“杀熟”是算法最优解 & 基本盘福利最低理论(越忠诚越贵)
1. 算法追求的永远是“最优解”
在完美信息 + 无限计算力的假设下,任何定价/推荐/补贴/风控算法的目标函数通常就是:平台/商家利润最大化(或GMV + 利润的某种加权)。
所以大数据杀熟(对老用户/高黏性用户/懒得比价用户/支付意愿强的用户多收钱)本质上就是一级价格歧视的极致实现,算法算出来“你能接受这个价就收你这个价”,理论上确实是最优的。
2.基本盘 = 存量用户 = 已经被“驯化”的那批人
新用户(增量) → 需要低价、补贴、首单优惠拉进来(获客成本高,必须烧钱)。
老用户/核心用户/高频用户/忠诚用户(基本盘) → 已经形成习惯、切换成本高、忠诚度高、对平台的依赖强。
这群人就是算法眼中的“可牺牲群体”,因为他们最不容易跑。
3. 福利最低理论
→ 对基本盘的福利投放要压到刚好不流失的临界点。
再低一点就浪费钱了(多给的补贴等于白送利润),再高一点用户也不会更忠诚(边际效用递减),反而可能吸引更多薅羊毛党。
所以算法的最优策略往往是:新客/价格敏感客 → 疯狂发券、打折、补贴到接近成本线甚至亏本
基本盘 → 券少、满减门槛高、会员价反而更贵、动态涨价、各种套路(隐藏优惠、限时限量、App专享但其实更贵)
这就形成了大家常说的“越用越贵、越忠诚越贵”的现象。
一句话总结这套“理论”的黑色逻辑:算法眼里没有道德,只有梯度下降后的损失函数最优解;
而基本盘,就是那个可以把福利压到最低、把价格抬到最高的“稳定边际群体”。所以你看到的各种吐槽:
“会员反而更贵”
“天天用却领不到券”
“清空购物车就便宜了”
“同一个房间,你朋友比你便宜几百”……
本质上都是算法在对“基本盘福利最低”这条约束做最优求解而已🤣当然现实中还有反噬:用户一旦集体破防(比如大规模曝光、集体薅反向羊毛、卸载换马甲、去小平台),这个“最优解”就会迅速变成最差解。但在短期内、在大样本下,算法确实倾向于这么干。