滴滴、uber、易到,这些打车APP,究竟哪家更便宜?
合作热线:400-663-5098

滴滴、uber、易到,这些打车APP,究竟哪家更便宜?

滴滴、uber、易到,这些打车APP,究竟哪家更便宜?


真相:打车软件拼优惠,到底哪家强?

问:“打车APP哪家便宜?”

答:“9公里以内,用Uber;9-16公里,用滴滴;16公里以上,用易道。”

这一“打车省钱攻略”在微博引发了热议,连冯大辉都给出了服气的结论。

但是,这个错误的结论小编并、不、服、气!

那么,打车软件的正确打开方式究竟是怎样的呢?

答:短距离下Uber最便宜;46.6公里以上,易到则是最优选择。

真相:打车软件拼优惠,到底哪家强?


为什么这个结论是错误的?

虽然原po细心的考虑到了优惠活动。但是却忽视了打车软件使用中的两个特点:不确定性和不持续性。

  • 不确定性

实际上,不同城市的同一打车软件,采用的收费标准并不是完全一样的。比如在昆明Uber的4.18元/公里,0.4元/分,但当城市切换到广州,这一数字立刻会变成1.7元/公里,0.55元/分。

  • 不持续性

打车软件中的优惠活动并不是都是长期的,并且还会随着用户打车次数的积累发生变化。

那如果是同一城市呢?也有可能因为车型或者出发地不同,而导致优惠和资费不一样。

下表是网友整理的广州司机通过打车软件能获得的提成金额(标红部分)。可以看出,50公里以内的距离,车速越快,Uber越省钱;当距离超过50公里,高速的易到更值得推荐。

真相:打车软件拼优惠,到底哪家强?

数据来源:广州市人民政府国有土地上房屋征收办公室

这时候,有人问了,你刚不是说了不同城市的资费标准有差异吗?怎么又用广州的专车来当结论了呢?这要是再加上实际打车中的时段运营和车费溢价,这特么以后还能愉快的按照攻略打车吗?

真相:打车软件拼优惠,到底哪家强?

虽然这些标准、优惠和溢价本身具有不确定性。

但并不是不能找到最合适打车方法的。

首先,我们先来计算一下,在没有优惠和溢价情况下打车的费用。

为了方便,我们将城市选定在帝都。一般来说,打车的基本费用包含“起步价”、“用车时长”和“路程总长度”,车费由三者共同核算,具体费用依据不同城市选择的不同车型而定。服务过程中产生的高速费、过路过桥费、停车费、夜间服务费及长途服务费等需要客户额外支付。

目前、Uber、滴滴、易到的资费标准是:

真相:打车软件拼优惠,到底哪家强?

我们依旧将路程设定为a,时间设定为b。不考虑优惠时,以最普通车型为例。

假设车速20km/h为临界值,那么,大于20km/h为非高峰时段,小于20km/h为高峰时段。仅从数值上,我们可以得到一个等式b=3a。

先来看看Uber和滴滴:

8+1.5a+0.25b-(6+1.8a+0.5b)>0

则a<1.9

可以得出第一个结论,在不超过1.9公里的情况下,选择滴滴。

再算一下Uber和易道:

8+1.5a+0.25b-(15+2a+0.4b)>0

则a>46.6

得出第二个结论,在大于46.6公里的情况下,选择易到。

并且,我们可以计算出,超过20公里,易道实际费用为55+0.4b+0.5(a-20)=45+1.7a

诶?这好像跟你刚提出的结论并不一样啊!

先别急,接下来,我们要说的就是专车费用计算的动态定价了。

▍动态定价模型:供求曲线

由于转车的供应和需求都有极大的弹性,建立一个动态定价模型就显得十分必要了。

就需求方而言,在两个方向上都具备高度弹性。其一,当价格升高后,直接使需求量相应减少。其二,当价格降低后,需求量也会立即增加。

真相:打车软件拼优惠,到底哪家强?

算法会根据供需自行进行调整,当需求大于供给,则自动提高价格,减少需求,提高供给,使得供需达到一个动态平衡。从图形来看,动态定价时,Q点总会比常态价格的更靠右,用户能打到车,实际是因为供给增加了。

真相:打车软件拼优惠,到底哪家强?

目前Uber在京的优惠活动在10元左右。通过计算我们可以发现,在1.9公里以内,这个车费完全可以被优惠力度全覆盖,而滴滴的优惠则只有50%的幅度。

对此,Uber也很是自信。

真相:打车软件拼优惠,到底哪家强?

Uber7月12日新海报豪气放话:不用比价了

此外除了收费,服务也是考察打车软件好坏的另一个因素。

我将三家的特点大致罗列如下:

真相:打车软件拼优惠,到底哪家强?

Uber的本地化其实做的并不好,而且不能预约也在一定程度上限制了它的使用场景,其核心竞争还是在于算法突出,自成一套服务体系;但本土化的易道、滴滴则是通过抢单的方式,把用户和司机放在了对等的位置。从这一点来说,调研中,司机多倾向于滴滴也就不奇怪了。


现在还有很多地方做的不行,双边平台确实就是平衡,因为缺谁都玩不了了,但是要知道,永远都是不完全平衡的,所以这时候就出现各种问题,那么怎么办呢?运营规则再多,也无法比实际的波动多比实际的变化快。所以这时候就需要机器学习了。

比如上述的情况,当然前提是要做一些运营规则,什么样的服务应该提供,而不是所有的投诉都应该成立,比如有乘客让司机逆行,不逆行就投诉了。。。中间最好能够通过自动化的手段去处理双边的纠纷,比如识别绕路、迟到、爽约等等,做到平衡。

那 在这个基础上,如何让双边的价值更平衡,其实就是市场经济,调价。调价不是目的,而是手段。在任何时间空间类别不平衡的情况下,价格因子将进行波动,而这 个因子将连接上外围,让其变动恢复原价。比如下雨天,司机开车变得危险,乘客需求变得旺盛,那么有些司机会因此选择在家歇着,减少外出,那么这时候供需关 系会剧烈变化,那么某些地方会尤为严重,价格可能会有N倍提升,但是这时候这个信息应该告诉周边的没有上线的司机,驱动前往,从而供需关系得到缓解,从而 恢复。同理,如果车辆很多,但是需求不旺盛的情况下,也有可能反向价格,现在出门更划算。通过机器学习做到自动化的平衡,不断保持合理的供需比。


打车or开车,不只是你的难题


看到这里,很多咖友开始高呼Uber大法好了。

但每个月总有那么几天,并不想开车。比开车更便宜的Uber自然成了首选。

但是何时开车,何时Uber也是有攻略的。


暂时考虑以Uber价格每km 1.5元+每分钟0.25元为例,行驶速度暂认为是40km/h。

油价6毛每km,车10年报废来算。车价为设定为y,每日出行平均距离为x。

按现行各保险公司报价,10万、20万、30万、40万的车保险价格分别为2500、3700、5100、6200。

暂不考虑车位、保养、停车费、买车预交款所产生的利息及机会成本、油价变更风险等因素。

则,使用uber每年开销为:(1.5*x + 0.25 * x / 40)*365

自己买车开销为:y/10 + x * 0.6 * 365 +保险费

写个程序来画个图看看:

import numpy as npimport matplotlib.pyplot as pltdist = np.linspace(0, 100, 200)car_prices = [100000, 200000, 300000, 400000]premiums = [2500, 3700, 5100, 6200]cost_use_uber = (1.5 * dist + 0.25 * dist / 40) * 365cost_buy_a_car = [ car_prices[i] /10 + 365 * 0.6 * dist + premiums[i] for i in xrange(len(car_prices)) ]plt.plot(dist, cost_use_uber, label = 'use uber')for car_price, cost in zip(car_prices, cost_buy_a_car):     plt.plot(dist, cost, label = 'buy car (%s RMB)' % car_price)plt.xlabel('distance per day (km)')plt.ylabel('cost per year (Yuan)')plt.legend()plt.show()

真相:打车软件拼优惠,到底哪家强?

可以看出,每日出行距离平均小于40km的人,使用专车便宜。

每日平均出行距离大于距离40km以上的小于70km的,买10万左右的车会比专车省钱。

每日平均出行大于70km买更贵些的也会比专车省钱。

如果把前面没考虑的车位、利息、保养、过路、停车等费用考虑进去,则以上距离数字都该再放大不少。


但是,这一数据并不适用于任何情况,因为各打车APP平台会不同时期做活动,给予一定的优惠,所以以上算法仅作参考,哪家活动力度大打哪家。



欢迎来到 JollyColors(彩满堂数字科技),看一看我们充满灵感的工作空间和富有创意的工作环境。
我们的团队,值得信赖!