本文由易到用车 CTO 汤鹏撰写 授权i黑马转载?? 首发36氪
看到今夜酒店特价的任鑫从经济学角度解说O2O，很受启发，所以有了这篇文章。
O2O这种从线上到线下的服务模式确实令人兴奋，但是单单提高线上用户体验、简化流程已经无法满足 O2O 的模式的需要。通过数据挖掘，可以换个角度思考 O2O 的发展。
“易到用车”是个提供司机的分时租车平台，用户使用易到用车的 APP 就可以按小时预定租赁公司的带司机的车辆。
刚开始做易到用车的时候，最关心的问题就是
谁是我们用户?
他们都在哪里?
他们用易到做什么?
这些问题的答案，除了常规的市场调查外，其实从数据的挖掘中，也可以获得——甚至更加真实。
举例来说：
下图是一个普通的周一，北京市易到用车的车辆的 HeatMap。
通过对周一北京的车辆行驶轨迹数据进行挖掘，发现了一些有趣的现象可以解决困扰我们的营销问题。
例如：
目标用户在哪里?
从 HeatMap 上可以看到，用户最常用车区域都已经标成红色，可以轻易对应到北京的相应区域。从图上看 4 个比较热点的区域是：
机场
CBD 以及东三环沿线
中关村地区
金融街以及西二环沿线
这个数据对我们非常有意义!
这些高频次的用车区域是用户经常出入的地点，这正是目标用户最密集的地方。我们需要将易到用车的推广覆盖到这些地方，让更多目标用户看到，这些目标用户的转化率效果出奇的好。
用户使用易到用车做什么?
易到用车建立了另外一套挖掘模型。
下图是：通过挖掘一个月以来的用户行程数据，得到的行程聚合图。
上图直接连接了行程的起点和终点，不同圆圈的大小代表用户使用频繁地点，不同粗细的线表示重复行程
我们可以直观的看到，几个比较粗的线条都出现在机场到 CBD 之间。
这恰恰回答了“用户是谁?“ 和” 用户用车做什么?”的问题
举例说明：
从上图可以明显看到，机场与 CBD 之间的行程最多，其次是机场和金融街之间。
通过这些数据的聚合，明确得知用户通常在商务区与机场之间路程用车，系统的车辆调配算法就会根据此聚合结果进行车辆的调配和安排。例如：送用户去机场的车辆会接到当时的接机订单，降低司机空驶，大幅提高运营效率。
另外，易到用车的产品根据密集行程的分析结果，优化了机场到 CBD 之间的价格和里程，进一步提高用户转化率。
很有意思的结论：
O2O的线下闭环不仅指交易的闭环，线下大数据的积累和挖掘也是闭环中一个重要组成部分。从实用经验来讲，通过数据的挖掘，对改进易到用车产品和服务提供了强有力的数据支撑和导向。
供从事 O2O 行业的同学们参考。
匿名用户
