陈歆磊、曾小铧 大数据杀熟真的无解吗？

随着双十一的落幕和多项法规条例的实行，大数据“杀熟”再度被热议。大数据“杀熟”的行为与方式往往具有隐蔽性，监管和维权并不是一件容易的事。
 
大数据“杀熟”的本质是价格歧视。由于不同消费者对价格的敏感度不一样，支付意愿不同，因此相比单一定价，差异化的定价能给卖家带来更高的利润，也能增加市场的交易量。单一价格下，如果价格过高，低端客户不愿购买，公司将失去这个市场导致无谓损失。如果价格过低，高端客户在远低于自己支付意愿的价格买入，公司又将损失一笔利润。因此，只有针对高端和低端顾客分别定价，两个群体需求才能获得满足，公司也能因此提高利润。
 
正因为价格歧视能提高利润，因此商家总是希望在这方面想办法，但是往往法律和公平性等社会准则的约束。例如线上购物兴起后，商家都觉得这是一个实现完美的价格定制的机会。早在2000年，电商平台亚马逊就开始了类似尝试。当时亚马逊选择了68 张 DVD光盘进行所谓的价格差别测试，对不同顾客显示不同价格。然而这个秘密很快就被亚马逊的顾客发现了，老顾客在论坛上交换价格信息时才发现自己买贵了。其中一位顾客讲述了购买名为“提图斯” (Titus)的DVD时的经历，购买时为24.49 美元，但接下来的一周价格已升至 26.24 美元。之后他去除了电脑上的cookie标签（因为这些标签能将他识别为亚马逊的常客），价格便跌回 22.74 美元。这意味着亚马逊向首次访问者提供更大的折扣以吸引他们前来，也就是现在我们谈论的杀熟。
 
由于这种“杀熟”做法是同货不同价，容易被发现，也违背公平性原则，因此一般不太容易实行。因此公司通常的做法是产品线定价，也就是说，针对不同的客群提供不同的产品。例如对商务旅行客户提供商务舱，而对家庭旅行客户提供经济舱。由于顾客是自主选择商品，这种定价中的关键点是建立防火墙，防止高端客户购买低端产品。防火墙的设立可以依赖价格，也可以依赖产品特征。从价格的角度，商家为了引导高端客户购买高端产品，往往会给他们提供更大的补贴。这里的补贴是个经济学上的定义，即客户支付意愿与价格之间的差距。也就是说，虽然高端产品价格很高，但是比起高端客户实际的支付意愿，商家牺牲的部分要远大于他们在低端产品上的折扣。
 
这种价格歧视的方式在传统市场习空见惯，也没什么法律风险。但是，在互联网场景下，这种做法虽然表面上一样，但是本质却发生了改变。这里的核心不同，就在于在互联网上顾客看到的是由算法推送的。在传统市场，当商家推出不同产品时，顾客可以自己选择。很多时候市场上产品琳琅满目，顾客不可能去一一考察，因此他们会去搜索。搜索会有成本，因此一个理性的消费者在每一步就会考虑给定现有的选项，还有没有必要再搜索下去。如果搜索带来的预期收获大于成本，就进行下去，否则就停止搜索并在现有选项中做选择。这个过程是消费者自主掌控的，商家可以通过提供信息（广告）等方式来诱导消费者将自己的产品纳入考量。
 
而在互联网上，消费者看到的产品是由算法推荐的。即使他们主动去搜索，敲完关键词，得到的搜索结果还是算法决定的，因此在这个过程中消费者失去了对选择权的完全控制。如果算法给价格敏感度低的顾客只推荐高价产品，也许这些顾客也会购买。但是在传统市场里，这些顾客是既看到了高端产品，也看到了低端产品，然后决定购买高端，因此这两种情况是有本质不同的。一旦算法并非完全站在顾客角度来考虑，顾客就会遭到损失。2019年脸书（Facebook）曾被美国住房和城市发展部起诉，原因是它让广告商故意按种族、性别和宗教来定位他们的广告。比如，待售房屋的广告向更多白人用户展示，而出租广告则向更多少数族裔展示。原因是脸书的广告工具允许房产广告商从三个优化目标中进行选择：广告的观看次数、点击次数和参与度以及销售量。算法发现向更多白人用户展示购买的房屋可以获得更多参与度，而少数族裔会点击更多的租赁广告。
 
因此，算法并不会“杀熟”。算法只会根据顾客的数据去判断顾客类型，并依据设定的优化原则而采取行动。如果它猜出某个顾客对价格不敏感，而优化的原则是最大化预期收益，那么算法就会建议高价或推送高价产品。之所以造成杀熟的现象，只是因为对大部分市场来说，熟客的价格敏感度一般比生客要低，这是个统计上的现实。因此，一旦优化原则与顾客利益，社会共识，甚至法律相违背，就会产生问题。例如上面脸书的例子，虽然广告点击上去了，交易转化率提高了，脸书也把广告费赚了，但是人人都应有的平等的住房选择机会被牺牲了。
 
说到这里，如何解决杀熟至少在理论上很清楚了。首先，有些敏感信息不纳入算法。其次，明确算法优化原则不与道德和法律相违背。这两件事在操作中都不容易。
 
首先关于信息。拿掉什么信息呢？如果单单拿掉购买次数是没用的，其它的行为数据一样能猜出价格敏感度。事实上，只要残留的信息能够猜出顾客的价格敏感度，那么给定熟客价格敏感度偏低这个统计事实，大概率还会存在杀熟。于是网上有人建议，既然算法是基于用户的个人行为数据，那就干脆不让商家使用任何的个人数据。然而这么做，意味着所有的个性化推荐将消失，这些公司一夜之间回到从前。而且并不是所有人都抵制个性化的推荐，比如音乐平台的用户仍然希望平台能推送相关的歌曲，或者在买书时参考有相同兴趣的其他买家的清单。
 
其次是优化原则，这个可能是个更大的问题，而且各个市场的情况不一样，要具体分析。但总的来说，公司的商业模式决定了其算法的优化原则，而很多时候这种原则可能会与顾客价值相违背。例如社交媒体和视频网站需要尽量延长客户停留时间，因此爆出脸书给抑郁症的用户多发跟抑郁相关的内容。同样，如果电商平台是靠卖流量挣广告，那么它们的推荐算法就会倾向于增加市场竞争。对这些问题进行规范需要对其商业原理的深度了解。
 
不仅如此，在给定的优化原则下，算法会利用一切数据来提高效率。算法不是人，没有什么道德和法律的概念，只会从数据中学习规律。而问题是很多现有的数据中本身可能包含偏见和歧视。例如在前述脸书的例子里，脸书并没有故意要歧视少数族裔，只是因为在优化广告时的决策，正好发现展示量与种族相关。要纠正这样的算法偏见，需要长期的优化和规范。而且人类对偏见的认知也是与时俱进，因此算法的随时更新迭代也是必不可少。
 
那么，11月1日施行的《个人信息保护法》能够解决大数据杀熟的问题吗？这个法案对大数据杀熟等一系列问题作了规范，其中第二十四条明确规定，个人信息处理者利用个人信息进行自动化决策，应当保证决策的透明度和结果公平、公正，不得对个人在交易价格等交易条件上实施不合理的差别待遇。
 
笔者认为，这个法案能够有效规制同一产品服务的价格歧视，但是对于算法推送的产品线定价操作起来会比较复杂。首先，是否允许公司在算法中采用一定的优化原则，例如预期回报最大化？如果允许，那么算法就需要估测顾客的价格敏感度。因为预期回报等于价格乘上在此价格下的转化率，而转化率取决于价格敏感度。这样我们又回到前面讨论的问题了，算法拿什么来预测价格敏感度？不管用什么信息，只要算法能够猜出价格敏感度，而在此市场中熟客又的确价格敏感度低，那么杀熟还是不可避免。因此真要解决这个问题，除了信息上的控制，还需要规制公司的优化原则。例如在日前刚刚发布的《上海市网络交易平台网络营销活动算法应用指引（试行）》中提到：“不得利用算法仅向消费者提供针对其个人特征选项的搜索结果。平台经营者应用算法根据消费者的兴趣爱好、消费习惯等特征向其提供搜索结果的，应当同时向该消费者提供不针对其个人特征的选项。”那么怎么做呢？比如是否可以强制公司推送的产品中一半是基于预期回报最大化，另一半则仅仅是转化率（这种情况下低价产品可能胜出）？当然问题马上就来了：这么强制合理吗？对消费者一定有益吗？所以这些都是需要在特定市场，特定商业模式下认真思考的问题，解决方案未必千篇一律。
 
实际上，商家希望利用用户的历史信息提供个性化推荐，是否真的讨好用户也是不一定的。日本的一个新闻阅读应用程序“SmartNews”，在新闻推荐算法上不是一味推送用户可能更感兴趣的内容，而是推荐他们更“应该看到”的内容，帮助用户冲破“信息茧房”。而且，它还会提醒顾客可以选择不登录阅读，以免带入自己的历史阅读数据。这家公司在今年9月的市场估值已经达到20亿美金。进一步说，如果用户在是否使用个性化推荐上的意愿不同，我们可否在目前的架构上为用户增加一个选项，让他们在浏览某个网站时自我选择是否被平台“算”还是“不算”。