【2018.Q4】谈O2O领域非标品服务的定价（1）

TL;DR

很遗憾本文内容量很大，而且还没有写完……需要三级分节。有三级分节的文章按习惯只给一个目录供大家参考其主要内容。

1 定价规则的基本原则

1.1 是否要精算每个订单的成本和收入

1.2 是否应该为空驶付费

（后续内容计划见页尾）

0 前言

这里的【O2O领域的非标品服务】指打车、外卖配送这样的服务，看似服务质量是接近标品，但考虑到时间和距离、以及其他各种因素，其实想要精确的测算其成本，并让服务提供者和服务接受者都能对此达成共识都是很困难的。

本文谨代表个人在2018年12月的观点，不代表任何机构组织观点。本文不涉及任何公司任何产品的具体实现规则，仅讨论一些主要因素，以方便读者理解。本文内容和相关领域的任何产品真实规则细节实现都可能有较大差异。

虽然本文并不代表真实产品细节，但我仍觉得本文的思考会帮助刚入这个领域的从业者更快的了解其中的核心问题。

0.1 我历史上的一些认知阶段

最早思考这个问题应该是一年之前，当时一度还被一个大佬问了下如何看待外卖配送费的问题。想想自己当年只是给了一个很粗略的方向思考，即尽可能快的打通用户和骑手端的供需波动信息，接近一个供需交易市场的市场化状态，当然还要系统提供一些辅助来减小每方的筛选成本和决策时间。
大约不到半年之后，正值舆论关注滴滴是否大数据杀熟，正好写了一篇文章讨论一些这方面的问题（【2018.3】从一个架空的业务场景讨论非标准服务的定价因素与什么算「大数据杀熟」）

但总的来说，上述两个都是我对这个问题认知的非常早期的阶段，我估计累计思考时间没有超过10小时。

由于某些契机，最近得以相对深入和相对较长期的思考这个问题。现在，就来谈一谈我对这里一些产品设计和计费方式的一些思考。

1 基础定价规则的基本原则

说起来一个很神奇的事情是，在我来看，从业者对定价规则的基本原则上还没有达成足够广泛的共识。

这些基本原则其实是无所谓对错的，更多的是一种个人品味/喜好问题，因为无论你选哪个，后面都可以在运营过程中打上或多或少的补丁来保持产品运营，但哪种方案能走的更远则没人能判断。也正因为如此，我不得不在最开始就来稍微讨论下这些原则。

是否要精算每一个订单的服务成本、对消费者收取的服务费用、付给服务提供者的费用，并保持每一单平台都不亏损？
服务提供者是否应该被他所不能选择的因素导致定价歧视？例如：如果平台强制派单，司机必须接单，那么当他在城外偏远地区完单后，周围没有需求，平台是否应该支付他到达下一个订单起点过程中的成本？

这两个问题，前者似乎是很显然的，后者似乎是存在争议的。让我们分别讨论：

1.1 是否要精算每个订单的成本和收入

这从传统行业、传统公司财务的视角来看几乎就是长期来说的常识选择，连一个单品的成本都算不清楚，公司亏损真的不奇怪。

在O2O从业者中，如果你问大家这个问题，大家肯定是觉得要精算清楚的。

但现状呢？很遗憾，一般都是算不清楚的，除了非拼车、非一口价的计程车和网约车这种后付费、且成本容易测量的产品形态之外。

算不清楚的总体原因很简单，那就是成本过高，所以很多时候大家退而求其次：在成本能接受情况下尽量算清楚，然后尽量保证大盘不亏损。

这里有下面几方面具体原因：

1.1.1 预付费场景下，难以对未来估计的非常准

外卖、网约车拼车目前都是预付费形式，这时候想算清楚所有因素还是很难的。一方面是因为它们都是拼单问题，需要能够精确的预估能够跟这个订单拼在一起的订单需求。这太难了，如果能把这个算的非常清楚直接做咨询公司来指导这些公司的营销策略不就完了……

第二是目前高大上的各种ML模型其实预测准确率也没有大众想像的那么高，让我们来看下滴滴AI Lab KDD 2018 ETA论文（论文传送门）中给出的最好数据：即使是在相对距离比较长，估计比较容易的打车行程段，最好模型的MAPE也有11%以上，这是什么水平呢？如果拿打车费来说，就是你打车前预估100块钱，但下车一看实际价格，平均来说都要相差11块钱的水平。很明显，在大众来说这个预估的准确度是非常差的。事实上，很多用户就会因为打车预估价的不准而向滴滴投诉。

当然严格来说，预估不准的难点也包括了下面的几项。

1.1.2 O2O精确计费需要的地图能力很贵、很重

这个可能很多对此不熟悉的读者不太了解，虽然目前各地图APP都是免费的，但要保持一个高质量的地图数据和服务的成本是非常高的，举两个间接证据：

滴滴在地图方面投入是国内互联网公司中BAT之后大概最多的，16年开始就大量投入了，为此还专门申了一个测绘牌照。用BAT的服务不好么，为啥地图这块这么早就要往重了做。无论你能从中解读出什么，都至少有一点：这事不好做，很不好做。
Google地图API在2018年涨价了一个数量级不止（新闻传送门），这年头互联网纯线上的服务，什么东西都降价，哪有听说涨价的，这还能涨价10倍不止。这能说明什么？我觉得至少有几点：1这是刚需、2竞品目前太差、3这东西门槛高。

这一般还是是对于驾车导航的，毕竟财大气粗的车厂已经养了这些地图和地图数据公司有一阵了。但骑行的地图数据质量和服务质量就相当令人无语了，准确度上至少「少了一个9」，在外卖之前还没啥大用户，各种小区里、天桥什么的采集成本还高。

美团最近有个分享（传送门），讲了下他们做了根据骑手GPS轨迹挖掘楼级POI实际位置的工作，虽然工作本身对于地图从业者来说并不算太难，但贵在数据，在我来看美团这块已经算是比较认真来做的了。

POI数据只是「点」数据，「线」数据呢？在没有基础路网的情况下根据骑手GPS轨迹学习出一个路径规划方案？这个问题我也想过，也问过学术圈做GPS轨迹挖掘的人，结论是：目前学术圈还没有什么人在做，确实不太好做。（这个可能出乎很多ML从业者和非从业者的意料，路线相关的建模问题等我啥时候有空了再专门来谈吧。）

美团之所以地图方面投入看起来比滴滴小，一方面是因为他需要的楼级POI数据的挖掘成本相对较低，还有其他方面的因素：1是对时效要求没有打车那么高，2是外卖骑手有选择权。时效要求这个大家想想就知道，外卖多等个5min不是个事，打车的时候在路边多等5min这简直要命。路况变化很快，系统时效性不好的话就很难估准确。选择权这个东西我们在后面再谈。

1.1.3 拼单的各订单分摊方式

除了上面因素外，还有一个问题就是如何将多个拼在一起的订单的成本分摊到各个订单上，这个事其实仔细思考就会发现，想算的清楚没有那么简单。

1.1.3.1 逐段分摊

一个相对自然的方式是对整个路程上的每段进行分单。在服务者向著下一个目的地前进的时候，是知道当前正在为哪些订单服务（或者包括要即将服务的下一个订单）的，这样就可以把每段的运输成本分摊到每个订单上，最终把整个过程的所有成本都分摊掉。

但这个方案有几个问题：（以外卖配送为例描述，这对于网约车拼车也是一样的）

每个订单分摊的成本不是稳定的，会随著中间新的订单的拼入而出现变化，甚至可能由于整个取送顺序的调整而出现较大的变化。
当骑手目前手上没有订单，正在往下一个订单的取餐地点前进时，这段的成本是否要分摊。如果要计入下一个订单，那么就会和骑手空驶时候难以界定的问题。如果这个订单晚一会再被分配时，空闲的骑手一般都会跑到商家热门的区域提前趴活，但这个时候按此规则这段的行驶成本并不会被计入任何订单。只是因为是否早把这个订单分配给这个骑手就会导致这一段的行驶成本的分摊与否，似乎又不太自然。
由于外卖订单一般都有配送时间限制，所以当一个位置偏僻的订单拼入时，往往需要骑手改变原定接送顺序来确保各订单都满足时间约束。但这个过程可能会出现一个「差」订单拉高了一批订单分摊成本的情况，这对于其他「常见」订单是不公平的。

1.1.3.2 订单边际运输成本

（仍以外卖配送为例描述）

为了更好的衡量每个订单的新增配送成本，我们可以使用「边际成本」思路，考察新增加一个订单后全系统新增加的配送成本，即订单边际配送成本。

这种方式是可以精确计算的，只要去掉要考察的订单，重新做全系统运筹优化就行。但这种方式仍然有一些问题：

上面的问题2的空驶问题分摊问题仍然存在。
这种方式会低估订单配送成本，假设一个极端情况，一个用户同一时间在同一个商家下了2个订单，假设商家生产时间没有因此增加，那么这时候我们算每个订单的边际配送成本都会是0。一般情况不会如此巧合，但我们总能构造出一些情况使得最后每个订单的边际配送成本之和小于总成本。
当骑手运力较为过剩时候，订单的成本估计较为不稳定，是否拼上另一个订单对这个订单的成本估计影响较大。
当骑手运力过剩时，成本估计偏高。这时候其实需要考虑向骑手的付费方式，甚至骑手的「边际上线时间价值」等等，这里较为复杂，且过于细节，这里就不再进行展开。

1.2 是否应该为空驶付费

一个看似清楚的问题展开就有这么多，现在我们来看下第二个问题：如何为空驶定价。

这里我们相对认知较多的是计程车的拒载，但其实拒载的理由其实很多，我现在一下能想到的有下面几个：

目的地（在时空角度上）是一个冷门位置（严格来说是时空上的位置），没有活（订单），回到有订单地方又太远。
在进入有成本的特定地方，倾向于接更大的订单，以摊销「入场费」，例如机场。
过去北京晚高峰期间司机会不接单，找地方休息、吃饭，交接班。主要是因为堵车导致收入下降，再加上时间适合做别的。
其他路上比较堵的订单，主要应该还是相对单位收入较低。

这上面3和4是类似的，2自己是一类因素，这里先不讨论，主要来看下1的问题。

首先要强调的是，这个问题并不是一个单纯的冷门区域问题，由于出行需求的强烈潮汐性，这个冷门区域其实是跟时间有关的，严格来说是时空意义上的冷门位置。这个问题几乎所有服务是从一个地点到另一个地点的O2O服务都会遇到，包括打车、外卖、快递。

一般人简单认知上，这个空驶问题不应该付费给司机，因为他没有提供服务。但从司机的角度上来说，这这个订单终点的位置显著的会影响他的收入，他必须要对这个有所挑选或者收额外溢价，否则就会相对于其他服务提供者有明显的成本劣势。

这里又根据服务提供者是否有选择性分为两种情况：

1.2.1 服务提供者有拒绝权

这个情况更接近于目前大城市计程车司机的状态。虽然从管理的角度上来说司机不能拒载，但司机有很多手段来实现挑活，特别是在有滴滴之后，挑活变得更加容易了。

在这种场景下，其实通过司机的主动选择，抑制了一部分服务成本超过服务定价的订单，使得自己基本保持每单收入为正。

这种时候我认为确实不需要打车平台或者是计程车公司为司机的空驶单独付费，因为司机可以通过自己的从业经验来优化这个空驶成本。

但这个的缺点是，一部分冷门的需求无法得到满足，即使用户想出更高的价。而滴滴计程车的加价功能某种意义上满足了这个需求，但这个加多少钱还是纯属用户和司机拍脑袋，既没有平台指导价，也没有其他用户加价作为参考。

这些降低了交易效率，并导致了一部分用户-平台-司机的矛盾。

一部分O2O平台也是这种模式，服务提供者采用抢单方式。

1.2.2 平台强制将订单分配给服务提供者，几乎没有拒绝权

大部分系统强制派单，服务者只能拒绝其中极少比例订单的平台都属于这种情况。

在这种情况下，由于服务者没有选择权，但「差」的订单仍旧会存在，并影响服务者的收入。所以如果平台没有在这种空驶上有所补偿的话，就可能出现两种情况：

平台需要扭曲自己对服务者的付费规则，使得服务者每天收入符合其成本。这种扭曲会导致后续对计费方式的改进和对付费规则的优化都变得更为困难。
对于服务者来说，如果一个「差」订单对其一天收入影响过大，会导致服务者提心吊胆，甚至采用各种迷信方式来希望自己能幸运一些。这降低了服务者的体验，增加了服务者日均收入的波动性，增加了平台更合理的考察服务者工作量的难度，最终都会导致更高的服务者流失率。

这种强行分配订单的方式听起来不近人情，也有一些好处：

更容易保证用户订单的「被接单率」。不用这种方式也可以，但要做好价格上的调整需要的技术上投入更多。
在一些较为复杂的场景下，服务者人工也不容易判断哪些订单相对价值更高，特别是订单单均成本不高的时候，这种决策成本就变得更加高昂。这时候由系统来进行分配，而不是服务者抢单是对整个平台生态更有效率的。当然这需要平台的订单分配方式要尽可能合理，在实践中，这也是平台容易被服务者攻击的点，因为其不透明。
平台更容易通过分单策略来给服务者差异化的分单方式，使得平台对服务者的长期激励手段成为可能。毕竟如果平台和服务者每一单成本结算都完全合理，服务者对平台就没有黏性，可以几乎0成本切换到另一个这样的平台。
进一步消除了通过少数服务者端的泄密导致的平台上大部分订单的信息都被抓取的风险，保证平台的数据安全。（这个到底如何抓取其实还是个需要仔细设计的方案，这里不展开讨论）
将挑单的策略转移到平台上，降低了新入行服务者获得行业平均收益的上手门槛（当然服务者也就更像一个人肉的业务零部件了）

1.2.3 时空位置的定价方案

上面无论哪个方案，我们某种意义上都需要一个时空位置定价的方式，度量每个时空位置对服务者后续收入的影响。上述两种方案，对这个定价方案的准确度要求和使用方式其实会稍有差异，但需求还是一致的。

这里稍微再明确一下这个时空位置定价方案的应用场景：那就是在一个典型的业务周期内，尽量保持【同样的】服务者的收入尽量一致。这个典型的业务周期对于同城O2O应用一般都是一天，但如果是跨城远距离货运场景，那么一天可能就不合适了，可能需要一个更长的周期。这里的【同样】是一个业务相关的概念，例如包括上线时间、服务效率、服务工具等等。

对于能够提前一个业务周期预知需求分布的场景，可以通过离线运筹优化的方式实现安排好所有人的工作任务。这时候其实并不需要一个定价方案，只需要一个任务分配方案。这里的典型场景是快递，如果不考虑快递员实时取件，那么在每班出发之前，平台可以知道所有的任务情况，并快速计划好所有人的任务和路线，尽量保持大家的日收入相同。

对于无法提前预知需求的情况，我们需要一个对需求的预估方案，这其实是时空位置定价的另一个理解角度。

在有了这个时空价值模型之后，我们可以在线上实时根据这个来调度所有的服务者。

滴滴大概是国内这方面最早研究的公司，现在已经有论文发表。（传送门）

当然也不是说美团外卖的技术弱，我觉得美团外卖不太需要这个主要有以下原因：