标题：你在做城市规划，对手在偷你的单车运营密码
小刘是某共享单车品牌的区域运营经理，负责华南某省会城市的车辆投放和调度。每天上班第一件事，就是打开公司的运营后台，看看各个区域的车子使用情况、潮汐流动规律、哪里需要补车、哪里车太多需要调度。这些数据是他做决策的依据，也是他们公司花了大价钱从市场抢来的运营经验。
市里为了规范共享单车停放，要求所有运营企业把车辆位置数据对接到城市管理平台。这个平台由城市规划部门管理，初衷是为了监控各品牌的停车秩序，方便划分停放区域和处罚违停。小刘公司按要求把实时数据接了过去，觉得这是正常的政企合作，没什么好担心的。
可他们低估了这份数据的分析价值。
城市规划管理部门有研究生和数据分析师，他们在处理共享单车数据时发现，不同品牌的投放策略差异很大。小刘公司的车在早高峰时段集中投放在地铁站周边，而另一家品牌则更偏向大学城和商业区。这个规律的发现其实不难——只要把各品牌的电子围栏区域和车辆聚集点的坐标数据做个聚类分析，就能看出每个品牌的运营重心。
问题很快暴露了。小刘发现，每次他们在一个新区投放大量新车之后不到两周，竞争对手就会在同样的区域跟进投放，而且投放密度几乎一样。如果只是新区开发也就罢了，但后来连内部的运营策略调整也被对手跟上了。小刘团队经过分析发现，对手公司可能掌握了他们的实时车辆分布数据。
追查下去，泄密的源头居然是那个城市规划数据平台。平台本身是安全的，但城市规划部门为了方便科研合作，把脱敏后的共享单车时空数据开放给了几所大学的研究团队做交通研究。说是脱敏，但只是去掉了车牌号和用户信息，车辆本身的位置坐标、停放时长、移动轨迹都保留着。研究团队里有实习生，另一个共享单车品牌的人通过关系拿到了这批数据。
拿到数据后，竞争对手做了一件非常聪明的事。他们没有直接看小刘公司的车辆分布——那样太明显了。而是训练了一个预测模型，输入小刘公司过去半年在每条街道、每个时间段的车辆数量变化，模型就能预测出接下来一周的投放策略和调度方向。小刘公司每调整一次运营策略，就像在给对手的模型提供新的训练样本。
泄密链路是这样的：政府要求接入数据→平台向研究机构开放脱敏数据→数据被对手获取→对手训练出投放预测模型。从头到尾没有黑客、没有内鬼，就是一份"脱敏"但保留了全部时空特征的数据集，让竞争对手把共享单车的运营密码破解得干干净净。
这个案例对所有接入政府数据平台的企业都有参考价值。政府数据共享是好事，但要搞清楚共享的数据范围到底有多细、下游还有谁会接触到这些数据、所谓的"脱敏"是不是真的把商业敏感信息去掉了。位置数据和时空轨迹数据，不管脱不脱敏，只要时空精度够高、时间连续性够强，就能从中提取出企业的运营策略和商业意图。在接政府数据平台之前，一定要求做真正的统计级脱敏——聚合到街道级别、时间粒度降到天以上、不保留单车的个体运动轨迹。
