我们的最终目的：找到成本cost与用户增长KPI之间的最佳关系，通过成本最优化的最优解参数来提升运营效率，实现智能化运营。
用户增长主要靠三个方面：司拉乘（SLC）、司拉司（SLS）、乘拉乘（CLC），本文主要讨论SLC这种情况。
SLC带来的乘客用户增长等于司机base大小乘以司机拉乘客的能力。按照这个拉新能力就可以对司机分类，大致分为：
（1）日SLC稳定（方差小于等于1）的司机，其能力值可取一周内日SLC的最大值，一般为2、3；
（2）日SLC方差在1到2之间；
（3）方差越来越大。
由上述分类方法可知，最后一类司机的波动方差大，说明他曾经有很大的日SLC，因此能力普遍较高，潜力巨大，他们能力值的计算可以用日SLC最大值乘上波动程度参数（表征日SLC增加或减少的趋势）。最终根据拉新能力，制定相应的刺激补贴策略，如能力值为5，则补贴策略为1、1、1、1、1、4，以此来鼓励其往能力值为6努力（当然我们不会这么明显，通常6、8、10、8、8、15，虽然8、8降了，但刺激去拿15）。但这种方法容易受到司机鄙视。
对于上述司机的鄙视，是因人而异的，主要看不同司机对价格变化的敏感程度。如敏感度0.9，原1元/单的奖励可降为0.9元/单；敏感度0.1，原1元/单的奖励甚至可降为0.1元/单。这些敏感程度的数据来源是推行差异化补贴后司机的行为数据，当然实验只能部分试点，不能全盘使用，否则运营就崩了。
司机除了可以根据SLC进行分类，还可以预测其SLC。例如对司机前4天的日SLC分别赋予0.1、0.2、0.3、0.4的权重，加和得到明天的SLC预测值。这种方法还可以进一步优化，考虑上周同一时间的影响，赋予一定权值。
对于乘客的分类，一般使用月留存率作为指标。月留存率是指当月下单的用户中下个月仍然下单的比例，通常与当月下单量成正比，但有个例外是留存率最高（90%+）的那一类乘客，当月下单量很低，原因是这些乘客里有相当一部分是月底靠薅羊毛政策拉过来的，他们起初作为新用户，少量下单就可以拿走大量补贴。另外，乘客分类也可以根据使用频率，如7天内订单数为1、2、3及以上。
好的，现在回归到成本的核心话题上来。总成本等于SLC订单数乘以单均成本，当然这个单均成本受城市生活水平的影响，这个目前是靠负责不同城市的运营同学来人为调控的。以下再说明一些重要指标的含义：（1）邀请比：每个司机平均邀请人数。（2）人车比：每个司机平均单车载量。（3）周留存率：这周使用且上周使用/上周使用。（4）召回率：这周使用且上周没用/上周没用。（5）渗透率：累计注册司机数/保有车主数、累计搭载司机数/累计注册司机数。（6）乘客：下单次数→（被接单平均等待时长）→被应答次数→（取消订单平均等待时长）→搭乘次数→平均优惠券金额。
那么，究竟有哪些因素或参数会影响SLC订单呢？
（1）天气。主要是下雨的影响，但不能简单地分为有雨和无雨，因为小雨SLC会上涨，但大暴雨SLC就会下降（大家都不出门）。此外，空气污染指数、温度（正常区间内无影响，大于33度就开始下降）都有影响。
（2）司机端成本。主要体现为以下两方面的规律：首先，单均成本增加，邀请比随之增加，这是邀请比最显著的影响因素；其次，从奖励设计的细粒度上来说，在单均成本一致的情况下，不同的奖励设计方法对SLC订单数的影响不同，比如传统人工运营的方法、根据能力值算法制定的方法等。
（3）乘客端成本。也就是SLC订单的乘客优惠额度，在同等司机能力和司机端成本的情况下，也会影响邀请比。首先明确事件背景：SLC和非SLC新用户都会有新手礼包，新手礼包内容一样（当然会按城市生活水平调整），但是SLC新用户会多一张可用于那一单SLC订单的即时优惠券。这个即时优惠券很可能是司机口头告诉乘客的，比如司机说有5块钱优惠，乘客觉得没啥，但司机说有20块钱优惠，乘客就下载APP了，因此这个“官方额度”决定了对乘客有无吸引。这里有个技巧，同样是确定的5块钱，官方说法直接是5块钱，还不如说成5到20块钱，但是这种技俩用多了之后，乘客也不上当了，那我还不如说成4到20块钱，这样乘客抽到5块钱时觉得自己占了小便宜，而这影响的是SLC后的留存，但是弊端在于4块钱显然没有5块钱有吸引力了，降低的是SLC订单的数量。还有一种真实情况就是，司机强制要求乘客下载APP，不下载就不让下车，没wifi我就给你开热点，这种情况下乘客端成本的影响就不大了。
（4）城市生活水平。这主要看的是不同城市邀请比和单均成本的正比关系，比如上海该比例系数0.18，沈阳该比例系数0.3，虽然上海生活水平更高，设置的单均成本也更高，但是我应该把成本更多地投在沈阳上，才可以获得更多的SLC，最终的理想状态是所有城市的该比例系数相同。
（5）回归SLC订单的来源，SLC的用户全都是线下打车用户，线下订单增多则SLC订单也会增多。而线下订单增多的原因可能是线上系统BUG、周末节假日、极端天气、顺风车被封杀、取消快车资格证（青岛真实事件）等。一般来说出租车日订单共70-80W，线上占到20W左右。
说完了SLC订单，我们再来说说乘客的留存周期预测。为什么要去预测这个周期？比如我能预测某乘客的留存周期为7，那么应在他第7天未下单时发放优惠券。然而根据历史留存周期来预测下一次留存周期太难，比如给你一串历史周期数字：23，3，8，16，10，你来告诉我下一次他隔多久回来？当然对于规律性强的乘客我们直接取平均值就可以了，就怕这种没有规律的乘客。但是我们换一个思路，对于这些不规律乘客，既然不能准确回归得到下一次留存周期，那么可以将回归回问题转化为分类问题，也就说我预测他在一周内回来还是两周内回来，或者更久。虽然不能准确预测，但已具备较强的指导意义，比如我预测他下一次留存周期为14-21天，至少我在14天前是绝对不会给他发券的。
最后，再谈谈出行数据的一些日常规律。过节留存率降低，过完节召回率升高；工作日的下单数，大体呈现先增后减的趋势，早上8点大峰值，晚上18点也较高，接单数相应地也在这两个时间点较高，但是早上8点的接单数满足不了如此庞大的下单数；周末的下单数，从早上8点开始一直升高，直到傍晚17点达到最高，随后开始下降，19点是个小谷底，随后逐渐升高，21点又是一个小峰值，而接单数则变化不明显。