大數據殺熟指南 | 增長官研究院

一

有一句膾炙人口的雞湯：「所有命運贈送的禮物，都早已在暗中標註了價格」。

這話擱到創投圈的語境下，大概可以翻譯成：你必須讓你產品的 LTV（Lifetime Value，用戶生命周期價值）> CAC（Customer Acquisition Cost，用戶獲取成本）。

於是我們看到，那些曾經打著免費乃至補貼旗號從群眾中來的草莽野寇，一旦翻身農奴做主人，便會在資本的極力唆使下，顯露出猙獰的獠牙，追求短期收益最大化，把當年補貼出去的連本帶利討回來。

創業就是要追求壟斷，競爭都是留給 loser 的。壟斷者掌握定價權，自然法則里強者本就沒有義務克制收斂。

如果非要說最近滴滴、攜程們有什麼紕漏，大概是「大數據殺熟」手法還不夠老練，分析不夠精細透徹，失手惹毛了錯誤難纏之人，於是吃相不雅還被抓了個正著。

二

「殺熟」早在「古典互聯網」時代就存在。

2000 年亞馬遜就曾利用 cookies 記錄用戶瀏覽習慣，發現用戶反覆瀏覽某商品，就抬高價格。一名用戶偶然刪除了瀏覽器 cookies 之後，發現原本心儀的 DVD 商品從 26.24 元降價到 22.74 元。事情披露，惡評如潮，貝佐斯為此公開道歉。

進入大數據時代，「殺熟」可以規模化、分群化。在 Facebook 泄密門事件中，Cambridge Analytica 僅靠「趣味小測試」就拿到了 32 萬名用戶的授權，據此推斷 5000 萬用戶喜好，有針對性地設下桃色陷阱、推送誘導新聞、操縱總統選舉。

醜聞傳出，致使 FB 一天內市值蒸發近 400 億美元，這動動指頭就重創大公司的效率，堪比《頭號玩家》里這幫熊孩子活生生整垮 IOI。

在國內，數據體量更為龐大，老百姓也更加不重視隱私，因此「大數據殺熟」有了得天獨厚的滋生溫床：

• 你用 iPhone 就給你展示比 Android 版貴 20% 的商品；
• 你常點外賣就取消優惠折扣，還把送貨費增加個三五塊；
• 你鍾愛某家酒店，就不管淡季旺季一律以最高標價示人；
• 你出現在高端商圈，就優先向你展示附近客單價最高的商鋪；
• 你越不懂得甄別廣告和內容的差異，就往你的信息流里加塞越多廣告；
• 你是老闆，越是願意對公司負面新聞付費刪稿，就越是向你精準推送更多負面新聞……

我曾在攜程上購買節假日車票，被告知「當日全部車次已售空，請買次日」，後來點入點出該屏幕多次、反覆確認，突然屏幕上就刷出了大量余票。

看來以後閑庭信步地使用 APP 是不行了，得讓系統覺得我此刻心急如焚，才能施捨我兩張票。

三

上周末在廣州組織了一場私密分享，邀請幾位私交甚篤的產品增長負責人，探討「你們最近半年都用過/聽說過哪些增長方法」。

經過與當事人確認及脫敏後，摘錄幾則與「大數據殺熟」相關的案例，摘錄如下：

案例一：

某視頻類 APP，遵循「平台 policy 說哪兒不行，就哪兒賺錢」的原則，對所有廣告區域都設置了精準控制開關。

Policy 說除了圖片和 CTA，其他區域不可點擊，他們就針對敏感用戶嚴格遵從上述政策，而對不敏感的用戶，則將全廣告區域都設置成可以點擊，從而提高 CTR 和 eCPM。峰值時收入可達 300 萬美金/月。

這樣做一度導致 CTR 太高，被平台 policy 問責，為此他們還專門設置了只展示而不可點擊的廣告位，以此稀釋 CTR。

案例二：

某工具類 APP 的 Android 端做營收變現，細分出如下各種推送維度：

• 所有廣告針對不同群體，可以遠程調控優先順序、出現頻次、出現時段；
• 從不給某些敏感地區推送「可能違反平台 policy」的廣告，比如中國、新加坡（Facebook 亞太總部）、英國、瑞士，防止被關小黑屋；
• 針對升級用戶多展示廣告，而針對新用戶則十分克制（Google Play 評分主要看新用戶用戶評價，權重很高）；
• 屏蔽競品公司的 IP 地址，防止對方研究自己的廣告策略和營收能力。

案例三：

某掛機型遊戲，首次安裝會掃描手機中裝的 APP，發現如果用戶屬於耐受度比較高的類型，且處於 WiFi 聯網+手機空閑+未安裝進程監控軟體狀態，就會在後台挖礦。

一開始是挖比特幣，後來改挖門羅幣，方法是在網頁里插入 JS 腳本。遊戲的形式決定了他們可以隱藏因挖礦所帶來的耗電和耗流量問題。經過測試，比較新的智能手機（比如華為榮耀 V10）可以跑到 8 hash/s 以上。

你覺得上述操作不可思議？在業界少數人眼裡，這都算常規操作。

四

有沒有成功殺熟，還理直氣壯的呢？

還真有。

大數據殺熟在互聯網產品里最為廣泛的體現之一是「動態定價（surge pricing 或 dynamic pricing）」。典型代表是 Uber。

跟滴滴一樣，Uber 在汽車供不應求時，會在界面顯示提價窗口，用戶可以選擇接受或離開。強需求用戶可以承受加倍價格，弱需求用戶則放棄叫車。

Uber 的定價演算法基於對海量實時數據的建模優化，引入了「時間+空間」雙維度，甚至針對地方特色單獨調整了核心演算法（例如早期在中國為了防止刷單，將「派單給最近一輛車」調整成了「派單給第二近的車」）。

Uber 的動態調價機制有兩個目的：

1）擴大供應量。

不同於航空、酒店球賽、劇院這些有固定庫存的商品服務，Uber 的供應量多寡很多時候「看司機心情」，因為用戶需求最集中爆發的時候，往往也意味著司機的駕駛擁堵、體驗不佳，甚至有路況危險，消極怠工的司機們只能通過提價來調度。

2）減少需求量。

2015 年 Uber 官方技術博客刊載的《The effect of Uber』s surge pricing》一文，拿 2014 年新年前夜紐約城一次意外的動態調價系統故障，和麥迪遜廣場花園附近一場門票售罄的演唱會後的情形，進行了試驗對比：

a）演唱會後，儘管附近 App 打開量提高了 4 倍，但實際接受溢價發送乘車請求的數量增幅很小，100% 的需求都被接單，ETA（Estimated Time of Arrival，候車時長）幾乎沒受什麼影響。

b）紐約城那次動態調價故障中，打車需求猛增，但只有 25% 被成功接單，ETA 也飆漲。用戶需求很難滿足。

Uber 得出了結論：我們正是由於有溢價機制才是今天的 Uber 嘛（也就是說能保證承諾的服務）。

比起國內某些「兩頭通吃」——一邊對乘客收取高溢價，一邊極力打壓司機收入——的產品，Uber 真是不知道高到哪裡去了。

（順帶說一下，Uber 在美國市場上曾經的對手之一，號稱一視同仁永不加價的 Gett，已經涼了。）

另一篇名為《Using Big Data to Estimate Consumer Surplus: The Case of Uber》的論文在調研了 5000 萬份獨立樣本後，發現：

1）用戶對調價極其敏感，隨著動態價格倍數上漲，消費者購買比例顯著下降：

2）1.25x 的動態價格倍數是一道分水嶺，超過這一漲價金額將會大幅抑制用戶出行需求：

據 Uber 投資人+董事會成員 Bill Gurley 2014 年給的內部數據，Uber 的動態調價隻影響少於 10% 的出行單子。

即便如此，這篇論文計算了 2015 年 UberX 的消費者剩餘（consumer surplus，即消費者意願支付的最大金額 - 消費者實際付款），發現消費者每支付 1 美金，平均收穫了近 1.60 元的消費者剩餘，多賺了 60%，繼而用一項封底計算（Back-of-the-envelope calculations）得出：UberX 當年在全美共計創造了 68 億消費者剩餘。

由此可見，依靠動態定價策略實現企業與用戶的共贏，不是技術難題，也並非沒有成功先例。純粹是價值觀如何指導演算法的問題。

參考資料：

• https://www.nber.org/papers/w22627
• https://medium.com/uber-under-the-hood/the-effect-of-uber-s-surge-pricing-8a5410ec1a6f

推薦閱讀：