滴滴柳青:算法和数据才是核武器

简介:

0

36氪:impressive。之前我特别看好按需服务产品的原因就是这个,用数字化的平台去解决供需实际生活里的供需问题,算法和规则可以不断优化,如此平台的效率就可以不断提高。我问个比较傻的问题哈,你刚才说订单会做智能匹配,为什么我在手机上打车时,从应用上看到的基本是从近到远一个个推送给我周围的司机呢?


柳青:其实只是手机上看到的如此,在后台要比这个复杂。从乘客的角度,他可能希望自己发出打车指令,以他为圆心由近到远的发给司机,但是司机那边收单时不应该是这样的。从司机的角度看,他更希望的是先给他推送离他近的单,再是远一点的单,乘客和司机是两个圆,需要做比较复杂的匹配。这里有些太细节的部分,你可以下次采访我们的 CTO 张博的时候问他,他懂。


我再举个形象些的例子吧。滴滴现在可以在一个小时内给出全北京的实时地图,哪条路堵了或者封了,这些数据都在滴滴的平台上。其实这些数据是比较敏感的,想想看一旦打起仗来,哪条路能够让坦克最快速就位,这类信息非常重要


36氪:嗯。说说你们跟政府是怎么合作的吧。


柳青:中央是挺支持我们的。北京的现状是买车上牌很困难,出租车又不够,但是大家用车的需求在那里,于此同时许多车又处于闲置状态,像神州、一嗨这类公司闲置比例甚至有四成,这个矛盾怎么解决呢?滴滴过去做的事情是能解决一部分的,主要是通过让出租车更有效率,未来还会继续用新的方式去更好的解决这个问题。所以总体而言,中央对滴滴这类公司是支持态度。总会有新的技术和公司出现,现在的共享经济只是一个例子,这时候政府需要去理解并跟上这个变化,他可能不太明白里面的细节,但是他挺希望能有人给他讲清楚这个事的。


相对而言呢,地方会麻烦一点。在国内,很多时候是没有法律,但是有规定。这时候我们能做的也就是保持积极的沟通了。


36氪:说的真含蓄,不过也挺不容易的。话说你从高盛跳到滴滴,会有不适应的地方么?


柳青:不适应的... 好像还真没。曾经我以为可能会有的,比如不能随便住五星级酒店了,后来发现这些都不是事儿。人真是得有梦想,滴滴的感觉就是挺有梦想的,这让我觉得其他那些东西并不重要。唯一一个可能是饮食,之前我都是吃沙拉的,来这边跟着一起吃了盒饭之后,就胖了... 之前已经开始调整了,我会自己做一点三明治中午吃。其实公司的盒饭还挺有营养的,不过程序员嘛似乎都喜欢肉食,还是不太适合我,嘴太刁了。


36氪:聊聊你们的新业务吧?智能公交?


柳青:咱们能换个话题么... 现在能说的就是我们的确有多条业务线在推进。这个过程挺有意思的,最开始是把出租车这个领域做透了,然后团队会分化出好几个小队去做更新的业务。这个过程中,最难的就是如何让新小队能保持之前的素质和经验,如果这一关过了,整个公司就上了一个台阶。我现在的主要工作就是去总结过去我们做对了什么,给新业务作参考并定战略,然后把任务分解下去,定时 check。滴滴这类执行力强的公司特别需要定好战略,因为很容易就埋头做事,如果方向不对可能就错的很远了。


36氪:过两天Uber应该就会宣布跟百度的合作了,他们会是威胁么?


柳青:Uber 最初在美国是从 Uber Black 起步的,全是比较高端的商务用车,这块市场在美国是非常成熟的,Uber 做好这一块之后再往下渗透到 Uber X 等低端市场,那么在国内呢?高端商务用车其实是非常不成熟的,Uber 继续沿用之前的思路就会出现许多不适应。Uber 现在的海外扩张战略可能有点像插旗帜,到一个城市然后宣布我来了,但是中国市场是一个不太好插旗的市场,土特别硬,过去许多公司的经历大家也看到了。许多纯线上的业务都不好开展,打车这类非常需要线下支持的就更难做了。


36氪:除了 Uber,东南亚市场的Grabtaxi最近也拿到了软银的巨额投资,滴滴在国际化战略上是怎么考虑的?


柳青:我们暂时还没考虑国际化。中国的市场已经足够大了,先吃好这一块吧。


36氪:去年的打车大战当时可真热闹,现在会觉得可以喘口气歇一歇了么?


柳青:我觉得还不到时候,路才刚开始。如果滴滴的目标只是做到出租车打车这个细分领域的第一,可能可以歇会。但是我们的目标是做成一个数字化的交通平台,让大家的出行变得更方便。这个目标还远远没有实现。


采访完结之后,我用滴滴叫了个专车,外面狂风依然,我在室内等到专车就位才出去。上车之后,司机看了下导航,说:“现在路还挺堵的,如果直接开到海淀图书城,可能会要个 40 分钟到 1 个小时,如果你赶时间的话,我可以送你到最近的上地地铁站,总共耗时可能会更少点。就看你赶不赶时间了。”我是个宁肯走也不喜欢堵车的人,但是窝在舒服的车座里,我突然决定了,“直接开回去吧!”


原文发布时间为:2014-12-18

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
C4.
|
1月前
|
算法 程序员 C语言
C语言的选择结构与数据算法
C语言的选择结构与数据算法
C4.
17 0
|
2月前
|
机器学习/深度学习 数据采集 搜索推荐
Paper Digest | 突破个性化推荐数据稀疏性:长尾增强的图对比学习算法研究
本文提出了一种新的长尾增强的图对比学习方法(LAGCL),该方法促使模型同时兼顾头部节点与尾部节点之间的知识,并通过长尾增强技术来使模型产出更均匀更准确的节点表征,从而改进基于 GNN 的推荐任务。
|
3月前
|
存储 算法 Python
Python 集合探索:解密高效数据操作和快速算法的奇妙世界
Python 集合探索:解密高效数据操作和快速算法的奇妙世界
|
2月前
|
编解码 算法 定位技术
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
71 3
|
4月前
|
机器学习/深度学习 人工智能 算法
人工智能中数据组合采样、特征层、算法层的讲解(图文详解)
人工智能中数据组合采样、特征层、算法层的讲解(图文详解)
60 0
|
4月前
|
数据可视化 算法 JavaScript
【Python数据挖掘】数据可视化及数据对象的相似性度量算法详解(超详细 附源码)
【Python数据挖掘】数据可视化及数据对象的相似性度量算法详解(超详细 附源码)
79 0
|
2天前
|
算法 数据可视化 Python
Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例
Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例
11 0
|
3天前
电信公司churn数据客户流失k近邻(knn)模型预测分析
电信公司churn数据客户流失k近邻(knn)模型预测分析
15 0
|
4月前
|
机器学习/深度学习 分布式计算 并行计算
【MATLAB】史上最全的13种数据拟合算法全家桶
【MATLAB】史上最全的13种数据拟合算法全家桶
213 1
|
2月前
|
机器学习/深度学习 算法 搜索推荐
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强
30 0
【实操】数据扩增:Retinex算法用于图像颜色恢复和对比度增强