从大数据视角看专车B2C和C2C模式

大数据专车模式 B2C C2C

车云网 | 2016-05-11 11:57

【数据猿导读】以神州专车为代表的B2C模式和以Uber、滴滴为代表的C2C模式是国内专车服务的主要两大模式。本文重点从大数据角度来分析专车B2C、C2C模式对大数据搜集及后续价值衍生挖掘的影响

目前国内专车服务主要分为B2C模式及C2C模式，前者以神州专车为代表，后者则以Uber、滴滴为代表。两种模式的优劣之争从未间断，口水战不断。后者吐槽前者对较“重”，玩的不是互联网模式;前者则诟病后者商业模式不够清晰，服务品质不能够让乘客对平台产生归属感。

在车云菌看来，这两种模式将在未来一段时间内共存下去。因此，本文不聊模式的优劣，而是换个视角，将目光聚焦在模式背后的大数据层面，聊一聊专车B2C、C2C模式对大数据搜集及后续价值衍生挖掘的影响。

大数据，怎么来?

专车B2C、C2C模式在数据端的差异，首先最直接的体现在前端数据搜集方式上。专车C2C平台上的出行数据主要依靠手机获取，专车B2C平台上的出行数据主要通过“OBD搜集为主、手机搜集辅助”两种渠道搜集。

造成这种情况的原因很简单，共享经济下的C2C专车模式，虽然拥有海量的司机和车辆，但对车辆本身的控制力有限，也不能直接对车辆进行OBD设备的安装。相反，B2C模式自有车辆、自有司机，因此对车辆和司机的管理都更为方便，为每辆车统一安装OBD设备也成为可能，出行数据的采集也更加容易。

作为专车的忠实用户，车云菌曾多次体验C2C模式的滴滴、Uber并与司机聊天。从这类平台的司机普遍反馈来看，因为涉及种种隐私的问题和顾虑，大多数专车司机并不希望平台对自己的车辆数据，例如实时位置、行驶轨迹等进行追踪，但因此必须使用APP的关系，还是会在接单时出现“被动贡献数据”的情况。

不过，相比C2C专车模式来说，B2C专车模式下平台掌握车辆所有权，因此在数据搜集和使用上，显得光明正大了许多。

以神州专车为例，神州专车目前拥有近4万辆专车、5万名司机，该平台每辆车均安装了OBD设备，OBD成了一个远程管理司机、监测车辆状况的“黑匣子”，通过该系统可以获得车辆位置以及运行状态等信息，自带的3G模块会将数据上传至神州专车服务器，达到实时监测的等级。

神州专车数据收集方式

值得注意的是，相比手机采集的目的地、车辆行驶轨迹等信息，OBD产品采集的信息丰富度更高。主要包括两部分：第一是基于CAN总线的数据，车速、各种温度、轮速、发动机扭矩、油门、制动踏板、排档杆位置、空调等各种设备是否工作、故障信息等等;第二是控制器内部数据，这类数据的丰富度远大于第一种，但需要和车厂达成更深度的协议。

因此综合来看，专车B2C模式在数据采集的深度和稳健度上具有一定优势。这些数据和用户订单数据一起，构成了大数据来源的基础。

数据来了，然后呢?

有了大数据，下一步自然是大数据价值的挖掘。在这个慢慢步入DT时代的世界里，几乎所有基于互联网、移动互联网的新商业都可以归结为数据生意。而出行数据，无疑是所有数据中价值数一数二的一座金矿。

那么，出行大数据到底该怎么玩?依旧以上述B2C模式的神州专车为例。目前，该平台大数据系统现阶段主要希望解决三个核心问题：安全、效率、增长。具体来说：

出行大数据

安全方面，除了源头上车辆和司机的安全系数外，大数据在车辆实时行驶过程中发挥了重要作用。具体而言，神州专车配置的OBD可以实时监测司机的驾驶行为，例如司机有没有系安全带，是不是急加速急刹车，门有没有关好，是否是疲劳驾驶等情况，如有违规情况会提醒司机改善，以杜绝安全隐患。有人开玩笑说，司机甚至在某个拐弯角度大了些，导致乘客有一点不舒服，都会被神州专车平台提醒。

效率方面，大数据用以提高效率的关键点主要集中调度效率，而调度效率的核心则在供给和需求的预测。这里需要提到神州专车去年推出“极速佛”GSFO系统，该系统通过综合运用大数据、云计算和车联网技术，根据历史数据，对目标区域进行网格式划分，预测不同时段各个网格内的运力需求，从而有针对的调度车辆，分配资源的专车智能调度系统。

举个例子，根据历史大数据统计，“极速佛”GSFO可以发现望京SOHO内的很多公司允许员工在21:00以后打车报销，簋街上22:00以后是大家吃完麻小、烤鱼散场回家的高峰，那么这两个地方在这个时间节点的单量一定较大，平台就会提前派司机去该地点待命。

数据显示，部署“极速佛”GSFO系统后，神州专车的车辆调配效率上升了25%，空驶率降低了20%。另外，动态调价方面，在GSFO系统支撑下，平台实现了价格最高降幅高达40%，非早晚高峰的0.8倍至1.0倍动态定价的现状。

除了看得见的安全和效率外，大数据还关系着专车平台发展的未来。具体而言，大数据通过分析用户访问记录、历史订单、社交网络分享等数据信息，从而对用户的出行习惯甚至消费习惯进行推测。这些预测的目的是为了精准营销，这一方面是增长的手段，一方面也是大数据发展到一定阶段的必然产物。目前，神州专车采用的MapReduce、Hive等主流的大数据处理技术，就是为了达到这一目的。

值得注意的是，由于专车产品相对于出租车、快车产品来说，用户的潜在消费水平更高，家庭收入更为稳定、是社会目前的中坚力量，因此其大数据可挖掘和衍生的价值就更高。

当然，如果站在更高的角度上看问题，当出行数据积累到一定程度后，其价值也必将在车联网、无人驾驶、甚至智慧城市等大交通领域得以体现，更多基于出行大数据的服务也将会浮出水面。现在，仅仅是万里长征的第一步。

目前，神州专车已在硅谷建立了实验室，专注于云计算、大数据、机器学习以及无人驾驶等前沿技术的研发。滴滴也成立了“机器学习研究院”，力图使用机器学习方法提高数据处理效率。在行业的努力下，数据终究会向服务落地。

车云小结

罗兰贝格最新的报告显示，2015年，中国整体出行市场规模为28亿次/天，其中专车的潜在市场需求为1.8亿次/天;预计到2020年，专车的潜在市场需求将增长到2.2亿次/天，市场容量达2.1万亿元。无疑，这是专车的机会，更是出行大数据的机会。而神州专车占据近40%市场份额，加之其独特的B2C模式，将在市场竞争中拥有更多优势。

来源：车云网

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。