携程杀熟再次被曝,技术背锅也无法挽回用户

近期,携程因大数据杀熟再次成为舆论焦点。网友@陈利人爆料,在携程购买机票时遭遇价格突然上涨,随后在海航官网发现同一航班价格更低。此事件引发广泛讨论,揭露了携程利用大数据对老用户进行价格歧视的现象。

3月11号,网友@陈利人 爆料在携程购买机票,当时显示为17548元,就因支付时突然发现自己没有选择报销凭证,退回重选却被系统告知没有票了,等到重新搜索时价格变成了18987元。

贵了将近1500元,期间间隔不到10秒。

他当即退出软件重新登录,依旧是一样的高价。

陈利人觉得这件事太过奇怪,随即登录海航官网查询。意外发现同样的行程,不仅有余票,且价格仅为16890元。

陈利人立马截图把事情曝光到网络上,引起网友关于携程大数据杀熟的讨论。

这里,我说一下大数据杀熟的含义:大数据杀熟指的老用户使用过程中看到的价格可能高于新用户,消费同样的产品老用户反而需要更多的钱。

2

而关于携程大数据杀熟,早在2018年的5月份,就已经有过先例。

当时不少网友反馈,同一个酒店的同一个房间,用不同手机预定居然出现了不同的价格。其中一个网友提供了订购的截图。

截图上显示,网友分别用两个账号订购当天同一酒店的同一房型,结果价格居然相差25元,其他网友也晒出了192元的差异。

一时间,携程“大数据杀熟”的声音此起彼伏,包括王局和演员韩雪,都曾在微博上公开吐槽携程:

其他被坑的小伙伴也不少:

最搞笑的是,甚至专门有人建了一个话题叫:#关于携程说起来都是泪#,2796位被携程坑了的小伙伴在里面各种吐槽自己的经历。甚至有大v专门组织了一次抽奖活动安慰和自己一样被携程坑过的小伙伴。

总结大家的经验,不难发现,携程的大数据杀熟,主要通过以下几种方式:

1、数据杀熟:老用户对于同一项服务的价格有时候会比新用户高。

2、下单之后无法取消订单:曾有人在携程上买过两张机票,因行程有变取消订单时,却被告知要收取一万八千多的退票费。

3、软件上的描述与实际情况差距很大,有时候买的五星级酒店服务,到店之后却发现与想象的差距太大。

携程在讨伐热潮中站出来声明称:

造成重新下单显示无票的原因,是2月26日发布的新版本中在机票预定程序中存在Bug——在该版本的全球订票系统中,每一次点击“支付”,即便没有付款,都会暂时占上预订的位子。

这导致再次搜索出现无票,系统自动推荐了更高舱位的机票。

不少网友看到声明后,纷纷表示这是什么操作?还有人模仿携程技术同学一脸懵逼状:又让我们背锅?!

不论携程把理由说得多么冠冕堂皇,我想也已经没有用户会信了,正如陈利人在微博中所说:用户信任的建立需要较长的时间,而信任的毁灭只需一旦。

3

那我们普通用户在面对大数据杀熟又应该如何应对呢?

说到应对,我们首先要知道网站是通过什么方式“杀熟”的?

由于大数据的应用,网站可以轻易通过用户浏览的历史、搜索记录和收藏、下单等行为,刻画出该用户的画像。

如果你“幸运”地被划分到消费能力高的画像群里,那对不起,网站很有可能在你下次搜索产品时,给你推荐价格更高的了。

网站甚至还会实时分析你的消费意愿,对搜索产品的购买意向。

如果发现你此刻购买欲望非常强烈、购买需求非常迫切,也会有可能给你推荐高价格的产品。毕竟在急需的情况下,谁也不会花太多时间去货比三家。

知道对方的战略后,我们就有了对策。既然你要做用户画像,我们就要模糊我们的画像,让你捉摸不透,猜不准我的心理!

1、卸载重装

一举摧毁对方积攒许久的信息,伪装成新用户,家世清白,一干二净。说不定还会赶上新用户的福利,比如注册送红包等。(千万别使用原号码登录,相同账号的信息早已记录在案了)

2、关闭权限

每个软件使用过程中都会获取我们或多或少的信息,在使用一款APP之前,充分了解它的用户权限,在不影响使用的情况下关闭一些隐私权限。也可以有效避免被采集信息,从而被杀熟。

3、干扰搜索

既然平台分析需要收集你的搜索习惯和倾向,那你就尽量扰乱它的收集。比如你要买苹果,同时也搜索一下袜子、水壶等等。留下错误记录,降低平台数据的精确性,也不失为一种办法。

4、多方验证

如果涉及到交易,在觉得价格有问题的情况下,可以用其他人的手机(不同设备和账号)搜索对比一下。每个人消费能力和习惯都不同,用户画像也就不同,可以对比选择价格最低的下单。

技术的发展本来是为了更加方便我们的生活,却在大数据滥用的今天成了我们的跟踪器。今天会有大数据杀熟,明天会不会有大数据害命?

泽林教育(www.zelininfo.com)提醒大家:网络安全,数据安全,最终关乎着你我每个人的人身安全。

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值