編輯導語：去年年初，一場始料未及的疫情給各行各業帶來了不小的影響。隨後各地「復工潮」陸續展開，憑藉著安全優勢的網約車行業迎來了爆發式的反彈增長，搶佔公共運輸的市場份額。不少平臺更是制定了精細化運營的策略，本文作者就對其數據價值進行了思考。
1. 前言
本文建立在網約車聚合業務下，運力平臺的精細化運營階段的基礎上，思考數據支撐/數據產品的價值和可落地的切入點。
2. 精細化業務方向拆解
基於啟動階段的業務經驗，業務在早期可以通過快速開城擴張，得到體量的快速增長，但當達到一定量級後，體驗和安全會成為制約增長的重要因素。
本文通過「運力」、「行程」兩項業務實體，基於以下理解對業務方向進行拆解：體驗與安全作為基石，支撐業務體量穩步增長。
2.1 安全
2.1.1 運力安全
準入風控：司機準入作為網約車業務的起點，在業務擴張過程中是第一道風險點，且司機群體客觀上存在不穩定的特殊性；健康管控：司機在工作過程中，存在疲勞駕駛等不安全因素，且在疫情期間司機的健康問題勢必會收到監管部門、社會輿論的高度關注。2.1.2 行程安全
事前預警：行程安全的核心工作方向，勢必在於如何有效避免發生安全事件；事中告警：一旦發生安全事件，或發生了安全風險，平臺第一時間需要獲取到風險告警，才能有後續的響應操作；事後響應：安全事件發生後，平臺通過輔助公安、安撫受害者、回應輿情的方式，將事件影響降到最低。
2.2 體驗
2.2.1 運力服務質量
違規行為管控：平臺對於司機刷單、惡意繞路、辱罵乘客等有損乘客、平臺利益的行為，必須具備結構化、流程化的管控抓手；標準化流程管控：在非專車業務中，司機服務流程相對寬鬆，但仍需有框架性的約束，如上車提醒系安全帶，下車提醒注意車輛。2.2.2 行程質量
行前高效接駕：派單的質量是重要的體驗要素，一次滿足用戶預期的派單是良好的體驗開端；行中路線合理：行程當前為司機規劃的路線，既需要滿足客觀條件，更要符合司乘預期，一次糟糕的路徑規劃極有可能造成一次客訴；行後客訴響應：一旦發生客訴糾紛，需保證司乘向平臺反饋的路徑暢通，且平臺的響應措施及時到位。
2.3 增長
2.3.1 運力規模
司機拉新：公海司機是業務的主力軍，其規模的增長速度決定了在城市內的司機群體影響力和業務擴張的速度；司機留存：司機入駐平臺後，部分司機可能會在完成新人獎後流失，平臺需要通過定向的產品、運營策略，加強新司機的留存比例；司機促活：平臺大部分司機為第二平臺司機，平臺的關鍵工作在於促進各層級司機的躍遷，加強司機對平臺的黏性。2.3.2 交易效率
雙邊匹配效率：網約車交易的核心在於平衡供需，背後是如何將運力資源，乘客需求各自發揮最大價值，從而提昇平臺收益。
3. 數據支撐/運營的切入點
3.1 驅動業務/產品優先級的定義
上文通過MECE的方式，將精細化運營進行了二維的拆解。
雖已經定義了「體驗與安全作為基石，支撐業務體量穩步增長」的大前提，但在細分領域仍很難快速且科學定義每個子項的優先級；而在研發資源、時間資源有限的背景下，科學地定義各子項優先級便是第一個事項，亦是數據支撐的第一個切入點。
在0-1階段這個問題很好回答，因為大多是阻滯性，可以主觀定性分析的業務問題。而當進入1-N階段，我們需要通過一些可以量化的手段，通過客觀定量的方式，表述業務問題所造成的影響。
下文我們簡單的進行一次實踐：在「提升司乘行程體驗」的課題中，行前高效接駕、行中路線合理、行後快速響應客訴，這三個子項，如何佐證其各自的業務優先級？（或者如何通過數據驅動業務部門確定優先級？）
3.1.1 從目標指標出發，判斷價值權重
此處我們假設「提升行程體驗」課題的核心指標是：體驗類CPO（每筆訂單的體驗類進線投訴率）；輿情類投訴率。拉取近30天體驗類的司乘進線，通過通話標題進行分類計數：
行前體驗投訴，如派單太遠；行中體驗投訴，如司機導航繞路；行後體驗投訴，司乘重複進線反饋問題未解決。通過此類方式計算行前、行中、行後三個子項，分別對體驗CPO造成的影響，得出各自的權重。通過同樣的分類計數方式，拉取近30日的輿情類工單並計數，拿到三個子項在輿情類投訴率這一指標下各自的權重。
假設我們判斷體驗類CPO下的權重為，行前：行中：行後 = 5：4：1，輿情類投訴率下的權重為，行前：行中：行後 = 1：2：7。而體驗類CPO和輿情投訴率兩項指標，在「提升行程體驗」這一課題下的權重為8：2，則最終的價值權重為：行前：行中：行後 = 4.2 : 3.6 : 2.2。
3.1.2 對比邊際效益，得出最終結論
完成上述步驟後，我們已經可以初步判斷三個子項各自的業務影響程度，接下來需要通過計算邊際效益，做出優先級的決策：假設通過產研各部門的綜合評估，行前、行中、行後各自的產品方案成本為：行前90人日，行中70人日；行後30人日。
此時我們便可以通過三個子項各自的價值權重、開發成本，粗略的評估各自的邊際效益（價值/成本），從而得出優先級的結論：行後快速響應 > 行中路線合理 > 行前高效接駕。
3.2 驅動策略設計與量化管控
上文我們已通過數據完成了業務/產品優先級的定義，接下來的工作便是：如何通過數據驅動精細化的產品策略、運營策略進行落地和監控。
3.2.1 如何驅動策略的定義與設計
抽象所有的產品/運營策略，可以得到下面的公式：精細化產品/運營策略 = 最佳的人群 + 最佳的手段。
3.2.1.1 圈選最佳的人群
在接入聚合平臺的網約車業務內，司機是最主要的用戶人群。我們通過以下的方式，利用數據資源將司機的各類特徵進行量化，從而實現圈選。
司機靜態標籤：如司機的城市屬性、性別屬性、年齡屬性，這些內容在司機註冊完成後，就已經確定不會變動；司機動態標籤。司機考核指標：我們在衡量一個司機對平臺的忠實度、貢獻度時，通常使用出車時長、完單數這兩項司機維度的考核指標。
例如：我們在圈選「全職司機」時，條件可以為「近7日日均出車時長>6小時，且日均完單數>10單」。在進行運力增長（如沉睡司機激活、維繫全職司機等）策略時，是最常用的圈選場景。
司機端App：App採集的司機行為日誌，也可用作司機的動態標籤。如「主動撥打乘客電話」、「習慣使用外置導航」等，司機端產品經理如需要對用戶的操作路徑進行可視化洞察，進而定義產品灰度實驗時，這些都是實用的能力。
司機行動軌跡：在進行安全策略時，司機的行為軌跡是非常關鍵的人群圈選能力，例如在進行疫情防控的場景下，我們可以快速通過軌跡標籤，圈選出風險司機。
3.2.1.2 執行最佳的手段
目前的運營場景下，運營同學選擇策略手段通常是基於個人的運營經驗，強依賴於運營人員的主觀因素。
將上述的運營場景，通過業務用例推導系統用例：數據產品可以為運營人員提供運營手段的推薦，也可以定義為「基於歷史數據的策略效果和成本預測」。
此處以最日常的B端（司機）現金補貼策略為例：運營定義活動：杭州當日新註冊司機3天周期衝單獎，5單獎勵10元，10單獎勵30元，20單獎勵50元，本次活動的核心指標是「新註冊司機次日留存率」：
成本預測：通過拉取本策略圈選人群（新註冊司機）在過去命中的人數，預測明日的新註冊司機數。輔以過去新註冊司機的完單情況（5單人數、10單人數、20單人數），計算得到本次活動的成本置信區間；效果預測：選取N組歷史數據中，施加外部策略情況下的數據，計算每一組的數據的「新註冊司機次日留存率」以及每個策略的實際成本，根據歷史數據計算ROI的中位數，基於此中位數以及上文中預測的成本置信區間，即可獲得本次策略的效果置信區間。3.2.2 如何有效地對策略進行量化管控
策略結束後，運營同學需要對本次策略進行ROI的量化評價。策略的成本是否在可接受的範圍內，帶來的收益是否符合了預期。此處為科學地量化ROI，此處引入「合成控制法」模型進行計算。
合成控制法的思路是反事實框架，即「如果沒有施加此策略，會有怎樣的結果，並與實際施加策略後的結果進行對比」。
4. 產品層面的落地方案
4.1 標籤萃取平臺
自定義司機靜態/動態、訂單標籤：
基礎標籤：支持用戶通過欄位屬性，直接定義標籤（如 `司機來源` ，`城市`，`司機類型`）；複合標籤：支持用戶通過可視化建模的方式，萃取出複雜性、個性化較強的標籤（如`最近出車時間` >= 昨日0點 且 `城市` = 杭州市）。
4.2 畫像分析平臺
4.2.1 分組畫像分析
基於標籤萃取平臺提供的標籤結果，獲取單標籤屬性分布；支持多基礎標籤進行交叉分析（如查看杭州市的司機類型分布）；通過分組對比進行TGI指數分析（用於分析某個群體的特徵是否顯著，是否超過總體的均值）。4.2.2個體畫像分析
通過路線軌跡，直觀查看司機在使用app時的行為路線，可用於警察取證等特殊場景；對司機過往的接單行為、拒單行為、出車行為、調度日誌等多方數據進行可視化呈現，既可用於排查case，也可用於客服處理司機進線。
4.3 A/B實驗平臺
4.3.1 實驗分層和分桶
在設計和執行實驗（包括產品功能、運營策略等）時，基於標籤萃取平臺提供的標籤結果，對司機流量進行縱向分層和橫向分桶。
4.3.2 實驗結果可視化
系統自動生成實驗數據報表（實時+離線），呈現本次實驗的數據結果。
4.4 精準運營管理平臺
4.4.1 智能運營計劃
為運營人員提供策略成本預測、效果預測，輔助制定智能運營策略。
4.4.2 自動化效果評估
基於「合成控制法」的模型，對每一次策略結果進行自動化的量化評估。
本文由 @Sean 原創發布於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議