大數據這樣“殺熟”

“大數據殺熟”，早已有之

一位程序員朋友告訴筆者，早在2017年，他就在《滴滴出行》上經歷了“大數據殺熟”：“比如我和我媳婦同時打車，同時發起，同樣的起止點，我的定價每次都會貴一些，因為我每天都要打這個路線的車，我的媳婦是偶爾會打，就感覺是分析出來熟客吃定的感覺。”

無獨有偶。筆者身邊的同事也分享了她被“大數據殺熟”的經歷，巧合的是，她同樣在使用《滴滴出行》。“2016年左右，我住在豐臺區的怡海花園，每天到海淀的上班距離是固定的，那時候最開始打車每次只需要20多元，但是差不多就在三個月時間內，就漲到了50多元。”

關于《滴滴出行》的這種情況，滴滴出行總裁曾表示：“滴滴出行不存在‘大數據殺熟的行為”。但可以肯定的是，真實存在的“大數據殺熟”要比我們已知的出現時間更早。

在目前市面上已有的報道中，并不缺乏這樣的案例，甚至在今年雙十一，這樣的戲碼也依舊在上演。

據相關媒體報道，北京的韓女士使用手機在某電商平臺購物時，中途錯用了另一部手機結賬，卻意外發現，同一商家的同樣一件商品，注冊至今12年、經常使用、總計消費近26萬元的高級會員賬號，反而比注冊至今5年多、很少使用、總計消費2 400多元的普通賬號，價格貴了25元。

仔細對比才發現，原來普通賬號頁面多出來一張“滿69減25”的優惠券。韓女士認為自己遇到了“大數據殺熟”。

“大數據殺熟”的原理

如果非要給“大數據殺熟”一個定義，就是“老客戶看到的價格會高于新用戶”。而企業這樣做的目的，主要是為了增加新用戶的黏性。

其實在現實生活中，我們會遭遇“大數據殺熟”的情況無非是兩種：一是使用在線旅游類的APP，比如《攜程旅行》《去哪兒旅行》以及《飛豬旅行》等；另一種則是使用電商類APP，比如《手機淘寶》《京東》和《美團》等。而在電商類APP中，具體在什么時間對你進行“殺熟”，又要分平時消費與節假日促銷兩種情況。

這里需要指出，在任何場景下，“大數據殺熟”一定是基于你的行為習慣來進行分析的。所以，就有了這樣一個事實，我們通過APP進行的大部分行為都在被實時獲取，它們會變成一個個小標簽，標記我們的同時，也成了商家“算計”我們的利器。以OTA軟件為例，這些標簽中，除了基本的男女、地區，是否使用iPhone之外，還會有你什么時間瀏覽了什么商品，看了多久、價位如何等。

簡言之，就是幾乎每個會影響你消費的行為都在被標記。但一位程序員告訴筆者，在電商場景中，還存在另一種“殺熟”現象。她舉例稱：假如我平時瀏覽服裝和寵物用品時間比較多，那么電商平臺在給我推薦這類產品時，需要推薦相似但性價比高的產品，因為花費了較多時間，會產生“價格敏感”—因為常用，我會對這些商品價格區間更為熟稔。反之，當我突然開始瀏覽平時不怎么看的產品，比如機械鍵盤、男生球鞋，且瀏覽時間不長，那么算法就會傾向于推薦價格較高的產品。而原因也呼之欲出—我不熟。

幾年前，在一次采訪中阿里云的程序員曾滿臉自豪地談道，“我們現在已經能夠做到全中國幾億人口的淘寶界面都是不一樣的，而且幾乎做到了秒級更新。”

而那個階段也正是阿里巴巴發力“千人千面”的新零售的高潮，這里的“千人千面”可以簡單地理解為每個人的淘寶界面都不一樣，都是基于算法進行“量身定制”的。

也正是因為所謂的“千人千面”的存在，所以當筆者在這次采訪中，追問到底我們什么樣的行為關鍵詞會觸發“大數據殺熟”機制時，并沒有得到一個唯一的答案。

因為我們每一個人，都被一套特定的算法所“操縱”。

一位多年的行業從業人員告訴筆者：“首先，行為關鍵詞屬于算法的一部分，而算法對于公司來講屬于商業機密；其次，具體的測算方式不唯一，每個人的行為都會被進行無數次分析，然后進行個性化推薦，效果最好的才會被采用。”為了更形象地解釋，他還舉了這樣一個例子：假設我們每個人的數據是一個面積不同的正方形，我們要在正方形中找到一個特定最佳的面積值。我們需要在這個正方形中從各個角度畫無數條線，直到找到那個最優解。而這條帶來最優解的線就是“專屬于你的算法”。對于用戶A，可能紫色線是最優解，而對于用戶B，可能黃色線的是最優解。

不過，一個很有意思的特殊案例也在最近出現了，它證明了“大數據殺熟”不能被完全判定為“不利于消費者的漲價行為”。

今年國慶節期間，電影《奪冠》上映。出于娛樂的心態，筆者的一位朋友購買了電影票，但“一刷”之后，她備受情節鼓舞。于是在接下來的一周內，她又去同一影院“刷”了三次。在這期間，戲劇性的一幕發生了，她發現自己每次買票都比上一次便宜。第一次價格是將近100元，但“四刷”的電影票只需要26元。

當然，被“大數據殺熟”而減價的事情肯定并不常見，因為我們也無法判斷這是否是影院為了市場回暖而采取的特殊降價舉措。但從商家來講，降低了客單價，同時又增加了用戶黏性，也不失為一個經商之道。