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:
※數據分析基礎—1.1什麼是數據分析
※今日數據行業日報(2016.12.06)
※數據嗨客 | 第10期:模型選擇與評價
※今日數據行業日報(2017.5.10)
※大數據時代的愛情是一場精確的匹配遊戲
TAG:大數據 |