我在國內看到的那些大數據文章好像都比較空洞，我來寫點硅谷正發生的真實應用案例。這些應用已基本解釋清楚大數據如何提供決策參考，以及我們作為普通老百姓如何和它發生關系。

　　醫療領域

　　我要說的第一個案例是大數據如何減少美國醫院急救數量。

　　因 為美國急救價格很貴，而很多需要急救的病人沒有醫療保險，美國政府在支付急救費用上承擔著大量花費，但是最近一個非營利性組織 Code for America 發現：其實美國醫院急救問題的癥結不在于有很多人打急救電話，而在于總是有一部分人一次又一次打急救電話。

　　他們給我舉的一個例子是：有個老人被發現一個月內有四次因為中風被送入急救室，但原因其實不是老人沒有治療中風的藥，而是這個老人的家人總是在偷她的藥片賣錢。

　　解決方法因此變得很簡單了，那就是買一個帶鎖的醫療箱給她。自那以后，這個老人再沒有中風過。

　　所以如果美國政府要省下費用，他們只需把這部分大量使用急救資源的病人找出來，然后在他們被送往急救前就解決他們身上更深層次的問題。接下來是怎么收集大數據，這就涉及到美國多個部門的合作：包括美國消防局、警察局和城市規劃局。

　　因為消防局和警察局有每個急救電話的種類、地址和時間等信息，它們兩個部門基本可以確定是哪些地址的患者在頻繁打急救電話；而城市規劃局（或工商局）有這個地址屬于什么種類建筑的信息，它可以用來決定派遣什么樣的人員前往。

　　比如如果一個月打 4 次急救電話的地址是“居民樓”，那就需要派一個護士過去看看什么情況；而如果一個月打 4 次急救電話的地址是“餐館”，那就需要派其他種類的人去。

　　交通管理部門

　　交通其實是個大熱點，每時每刻都在產生大量有價值信息，但不同交通信息系統目的是不一樣的，比如地鐵、地鐵的檢票站能夠確定乘客從哪個站進、哪個站出；而調度系統則能確定在某個時段有幾班車從哪里開往哪里。

　　這兩個系統的數據分開各有各的用處，但如果將它們整合，基本就能知道某個時刻某班車上有多少乘客、擁擠度如何等，比如如果過分擁擠，你可以決定增加運力。

　　另一個例子是：一個乘客從 A 到 B，他需要先乘坐公交車，然后再乘坐地鐵。通常，這個乘客數據是分別存在地鐵和公交兩個系統，所以數據到了美國交通管理部門，即使只是一個乘客從 A 到 B，它也會被認為是兩次不同的行程。

　　但如果將公交和地鐵數據整合后會發生什么呢？美國交通管理部門會把從 A 到 B 的兩次旅行連在一起，確認為是一次行程，而如果發現有大量人的實際需求其實是從 A 到 B，而非是從 A 到某一個中間點 C，那么市政府就會考慮是否直接做一個從 A 到 B 的路線。

　　外賣公司

　　在 舊金山送外賣的創業公司最近非常火，Sprig 和SpoonRocket 都拿到了千萬美金級別的融資，它們模式是在網上或手機上點單，然后自己雇人做健康營養的快餐，派人送到用戶手中。重要的信息來了，Sprig在6月初招募 了 Uber 做大數據的 Angela Wise，而SpoonRocket 也剛剛招募了一個人做大數據。

　　為什么一個做外賣的也對大數據這么熱情？因為通過用戶數據分析，他們能提前預測在哪個地區、什么時間用戶訂單可能會一下爆棚，由此，外賣公司可以提前調整運力并縮短用戶等待時間，因為外賣公司的用戶體驗很大程度取決于能否在用戶下訂單后 10-20 分鐘內把快餐送到。

　　這些公司也使用大數據做外賣車輛的路線優化，目的是保證如何以最有效、最省成本方式將快餐送到用戶手里。

　　當然，美國這里的外賣不像中國寫字樓里的外賣，它不是每天中午 11 點 30 分寫個單子，然后 12 點送到，美國的外賣基本都是隨時點、隨時送，所以做預測就非常重要。

　　而 實際上，大數據應用也對公司擴張決策起到指導作用。比如 SpoonRocket 創始人告訴我，他正考慮跳出舊金山進入像洛杉磯、西雅圖等西海岸其它城市，但進入哪個城市對 SpoonRocket 業務有最大好處？大數據可以幫他排出不同城市優先級，使 SpoonRocket 能選擇優先進入的城市。