背景
在竞争态下(与Uber中国、美团打车等抢占市场竞争时期),乘客面对平台的大量补贴,往往会被刺激出更多的打车需求,而更多的订单,更多的用户也是以更高补贴刺激出来的。高额的补贴烧钱并不是长久之计,在抢占市场份额的同时,刺激和培养用户的打车习惯也是补贴的目的。究竟怎样的用户可以在竞争态下的高额补贴退去之后仍然保持着一定的打车活跃度?怎样的用户在高额补贴退去之后完全流失或者极其低频?这便是乘客购买力标签所想要探清的问题。

高低购买力人群的定义和选择
标签的目的是找出两群人:
高购买力人群,即在高额补贴下有打车行为,在低补贴甚至无补贴时期仍然打车,即并不刻意追求高补贴的订单。因此可以看出对于此类人群竞争态高额补贴他们是有价值的,长远来看这类人群是盈利的。

低购买力人群,即在高额补贴下有打车行为,在低补贴甚至无补贴时期完全流失不打车或者打车频率较之前显得极低,即消费的时候几乎只追求高补贴的订单。因此可以看出对于此类人群竞争态高额补贴他们的价值不大,长远来看这类人群是亏本的。

从以上的定义可以看出,想要找出高低购买力人群,我们需要高额补贴的时期以及高额补贴后的低补贴或者无补贴时期,而中国网约车进程中这样的时期自然是Uber中国和滴滴大规模竞争的高额补贴期,以及之后合并后补贴减少的低额补贴时期。通过与Uber中国战中战后选取高低购买力人群再合适不过了。

因此我们可以选择出:
高购买力样本:Uber中国和滴滴当年战中活跃,战后依然保持一定活跃的人;

低购买力样本:Uber中国和滴滴当年战中活跃,战后极低频或者流失的人;

模型的学习和特征的选取
我们选择的样本仅仅是历史上的一部分典型的人群,人数规模小而且是在于当时的历史时期的表现。而机器学习模型的作用就是对于这样的两类人群学习其中的区别与规律,认清楚怎样特征的人应该属于怎样两类人群的哪一类,具体我们这个问题而言,怎样特征属性的人倾向于是高购买力,表现得像我们选取的高购买力人群;怎样特征属性的人倾向于是低购买力,表现得像我们选取的低购买力人群。

机器学习模型学习出区分高低购买力人群的规律,便可泛化到更加广大的人群中去,比如许多后来的新用户,以及一些我们选取样本时对于其购买力高低不那么典型的用户。

标签: 乘客, 购买力, 思考, 补贴, 需求, 习惯, 目的

添加新评论