高峰期打車的供求關(guān)系不均衡的問題，一直被詬病。是否可以把打車看成一個推薦系統(tǒng)和一個廣告系統(tǒng)，通過預(yù)估轉(zhuǎn)化率，結(jié)合乘客的競價來分配給相應(yīng)的司機呢？

起晚了，著急去上班；下班了，著急回家吃飯；我們都習(xí)慣拿起手機準(zhǔn)備叫個車，卻總是被打車應(yīng)用扔來一枚炸彈，把我們炸回現(xiàn)實，沒有一點點防備：

這種一言不合就扔炸彈的行為，難道警察叔叔不管管嗎？考慮到警民一家親，我決定先一本正經(jīng)地思考一下。

問題分析

高峰期為什么會漲價？廢話，當(dāng)然是因為高峰期乘客多，車輛供不應(yīng)求啊。這是最最基礎(chǔ)的經(jīng)濟規(guī)律。這個經(jīng)濟活動中，有三個博弈主體：乘客、司機和平臺方。而高峰期加價現(xiàn)象本質(zhì)是：

• 需求和供給匹配失衡
• 平臺方不夠給力，只能通過加價來調(diào)控

我們先對高峰期加價定個性：這不是帕累托最優(yōu)的調(diào)控策略，因為：

1. 加價嚇走了很多乘客（需求沒被滿足）；
2. 加價沒有快速吸引來更多的司機
3. 平臺方最終沒有在高峰期賺到更多的錢，反而冒了一些用戶可能會流失的風(fēng)險。

理想的調(diào)控目標(biāo)是：

1. 不加價或者少量加價讓乘客打到車；
2. 司機都能拉到想拉的乘客，不空駛，賺更多的錢；
3. 乘客和司機都對平臺方滿意，并且平臺方賺更多的錢

為了達(dá)到這個理想的目標(biāo)，加價只是一種供求失衡的事后彌補的手段，我們應(yīng)該充分利用乘客和司機積累的巨大數(shù)據(jù)，挖掘其中各自蘊藏的秘密，從而幫打車平臺提前應(yīng)對每一個上下班的洪峰來襲。

要解決高峰期打車應(yīng)用的需求供給不匹配問題，我們需要從全局考慮兩個問題：

• 如何把運力資源從過剩的地方引導(dǎo)到稀缺的區(qū)域來；
• 如何把市場需求從過旺的地方引導(dǎo)到冷門的區(qū)域來。

第一個主體方案，現(xiàn)在打車應(yīng)用的做法是粗暴對乘客加價來吸引運力，這并不是理想方法，理想方法是幫司機找到他最想拉的乘客，獲得金錢獎勵效用之外的效用，這是一個典型的推薦系統(tǒng)，將司機對訂單的訴求和乘客訂單的特點精準(zhǔn)匹配起來。

第二個方案是一個輔助方案，就是引導(dǎo)那些深處訂單洪峰區(qū)域的用戶通過可接受的少量其他交通方式（步行，公交，地鐵）去到別的區(qū)域發(fā)送訂單。比如引導(dǎo)中關(guān)村西區(qū)的乘客步行到黃莊發(fā)送訂單，這可以稍微分散一下集中的訂單，緩解交通擁堵。

基于這些思路，我們構(gòu)想一下解決高峰期打車問題的主要模塊：

1. 供求關(guān)系預(yù)測系統(tǒng)
2. 動態(tài)調(diào)度系統(tǒng)
3. 司機偏好挖掘
4. 乘客偏好挖掘

其關(guān)系如下：

乘客偏好挖掘

平臺方需要對用戶進(jìn)行挖掘，掌握乘客的這些方面：

1. 是否是愿意用時間換取合適的司機的人
2. 是否是愿意用金錢換取合適司機的人
3. 是否是通勤用戶
4. 常去目的地
5. 愿意接受的加價倍數(shù)
6. 用戶價值

司機偏好挖掘

1. 司機在當(dāng)前時刻是否有常走的特定路線（如回家）
2. 司機是否更在乎賺錢
3. 司機商圈喜好
4. 司機家庭地址（需組合時間特征）
5. 司機常去目的地（更為熟悉的路線）
6. 司機偏好的獎勵類型（湊單/早晚高峰補貼/其他）

供求關(guān)系預(yù)測系統(tǒng)

該系統(tǒng)的作用是提前預(yù)測某個區(qū)域在某個時間段可能出現(xiàn)的訂單數(shù)量。訂單數(shù)量受多個因素的影響：

1.時間

比如：上下班高峰期、節(jié)假日、周五下午、企業(yè)可報銷打車的臨界點、電影院散場時間等等

2.地點

比如，帝都著名的三環(huán)國貿(mào)段、北醫(yī)三院的花園路、下班時期的后廠村路等，地點的區(qū)域類型。

3.天氣

突發(fā)陣雨、下雪等你能想到的各種惡劣天氣

4.路況

修路、臨時交通管制等

5.同期平均通勤人數(shù)

熱門區(qū)域通常有大量的通勤人數(shù)，可以很好預(yù)測正常訂單量

綜合這些因素及其組合，可以預(yù)估某個區(qū)域的訂單趨勢，同時實時地結(jié)合該區(qū)域已有的司機數(shù)量，計算出預(yù)估的供求比。如果供求比緊張，可以提起給常用用戶發(fā)送報警push，提醒他們錯峰下班；另一邊，還提前通知司機端目前閑置的運力，趕往供求比比較緊張的區(qū)域。

關(guān)于如何選擇被通知的司機，大數(shù)據(jù)也可以發(fā)揮重要作用。本質(zhì)上是要把合適的區(qū)域匹配給合適的司機，并提前推送告知。而推薦系統(tǒng)的核心價值是挖掘潛在司機，不斷提高應(yīng)答率。為此，系統(tǒng)需要用到司機端和目標(biāo)區(qū)域（供求失衡區(qū)域）的特征數(shù)據(jù)。

需考慮的司機端的即時場景特征有：

• 司機與目標(biāo)區(qū)域之間距離
• 司機去目標(biāo)區(qū)域的時間成本
• 司機的商圈喜好
• 司機當(dāng)前已接單的目的地方向
• 司機當(dāng)日的成交單數(shù)（滿足司機湊單需求）

需考慮的供求失衡區(qū)域的即時場景特征有：

• 目標(biāo)區(qū)域的地理位置
• 目標(biāo)區(qū)域的訂單特征（路程長短、目的地分布等）
• 目標(biāo)區(qū)域的擁堵情況

提前調(diào)度過程如下：

整個過程包含5個模塊：召回潛在司機、預(yù)估司機應(yīng)答率&排序、廣播量預(yù)測、廣播司機以及統(tǒng)計與反饋。

前兩個模塊用于計算應(yīng)答率最高的司機名單；廣播量預(yù)測模塊需結(jié)合目標(biāo)區(qū)域的訂單量（預(yù)測值）和司機應(yīng)答率（可結(jié)合歷史經(jīng)驗）計算需廣播的司機數(shù)量；統(tǒng)計與反饋模塊用于實時收集司機應(yīng)答率并反饋給系統(tǒng)用以補充候選司機名單，同時司機的應(yīng)答行為也可以用于調(diào)整整個推薦系統(tǒng)的召回與排序模型。

另外，除系統(tǒng)主動廣播司機外，還可以有一只“看不見的手”提前將運力資源過剩區(qū)域的司機在分派單策略中實現(xiàn)逐步引導(dǎo)到資源緊張的區(qū)域，具體策略下期細(xì)討論。

調(diào)度系統(tǒng)

車輛調(diào)度系統(tǒng)本質(zhì)上是一個推薦系統(tǒng)和廣告系統(tǒng)的合體，把訂單推送給最合適的司機，以提高轉(zhuǎn)化率，讓乘客，司機，平臺三方的博弈趨向均衡態(tài)。

說他是個推薦系統(tǒng)，是因為它本質(zhì)是在做匹配，為了提高訂單轉(zhuǎn)化率。這個推薦任務(wù)是把當(dāng)前訂單推送給最適合、最可能的司機。把這個想成是推薦系統(tǒng)，可以解決那些不愿意加價而愿意等待的用戶的需求。推薦系統(tǒng)這邊，需要大量用到挖掘到的乘客偏好和司機偏好，然后用技術(shù)手段將兩者匹配，而不是統(tǒng)統(tǒng)加價。

一旦用戶愿意主動加價，那我們又說他是個廣告系統(tǒng)，是因為用戶加價后本質(zhì)上是在為自己買一個司機廣告，本質(zhì)上也是在計算轉(zhuǎn)化率，并考慮到乘客愿意提出的競價來進(jìn)行綜合排序，把預(yù)估轉(zhuǎn)化率*加價作為最終輸出的排序因素。

推薦和廣告需要用到乘客端和司機端的各種偏好數(shù)據(jù)，以及當(dāng)前場景下的供求關(guān)系預(yù)測結(jié)果。

需考慮的司機端即時場景特征有：

• 司機與目的地之間距離
• 司機去目的地的時間成本
• 司機當(dāng)日的成交單數(shù)（滿足司機湊單需求）
• 司機當(dāng)前已接單的目的地（商圈、區(qū)域、方向）

同時還需要考慮乘客端的即時場景特征：

• 乘客愿意等待時間
• 乘客是否愿意拼車
• 乘客所去目的地（商圈、區(qū)域、方向）
• 乘客愿意接受的加價（一般是系統(tǒng)默認(rèn)加價，乘客可自己增減）

整個匹配過程如下：

調(diào)度過程分為召回訂單和訂單排序推送兩個階段。從司機端來說，召回訂單分為三個層次：

1. 第一個層次是召回個性化的訂單，不加價的情形下滿足長尾和個性化需求；
2. 第二個層次是召回具有附加值的訂單，包括有現(xiàn)金加價的，高價值用戶的訂單，通勤用戶訂單；
3. 第三個層次是可能有傷害，但風(fēng)險略低的訂單，也是為了滿足核心需求之外的訂單，包括為司機贏取獎勵或者升級湊單；臨時訂單（低頻用戶的訂單，非通勤用戶訂單）；愿意等待的用戶根據(jù)等待時間長短優(yōu)先召回。

逐級為司機召回訂單，并預(yù)估訂單轉(zhuǎn)化率，給司機推送他最想接的訂單。這是結(jié)合推薦系統(tǒng)和廣告系統(tǒng)的綜合調(diào)度系統(tǒng)。

不論是調(diào)度系統(tǒng)是一個廣告系統(tǒng)還是推薦系統(tǒng)，調(diào)度系統(tǒng)的框架就是計算匹配的可能性以及乘客應(yīng)該付出的代價?；谶@個框架，不斷去發(fā)掘乘客取消訂單的原因，不斷發(fā)掘司機不接訂單的原因，把這些原因作為特征加入到調(diào)度框架中，以提升訂單轉(zhuǎn)換率。

如何發(fā)掘司機不接訂單的原因，可以通過數(shù)據(jù)挖掘一批司機進(jìn)行訪談，比如系統(tǒng)預(yù)測可調(diào)度性高的司機，但并沒有應(yīng)答，或者比如明明在空駛，推送訂單卻不被司機接受，這些原因需要深入分析司機背后的心理來決定調(diào)度系統(tǒng)的改進(jìn)。關(guān)于如何設(shè)計有效的用戶訪談，可以參看《精益數(shù)據(jù)分析》第15章。

小結(jié)

高峰期打車的供求關(guān)系不均衡的問題，一直被詬病。我們提議可以把打車看成一個推薦系統(tǒng)和一個廣告系統(tǒng)，通過預(yù)估轉(zhuǎn)化率，結(jié)合乘客的競價來分配給相應(yīng)的司機了。這個框架下，最重要的是調(diào)度系統(tǒng)，乘客分析、司機分析。

但是，如果實在是你不想進(jìn)行這么復(fù)雜的設(shè)計和計算，那么也不要氣餒，無人駕駛可能馬上就到來了。一旦實現(xiàn)無人駕駛，就可以完全用計算機去調(diào)度每一輛車了，而不是通過利用司機的人性來達(dá)到推廣目的。

作者：吳迎賓（個人微信號：kudoss），優(yōu)酷個性化推薦產(chǎn)品線負(fù)責(zé)人，5年互聯(lián)網(wǎng)產(chǎn)品設(shè)計經(jīng)驗，目前專注數(shù)據(jù)智能方向，同時運營個人公眾號“數(shù)據(jù)森林”（data_forest），期待與各界朋友交流切磋。

本文由 @吳迎賓 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。