算法的陷阱：超级平台、算法垄断与场景欺骗

反过来看，企业也可以选择顺水推舟，继续将这些不受目标客户欢迎的产品卖给特定的客户。对于这类客户而言，他们在乐购和森宝利超市里很难享受到额外的折扣或优质的服务，但他们或许也不甚介怀。就连英国竞争与市场管理局（Competition and Markets Authority）的总裁亚力克斯·切斯霍尔姆（Alex Chisholm）也不无讥讽地说：“这些小心翼翼的商家啊，他们生怕叫醒那些‘沉睡的’顾客，恨不得能悄无声息地终止产品的折扣……”³⁹

数据挖掘、追踪与利润最大化

企业可以利用数据库建设来辅助自学习算法，实现优化行为定向广告、制作个性化促销信息以及定价的工作。Coupons.com的首席执行官认为，该公司的数据分析产品运用最顶尖的科技，如机器学习和跨设备用户定位追踪，可以将“大数据”转化为“智能数据”， ⁴⁰ 掌握的顾客个人信息数据越多，定价算法便可以更好地预测我们的行为和喜好，进而实现价格歧视的目的。

在企业收集顾客的日常行为与个人信息的进程中，会员卡和交易记录不过是它们种种方式方法的冰山一角。事实上，实体店铺正在加速推进这项“事业”。从前，当我们不曾申请会员卡时，商场里的店员并不知道我们姓甚名谁，我们在寻找什么商品，又有哪些商品吸引了我们的注意。但如今，商家可以利用无线网络以及手机应用程序实现与顾客的互动。 ⁴¹ 此外，它们还在试图通过复杂的人面识别技术增进对顾客的了

解。 ⁴²

2014年，美国联邦贸易委员会承办了一期研讨会，会议的主旨是拆解企业是如何在用户毫无察觉的情况下通过移动设备实现对用户行为进行追踪。 ⁴³ 此后一年，联邦贸易委员会揪出了第一个惩治对象——Nomi科技公司（Nomi Technologies）。 ⁴⁴ 该公司运用移动设备追踪技术，仅在2013年的前三个季度里，就实现了对900万台手机的追踪，而这大多是在用户无意识下发生的。作为一家信息技术公司，Nomi科技将自己的数据分析服务卖给了实体商铺，为后者提供有关消费者出行模式的数据分析报告，内容包括：过店而不入的手机用户与实际进店采购的手机用户的比例、消费者到店的频率、进店消费人群使用的手机型号、访问同一超市品牌其他连锁店的消费者人数等。 ⁴⁵ 有趣的是，让Nomi科技深陷舆论旋涡的不是它的数据追踪行为，而是隐私政策的误导性。在业务开展的过程中，Nomi科技曾做出承诺，如果手机用户想要摆脱行为数据追踪，那么它可以在Nomi科技的网站或是“使用Nomi科技数据分析服务的零售商”的移动程序上选择禁止数据追踪。然而，Nomi科技从未要求它的零售商客户出示相关通告，而这些零售商也并未告知消费者这一事实。 46

除了企业在自身经营活动中收集到的顾客个人信息数据，它们还不时仰仗于数据掮客。据美国联邦贸易委员会的一份报告显示：

在这些数据掮客手中掌握着规模空前的个人信息数据。收集14亿笔交易数据、拥有超过7,000亿的聚合数据元素，每个月向数据库注入30亿个新的数据元素，这些可都没有夸大其辞。更重要的是，这浩如烟海的数据都是关于消费者自身的数据。在全美九大数据掮客当中，有家公司已将每位消费者的个人信息数据细化到了近3,000个数据段。 47

更多电子书请搜索「慧眼看」www.huiyankan.com 微信：huiyankan

在收集消费者个人喜好与行为数据的同时，数据掮客也为他的客户提供数据分析服务。美国联邦贸易委员会发现，个别数据掮客已将他们的数据分析工作巧妙地转化为“营销成效打分表”，意在依据消费者对具体营销策略的回应、自身影响力、消费记录等指标对他们进行排名。 48但归根结底，数据掮客的目的是准确推断消费者的兴趣以及价格敏感度，从而开出恰当的价格（或者折扣）将某件商品有针对性地推销给某位消费者。

在当代社会中，我们的日常生活已与互联网密不可分。不论是在工作场合还是娱乐消费和社交场合，想一想你平日里花了多少时间在手机和计算机上吧。即便只是兜里揣着手机，应用程序的开发商也有办法收集到你的实时定位信息。再往后想一想，当无人驾驶汽车、物联网、智能手表得到普及时，我们的个人信息又会在无形当中“溜走”多少。在算法大行其道的市场环境中，卖家必将投入更多资金和精力深挖大数据分析的潜力，以便在“适当的时机”里能够恰如其分地诱导我们消费。

完全价格歧视就在不远处了吗？

个人信息数据的爆炸式增长与自学习定价算法的精进必然会促成更多商家实现完全价格歧视吗？为了更好地理解市场竞争机制将如何演进，我们先要明白为什么对于特定市场来讲，完全价格歧视无法在短期内实现（可惜，这里有个不幸的例外——房地产行业。分处英国牛津与美国华盛顿特区的本书的两位作者，面对火爆的楼市行情，就不得不在竞价中告知卖家自己的保留价格。但在这里，先把个人琐事放在一边，让我们把视线的焦点集中在线上市场）。

数据不足

首先，为了实现完全价格歧视，企业需要研发一套算法，做到准确识别每一位消费者的保留价格。殊不知，消费者的保留价格却是一个潜在变量。也就是说，这是一个无法直接获取，只能推演生成的变量。消费者在网上店铺中浏览产品时，店家往往无法获知他的理想价位。于是，定价算法只能通过收集与分析交易数据以及消费者的行为，推算这个能让消费者做出购买决定的价格水平。

准确估算每个人的保留价格需要充分的数据，从而有效计量每一个对保留价格产生影响的变量。挡在完全价格歧视面前的第一道阻碍就是有限的数据。虽说相比20年前的实体商铺，定价算法的使用已让卖家占到了不少便宜，但就每一位具体的消费者而言，个人信息数据库的储备尚不充分。站在消费者的角度说，他可能从未购买过这类商品，他的行为可能也不具有“启发性”，因而定价算法也就失去了数据弹药。

可预见性与非理性

其次，如果想要在数据不充分的情况下实现完全价格歧视，预测工作则需要基于一些假设。但问题在于个体的性情因素与环境因素都有可能影响到消费者做出的购买决定，更何况有时就连消费者自己也不清楚自己的保留价格是多少。

有悖于新古典主义经济学派关于人的理性、利己与意志力的基本假设，在行为经济学家看来，人们的内心和行动要更为复杂。在过去20年的微观经济学研究工作中，经济学家开始重视起了行为经济学的理论，他们发现：（1）人的意志力并没有那么强大；（2）决策过程往往会受到固有偏见与“一时兴起”的干扰；（3）很多人都会重视“公平”的问题。 49

研究者曾做过这样有一个实验：实验参与者被要求回答，假设他们正身处海滩，此时他们愿意为一瓶冰镇啤酒付多少钱。 ⁵⁰ 这个实验假设，人们在海滩畅饮一瓶啤酒的体验感是相同的，但区别在于这瓶啤酒的销售来源——或是附近的高档酒店，或是一家破败的杂货铺。实验表明，对于大多数消费者来说，他们会为来自高档酒店大堂的啤酒付出更高的价格，两者的意向价格分别是2.65美元和1.5美元。这样看来，即便消费体验相同，但是保留价格却相差甚远。

更多电子书请搜索「慧眼看」www.huiyankan.com 微信：huiyankan

事实上，消费者往往无法说清自己的保留价格，甚至还会在无意识中低估一些影响因素所起到的作用。好比说，一个被人为抬价的价目表是否会影响消费者的保留价格？对于这个问题，经验丰富的房地产经纪人言之凿凿，声称自己不会受到影响，但实验结果却给出了不同答案。⁵¹ 在下面要介绍到这个实验中，每位实验对象（参与者中既有房地产经纪人也有一些非专业人士）收到了一份10页纸的房屋价格专业分析报告。⁵² 起先，本地房地产经纪人宣称，如果价目表中的报价比房屋评估价值高出5%以上，绝大多数的经纪人都可以察觉到这种“明显的价格偏离”。 ⁵³ 为此，实验假设了两种情况，房屋报价或是与评估价值（暂且被看成是房屋的实际价值，74,900美元）相差无多（±4%），或是与评估价值有较大差距（±12%）。实验结果显示，不论是专业人士还是普通人，报价的高低显著影响到了他们对房屋价值的判断。虽然假设其他条件不变（同样的房屋、同样的市场条件），但是当报价较高时，实验对象也倾向于对房屋的评估价值开出较高的估价。⁵⁴ 对于两组实验对象而言，他们之间的唯一差别是非专业人士坦承自己的估价受到了报价的影响，房屋经纪人们却“断然否认”了两者的关联性。

在面对一个有意抬价的价目表时，我们普通人何尝不是和那些房地产经纪人一样忽视了它对我们的影响，也让商家钻了空子。亚马逊网站曾卖过一款原价2,152.86美元折后21.53美元的猫砂盆。 ⁵⁵ 同样，买家似乎也能够只花7.9美元就买到一包6盎司装、原价822美元的狗粮。 ⁵⁶ 不用细想也知道，没有人会真的花费2,152.86美元或是822美元购买猫砂盆和狗粮。但考虑到人们决策中的锚定效应（AnchoringEffect）⁵⁷ ，这一切似乎又都说得通，原价的先入为主以及其他易被忽视的因素都干扰到了我们的定价坐标系。举一个简单的例子，在我们出国游玩时，一开始有多少人会惊诧于当地物价水平与本国的不同，但最终，我们都会适应这新环境。

在追求完全价格歧视的路上，企业要能够识别每一位消费者的有关关键参数并且不断修正假设条件的准确性，可这些消费者，他们既没有那么理性，也没有很强的意志力。即便只是针对一罐可乐，在不同情况下，消费者的保留价格也会大相径庭。购买场所（便利店还是机场）、天气因素（酷暑还是晚秋）、当前状态（刚结束锻炼还是家中静坐），什么都有可能影响到消费者的出价打算。

没有海量数据的支撑，定价算法要准确识别并量化消费者的保留价格谈何容易。更何况，每一笔交易都是一起独立的事件，受方方面面因素的影响：买东西的人是在星期几、具体几点几分下单；他人身处何地；当时又在网上浏览什么信息；此人的性别、年龄、家乡何在、受教育水平；商品是以怎样的排序陈列出来，它们各自的价格又是多少……这些因素恐怕也难以综合考量吧！

样本规模

为了全面识别所有影响消费者保留价格的变量，商家往往需要进行反复验证。但摆在完全价格歧视面前的第三个阻碍却是样本规模的有限性，收集到的数据往往不足以支撑定价算法的假设。

这么说来，多大体量的数据可以成就定价算法的完全价格歧视呢？对于一些频繁的日常交易，商家收集数据自然较为容易，样本数据的可参考性也较强。但像一些大额耐用品的开销（如电视、轿车），样本数据的可参考性就要打个问号了。

可见，如果没有海量数据（特别是性情因素与环境因素）的支撑，一个人的保留价格实在难以被定价算法准确估算。算法不仅要识别影响消费者保留价格的种种变量，还需要相关的数据来尝试预测消费者在不同情境下的反应。实践中的难题在于，定价算法没有那么多数据弹药可以用来反复试错，从而识别并准确计量所有影响消费者保留价格的变量。如果算法无法纳入特定的行为因素和环境因素，它又如何能够实现完全价格歧视呢？

更多电子书请搜索「慧眼看」www.huiyankan.com 微信：huiyankan

本章回顾

在过去的几十年中，企业都在践行着粗放模式的非完全价格歧视，最典型的例子是基于年龄段（儿童、老年人、学生）和简单独立变量（消费者的定位信息、时段）的歧视性定价。

企业在消费者行为追踪、收集与分析个人信息数据、采用差别化定价等活动中所取得的进展都是为了提升自己的歧视性定价能力。然而，除非消费者可以准确地揭示自己的保留价格（好比在火热的房产交易市场中买家的竞价），在可预期的未来，不少线上市场的定价算法尚不能有效识别消费者的保留价格。尽管有时算法可以做到超常发挥、表现优异，但不得不承认，所有的定价算法都尚且存在难以克服的缺陷。于是，它们的任务变成了不断对照现实、查找不足、提升自己的预测能力。

下一章将讲到，定价算法的演进与数据库的丰富将令线上商家得到保留价格的估算值，并将他们引向完全价格歧视与可喜的利润增长。为了这一天的到来，企业会加紧优化手中的定价算法，进一步对消费者群体进行精细化划分。欧盟数据保护监督局的研究表明：

经济学理论研究显示，当商品的供给者可以有效地对不同消费者进行区分（也就是开展价格歧视）时，它将实现利润的最大化。比如，如果药品企业不了解购买自己产品的消费者都为何人，那么它只能为每一款药剂设定一个统一市价。然而，若是这家企业可以获知不同消费者的经济实力和对药剂的需求，那么它很有可能会向那些财力足、迫切需要购买这款药剂的人们开出更高的价格或者推出一款“升级版”产品以便堂而皇之地抬价。在这个过程中，大数据的作用就是更好地实现消费者细分。不难看出，在居民健康数据库和医疗保健企业的利润水平之间存在一个正相关关系，对于大数据的应用可以有效转化为实实在在的收益。在大数据技术自我增强的趋势下，利润的递增也将反过来助推大数据市场的壮大，同时强化人们的个人信息保护意识。 58

有了数据规模的扩大、分析能力的优化与消费者细分水平的升级，具备自学习能力的定价算法将越发逼近完全价格歧视。

更多电子书请搜索「慧眼看」www.huiyankan.com 微信：huiyankan

|第11章|近乎完美的行为歧视

虽然完全价格歧视尚不可期，但近乎完美的行为歧视却已大行其道。在互联网的世界里，当大数据分析与行为经济学相遇时，我们正在见证一类新兴的价格歧视——（客户）行为歧视（behavioraldiscrimination）。企业正在广泛收集顾客个人信息以判断何种情绪（或说是偏见）会促使我们在某一特定价位做出购买决定。 ¹ 通过追踪和收集顾客信息，卖家企图运用个性化定制广告和差别化定价的手段征服不同类型的消费者，让他们在面对诱人产品和适当价位时，自动缴械，乖乖掏钱。行为歧视通过激励消费为商家贡献了可观的利润。

本章将介绍大数据分析技术在这场激烈的市场竞争中发挥的作用。当互联网电商和实体商店都在加紧建立并完善客户个人信息数据库系统时，我们的日常行为（不论是在线上还是在线下）正在逐步被纳入商家追踪的范畴，而这种行为的目的无非是实现完美行为歧视。

大数据、从做中学、实验规模

在追求完美行为歧视的路上，虽然自学习算法无法准确判断每位消费者的保留价格，但它已经能够实现对客户群体进行精细化细分，并且正在不断提升客户群体细分算法中解释变量（包括个人偏见、环境因素等多个参数）的数据质量。有了算法，从前粗放式的歧视定价行为已演化为更为精准的消费者分组。在这个过程中，商家会为我们贴上一个个标签，他们既会考察消费者的价格敏感度和消费习惯，也会综合考量社

会阶层和脾气秉性对分组的影响。

被分在了同一组的人们很可能对待事务有着相近的看法或者价格敏感度。客户细分的目的在于，商家以同一组内部分消费者的消费信息为参考，推而广之，从而实现对组内所有消费者的有效营销。更进一步，模型参数的调优还有赖于获取更多消费者在不同场景下的行为数据。通过不断训练模型、反复试错，算法的输出结果将更接近于人们的保留价格。在这个过程中，我们也许会被重新归入更为恰当的分组，而模型选择和参数设置也有可能经历调整。

这就到了数据规模发挥作用的时候。为了改进算法的表现，商家会不断对模型进行调试，改进客户分组，进行输入数据的优化。在商家看来，训练模型既需要充足数据的支撑，也需要在跑数据的过程中对模型进行不断调试。对于企业来讲，每一笔真实发生或者潜在的交易都是用来学习消费者行为、调整模型变量权重、优化客户分组的宝贵信息。虽然无法准确获知消费者的保留价格，但是大数据分析在客户分组领域的应用，可以让企业冲破这个阻碍，瞄准不同消费群体开展个性化营销，同时抹杀后者的套利空间。企业掌握的消费者个人数据越多，对消费者个人情况的掌握就越多，细分工作的准确度就越高，从而在模型训练的过程中，通过试错与观察，做到有则改之、无则加勉。

好似仓鼠笼内的小轮子，对数据流的处理也是一个周而复始的过程。为了实现精细化的客户分组，企业需要的个人信息数据自然是多多益善。由此，物联网行业也将借着这股“东风”加速发展。毕竟，企业渴望得到消费者在家中、办公场所以及户外活动的一切有用信息。不仅是物联网，配有交互界面的智能恒温系统、轿车、厨房用品、腕表都有可能成为帮助企业优化消费者档案的工具，或是成为推介行为定向广告的平台。现如今，企业的客户信息收集工作已不单是出于营销目的。更何况，信息的获取途径已不仅限于店内的客户信息情况表，通过导航系统、搜索记录、社交平台中的信息以及购买产品的评价内容，商家可以

更多电子书请搜索「慧眼看」www.huiyankan.com 微信：huiyankan