第一财经·新一线城市研究所与ofo小黄车最新联合发布了“共享单车城市出行大数据”，并解读了成都整座城市的共享单车出行情况。
解决城市中最后一公里的出行需求，被认为是共享单车对中国城市最重要的意义。随着运营的深入，ofo出行大数据也可以反映出城市内更深层次的出行痛点。
好比成都地铁 1 号线的天府三街站是一个典型的潮汐站，这个地铁站附近是天府软件园的办公楼群，由于城南只有 1 号线一条地铁线路通达，因此东西标的目的的上下班人群都会选择骑车通勤。早上 8 点，大量单车被从周边的居住区骑到这里的天府软件园，到达天府三街站的共享单车量是从天府三街出发的一半，而晚上 6 点的情况相反，下班后又密集地从这里出发离开。
骑共享单车前往成都 4 号线上的太升南路站和 2 号线的东门大桥站的人明显比从这里出发的人更多，而人民公园站则更像是一个出发目的地。市中心春熙路在早高峰是一个进出均衡的地点，但从下午开始会有更多的人骑车从这里出发去更多目的地。
并且，在成都，平均每天有超 9000 人骑着小黄车往返于春熙路地铁站;平均每天有超 6500 人骑着小黄车往返于天府三街地铁站;平均每天有超 6000 人骑着小黄车往返于市二病院地铁站，且出行高峰均在早晚高峰。
别的，ofo大数据还显示，西南石油大学附近有一些极为热门的起终点线路组，这也是这片区域的公共交通不发达带来的结果。西南石油大学成为了热门的往返区域，对照这些单车线路周边的公共交通状况，这些区域现有更多的是纵向公交线路，而缺乏横向的交通网络。
“城市里的交通枢纽是根据人们出行的规律来设置的，，我们是在这个基础上把公共交通延伸到人们生活工作场景最后一公里。”张严琪说，在ofo刚进入一个城市时，通常会首先在人流量大、用车需求高的大型交通枢纽附近尝试投放单车，然后等这些站点的车都被骑走之后，就有数据来分析在这座城市的具体运营策略了。
城市运营数据的分析是一项复杂的工作。从校园单车起家的ofo过去可以凭经验来判断学校的宿舍、食堂、教学楼、图书馆等起终点之间的用车潮汐规律，但到了使用场景极其复杂的城市环境中，张严琪的团队会需要更多数据分析来帮手决定车辆的投放。
随着运营的深入，ofo的数据也可以反映出城市内更深层次的出行痛点。如果比较城市内同级别热度的起终点覆盖范围，你会发现，终点能够覆盖更广泛的面积。从整体趋势看，城市人使用共享单车的整体路线是从城市内向城市外围离散的。
这种早晚高峰、区域供需的不服衡也是为什么我们常常能在路边看到调度共享单车的卡车或是面包车的原因。从ofo的运营经验看，城市中的共享单车流向通常有两种模式。一种的单向流动，人们只往一个标的目的骑车而不会把车骑回来，也需要运营调度将终点的车运回来;另一种是双向流动，这条路线上的单车基本不需要人工干预。
在ofo小黄车，线下的调度师傅按照线上数据平台反馈的信息，结合自身经验，把扩散到城市外围的单车运到高频使用地区。
但数据平台只能显示一个结果，好比在北京的大望路地铁站有一些滞留的共享单车，从其他地区流向这个站点后就不太移动。数据平台只能显示这个现象，并不知道为什么。而在现场调度师傅发现，单车通常积压在出京往燕郊标的目的的一边——从燕郊坐车进京上班的人们并不会为了骑车特地跨过一个天桥，这就需要线下的团队给线上数据平台系统增补信息。
“有些时候机器算法告诉我们某个点的日单量很高，但看不出有什么规律，我们就先去投放，然后再做线下调研反馈，帮手系统变得更聪明。”张严琪说，目前ofo的数据平台能够告诉调度团队将单车往回拉最合适的时间，并匹配出最优的回流路线。
“其实只要能骑自行车的城市都适合共享单车。”张严琪说。只是从一家公司运营的角度看，ofo需要从市场规模上判断哪些城市更值得优先进入。
按照一套包孕城市面积、人口、出行规律、公交规划、天气、降雨量、消费水平等因素建立的算法模型，ofo小黄车会为城市测算出一个分数，这也是张严琪判断一个城市“是不是准备好了”的依据。
ofo当前对外公布的最新进驻城市数量是 120 个，并计划在本年年底将这个数字提升到 200 个，这意味着更多三四线甚至五线城市的街头也会出现小黄车——也许还有它的竞争对手们。
