一、基本概念
【1.1 营销是啥】
营销（Marketing），指的是企业发现或发掘准消费者需求，让消费者了解该产品进而购买该产品的过程。我们用大白话来说，营销就是买东西，是个交易的过程。生活中，我们每天都在交易，比如：1）在街摊买包子，包子和金钱的交易；2）上班，劳动力和金钱的交易；3）朋友之间互相请吃饭，食品与食品的交易。
【1.2 交易参与者的目标】
在理性交易的前提下，交易的双方都想在交易过程中获得更多的利益。大家都希望用相对更少的价值，换取更多的价值。现实中就是，花小钱买更多商品，或者是破烂货卖了个高价。
【1.3 价格连接了交易者】
价值是个很难衡量的变量。在交易过程中，价值会被价格体现，或者说价格是价值的表现形式。价格是连接交易双方的桥梁。举例而言，一瓶矿泉水交易价3元，意味着买水的人愿意支付3元，而卖水的人接受3元的回报。再结合交易的目标，那么买水的人就希望砍价，说不定2元就能买下来；而卖水的人，就希望涨价，也许4元也会有人愿意支付。
【1.4 定价的智能化】
既然有人希望涨价有人希望降价，那么这里就必然有个平衡。也就是，在某个价格下，买卖双方达到某种意义上的平衡。在大数据时代下，这也是智能定价想要解决的问题。
【1.5 智能定价的核心是差异化定价】
差异化定价也可以说是价格歧视。举例而言，在菜市场买西红柿，你去买，商家要价6元/斤；一个老太太去买，可能就只会卖给她4元/斤。价格歧视不是目标，它只是个手段；其背后的目标是，商家要最大化自己在交易过程中的利益。
【1.6 定价模型】
我们用一个最简单的定价模型来表述。直观上说，价格越贵，愿意买的人就越少。因此需求量和价格存在一个反向的关系。营收，就是价格乘以需求量，也就是图中的灰色区域。
【1.7 营收的天花板】
如果我们把差异化定价的思想加在定价模型上，会有什么结果呢？结果是商品对每个人的定价价格为，他心中愿意支付的最高价格，也就是我们常说的心里价位的上限。如果我们对所有人都制定合理个性化的价格，就会有下面的营收结果。右图中，灰色部分的面积，就是最大化营收的值，就是营收的天花板。
【2.1 案例假设】
看完了理论，我们分析一个发生在身边非常有趣的案例。这个案例是加班打车的报销补贴。假设你是一家公司的员工，公司通过夜间交通补贴，希望激励员工多多工作。因此公司规定，“所有员工工作日晚上工作到21:00，可以报销公司与住址之间的全额打车费。”我们分析的视角是公司，目标就是帮助公司，提高这笔员工打车补贴支出的效率和回报，做一次资本家的智囊团。
【2.2 案例的拆解，确定问题、目标】
在这个案例中，交易的双方是公司和员工。交易的内容是，工时（劳动力）和金钱（加班补贴）。从公司的视角，就是花钱买员工工时的一笔交易。那么问题来了，如何在这比交易过程中，帮助公司提高所谓的营收。我们制定这样的一个指标，ROI，投资回报率。定义为，员工工时的增量除以花费的补贴金额，即单位金额带来的工时增量。
【2.3 解决思路】
在该花钱的地方多花钱，在不该花钱的地方少花钱。围绕这两句话ROI就会持续变高。举个例子，有的员工非常热爱工作，即使不给打车的补助，他也会工作到深夜，那么我们就省下这笔钱，不给他补助。
【2.4 V0版制度】
在加班补贴制度上线前，员工的下班时间分布如下左图，也许是个正态分布。假设有V0版制度，“所有员工工作日晚上工作到21:00，可以报销公司与住址之间的全额打车费。”制度上线后，上面的分布可能会有所改变，如下右图。
【2.5 V0分析】
简单清算一下：（1）原本18点、19点下班的员工与这个补贴制度关系不大，基本没有影响。（2）原本 21点以后下班的员工不会额外付出工时，白拿公司一份补贴。（3）只有原本20点下班的一部分员工，会在钱的激励下被转化至21点后下班，带来收益。为了获得（3）的收益，公司支付了（2）和（3）两部分人的打车费。花了冤枉钱。
【2.6 V1版制度】
接下来的任务，就是如何利用大数据，提高补贴效率。这个项目就叫做智能加班补贴引擎吧。先看V1版本。原“所有员工工作到21:00”，替换为“员工i工作到??点”。其中，??为员工?上个月平均下班时间+60分钟。因此，V1版本为：“员工i工作到上个月平均下班时间+60分钟后，可以报销公司与住址之间的全额打车费。”在这个策略里，采用“上个月平均下班时间”作为员工i的工作能力。在此基础上，增加60分钟作为员工交通补贴的报销条件。这样，分布图中任何一个“柱子”，都会有一定比例的员工被补贴激励而多付出1个小时的工时。如下图a和b。最终可以得到图c的分布关系。
【2.7 V1分析】
我们对V1版本结果简单清算一下。（1）每根“柱子”都有一定员工被激励至下一根“柱子”，这些人付出额外工时，并成功获得打车补贴。（2）每根“柱子”都有一定员工未被激励至下一根“柱子”，这些人没有额外付出工时，也没有获得打车补贴。V1版本能把那些“没有额外付出而蹭打车费”的员工过滤掉。效率相比先前有了大幅度提升。但仍然有些“顽固不化”的员工不被激励，我们还有其他办法吗？有！
【2.8 V2版制度】
修改V1中“全额打车费”为“打车费??元”。其中，??=?(员工?的价格敏感度)。这样得到了V2版本的规则，“员工i工作到上个月平均下班时间+60分钟后，可以报销公司与住址之间的打车费??元；其中，??=?(员工?的价格敏感度)。”
【2.9 价格敏感度】
在这里先普及价格敏感度的概念，即也称作价格弹性。举一个例子，地上有10块钱，拾荒者会去抢，马云肯定不去抢。深层次原因在于，两种人对钱的敏感度不一样。在我们的案例中，为了让员工多工作一小时，对于敏感度高的人，可能花一半的打车费就够了；对于敏感度低的人，可能不止要报销打车费，还要额外再给一些补贴才能完成激励。因此，理论上V2版本的策略可以实现100%的工时激励转化。
【2.10 V2分析】
V2版本上线后，分布图如下。简单清算一下：（1）每根“柱子”的所有人，都被拔高至下一根“柱子”，即整体分布右移（图a和图b）。（2）每根“柱子”的所有人，都能收获夜间交通补贴。最终分布图为图c。所以，从公司视角，成本是每根“柱子”的打车费，收益是分布右移，所有员工的工时增长。好棒！如果你以为到这里就结束，那就错了。
【2.11 V3版制度】
V3版本相对V2增加了一个条款：“负效用员工除外”。负效用员工定义为，平均小时创造的业务价值小于yi者；反之则为正效用员工。这样V3版本的规定为：“员工i工作到上个月平均下班时间+60分钟，可以报销公司与住所单程打车费??元。其中，??=?(员工?的补贴弹性)。负效用员工除外。负效用员工定义为，平均小时创造的业务价值小于yi者；反之则为正效用员工。”V2上线后，发现有少部分员工在公司混时间，这些员工的小时业务价值创造还没有投放的补贴额yi高。如果能识别出这些人，并予以剔除，就形成了V3版本的方案。
【2.12 V3分析】
V3版本上线后，可以看到下面的结果。我们简单清算一下：（1）每根“柱子”的正效用员工，都被拔高至下一根“柱子”，即整体分布右移。（2）每根“柱子”的正效用员工，都能收获夜间交通补贴。（3）每根“柱子”的负效用员工，都未收获夜间交通补贴，也就是边缘人物，可以早点下班。图a和图b。所以，从公司视角，成本是全部具有正向效用员工的打车费，收益是正向效用员工分布右移，正向效用员工的工时增长。图c。
【3.1 机器学习的运用】
本例中，有很多变量需要在前置的过程中预测。这就需要机器学习的预测模型发挥价值。
【3.2 机器学习发力点一】
在V1版本中，“上个月平均下班时间+60分钟”衡量的是一个员工的工时能力。规则设计的核心思想是，员工要尽可能额外付出工时，才能获得回报。这里采用上个月平均下班时间的规则，这是不科学的。它会造成滚雪球的膨胀式增长。最科学的方法是，预测这个员工，在没有补贴制度下的工时。此时就是一个纯粹的机器学习问题了。
【3.3 机器学习发力点二】
在V2版本中，??=?(员工?的价格敏感度)，此时也是一个机器学习的模型问题。在有大量的用户数据之后，这个模型的建立并不困难。
【3.4 机器学习课程】
机器学习技术，可以利用大数据建立模型，并对未知的变量进行合理预测。它可以运用在一切需要作出最优决策的问题场景下。我从事机器学习有9年的时间，在慕课网写了《给机器学习初学者的极简入门课》这个专栏，希望各位小伙伴可以跟我一起来学习这门课程。
【最后】
模型来自业务，并用来辅助业务优化。当看清楚业务的本质后，就要考虑用机器学习的模型把其中不可控的因素控制住，例如员工的工作能力、对钱的敏感度等。关于模型如何实现，需要大量的实际工作和相关材料来积累学习。如果大家感兴趣，欢迎大家来看我的专栏。本次分享就到这里，感谢大家的时间、感谢慕课网提供的平台。
随时随地看视频
