来源：硅谷密探（微信：guigudiyixian）

最近，一则关于 “大数据杀熟” 的新闻火了：

有微博大V爆料称，用滴滴打车时，同样行程、同样叫车时间，显示的价格却不一样。不仅如此，长距离出行时，苹果手机打车比安卓手机打车贵不少。


图自网络

看到这条新闻，小探突然想起件事：前一阵，小探在某美国电商巨头旗下的时尚零售网站看到一双新款鞋，犹豫不决的小探既没下单、也没把网页关掉。结果几天后再去看，没想到那双鞋旁边居然标注着：“即将售罄”。

但当小探用同事电脑在同样网站、同一时间，搜索同一双鞋时，“即将售罄” 的字样就完全没有。

小探赶紧在自己的电脑上刷新了网页，结果 “即将售罄” 几个字居然又!出!现!了!


怕这双鞋卖光的小探，虽然有点疑惑，还是下单了... 直到看到这条新闻，小探才明白过来：难道我也被 “大数据杀熟” 了?

懂你的人，反而伤你最深?

上网一查，发现商家在价格上 “看人下菜碟” 的情况比比皆是：

这种情况在旅游业更为普遍，而且大数据杀熟在旅游业更隐蔽 —— 我们早就对旅游业里，同样服务、价格不同的现象习以为常(比如飞机邻座两人，提前 1 天买机票和提前俩月买票，价格差别很大)。也就是说，当我们被旅行业的公司“大数据杀熟”时，很可能还劝自己说是正常现象!

据《华尔街时报》报道，美国在线旅游巨头 Expedia 旗下订票网站 Orbitz，从 2012 起就开始玩这种小伎俩：用苹果电脑在 Orbitz 上搜房间，价格就比用 PC 搜出来的贵 —— 哪怕同一时间、同一旅馆、同一间屋也是如此!

Orbitz 敢这么做，就是因为他们通过大量数据的长期累积，发现苹果用户比 PC 用户对旅馆价格承受力高 30%，因此他们决定： “特别的价，只为特别的你”。

旅游业对价格动手脚的，又岂止 Orbitz 一家呢?一款叫 “HotelTonight” 的当日酒店预订服务 App 也被曝以城市取人、给客户的折扣厚此薄彼。

不过大数据杀熟并不新鲜，2000 年左右就有了：

当时亚马逊还在卖影碟(现在 “影碟” 这个词听起来历史感十足)。某次新碟上市时，亚马逊选择了 68 种 DVD 碟片，根据潜在客户的人口信息、在亚马逊的购物历史、上网记录等信息，给同一张 DVD 报出了不同的价格。新客户报价 22.74 美元，而给被亚马逊认为很有可能对该新电影感兴趣的老客户，这家电商则报出了 26.24 的美元。

很快大家就发现了亚马逊的小伎俩，发现自己当了冤大头的老客户们更是愤怒不已。为了平息怒火，亚马逊 CEO 贝索斯都亲自出来道歉，解释说亚马逊只是在进行价格测试。

除了电商巨头亚马逊，不少其他购物网站也会“大数据杀熟”：2012 年，《华尔街日报》进行了一项调查，发现越来越多的购物网站会基于用户的地理位置等信息对同一款产品提供不同的售价。

魔镜魔镜告诉我，完美价格是什么?

谈 “大数据杀熟”前，先来了解一下什么叫 “价格歧视 price discrimination ”。

一件商品到底定价如何定价，才能踩在 “太贵不买了” 和 “好喜欢啊!咬咬牙买了它!” 那根细线上?

这正是所有商家，不论线上线下，都在费尽心机找的最优价格：比这个价格贵，你会说 “算罢了不买了，真的有点贵。” 比这个价格便宜，他们又赚少了。

比如你为某件T恤最多愿意付 200 块，如果商家标价 180，你会觉得 “真值!”，但商家少赚你 20 块;如果商家标价 220，那你根本就不会买，商家一分钱都赚不到。而如果商家标价 200，皆大欢喜。

当然，每人对每件商品的 “最高承受价格” 不一样，这就是商家费尽心思、极尽所能收集大数据的目的：找到每人对每件商品的 “最高承受价格”，从而最大化利润。


美国电商 Everlane 允许消费者自己选价格

这个完美价格怎么找?很长一段时间来，这对商家来说都是巨大挑战，因为商家对消费者不够了解。

所以商家只能连蒙带猜，粗略划分，比如有按会员价、非会员价，或老年票、学生票分类的，也就是经济学中的 “三级价格歧视”;

还有根据产品数量或质量分类的，比如机票的头等舱、商务舱、经济舱(质量)，或零售价比批发价更贵(数量)的价格分类。这种划分得更细腻、更准确的方式是 “二级价格歧视”;

而“一级价格歧视”，是指产品定在每位消费者承受能力的上限、比 “算了有点贵不买了” 的价格只便宜一点点。

就这样，完美价格诞生了!


其实不止网站，线下蠢蠢欲动想 “千人千价” 的商家也不在少数：有些地方自动售货机里的冰汽水价格就是和温度成正比的。炎炎夏日又热又渴，很想喝瓶冰饮料，那你多付几毛钱呗?
但由于价格调整的速度和准确性比不上电商，实体店心有余而力不足。亚马逊每天可以调整价格 250 万次，而像沃尔玛之类的实体店每个月才能调整 5 万次，根本就不是一个数量级!

到底什么才是一个商品的“黄金价格”?不少经济学家 ——尤其是量化经济学家 —— 对这件事情十分着迷。他们中有不少人离开学术界、来到硅谷，就是希望硅谷的科技公司能通过海量数据解决这个问题。