
大数据杀熟只是开始,未来算法还将成为法律
1,最近看到网上流传着大量滴滴打车,面对不同用户不同价格的截图,并在互联网上引发了大量的抨击,认为滴滴的这种价格歧视是损害消费者的行为。
同样类似的事情是来自于携程,去年10月,演员韩雪在微博炮轰携程机票销售捆绑,在用户不知情的情况下,对用户进行各种套餐的捆绑销售,极为流氓。
此外,细心的网友还发现,携程有着非常强大的人工智能系统,面对不同的用户,操作,时段,携程也会给出不同的机票价格,猫腻重重。
当然,这些事情在国外也其实屡见不鲜,早在2000年,亚马逊就开启了价格歧视的定价策略,被消费者发现举报后,贝索斯亲自出面道歉,不过这种事情并未好转,亚马逊继续我行我素。
像Airbnb、以及国内各个酒店APP,同样也在采用类似的动态定价方案,诸多酒店用户发现线下价格反而比线上优惠的价格还要便宜。
此外,UBER的动态定价也经常被爆出与滴滴类似的事情。
所以我们必须反过来思考这些“屡见不鲜”的事情,到底是为什么?
2,表面上看,一个非常容易得出的结论是,科技公司们是在寻求利益的最大化,在供求关系中,尽可能的榨干每一个人的钱包。
同时,对于消费者来说,其感受到的是一种被欺骗的损失,通过技术和垄断,科技公司以更高的价格让自己买到原本可以低价购买的产品,毫无公平而言。
绝大多数人都认为,科技公司不该如此大肆利用隐私数据,侵犯用户利益,应当将这种行为进行收敛。
不过,在这里我提出一些反对的想法。
这些行为有可能是科技进化的必然,并且未来,越来越多的利益权衡都将技术化,价格歧视将会是一个不可逆的趋势。
3,所有人都知道微观经济学中,有一个经典的供需关系图,横轴代表一个产品的需求量,纵轴代表一个产品的价格,而商家需要做的是找到一个价格的中间点,使得边际利润最大化。
只不过由于市场是模糊的,不确定的,需求量是难以衡量的,因此,商家需要不断调整定价策略,并且对所有用户进行价格一刀切的政策。
但是现在由于大平台已经垄断了几乎全部市场,市场不再是模糊的,而是可预测的,时间预测、用户消费能力预测、承受需求能力预测等等都被数据化。
同时,微观经济学的理论依然奏效,因此这时,企业不过是把对于大众的一刀切价格,更为精细的针对到了每一个人的供需上。
对于消费意愿更低的人群,其可能采取被迫降价甚至平台补贴的策略,为了逐渐培养起其消费习惯,而对于刚需人群而言,其自然可以抬高价格,获得最大的收益。
一个愿意买,一个愿意卖,并没有什么错。
只不过这里面还有一个问题。
4,问题在于一些巨头平台已经全面垄断,用户只能够选择是或者否,而很难获得其他第三方类似的优质服务,因此只能进行二选一是或否的选项。
普通人都进入到了无法选择的状态,这才是最让人感到愤怒与无奈的。
扎克伯格曾表示,要在2018年改写Facebook的信息流算法,因为希望给自己女而留下一个美好的遗产。
仔细想想,这里面的意思其实是,Facebook有能力让普通人看到任何东西,并对每个人施加影响与操控。
果不其然,今年爆出的Facebook“总统门”事件就显示,一家名为Cambridge Analytica的英国公司,通过盗取Facebook相关数据,最后成功显示了对全美5000万人的影响,最终帮助特朗普上台,该事件正在越演越烈,Facebook股价不断暴跌。
一个致命的问题是,全世界的人民都很难选择放弃Facebook,因为社交关联实在太强,其地位很难撼动,普通人只能接着用下去。
5,不过Facebook事件,也揭示了世界存在的另一个真相,技术的权力正在越来越大,其可以随意操纵任何人的情绪、意志、钱包,并且都在不知不觉中完成,所有人也都将乐在其中,这个世界正在越来越变成算法统治的世界。
任何拥有技术的平台,算法就必然会成为最终的统治者。
《未来简史》曾预言,未来的时代将会进入算法社会,这个社会的一切都将由算法定夺,由于技术掌握了你的数据,因此比你自己更了解你自己,因此通过数据就可以对人定制出一些更为合理的方案。
比如养老金的法律,通过算法,每个人都将获得不同的养老金分配方案。这样不仅可以为政府减轻更多的人力负担,更可以让一切更加简单。
换句话说,谁来定制这样的算法?在《未来简史》看来这样的人就是神人,他们有一切权力为每个人进行算法的裁决,但是又如何判定这些已经成为算法的法律有着笃定的公正?
滴滴们所暴露出的大数据杀熟,正在反映着这一问题,没有人相信这样的动态价格歧视是合理的,我们更愿意被“一刀切”,而不是被机器动态定义。
6,所以这个趋势,是矛盾的,但是又不得不承认它正在发生。
即算法正在成为每个人的统治者,如同神明一样,你做了什么事,它都会如实记录,并最终给你想要的回馈。
另一个问题是,设计算法的人,是否公众客观?他的目的又如何检验?
下一次美国竞选是否又会有Facebook的参与?
这一切都还没有答案。
或许,是时候成立算法伦理组织了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04