佛系大数据,不杀生,只杀熟?

上周的文章中，我们介绍了「技术链」，并最后得到了「产品层次模型」。

恰巧在本周，我接受了来咖智库的邀请，做了一期直播分享，分享的内容是最近很热的「大数据杀熟」。

许多大厂，如滴滴、美团、携程，都被爆出了相关案例。虽然，媒体的诸多报道半真半假，但仍引发了网友们广泛的讨论。

有网友还发明了歇后语：

大数据，真佛系——不杀生，只杀熟。

我就这个主题分享了一些我的观点，正是技术链和产品层次模型的一个应用。

我的PPT和演讲原文如下：

技术的善恶

我们先来讨论技术的善恶，技术有没有善恶？这个点上其实业界没有统一的看法。我的答案是有的，为什么？

大家可以看左边的产品层次模型，这个模型呈金字塔形状，分5层，自上而下分别是效果、行动、产品、技术、科学，这个模型的含义是，所有的效果都是由行动产生，行动由产品支撑，产品由技术组成，而技术归根到底是对科学，即自然规律，的应用。

仔细思考就可以发现，其实行动、产品、技术天然不会产生善恶，我们对善恶的判断都是根据结果来的，而行动、产品、技术的善恶，都是因为它支撑、或间接支撑了好的或者坏的结果，我们才对它产生善恶的观念。这是一种结果导向的正义观，我个人是比较信奉这个观点的。

举例来说，原子能是一项技术，最底下有很多科学理论支撑，其中最著名的可能是爱因斯坦的质能方程，原子能这项技术支撑了上层的产品应用，比如说原子弹和核电站，原子弹支撑了战争这一行为，而战争产生了人类的死亡、物体的毁灭、或者战争胜利/失败这样的效果。

我们对善恶的判断是从最上面的效果而来的，胜利是正向结果，而死亡、毁灭是负向结果，所以大家整体上对战争的判断是恶的，又蔓延到原子弹这个产品上，大家产生了恶的判断。

另一条线核电站也是类似，发电带来了充足的能源，是善的表现，而后来切尔诺贝利、福岛核电站发生的核泄露，让我们认识到了恶的效果，这影响了对核电站、甚至原子能的善恶判断。最近，日本决定排放核污水的事件，无疑让我们更加深了恶的印象。

整理为观点来说，我的观点就是以下4个

1. 科学无善恶，而技术有善恶

2. 技术的善恶来自于上层应用

3. 上层应用之恶可以被限制

4. 技术的善恶判断会随时间改变

大数据杀熟的技术特点

理解了技术的善恶，接下来我们看看大数据杀熟的技术特点。

其实，大数据杀熟并不是大数据在杀熟，而是基于大数据的AI算法在杀熟，所以要介绍一下这两个技术。

大数据技术，是一种海量数据的采集、存储、管理、分析技术。

在实操当中，我们收集的信息往往包括以下一些：

1. 用户画像信息，其中有类似年龄性别这样的人口属性标签，在APP上浏览页面、点击按钮这样的行为标签，喜欢衣服还是电子产品这样的偏好标签，以及买了哪些商品这样的交易标签。

2. 物理事实信息，包括天气、位置、日期、时间等等。

3. 供需关系信息，这个对于平台模式比较重要，就是实时的供给和需求。

严格意义上讲，这些数据并不都是用大数据技术存储的，有些是存在如mysql这种关系型数据库中的，但不影响今天的讨论。

AI算法，是一种模拟人类智能的算法。

以广为应用的深度神经网络为例，如图中所示，它是把输入的多维数据经过N层处理，得出一个低维的数据，这跟人类的理解过程是类似的，人类看到一片大海、一棵树，听到风的声音，这些信息也是高维的，经过复杂的思维和联想，得出了「风景优美」这一个结论性的低维信息。

所以，人工智能算法的特点是 N维 和 不可解释性。

• N维比较好理解，算法的特点是维度越多，越准，所以才会把所有大数据采集到的信息一股脑儿的灌给算法模型。

• 而不可解释性则意味着，不仅用户不知道算法的规则，连互联网公司内部的产品和技术人员也无法描述这个规则。就像我们每个人都能够正常思考，但并不知道大脑内部的神经元是怎么处理信息的。这个技术特点会产生很大的监管挑战。

大数据杀熟的本质和范围

了解了技术特点，就方便我们理解大数据杀熟的本质。

我们把大数据杀熟放在前面介绍的产品层次模型中，可以看到大数据和算法是技术层，向上支撑了动态定价这个产品功能，对于大数据杀熟，其实是利用了用户画像进行歧视，最后产生了不公平的效果。

在这个模型里可以看出，大数据杀熟的条件有三个：

第一是用户，也就是说，基于不同用户画像制定不同价格才是大数据杀熟。

因此，对不同物理条件、供需关系下进行的动态定价，不属于大数据杀熟。例如在网约车领域，在特殊出发地、恶劣天气的情况下，供需会失衡，导致打不上车，要么让用户等很久才能打到车，要么就让用户加价吸引更多司机，这个规则对所有的用户来说都是一样的，只要这个价格是透明告知用户的情况下，不属于大数据杀熟。

第二是动态，必须是动态调整了价格才是大数据杀熟。

所以，对于一些常用的用户运营手段，如「发放优惠券」、「发放可抵扣现金的虚拟货币」，这些其实不算大数据杀熟，因为，优惠券的运营手段由来已久，比如肯德基、麦当劳大量发放优惠券，其实目的也是为了给价格敏感的用户提供更多的优惠，这个手段大家已经普遍接受了，AI时代只是进一步加强了这种运营的千人千面性，例如目前各互联网平台都会有新人礼或新人优惠，以此进行拉新，对于老客，会建立起会员体系，根据算法模型判定用户是活跃用户、流失用户还是新用户或者是沉默用户，以此发放不同的优惠券。

优惠券虽然会造成结算价格的不同，但优惠券是用户提前获得并知晓的，他可以据此判断是否进行交易，价格本身并没有变化，因此也不算大数据杀熟。

第三是表现，大数据杀熟的表现是完全一样的商品或服务，收取了不同价格，或是同样的价格，针对不同用户提供了不同的品质。

前者是我们常见的动态定价，后者则是比较隐蔽的，比如针对不同的用户提供不同的送餐速度、等车时长，或给部分用户才提供的退货保障，这些都是不公平的歧视行为。

但据我了解，绝大多数的大型公司如滴滴、美团、京东，都不敢在这一点上进行歧视。

补充一点，一些用户反馈说有些时候打车能自动升级到最贵的高端车，而有时候不能，是不是一种质量歧视。这其实不是的，其根本原因还是取决于供需关系，比如一个站点的用户需求量非常大，而当前车辆又偏少的情况下，在用户主动勾选全部车型的情况下，为提高匹配效率，平台会推荐当前可用的车辆，以保障用户能最快用上车，而这个可用车辆可能是快车，也可能是出租车，当然也可能是专车和高端车等。这只是平台解决供需问题的一个方法，本身并不是一个歧视行为，就像有些时候，酒店房间满了会帮你免费升级房间一样。

根据刚才的介绍，大家应该能够理解大数据杀熟的范围。

可以看到，大数据杀熟只是图中左侧这个圆圈中包含的范围，而右侧的部分如用户分层运营，不应当做大数据杀熟来对待，甚至有些差异化定价的手段本身大家认为是公正的，比如对学生、老人、小孩的优惠政策。

同时，也不应因为大数据杀熟去否定AI算法和大数据的技术，因为他们还产生了其它很多应用场景，虽然有善有恶，但带来更多的是善的产品和功能。

而且，AI可能是未来大国竞争的核心技术之一，需要鼓励，不能因为一些恶性应用而一棍子打死。

大数据杀熟的监管和责任

但是，这不代表纵容技术的恶，而不去监管，我认为「大数据杀熟」当然应该监管，但需要有技巧性。

如果按照一项技术产生的个体价值，以及产生的外部性（也就是对其它个体价值的影响）进行分类的话，我们可以把所有的技术纳入这4个象限中。

我们需要重点监管的，是位于右下角的技术，而大数据杀熟，目前就处在这一领域。它为企业创造了价值，为部分用户提供了低价，但它对其它用户加价，造成了不公平。

监管的思路，应是在最大地减少负外部性的基础上，最小的影响技术带来的正向价值，同时给技术创新留有空间，尽量少地限制技术发展。

但是，由于刚才提到的技术特点、定义和范围，「大数据杀熟」的监管是比较难的。这是由于，企业始终存在用价格歧视以创造利润的动机，且算法的不可理解性导致没有办法把规则写出来。

最困难的一点，是大数据杀熟在表现上千差万别。例如除了直接动价格以外，企业还可以针对部分用户进行动态折扣、动态优惠、动态补贴，甚至包括直接屏蔽部分用户参与优惠活动，例如某个社交电商平台的砍单行为，看似百亿补贴很便宜，但有些商品抢购后会被取消订单，平台的说辞是命中了防黑产的风控策略，但许多网友发现，新用户可以正常参加活动，基本不会被砍单，那这种是不是一种大数据杀熟呢？又怎么去监管？

所以，监管的建议有两点：

• 首先需要限制基于用户画像的动态定价，也就是说，不能基于手机是苹果还是安卓，是新客还是老客等等用户信息，进行价格或质量歧视。

• 如果需要根据其他因子做动态定价，比如是天气、供需关系等情况，也需要标明加减价的部分，让用户提前感知到原因，而不是事后才发现。

另外，对于隐蔽的变相杀熟，可能靠规则不能完全发现，因此需要社会舆论和信息公开机制的辅助，例如自从有了315这样的机制，企业就会相对收敛很多。

最后，我想说一点互联网人的责任。

如果拉长历史来看，互联网一定是一次重要的技术爆发期，在这个爆发期内，一定会产生「技术之恶」，而互联网人的责任一是认清恶，不助长恶，二是在发现恶之后，不纵容恶，用新的技术给它戴上枷锁。就像Google曾经说的：Don't be evil。

在过去的20年里，互联网技术已经产生了诸多的恶，如垃圾邮件、计算机病毒，这些基本已经被控制住了。现在面临了新的问题，包括隐私泄露，和我们今天讨论的大数据杀熟，或者叫算法歧视，这些都是正在解决或者待解决的问题。在未来，我们还会遇到机器人时代可能会发生的机器人战争和伦理问题，以及AI时代甚至可能会出现像黑客帝国里一样的AI操纵人类的场景。

我们要有与「技术之恶」持续战斗的意志和决心，而且我们相信，正义终将战胜邪恶。

谢谢大家！

end

•推荐阅读•

PM请回答：技术的本质是_____？

论「简单」