這得具體問題具體分析，就比如你說的如今的共享單車，這個模式也是新興的，還沒有建立特別好的模型。優步參考的卡特爾和伯特蘭德模型以及已有的API演算法，但都不足以達到預期，司機們還是常常怨聲載道。需要掌握使用者反饋的大資料，再不斷透過實驗來分析。
優步自己組建開發團隊，招了一幫精英。據說最後把車輛預計達到時間的準確度提高了三分鐘。
1.浮動溢價演算法。
設想下，一個演唱會結束的時候，公交車大都停運，而此時這附近的計程車肯定出於一種供不應求的狀態。我們都嗨了，也都累了，貴點就貴點早點到家就行。所以，Uber的“特定區域隨時浮動定價演算法”對於土豪和次土豪而言是很不錯的。
在使用者的等待時間出現相對陡峭的上升趨勢時，便會觸動提價演算法。而這些情況大部分時候都是可以預測的。
看看咱們現在的便利店，同一條街上賣礦泉水的都會定價不一樣（沒錯，我就是在乎這幾毛錢，而且當用百分數來考察時，5毛就是2元礦泉水的25%啊！）
2.如何在一個城市中部署最少的車，來有效滿足全城的需求（travelling-salesman problem）
3.自動匹配演算法
Uber採用的是一對一的自動匹配演算法，國內滴滴的黑文說：Uber匹配的效率賊低啊！不如我們使用者至上把需求發給好幾個人讓他們搶單。
先把滴滴這種模式的弊端放一放，我們來看看Uber演算法到底是怎麼樣的：只把一個使用者的需求發給一個司機，然後給司機15秒鐘響應~如果不接的話就算接單失敗，然後再發給另外一個司機，直至有司機接單為止。乍一看這個過程耗時很長，不過，當司機拒單的成本很大時，拒單情況基本不存在時，一對一派單的效率就很高了。
而Uber是如何讓司機拒單率保持在一個很低的水平？方法如下：用好補貼這個經濟槓桿，人民司機啊，你不是對大額補貼趨之若鶩嗎？如果拿到補貼的前提是1)不低於80%的接單率；2)較高的評分；3)幾乎不存在的投訴；4)```其餘各種各樣保證使用者體驗的要求。那麼一對一派單這個系統就有了最大的幫手~
4.全域性最佳化演算法Dispatch Optimization
全域性最佳化這件事，沒有靠譜的資料還真是做不到啊~如何讓資源利用率翻倍？搭順風車唄。
———————————————————
Uber的規則：所謂牛公司，就是錢多到能隨意制定規則，愛來來，不來拉倒但是沒空和你辨。
規則1：啥都不是鐵板釘釘的獎勵政策每週變化、實時更新。
規則2：給錢的時間我說了算車費即時發放、補貼每週發放。
規則3：砸錢不等於撒錢，落地要有聲補貼詳情：高峰時段獎勵：週一到週五的早高峰6:00-9:00；週一到週四的下班高峰17:00-24:00；週末大部分時間衝單獎勵：30單起步，10單升一級···每程獎勵50封頂補貼門檻：星級4.8接單率80%（力求在15秒內匹配成功）無中級投訴不超過兩個初級投訴無刷單行為。
規則4：產品這麼好用，推薦朋友一起唄推薦獎勵：推薦朋友加入，當其做滿20單後獎勵200。
規則5：量化你的不滿意投訴分為三個等級：初級、中級、嚴重。
規則6：付錢的永遠是大佬。類似Amazon神乎其神的專利“一鍵下單”，再也不用從錢包裡東摳西摳找硬幣了。到達目的地就可以拍拍屁股走人，賬單會隨後寄到郵箱。
規則7：讓使用者安心顯示司機的地理位置~看著慢慢駛來的小車是不是有種公舉的感覺啊~刷掉了三星以下的所有司機，服務業還是看態度，還是以使用者體驗為重規則8：有效的評分系統使用者完成一單後必須評價——————————————————
最牛的地方：給錢的永遠是最大的！對系統資料有懷疑的前來尋求辯論的司機終止合作用經濟槓桿撬動司機端去保證顧客端的體驗——————————————————
最近在深究匹配演算法，Uber這家公司哈~還真的蠻不錯的
這得具體問題具體分析，就比如你說的如今的共享單車，這個模式也是新興的，還沒有建立特別好的模型。優步參考的卡特爾和伯特蘭德模型以及已有的API演算法，但都不足以達到預期，司機們還是常常怨聲載道。需要掌握使用者反饋的大資料，再不斷透過實驗來分析。
優步自己組建開發團隊，招了一幫精英。據說最後把車輛預計達到時間的準確度提高了三分鐘。
1.浮動溢價演算法。
設想下，一個演唱會結束的時候，公交車大都停運，而此時這附近的計程車肯定出於一種供不應求的狀態。我們都嗨了，也都累了，貴點就貴點早點到家就行。所以，Uber的“特定區域隨時浮動定價演算法”對於土豪和次土豪而言是很不錯的。
在使用者的等待時間出現相對陡峭的上升趨勢時，便會觸動提價演算法。而這些情況大部分時候都是可以預測的。
看看咱們現在的便利店，同一條街上賣礦泉水的都會定價不一樣（沒錯，我就是在乎這幾毛錢，而且當用百分數來考察時，5毛就是2元礦泉水的25%啊！）
2.如何在一個城市中部署最少的車，來有效滿足全城的需求（travelling-salesman problem）
3.自動匹配演算法
Uber採用的是一對一的自動匹配演算法，國內滴滴的黑文說：Uber匹配的效率賊低啊！不如我們使用者至上把需求發給好幾個人讓他們搶單。
先把滴滴這種模式的弊端放一放，我們來看看Uber演算法到底是怎麼樣的：只把一個使用者的需求發給一個司機，然後給司機15秒鐘響應~如果不接的話就算接單失敗，然後再發給另外一個司機，直至有司機接單為止。乍一看這個過程耗時很長，不過，當司機拒單的成本很大時，拒單情況基本不存在時，一對一派單的效率就很高了。
而Uber是如何讓司機拒單率保持在一個很低的水平？方法如下：用好補貼這個經濟槓桿，人民司機啊，你不是對大額補貼趨之若鶩嗎？如果拿到補貼的前提是1)不低於80%的接單率；2)較高的評分；3)幾乎不存在的投訴；4)```其餘各種各樣保證使用者體驗的要求。那麼一對一派單這個系統就有了最大的幫手~
4.全域性最佳化演算法Dispatch Optimization
全域性最佳化這件事，沒有靠譜的資料還真是做不到啊~如何讓資源利用率翻倍？搭順風車唄。
———————————————————
Uber的規則：所謂牛公司，就是錢多到能隨意制定規則，愛來來，不來拉倒但是沒空和你辨。
規則1：啥都不是鐵板釘釘的獎勵政策每週變化、實時更新。
規則2：給錢的時間我說了算車費即時發放、補貼每週發放。
規則3：砸錢不等於撒錢，落地要有聲補貼詳情：高峰時段獎勵：週一到週五的早高峰6:00-9:00；週一到週四的下班高峰17:00-24:00；週末大部分時間衝單獎勵：30單起步，10單升一級···每程獎勵50封頂補貼門檻：星級4.8接單率80%（力求在15秒內匹配成功）無中級投訴不超過兩個初級投訴無刷單行為。
規則4：產品這麼好用，推薦朋友一起唄推薦獎勵：推薦朋友加入，當其做滿20單後獎勵200。
規則5：量化你的不滿意投訴分為三個等級：初級、中級、嚴重。
規則6：付錢的永遠是大佬。類似Amazon神乎其神的專利“一鍵下單”，再也不用從錢包裡東摳西摳找硬幣了。到達目的地就可以拍拍屁股走人，賬單會隨後寄到郵箱。
規則7：讓使用者安心顯示司機的地理位置~看著慢慢駛來的小車是不是有種公舉的感覺啊~刷掉了三星以下的所有司機，服務業還是看態度，還是以使用者體驗為重規則8：有效的評分系統使用者完成一單後必須評價——————————————————
最牛的地方：給錢的永遠是最大的！對系統資料有懷疑的前來尋求辯論的司機終止合作用經濟槓桿撬動司機端去保證顧客端的體驗——————————————————
最近在深究匹配演算法，Uber這家公司哈~還真的蠻不錯的