。那么司机更多，整体的叫车体验就会变得更好，更多人也会来使用这样一个出行产品。那么同时，我的出行成本还变得更低，整个的规模在增加，所以形成这样一个良性循环的圈。
除了降低空驶率的数据等方面，还能降低拥堵。这个很简单，一个人坐一辆车，变成了两个人坐一辆车。在我们上了拼座的城市，可以直接三个人或者四个人坐一辆车，直接减少道路上的车辆。我们现在的绝大多数城市已经不能够支持我们这么自私，每个人光是图自己方便，一个人坐一辆车把整个的城市道路全部拥堵住。拼车不能彻底解决拥堵的问题，但是我们觉得可以减少拥堵的一部分。
最后，拼车其实还创造了一个社交的场景，应该有可能还有一些治愈功能。如果我们想我们每天每个人平均估计花一个小时、一个半小时，甚至更多在路上，那我们堵在路上的时候，一个人坐在车上的时候。拼车如果拼成功了，你会有一个拼友一起跟你坐在车上，这个时候有可能可以创造一些交流的空间，让整个行程更美好、更愉快。
背后推动拼车这个产品的一个非常关键的因素是拼车行程的重叠率。也就是说当两个不同的行程拼成功了，有多少百分比的路程是两个人共享的。
在我们试运营的几个城市里面，才上线的时候，重叠率已经高达了差不多 70%。最近通过一些算法的优化等等，已经高达了 75%，那么重叠率越高，司机的效率也就越高，拼车整体的收益也就越大。通过不断地完善我们的算法，做更多的数据挖掘，这个重叠率也是在不断地提升。
一个完美的拼车行程是什么？我举个例子，应该就是说一辆车上面有四个座位，这个时候正好有四批不同的用户，互相都不认识，他从同一个起点出发，他们要去一个目的地，那这个时候四个人正好拼上了，所以四个人 100% 地共享一辆车、一个行程。
在我们在一批城市上线拼车之后，各个城市之间的反映有非常大的不同。青岛、南京、杭州愿拼率是最高的，也就是说 100 个快车订单里面，到底有多少人选择了拼车。南京是高达 60% 以上。
而我们怎么能够把拼车做得更好，以及滴滴这样一个出行平台，未来一个发展方向是什么？其实主要还是通过我们的大数据和我们的技术来驱动。我举几个例子，最近一段时间，我们在拼车这个产品上积累的数据越来越多，我们也是通过这样一个沉淀和技术上的一个突飞猛进，解决了一些拼车这个产品的最基本的问题。
举第一个例子，在拼车这个产品才上线的时候，一个对于乘客不太好的体验是，乘客先在车上了，我在路途中要去接另外一个乘客。接上另外一个乘客，发现我反而要掉头，这个时候对整个的乘客体验是非常不好的。
明明上车之后，我想往北走，但是这个时候却匹配了一个去南边接驾的拼车订单，所以对乘客的体验伤害挺大的，尽管有可能这些拼车路线是非常的顺路。最近一段时间，我们通过比较详细的地图技术服务，获到了一些特征，基本解决了拼程掉头接驾的问题。
第二点，拼车需要优化的问题是，尽管能拼成功的订单是非常多的，但是拼成功之后，对于两边乘客的体验是什么样，特别是第一位乘客，我们能不能够减少他所损耗的乘客时间。随
着我们业务的增长，可以拼的订单数量越来越多，我们通过定位问题的特征，利用机器学习来看能不能够迅速地匹配。首先第一，能不能匹配上一个可以匹配的订单。第二是能不能尽可能地减少乘客，特别是第一个乘客的时间损耗，能够尽快把乘客送到他的目的地。
所以预测，特别是前瞻性的精准预测和智能调度对我们整个的产品形态是非常关键的。一个完美的行程，一个完美的拼车行程也好，或者一个完美的普通行程也好，实际上需要非常非常多的对于数据的挖掘，我们来看我们能不能预测现在的路况，我们能不能选择最适合拼成功的两个，或者三个，甚至四个不同的行程，在提升效率的同时，又能够保证用户的体验。
现在滴滴已经在 400 多个城市开成，我们也是希望能够把我们这样一个技术驱动、体验驱动的分享经济模式，来改变每一个城市的出行。拼车是其中一个我们认为可以让城市出行变得更美好的这样一个产品。下面我想给大家介绍一下这么大的一个出行网络到底是怎么运行的，如何分城市地来运营我们这样一个出行平台。
从去年下半年开始，我们开车网络就从全国 259 个城市发展到了 400 多个城市，基本上所有的地级市都已经开通了。我们希望达到的一个目标是城城通，同时在很多城市也已经做到盈亏平衡，或者已经开始盈利了。
那么我们的城市团队运营方式是什么呢？有可能跟很多其他的互联网企业不太一样的是我们至少在一二线城市，同时在有些三线城市，每一个城市都有自己的小团队。每一个城市团队就等同于一个小的创业公司，基于滴滴出行的这样一个大的平台上。
每一个城市团队有权限，也有责任把滴滴快车在所在的城市做到最好，同时不断地根据当地车时的独特性和特征推出各种各样的创新，让滴滴快车这样一个产品在所有城市都达到一个最高的渗透率。所以几百个城市，我们就有几百个创新点，这样一个分布式创新，我觉得能够给我们带来最快速的增长和迭代。
所以每一个城市都相当于自己的一个独立的作战单位，一个城市有一个总负责人，他是这个城市的总经理，他底下有三个不同的小团队，运营团队、市场团队和体验团队。
运营团队主要把握的是整个存量的用户和司机的一个活跃度，通过各种各样的手段和方法，来维护他们的活跃度，提高活跃度。
市场团队这边主要负责我们的拉新，以及我们的品牌传播，通过线上线下的营销活动，跟类似品牌的合作，以及新媒体的一些运营，来把滴滴快车这个产品，以及这个品牌能够完全渗透到整个城市里面去。
第三块就是体验团队，一个司机、一个用户在滴滴平台上，他到底能够留存多久，他到底能够有多活跃，我们认为有一部分是基于他到底体验是怎么样子的。所以我们专门有一个体验团队来关注，以及提升滴滴的产品在整个城市的体验。同时协助这个城市总经理，还有相对应 的HR、PR、GR 和经管等等。
那我们为什么要这样做？具体三个原因。第一个是贴近市场。团队城市化、运营策略城市化、市场活动城市化，特别是在滴滴所做的这样一个 O2O 行业，其实城市和城市之间还是有很大的不同。比如，成都跟杭州非常不一样，北京跟深圳也非常不一样，用户的习惯不一样，车主和司机的习惯也不一样。我们怎么能够更好地去服务司机、吸引司机，服务乘客、吸引乘客。
第二个原因就是快速决策。每一个地方都有自己的热点，每一个地方的竞争情况也不一样，每个地方也有自己的一些紧急事件，所以当我们每个地方都有一个比较独立的团队的时候，他们能够非常快速地去决策，针对性地来做快速的，并且有效的反映。‘
最后一个最主要的原因，我们认为一个中心化的大脑不如几百个大脑分布在全国。每天，我们每个城市都在做各种各样的创新和尝试，各种各样的 AB test，所以迭代速度会更快。作为一个整体的组织来讲，我们的迭代速度更快。
同时，因为是分城市来试错，所以试错成本也更低。所以通过这样一个分布式创新，相对来说比较独立作战的一个城市的这样一个网络，我们才能够做到今天滴滴在 400 多个城市能够运营起来，能够服务好车主，服务好用户。一个城市、一个城市地改变人们的出行。
本文来自爱范儿旗下创业社区 MindStore 的“MindTalk 线场”栏目。
链接：http://www.ifanr.com/670680
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
