Uber的秘密武器是一群經濟學家
Uber的秘密武器是一群經濟學家

一個下雨的週六夜裡,你剛和朋友吃完飯,拿出手機、打開Uber,首次發現它居然說因車輛短缺,價格得上漲1.3x倍。當時的你,是按下了「接受」按鈕,還是選擇「多等幾分鐘」?

你也許已經忘了當時的決定,但那個數據對經濟學家來說特別珍貴,因為它們清晰地記載了交易時間、地點、價格以及當時的供需情況。《魔鬼經濟學》作者、美國經濟學家Steven Levitt曾說:

從很多方面來看,Uber呈現了經濟學家理想中經濟應有的模樣。

這樣精確豐富的數據於經濟學家來說猶如瑰寶,但更重要的是,Uber愛這些經濟學家就如經濟學家愛這家公司帶來的寶貴數據和實驗機會。

Uber不僅在內部設立「研究和經濟(Research and Economics)」部門,同時讓這些被稱為「Ubernomics」的經濟學家的研究成功融入到公司的產品設計、戰略設計以及政府遊說支持中。今天,Quartz撰文介紹了這群鮮為人知,卻對Uber發展相當重要的人群。

經濟學家都愛Uber

2016年,Steven Levitt透過分析UberX 2015年上半年在芝加哥、洛杉磯、紐約和舊金山所產生的5,400萬筆交易數據,繪製出基於真實數據的需求曲線。

我們都學過微觀經濟學的「需求曲線」——在其它條件相同時,產品的價格越低,需求會越大,反之亦然。

由於從來沒人能夠準確記錄「其他條件」的改變會怎樣影響人們需求對價格的敏感度(譬如,原本打車回家只要75元,今天下雨漲價到125元你接受嗎?150元呢?),所以需求曲線一直是個「概念性」模型。

直至Uber推出溢價算法,讓類似的消費者對不同價格做出選擇,得到了所需的實際數據。你們每一次的「接受」和「多等幾分鐘」都為經濟學家了解人們對價格的接受預期作出貢獻。

據統計,Uber擁有超過300萬名司機,全球來說,每天將產生1,500萬筆交易數據。QZ在文章中寫道:

Yahoo、Google和Uber等公司能夠提供的數據體量,是十年前經濟學家們做夢都求不來的。

科技公司裡的經濟學家是怎樣的存在?

需要說明的是,Steven Levitt並不是受聘於Uber的經濟學家,但他對於需求曲線的研究的確是和Uber自家的經濟學家合作完成的。

Ubernomics向來保持低調,廣泛研究消費者體驗、測試新功能和激勵措施、根據Uber公共政策需求提供支援素材,以及生產經過同行評議和可在權威刊物上刊登的研究。

2015年,當美國政府官員譴責Uber的溢價是「價格欺詐」時,Uber的首席公共政策和法律經濟研究負責人Jonathan Hall援引一篇研究報告,指出Ariana Grande在紐約開演唱會時,溢價是如何驅動司機前往需求最大區域。

此外,Hall和前歐巴馬顧問Alan Krueger的研究則透過展示司機「可當自己的老闆」、「安排自己的行程」來支持「Uber只是司機的代理人,司機不是公司正式員工」一說。

更隱形的影響是,Hall和Krueger的研究已被數百篇研究論文所引用,影響力默默地擴散。

科技公司對經濟學家的「現代商業」需求也許是從2002年經濟學家Hal Varian和Google合作後才興起,但經濟學家如今在科技公司中的位置已經變得非常多元。據美國經濟學家兼微軟長期顧問Susan Athey分享,目前經濟學家在科技公司中主要負責4個方面的工作:

  • 微觀經濟學方面問題,譬如價格設置和產品設計問題,研究產品是如何影響用戶的;
  • 公司發展策略問題,包括對產業的研究以及對收購、合併等行為的評估;
  • 公共政策問題(知識版權、隱私、數據安全等),Uber拿研究報告去遊說各地政府就是一個例子;
  • 法律和政府監管問題,協助企業面對反壟斷和競爭等領域的挑戰。

此外,Athey 指出,還有不少年輕的經濟學家會在科技公司裡擔任數據研究員和產品經理,因為他們更擅長於使用觀測數據和設計實驗。

近10年來,科技公司的創新速度一直領先著政府政策的發展速度,這為經濟學家提供了發揮小宇宙的空間。

經濟學家甚少能夠在觸及如此多人的產品和平台中體現自身價值,這讓人非常振奮,與給數百位學者提供可引用的研究論文相比,我的工作可以影響整個經濟。

Athey透過郵件對Quartz說。而對於Ubernomic來說,重要的任務是建造證據體系,並圍繞這個體系建立全球政策框架。在QZ看來,Uber在這方面做得很好:

Uber高品質的數據吸引來學術和研究人才,他們將為公司撰寫提高聲譽的研究報告,並吸引更多研究人員來撰寫這方面的研究論文,提高公司政策合理性。

爭議,一直都沒停過

今年3月,MIT發表了文章指出,Uber和另一打車軟體Lyft的司機每小時只能賺3.37美元,遠低於最低薪酬。

沒過多久,Hall就在Uber的官方部落格上抨擊該研究,稱MIT為「Mathematically Incompetent Theories(數學算不好理論)」,並獲得了Krueger和耶魯大學經濟學家Judy Chevalier的支持。

事實證明,MIT發布的研究確有缺陷,隨後他們也將研究數據從3.37更正為8.85美元/小時。但該研究負責人Stephen Zoepf對事件的後續評論同樣值得深思:

透明度和可重複性是學術研究的基礎。Hall和Khosrowshahi的評估所暴露的,是一份我在沒有公開乘車數據,以及除Uber自家分析外缺乏第三方獨立研究下進行的一次假設。

當然,這不是Uber一家才有的問題。

一隊經濟學家已經不再是任何人的「秘密武器」。所有大公司都有自己的(經濟學家)團隊。

O’Reilly Media創辦人Tim O’Reilly說道。正如前文所及,Google就曾在Hal Varian的幫助下打造出最賺錢的AdWords,而AirBnb、Netflix、Pandora等公司每週也在尋找新經濟學家來合作。從某個層面來說,受聘的經濟學家也是公關團隊的一部分,以專業論文來為公司說話,為公司建設軟實力。

本文授權轉載自:愛范兒

關鍵字: #共享經濟
往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓