京公网安备 11010802034615号
经营许可证编号:京B2-20210330
文 | 林超
本文获得作者授权发布
林超
厅客app联合创始人&CEO
成功创办过三家高科技和互联网消费类公司,中山大学数学和金融双学位,在厅客的第二职业是:人类学家。厅客目前获得PreA 数千万人民币融资。在1月8日举办的2016大数据生态纵览峰会·共享经济分论坛上,林超分享了他关于共享经济在中国应用的观点。本文是他主要观点的集中体现,收录在此,以飨读者。
最近CCTV财经频道制作了一期共享经济的节目,节目提到“共享经济正在从一个新鲜事物变成我们生活的一部分,一个新时代被开启了”。共享经济的话题在中国又热起来了。这一次,可能不再是虚火。
那么,共享经济在中国该如何落地?
首先,共享经济在美国是个环保问题,但在中国却是个再就业和挣外快的问题,那么发源自美国的共享经济成功模式迁移到中国来适用吗?
我们先来看下面两张图。
第一张是《经济学人》杂志某一期专门探讨共享经济主题的封面:

从这张图里面,我们可以看到美国人是怎么理解共享经济的。
总结起来,我们看到了两样东西:
第二:东西很多

第二,在中国落地就要抓住中国特色的机会
那么,中国的劳动力市场到底有什么主要特征呢?如果你是一个共享经济的创业者,那么这里有三个维度可以帮助你更好的理解中国的独特性。
城市维度
我们可以把中国的城市抽象成:乡镇、四线城市、三线城市、二线城市、一线城市,五个层次。

学历维度
中国的劳动人口的学历维度可以分为:小学学历,初中学历,高中学历,大专与普通大学学历,211/985大学学历。

年龄维度
年龄是一个至关重要的维度,信息文明高速发展推动的年龄代际更迭使得每个年龄层的互联网使用者都表现出完全不同的行为模式。所以,我们先粗略的把用户分为50后、60后、70后、80后、90后。
把这三个维度组织起来我们可以得出一个三维的劳动力人群划分图:
上图,实际上就是我们理解中国人口国情的一张藏宝图,三个维度分别切分成五个类别,5的三次方,可以划分125个区间,每个区间的劳动力激活都可能产生机会。
比如,我们可以举个例子:达达快递是利用移动互联网的能力,成功的激活了在一二三线城市居住的,80、90后,中专及以下的劳动力的碎片化时间挣外快问题。
回家吃饭便是满足了一二线城市居住的,50、60后,中专及以下的劳动力再就业需求。
厅客则是满足了一二线城市居住的,80、90后,大专及以上劳动力的探索人生另一种工作方式的需求。
第三,分清你的产品是需求场景,还是需求品类
做共享经济到底是“选择品类”重要,还是“锁定场景”更加重要。要理解这个问题,我们需要引入一个概念,就是引力。
重资产品类”引力强,围绕自身形成场景;“轻资产品类”引力弱,需要围绕场景构建品类。
比如,我们可以说 uber 捕捉的是打车需求产生的前后5分钟的场景。Airbnb捕捉的是在旅行中最关键的住宿选购的场景。
他们的区别在于前者是从使用者的视角看问题,后者是从被使用的物品为视角看问题。
两种不同的视角取决于品类的轻重。 比如,房子非常重,车子非常重,孩子非常重,所以围绕他们就容易形成围绕场景。但是,灯泡很轻,凳子很轻,电钻很轻,吃个便饭很轻,所以这些往往会融入到其他的场景中。
当你切入共享经济类别相对轻的时候,品类自身的引力不够形成周边场景,这个时候你就要转化思路,主动融入其他场景考虑问题。
比如“Enjoy”从高体验餐饮场景切入,构建了一个体验经济的核心场景,从而逐渐切入其他零食,甚至手工艺品就显得顺理成章。而“觅食”选择了覆盖所有饮食场景的全品类切入方式,反而有可能让用户觉得无所适从,最终只使用其最核心的一到两个场景,使得其他场景枯萎。
或者,如果你是做个人手艺的共享经济,那么你提供的共享服务层次和类别差异可能非常大。比如你提供主要是按摩、美甲、身体护理类的服务共享经济,这就是一个轻品类,它其实隶属于多个完全不同的场景,比如办公室场景、家庭上门服务场景、周末姐妹聚会场景。服务于不同的产品完全可以形成彻底不同的产品形态。
第四,看清打开频次与传播率之间的关系
作为一个交易平台,高频打低频的理论相信大家也是耳熟能详。
不过,到底为什么高频产品可以侵蚀低频产品呢?
这个可以看成是一个进化生物学问题,不过最终还是一个数学问题。
理查德.道金斯在他的著作《自私的基因》里面对于原始海洋中基因间如何竞争有过精彩的描述。进一步用数学来解释就是,如果有AB两个产品:
A产品用户体验非常好,用户满意度极高,每次使用都能产生200%的传播,但它一个月的时间只有5次用户打开。
B产品用户体验做的一般,用户满意度一般,每次使用只能产生5%的传播,但是它用户打开频率很高,一个月能打开200次。
那么一个月后,A产品传播结果为243,而B产品的传播结果则是惊人的17292。
所以,一个自我复制频率高但是每次复制能力低的产品,会胜过一个自我复制频率低但是每次复制能力强的产品。

以上四点即是我对于“共享经济如何在中国落地”的一些看法。正如央视财经频道所说,共享经济在中国已不是新鲜话题,它将越来越成为我们生活的一部分,我们也会进入一个全新的经济共享时代。
end
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13