京公网安备 11010802034615号
经营许可证编号:京B2-20210330
滴滴打车“滴米调度室”上线 大数据优化出行体验
12月23日,滴滴打车方面透露,经过两个多月的公测,滴滴的“滴米”调度系统正式上线。该系统可以有效规避司机“挑肥拣瘦”、最大程度让乘客订单呼叫都得到满足,让乘客获得更好的出行体验。
据介绍,依靠“滴米”系统,滴滴打车成功地保证了用户“打上车”的基本需求,即便在今年打车软件竞争激烈的“双十二”,滴滴用户打车成功率也达到了90%。
“滴滴的核心是大数据”,滴滴打车CTO张博告诉记者,“滴米调度系统正是基于大数据优势而生,通过这些优势去创造更多的社会价值是滴滴一直追求的”。
此外,张博还透露,滴滴打车很快将采用技术手段,通过“中间号”的方式以双向保护司机和乘客的手机号隐私,这个“中间号”大概只能在半小时内打通,让乘客投诉司机不规范等行为时无后顾之忧。
“保证用户打到车”
“作为滴滴公司重要的创新之一,‘滴米’极大的优化城市出租车的调度效率,进一步提升消费者的打车成功率,从而为消费者带来更好的出行体验。”12月23日,滴滴公司CTO张博在媒体沟通会上说。
据了解,“滴米”系统是滴滴公司依靠大数据的掌握,而首创的一种调度方式。滴滴公司招募了世界上最出色的大数据、算法专家,组建了一支超过800人的技术团队,并与一些高校和科研机构合作,推出相当于“调度室”功能的滴米系统。
“‘滴米’在司机端的体现是一种虚拟积分。对于司机来说,行驶里程多、道路状况好的‘好单’会扣除滴米,而行驶里程较少、道路状况拥堵的“坏单”的司机则会奖励‘滴米’。如果乘客发出叫车需求,而此时有两辆车与乘客的距离是一样的,那么司机谁的‘滴米’多,就是谁获得这个订单。这就鼓励司机为接到‘好单’而多累积‘滴米’。张博说。
张博表示,滴滴之所以推出“滴米”,主要是期望解决传统出租车行业运营规则中的通病——出租车行业原有的调度系统多年来仍作用有限,并不能解决司机拒载的问题。即便在打车软件出现后,也出现了“好单”都在抢,但“差单”却无人接的问题,司机间都是在比拼手机速度和网络速度。
据悉,今年10月份,滴滴首次推出“滴米”系统进行公测,两个月来取得了良好的效果。除了引导司机更好地投入到打车服务中,满足乘客最基本的“打上车”需求,“滴米系统更重要的社会属性在于,有效地调度了超过百万人的司机群体,推动出租车行业的不健康竞争向良性竞争转变,极大提升了城市出租车调度效率。
“好功能受益大数据”
张博向记者介绍,滴滴打车之所以能够推出滴米系统,这与公司长期积累的大数据优势有着莫大的关系。
据悉,在滴米系统中,系统首先要评判一个订单价值的高低,这就需要大量数据的支撑。在订单产生的时候,系统会第一时间根据订单的实际情况(路程远近、拥堵状况、历史订单)来预估这个订单的价值。如果这是一个不受司机欢迎的订单,系统就会以奖励滴米的方式激励司机抢单。如果这是一个非常受司机欢迎的订单,系统就会扣除抢单司机的滴米。“滴米就像滴滴系统中的虚拟货币,在发放的环节,大数据发挥了很大作用。”
在张博看来,正因为大数据的优势,滴米调度室与传统的出租车调度有了根本区别。“比如说,滴米调度系统可以知道哪一位司机在哪一个时刻接了一个什么样的订单,可以判断这个订单的价值高低,这是传统的出租车调度系统不具备的”,张博指出,“更重要的是,我们能够通过大数据的不断积累,掌控未来订单的分配。我们不断的记录司机的行为,司机是接了好的订单还是差的订单,是不是提供了好的服务,都会被记录下来。然后我们通过这些记录,去评估司机的贡献,反过来再让司机收益”。
在日常的出行中,司机和乘客在地域上的分布往往是不均匀的,一些地方乘客打不到车,一些地方司机拉不到客。而透过大数据,乘客的需求却可以被预测,张博向记者介绍,“比如晚上10点至11点左右,北京三里屯的乘客数量会激增。这样的例子不胜枚举,我们可以向司机提供全天的订单分布预测情况,根据司机所处的位置,提示司机在未来多长时间会遇到订单数量较少的情况,或提醒司机提早前往订单数量较多的地域。”
而在这样的预测与提醒下,有50%的司机愿意听从提醒前往那个目的地,有80%的司机认为这个信息有用。“这就是大数据创造的社会价值,是滴滴一直追求的。随着数据的不断积累,我们对用户出行的理解也会越来越深,它的价值也会不断放大”,张博强调。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17