【2018.Q4】談O2O領域非標品服務的定價（1）

TL;DR

很遺憾本文內容量很大，而且還沒有寫完……需要三級分節。有三級分節的文章按習慣只給一個目錄供大家參考其主要內容。

1 定價規則的基本原則

1.1 是否要精算每個訂單的成本和收入

1.2 是否應該為空駛付費

（後續內容計劃見頁尾）

0 前言

這裡的【O2O領域的非標品服務】指打車、外賣配送這樣的服務，看似服務質量是接近標品，但考慮到時間和距離、以及其他各種因素，其實想要精確的測算其成本，並讓服務提供者和服務接受者都能對此達成共識都是很困難的。

本文謹代表個人在2018年12月的觀點，不代表任何機構組織觀點。本文不涉及任何公司任何產品的具體實現規則，僅討論一些主要因素，以方便讀者理解。本文內容和相關領域的任何產品真實規則細節實現都可能有較大差異。

雖然本文並不代表真實產品細節，但我仍覺得本文的思考會幫助剛入這個領域的從業者更快的了解其中的核心問題。

0.1 我歷史上的一些認知階段

最早思考這個問題應該是一年之前，當時一度還被一個大佬問了下如何看待外賣配送費的問題。想想自己當年只是給了一個很粗略的方向思考，即儘可能快的打通用戶和騎手端的供需波動信息，接近一個供需交易市場的市場化狀態，當然還要系統提供一些輔助來減小每方的篩選成本和決策時間。
大約不到半年之後，正值輿論關注滴滴是否大數據殺熟，正好寫了一篇文章討論一些這方面的問題（【2018.3】從一個架空的業務場景討論非標準服務的定價因素與什麼算「大數據殺熟」）

但總的來說，上述兩個都是我對這個問題認知的非常早期的階段，我估計累計思考時間沒有超過10小時。

由於某些契機，最近得以相對深入和相對較長期的思考這個問題。現在，就來談一談我對這裡一些產品設計和計費方式的一些思考。

1 基礎定價規則的基本原則

說起來一個很神奇的事情是，在我來看，從業者對定價規則的基本原則上還沒有達成足夠廣泛的共識。

這些基本原則其實是無所謂對錯的，更多的是一種個人品味/喜好問題，因為無論你選哪個，後面都可以在運營過程中打上或多或少的補丁來保持產品運營，但哪種方案能走的更遠則沒人能判斷。也正因為如此，我不得不在最開始就來稍微討論下這些原則。

是否要精算每一個訂單的服務成本、對消費者收取的服務費用、付給服務提供者的費用，並保持每一單平台都不虧損？
服務提供者是否應該被他所不能選擇的因素導致定價歧視？例如：如果平台強制派單，司機必須接單，那麼當他在城外偏遠地區完單後，周圍沒有需求，平台是否應該支付他到達下一個訂單起點過程中的成本？

這兩個問題，前者似乎是很顯然的，後者似乎是存在爭議的。讓我們分別討論：

1.1 是否要精算每個訂單的成本和收入

這從傳統行業、傳統公司財務的視角來看幾乎就是長期來說的常識選擇，連一個單品的成本都算不清楚，公司虧損真的不奇怪。

在O2O從業者中，如果你問大家這個問題，大家肯定是覺得要精算清楚的。

但現狀呢？很遺憾，一般都是算不清楚的，除了非拼車、非一口價的計程車和網約車這種後付費、且成本容易測量的產品形態之外。

算不清楚的總體原因很簡單，那就是成本過高，所以很多時候大家退而求其次：在成本能接受情況下盡量算清楚，然後盡量保證大盤不虧損。

這裡有下面幾方面具體原因：

1.1.1 預付費場景下，難以對未來估計的非常准

外賣、網約車拼車目前都是預付費形式，這時候想算清楚所有因素還是很難的。一方面是因為它們都是拼單問題，需要能夠精確的預估能夠跟這個訂單拼在一起的訂單需求。這太難了，如果能把這個算的非常清楚直接做諮詢公司來指導這些公司的營銷策略不就完了……

第二是目前高大上的各種ML模型其實預測準確率也沒有大眾想像的那麼高，讓我們來看下滴滴AI Lab KDD 2018 ETA論文（論文傳送門）中給出的最好數據：即使是在相對距離比較長，估計比較容易的打車行程段，最好模型的MAPE也有11%以上，這是什麼水平呢？如果拿打車費來說，就是你打車前預估100塊錢，但下車一看實際價格，平均來說都要相差11塊錢的水平。很明顯，在大眾來說這個預估的準確度是非常差的。事實上，很多用戶就會因為打車預估價的不準而向滴滴投訴。

當然嚴格來說，預估不準的難點也包括了下面的幾項。

1.1.2 O2O精確計費需要的地圖能力很貴、很重

這個可能很多對此不熟悉的讀者不太了解，雖然目前各地圖APP都是免費的，但要保持一個高質量的地圖數據和服務的成本是非常高的，舉兩個間接證據：

滴滴在地圖方面投入是國內互聯網公司中BAT之後大概最多的，16年開始就大量投入了，為此還專門申了一個測繪牌照。用BAT的服務不好么，為啥地圖這塊這麼早就要往重了做。無論你能從中解讀出什麼，都至少有一點：這事不好做，很不好做。
Google地圖API在2018年漲價了一個數量級不止（新聞傳送門），這年頭互聯網純線上的服務，什麼東西都降價，哪有聽說漲價的，這還能漲價10倍不止。這能說明什麼？我覺得至少有幾點：1這是剛需、2競品目前太差、3這東西門檻高。

這一般還是是對於駕車導航的，畢竟財大氣粗的車廠已經養了這些地圖和地圖數據公司有一陣了。但騎行的地圖數據質量和服務質量就相當令人無語了，準確度上至少「少了一個9」，在外賣之前還沒啥大用戶，各種小區里、天橋什麼的採集成本還高。

美團最近有個分享（傳送門），講了下他們做了根據騎手GPS軌跡挖掘樓級POI實際位置的工作，雖然工作本身對於地圖從業者來說並不算太難，但貴在數據，在我來看美團這塊已經算是比較認真來做的了。

POI數據只是「點」數據，「線」數據呢？在沒有基礎路網的情況下根據騎手GPS軌跡學習出一個路徑規劃方案？這個問題我也想過，也問過學術圈做GPS軌跡挖掘的人，結論是：目前學術圈還沒有什麼人在做，確實不太好做。（這個可能出乎很多ML從業者和非從業者的意料，路線相關的建模問題等我啥時候有空了再專門來談吧。）

美團之所以地圖方面投入看起來比滴滴小，一方面是因為他需要的樓級POI數據的挖掘成本相對較低，還有其他方面的因素：1是對時效要求沒有打車那麼高，2是外賣騎手有選擇權。時效要求這個大家想想就知道，外賣多等個5min不是個事，打車的時候在路邊多等5min這簡直要命。路況變化很快，系統時效性不好的話就很難估準確。選擇權這個東西我們在後面再談。

1.1.3 拼單的各訂單分攤方式

除了上面因素外，還有一個問題就是如何將多個拼在一起的訂單的成本分攤到各個訂單上，這個事其實仔細思考就會發現，想算的清楚沒有那麼簡單。

1.1.3.1 逐段分攤

一個相對自然的方式是對整個路程上的每段進行分單。在服務者向著下一個目的地前進的時候，是知道當前正在為哪些訂單服務（或者包括要即將服務的下一個訂單）的，這樣就可以把每段的運輸成本分攤到每個訂單上，最終把整個過程的所有成本都分攤掉。

但這個方案有幾個問題：（以外賣配送為例描述，這對於網約車拼車也是一樣的）

每個訂單分攤的成本不是穩定的，會隨著中間新的訂單的拼入而出現變化，甚至可能由於整個取送順序的調整而出現較大的變化。
當騎手目前手上沒有訂單，正在往下一個訂單的取餐地點前進時，這段的成本是否要分攤。如果要計入下一個訂單，那麼就會和騎手空駛時候難以界定的問題。如果這個訂單晚一會再被分配時，空閑的騎手一般都會跑到商家熱門的區域提前趴活，但這個時候按此規則這段的行駛成本並不會被計入任何訂單。只是因為是否早把這個訂單分配給這個騎手就會導致這一段的行駛成本的分攤與否，似乎又不太自然。
由於外賣訂單一般都有配送時間限制，所以當一個位置偏僻的訂單拼入時，往往需要騎手改變原定接送順序來確保各訂單都滿足時間約束。但這個過程可能會出現一個「差」訂單拉高了一批訂單分攤成本的情況，這對於其他「常見」訂單是不公平的。

1.1.3.2 訂單邊際運輸成本

（仍以外賣配送為例描述）

為了更好的衡量每個訂單的新增配送成本，我們可以使用「邊際成本」思路，考察新增加一個訂單後全系統新增加的配送成本，即訂單邊際配送成本。

這種方式是可以精確計算的，只要去掉要考察的訂單，重新做全系統運籌優化就行。但這種方式仍然有一些問題：

上面的問題2的空駛問題分攤問題仍然存在。
這種方式會低估訂單配送成本，假設一個極端情況，一個用戶同一時間在同一個商家下了2個訂單，假設商家生產時間沒有因此增加，那麼這時候我們算每個訂單的邊際配送成本都會是0。一般情況不會如此巧合，但我們總能構造出一些情況使得最後每個訂單的邊際配送成本之和小於總成本。
當騎手運力較為過剩時候，訂單的成本估計較為不穩定，是否拼上另一個訂單對這個訂單的成本估計影響較大。
當騎手運力過剩時，成本估計偏高。這時候其實需要考慮向騎手的付費方式，甚至騎手的「邊際上線時間價值」等等，這裡較為複雜，且過於細節，這裡就不再進行展開。

1.2 是否應該為空駛付費

一個看似清楚的問題展開就有這麼多，現在我們來看下第二個問題：如何為空駛定價。

這裡我們相對認知較多的是計程車的拒載，但其實拒載的理由其實很多，我現在一下能想到的有下面幾個：

目的地（在時空角度上）是一個冷門位置（嚴格來說是時空上的位置），沒有活（訂單），回到有訂單地方又太遠。
在進入有成本的特定地方，傾向於接更大的訂單，以攤銷「入場費」，例如機場。
過去北京晚高峰期間司機會不接單，找地方休息、吃飯，交接班。主要是因為堵車導致收入下降，再加上時間適合做別的。
其他路上比較堵的訂單，主要應該還是相對單位收入較低。

這上面3和4是類似的，2自己是一類因素，這裡先不討論，主要來看下1的問題。

首先要強調的是，這個問題並不是一個單純的冷門區域問題，由於出行需求的強烈潮汐性，這個冷門區域其實是跟時間有關的，嚴格來說是時空意義上的冷門位置。這個問題幾乎所有服務是從一個地點到另一個地點的O2O服務都會遇到，包括打車、外賣、快遞。

一般人簡單認知上，這個空駛問題不應該付費給司機，因為他沒有提供服務。但從司機的角度上來說，這這個訂單終點的位置顯著的會影響他的收入，他必須要對這個有所挑選或者收額外溢價，否則就會相對於其他服務提供者有明顯的成本劣勢。

這裡又根據服務提供者是否有選擇性分為兩種情況：

1.2.1 服務提供者有拒絕權

這個情況更接近於目前大城市計程車司機的狀態。雖然從管理的角度上來說司機不能拒載，但司機有很多手段來實現挑活，特別是在有滴滴之後，挑活變得更加容易了。

在這種場景下，其實通過司機的主動選擇，抑制了一部分服務成本超過服務定價的訂單，使得自己基本保持每單收入為正。

這種時候我認為確實不需要打車平台或者是計程車公司為司機的空駛單獨付費，因為司機可以通過自己的從業經驗來優化這個空駛成本。

但這個的缺點是，一部分冷門的需求無法得到滿足，即使用戶想出更高的價。而滴滴計程車的加價功能某種意義上滿足了這個需求，但這個加多少錢還是純屬用戶和司機拍腦袋，既沒有平台指導價，也沒有其他用戶加價作為參考。

這些降低了交易效率，並導致了一部分用戶-平台-司機的矛盾。

一部分O2O平台也是這種模式，服務提供者採用搶單方式。

1.2.2 平台強制將訂單分配給服務提供者，幾乎沒有拒絕權

大部分系統強制派單，服務者只能拒絕其中極少比例訂單的平台都屬於這種情況。

在這種情況下，由於服務者沒有選擇權，但「差」的訂單仍舊會存在，並影響服務者的收入。所以如果平台沒有在這種空駛上有所補償的話，就可能出現兩種情況：

平台需要扭曲自己對服務者的付費規則，使得服務者每天收入符合其成本。這種扭曲會導致後續對計費方式的改進和對付費規則的優化都變得更為困難。
對於服務者來說，如果一個「差」訂單對其一天收入影響過大，會導致服務者提心弔膽，甚至採用各種迷信方式來希望自己能幸運一些。這降低了服務者的體驗，增加了服務者日均收入的波動性，增加了平台更合理的考察服務者工作量的難度，最終都會導致更高的服務者流失率。

這種強行分配訂單的方式聽起來不近人情，也有一些好處：

更容易保證用戶訂單的「被接單率」。不用這種方式也可以，但要做好價格上的調整需要的技術上投入更多。
在一些較為複雜的場景下，服務者人工也不容易判斷哪些訂單相對價值更高，特別是訂單單均成本不高的時候，這種決策成本就變得更加高昂。這時候由系統來進行分配，而不是服務者搶單是對整個平台生態更有效率的。當然這需要平台的訂單分配方式要儘可能合理，在實踐中，這也是平台容易被服務者攻擊的點，因為其不透明。
平台更容易通過分單策略來給服務者差異化的分單方式，使得平台對服務者的長期激勵手段成為可能。畢竟如果平台和服務者每一單成本結算都完全合理，服務者對平台就沒有黏性，可以幾乎0成本切換到另一個這樣的平台。
進一步消除了通過少數服務者端的泄密導致的平台上大部分訂單的信息都被抓取的風險，保證平台的數據安全。（這個到底如何抓取其實還是個需要仔細設計的方案，這裡不展開討論）
將挑單的策略轉移到平台上，降低了新入行服務者獲得行業平均收益的上手門檻（當然服務者也就更像一個人肉的業務零部件了）

1.2.3 時空位置的定價方案

上面無論哪個方案，我們某種意義上都需要一個時空位置定價的方式，度量每個時空位置對服務者後續收入的影響。上述兩種方案，對這個定價方案的準確度要求和使用方式其實會稍有差異，但需求還是一致的。

這裡稍微再明確一下這個時空位置定價方案的應用場景：那就是在一個典型的業務周期內，盡量保持【同樣的】服務者的收入盡量一致。這個典型的業務周期對於同城O2O應用一般都是一天，但如果是跨城遠距離貨運場景，那麼一天可能就不合適了，可能需要一個更長的周期。這裡的【同樣】是一個業務相關的概念，例如包括上線時間、服務效率、服務工具等等。

對於能夠提前一個業務周期預知需求分布的場景，可以通過離線運籌優化的方式實現安排好所有人的工作任務。這時候其實並不需要一個定價方案，只需要一個任務分配方案。這裡的典型場景是快遞，如果不考慮快遞員實時取件，那麼在每班出發之前，平台可以知道所有的任務情況，並快速計劃好所有人的任務和路線，盡量保持大家的日收入相同。

對於無法提前預知需求的情況，我們需要一個對需求的預估方案，這其實是時空位置定價的另一個理解角度。

在有了這個時空價值模型之後，我們可以在線上實時根據這個來調度所有的服務者。

滴滴大概是國內這方面最早研究的公司，現在已經有論文發表。（傳送門）

當然也不是說美團外賣的技術弱，我覺得美團外賣不太需要這個主要有以下原因：