什么是大数据杀熟?
大数据杀熟是指相同的商品或服务,老客户看到的价格反而比新客户要贵出许多的现象。
事实上,这是一种价格歧视,也就是说商品或服务的提供者在向不同的接受者提供相同等级、相同质量的商品或服务时,在接受者之间实行不同的销售价格或收费标准。
我们在平台购买飞机票或预订酒店时,也许有过这样的经历,用不同的账号,买同一趟航班,同一舱位机票,价格各有不同,价格最多相差甚至上千元。
尤其是老会员帐号,反而要比新注册帐号要贵不少,虽然很多平台对这个现象的回应是说:代理商价格投放错误,或者账号领取过大额优惠券。
但对于我们消费者来说,就是面对于同一个服务,被提供了差别化的价格。
在产品中,大数据杀熟是如何形成的呢?
其实,在产品设计时,大数据杀熟往往是产品利用大数据进行推广时产生的。而杀熟的出现,主要是产品推广时,在策略设计时形成的模式而造成的。
设计模式实践
下面,就为大家分享这类设计模式的实践
例如:用户在App购物时,邀请朋友拼单,系统会根据大数据分析技术对用户的画像结果给出不同的奖励策略,如图:
从业务逻辑图中,可以看到返奖金额计算的规则。
首先,根据用户状态确定用户是否满足返奖条件。如果满足返奖条件,则继续判断当前用户属于新用户还是老用户,再给予不同的奖励方案。
一共有以下几种不同的奖励方案:
1. 新用户:
-
普通奖励(给予固定金额的奖励)
-
梯度奖(根据用户邀请的人数给予不同的奖励金额,邀请的人越多,奖励金额越多)
2. 老用户:
-
根据老用户的用户属性来计算返奖金额。为了评估不同的邀新效果,老用户返奖会存在多种返奖机制。
计算完奖励金额以后,通常还要更新用户的奖金信息,以及通知结算服务对用户的金额进行结算。这两个模块对于所有的奖励来说都是一样的。
从上面的业务逻辑图可以看出,无论面对何种用户,产品的整体返奖流程是不变的,唯一变化的是返奖规则。
因此,参考开闭原则,我们可以对返奖流程保持封闭,对可能扩展的返奖规则进行开放。
返奖规则开放,就是把返奖规则抽象为返奖策略,即针对不同用户类型的不同返奖方案,我们视为不同的返奖策略,不同的返奖策略会产生不同的返奖金额结果。
根据这个模式设计,形成相应的返奖流程,如下图:
当受邀人在接受邀请人的邀请并且下单后,返奖后台接收到受邀人的下单记录,此时邀请人也进入返奖流程:
1. 首先订阅用户订单消息,并对订单进行返奖规则校验。如:
-
是否使用红包下单,
-
是否在红包有效期内下单,
-
订单是否满足一定的优惠金额等等条件。
2. 如满足这些条件,则将订单信息放入延迟队列中进行后续
3. 经过T+N天后,处理该延迟消息,判断用户是否对该订单进行了退款
4. 如果未退款,对用户进行返奖。
5. 若返奖失败,后台还有返奖补偿流程,再次进行返奖。
返奖补偿的状态图如下:
1. 在接收到订单消息后,用户进入待校验状态;
2. 在校验后,若校验通过,用户进入预返奖状态,并放入延迟队列。若校验未通过,用户进入不返奖状态,结束流程;
3. T+N天后,处理延迟消息,若用户未退款,进入待返奖状态。若用户退款,进入失败状态,结束流程;
4. 执行返奖,若返奖成功,进入完成状态,结束流程。若返奖不成功,进入待补偿状态;
5. 待补偿状态的用户会由任务定期触发补偿机制,直至返奖成功,进入完成状态,保障流程结束。
状态图把返奖流程的多个步骤映射为系统的状态。
在邀请下单系统中,我们的主要流程是返奖。对于返奖,每一个状态要进行的动作和操作都是不同的。用状态图能够帮助我们对系统状态以及状态间的流转进行统一的管理和扩展。
从以上设计模式的内容可以看出,模式本身是中性的,杀熟的问题出在设计者身上。
通过用户数据量以及数据更新频次,可以轻易判断出是用户是“生客”还是“熟客”。
给不同偏好、用户黏合度、价格敏感度用户,什么样的价格优惠或邀请奖励,是设计者决定的。
过度追求“利益至上”时,通常是老用户看到的价格比新用户贵,或搜索到的结果比新用户少。