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
在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18小陈是某电商平台的数据分析师。老板交给他一个任务:“我们平台的注册用户已经突破1000万了,想了解一下用户的平均月消费金额。 ...
2026-05-18【专访摘要】本次CDA持证专访邀请到拥有丰富物流供应链数据分析经验的赖尧,他结合自身在京东、华莱士、兰格赛等企业的从业经历 ...
2026-05-15在数字化时代,企业的每一次业务优化、每一项技术迭代,都需要回答一个核心问题:这个动作到底能带来多少价值?是提升了用户转化 ...
2026-05-15