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。

2

「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

在此，诚邀你关注「增长官研究院（公众号 id：zengzhangguan）」，跟随我们一起，复盘首席增长官如何重构万亿价值流量，推演数据分析怎样辅佐商业分析，衡量营销试验在每个转化节点的寸进提升，追踪时代先锋在潮汐波澜下的命运抉择。