空谈误国，看看硅谷正在发生的大数据应用案例

当你看到一批外卖 App 正大力从 Uber 挖人，你总得为这种现象作出点反应。事实上，" Uber 越来越像亚马逊，卖外卖的越来越像 Uber "正成为硅谷一种新现象，而将这三种类型公司扯在一起的背后逻辑是基于大数据上的物流。

你可能很难听到在国内做外卖的公司会和你强调，它不只是送食物的，它其实是一家物流公司，但昨天硅谷一家送外卖的移动 App 公司 SpoonRocket 正是这样告诉我的：

" We are actually very much a logistic company, now we are just food."

这句话一年前 Uber 也说过，它说自己是物流公司，只是在做打车而已。如果 SpoonRocket、Uber 都是物流公司的话，人才流动从亚马逊到 Uber，从 Uber 到 SpoonRocket 也就理所当然了，它们的核心都是对城市交通和物流的数据收集，以及处理和分析这些数据的能力。

我在国内看到的那些大数据文章好像都比较空洞，我来写点硅谷正发生的真实应用。这些应用已基本解释清楚大数据如何提供决策参考，以及我们作为普通老百姓如何和它发生关系。

医疗领域

我要说的第一个案例是大数据如何减少美国医院急救数量。

因为美国急救价格很贵，而很多需要急救的病人没有医疗保险，美国政府在支付急救费用上承担着大量花费，但是最近一个非营利性组织 Code for America 发现：其实美国医院急救问题的症结不在于有很多人打急救电话，而在于总是有一部分人一次又一次打急救电话。

他们给我举的一个例子是：有个老人被发现一个月内有四次因为中风被送入急救室，但原因其实不是老人没有治疗中风的药，而是这个老人的家人总是在偷她的药片卖钱。

解决方法因此变得很简单了，那就是买一个带锁的医疗箱给她。自那以后，这个老人再没有中风过。

所以如果美国政府要省下费用，他们只需把这部分大量使用急救资源的病人找出来，然后在他们被送往急救前就解决他们身上更深层次的问题。接下来是怎么收集大数据，这就涉及到美国多个部门的合作：包括美国消防局、警察局和城市规划局。

因为消防局和警察局有每个急救电话的种类、地址和时间等信息，它们两个部门基本可以确定是哪些地址的患者在频繁打急救电话；而城市规划局（或工商局）有这个地址属于什么种类建筑的信息，它可以用来决定派遣什么样的人员前往。

比如如果一个月打 4 次急救电话的地址是"居民楼"，那就需要派一个护士过去看看什么情况；而如果一个月打 4 次急救电话的地址是"餐馆"，那就需要派其他种类的人去。

交通管理部门

交通其实是个大热点，每时每刻都在产生大量有价值信息，但不同交通信息系统目的是不一样的，比如地铁、地铁的检票站能够确定乘客从哪个站进、哪个站出；而调度系统则能确定在某个时段有几班车从哪里开往哪里。

这两个系统的数据分开各有各的用处，但如果将它们整合，基本就能知道某个时刻某班车上有多少乘客、拥挤度如何等，比如如果过分拥挤，你可以决定增加运力。

另一个例子是：一个乘客从 A 到 B，他需要先乘坐公交车，然后再乘坐地铁。通常，这个乘客数据是分别存在地铁和公交两个系统，所以数据到了美国交通管理部门，即使只是一个乘客从 A 到 B，它也会被认为是两次不同的行程。

但如果将公交和地铁数据整合后会发生什么呢？美国交通管理部门会把从 A 到 B 的两次旅行连在一起，确认为是一次行程，而如果发现有大量人的实际需求其实是从 A 到 B，而非是从 A 到某一个中间点 C，那么市政府就会考虑是否直接做一个从 A 到 B 的路线。

外卖公司

在旧金山送外卖的创业公司最近非常火，Sprig 和 SpoonRocket 都拿到了千万美金级别的融资，它们模式是在网上或手机上点单，然后自己雇人做健康营养的快餐，派人送到用户手中。重要的信息来了，Sprig在6月初招募了 Uber 做大数据的 Angela Wise，而 SpoonRocket 也刚刚招募了一个人做大数据。

为什么一个做外卖的也对大数据这么热情？因为通过用户数据分析，他们能提前预测在哪个地区、什么时间用户订单可能会一下爆棚，由此，外卖公司可以提前调整运力并缩短用户等待时间，因为外卖公司的用户体验很大程度取决于能否在用户下订单后 10-20 分钟内把快餐送到。

这些公司也使用大数据做外卖车辆的路线优化，目的是保证如何以最有效、最省成本方式将快餐送到用户手里。

当然，美国这里的外卖不像中国写字楼里的外卖，它不是每天中午 11 点 30 分写个单子，然后 12 点送到，美国的外卖基本都是随时点、随时送，所以做预测就非常重要。

而实际上，大数据应用也对公司扩张决策起到指导作用。