大数据杀熟指南 | 增长官研究院
-- Illustration by Selina Wu
一
有一句脍炙人口的鸡汤：「所有命运赠送的礼物，都早已在暗中标注了价格」。
这话搁到创投圈的语境下，大概可以翻译成：你必须让你产品的 LTV（Lifetime Value，用户生命周期价值）> CAC（Customer Acquisition Cost，用户获取成本）。
于是我们看到，那些曾经打着免费乃至补贴旗号从群众中来的草莽野寇，一旦翻身农奴做主人，便会在资本的极力唆使下，显露出狰狞的獠牙，追求短期收益最大化，把当年补贴出去的连本带利讨回来。
创业就是要追求垄断，竞争都是留给 loser 的。垄断者掌握定价权，自然法则里强者本就没有义务克制收敛。
如果非要说最近滴滴、携程们有什么纰漏，大概是「大数据杀熟」手法还不够老练，分析不够精细透彻，失手惹毛了错误难缠之人，于是吃相不雅还被抓了个正着。
二
「杀熟」早在「古典互联网」时代就存在。
2000 年亚马逊就曾利用 cookies 记录用户浏览习惯，发现用户反复浏览某商品，就抬高价格。一名用户偶然删除了浏览器 cookies 之后，发现原本心仪的 DVD 商品从 26.24 元降价到 22.74 元。事情披露，恶评如潮，贝佐斯为此公开道歉。
进入大数据时代，「杀熟」可以规模化、分群化。在 Facebook 泄密门事件中，Cambridge Analytica 仅靠「趣味小测试」就拿到了 32 万名用户的授权，据此推断 5000 万用户喜好，有针对性地设下桃色陷阱、推送诱导新闻、操纵总统选举。
丑闻传出，致使 FB 一天内市值蒸发近 400 亿美元，这动动指头就重创大公司的效率，堪比《头号玩家》里这帮熊孩子活生生整垮 IOI。
在国内，数据体量更为庞大，老百姓也更加不重视隐私，因此「大数据杀熟」有了得天独厚的滋生温床：
你用 iPhone 就给你展示比 Android 版贵 20% 的商品；
你常点外卖就取消优惠折扣，还把送货费增加个三五块；
你钟爱某家酒店，就不管淡季旺季一律以最高标价示人；
你出现在高端商圈，就优先向你展示附近客单价最高的商铺；
你越不懂得甄别广告和内容的差异，就往你的信息流里加塞越多广告；
你是老板，越是愿意对公司负面新闻付费删稿，就越是向你精准推送更多负面新闻……
我曾在携程上购买节假日车票，被告知「当日全部车次已售空，请买次日」，后来点入点出该屏幕多次、反复确认，突然屏幕上就刷出了大量余票。
看来以后闲庭信步地使用 APP 是不行了，得让系统觉得我此刻心急如焚，才能施舍我两张票。
三
上周末在广州组织了一场私密分享，邀请几位私交甚笃的产品增长负责人，探讨「你们最近半年都用过/听说过哪些增长方法」。
经过与当事人确认及脱敏后，摘录几则与「大数据杀熟」相关的案例，摘录如下：
案例一：
某视频类 APP，遵循「平台 policy 说哪儿不行，就哪儿赚钱」的原则，对所有广告区域都设置了精准控制开关。
Policy 说除了图片和 CTA，其他区域不可点击，他们就针对敏感用户严格遵从上述政策，而对不敏感的用户，则将全广告区域都设置成可以点击，从而提高 CTR 和 eCPM。峰值时收入可达 300 万美金/月。
这样做一度导致 CTR 太高，被平台 policy 问责，为此他们还专门设置了只展示而不可点击的广告位，以此稀释 CTR。
案例二：
某工具类 APP 的 Android 端做营收变现，细分出如下各种推送维度：
所有广告针对不同群体，可以远程调控优先级、出现频次、出现时段；
从不给某些敏感地区推送「可能违反平台 policy」的广告，比如中国、新加坡（Facebook 亚太总部）、英国、瑞士，防止被关小黑屋；
针对升级用户多展示广告，而针对新用户则十分克制（Google Play 评分主要看新用户用户评价，权重很高）；
屏蔽竞品公司的 IP 地址，防止对方研究自己的广告策略和营收能力。
案例三：
某挂机型游戏，首次安装会扫描手机中装的 APP，发现如果用户属于耐受度比较高的类型，且处于 WiFi 联网+手机空闲+未安装进程监控软件状态，就会在后台挖矿。
一开始是挖比特币，后来改挖门罗币，方法是在网页里插入 JS 脚本。游戏的形式决定了他们可以隐藏因挖矿所带来的耗电和耗流量问题。经过测试，比较新的智能手机（比如华为荣耀 V10）可以跑到 8 hash/s 以上。
你觉得上述操作不可思议？在业界少数人眼里，这都算常规操作。
四
有没有成功杀熟，还理直气壮的呢？
还真有。
大数据杀熟在互联网产品里最为广泛的体现之一是「动态定价（surge pricing 或 dynamic pricing）」。典型代表是 Uber。
跟滴滴一样，Uber 在汽车供不应求时，会在界面显示提价窗口，用户可以选择接受或离开。强需求用户可以承受加倍价格，弱需求用户则放弃叫车。
Uber 的定价算法基于对海量实时数据的建模优化，引入了「时间+空间」双维度，甚至针对地方特色单独调整了核心算法（例如早期在中国为了防止刷单，将「派单给最近一辆车」调整成了「派单给第二近的车」）。
Uber 的动态调价机制有两个目的：
1）扩大供应量。
不同于航空、酒店球赛、剧院这些有固定库存的商品服务，Uber 的供应量多寡很多时候「看司机心情」，因为用户需求最集中爆发的时候，往往也意味着司机的驾驶拥堵、体验不佳，甚至有路况危险，消极怠工的司机们只能通过提价来调度。
2）减少需求量。
2015 年 Uber 官方技术博客刊载的《The effect of Uber’s surge pricing》一文，拿 2014 年新年前夜纽约城一次意外的动态调价系统故障，和麦迪逊广场花园附近一场门票售罄的演唱会后的情形，进行了试验对比：
a）演唱会后，尽管附近 App 打开量提高了 4 倍，但实际接受溢价发送乘车请求的数量增幅很小，100% 的需求都被接单，ETA（Estimated Time of Arrival，候车时长）几乎没受什么影响。
b）纽约城那次动态调价故障中，打车需求猛增，但只有 25% 被成功接单，ETA 也飙涨。用户需求很难满足。
Uber 得出了结论：我们正是由于有溢价机制才是今天的 Uber 嘛（也就是说能保证承诺的服务）。
比起国内某些「两头通吃」——一边对乘客收取高溢价，一边极力打压司机收入——的产品，Uber 真是不知道高到哪里去了。
（顺带说一下，Uber 在美国市场上曾经的对手之一，号称一视同仁永不加价的 Gett，已经凉了。）
另一篇名为《Using Big Data to Estimate Consumer Surplus: The Case of Uber》的论文在调研了 5000 万份独立样本后，发现：
1）用户对调价极其敏感，随着动态价格倍数上涨，消费者购买比例显著下降：
2）1.25x 的动态价格倍数是一道分水岭，超过这一涨价金额将会大幅抑制用户出行需求：
据 Uber 投资人+董事会成员 Bill Gurley 2014 年给的内部数据，Uber 的动态调价只影响少于 10% 的出行单子。
即便如此，这篇论文计算了 2015 年 UberX 的消费者剩余（consumer surplus，即消费者意愿支付的最大金额 - 消费者实际付款），发现消费者每支付 1 美金，平均收获了近 1.60 元的消费者剩余，多赚了 60%，继而用一项封底计算（Back-of-the-envelope calculations）得出：UberX 当年在全美共计创造了 68 亿消费者剩余。
由此可见，依靠动态定价策略实现企业与用户的共赢，不是技术难题，也并非没有成功先例。纯粹是价值观如何指导算法的问题。
参考资料：
https://www.nber.org/papers/w22627
https://medium.com/uber-under-the-hood/the-effect-of-uber-s-surge-pricing-8a5410ec1a6f