夜雨聆风一个朋友小明，一个朋友小红，俩人都在一个购物软件上买东西。
小明是老用户，买得勤。
小红是新注册的。
同一时间，他俩看中同一款商品，点进去价格不一样。
小红的价格，比小明的要低。
这事听起来很奇怪，但不少人都遇到过。
过去自己也以为，熟客应该有优惠。
但在这个场景里，反倒是新来的小红占了便宜。
这种现象，就是常说的「大数据杀熟」。
它不是一个神秘的魔法，背后是一套完整的技术流程在运转。
这套流程，就叫「大数据分析」。
要搞懂自己看到的价格是怎么来的，就得先弄明白什么是「大数据分析」。
它跟我们平时说的「数据分析」不是一回事。
过去，一个公司做数据分析，可能就是把一个季度的销售记录导进一张 Excel 表里。
拉个图表，算个平均值，看看哪个产品卖得好。
这些数据，通常是「结构化」的，就像填好的表格，整整齐齐。
数据量也不算夸张，一台电脑就能处理。
这就是传统的数据分析，核心是处理相对可控的数据，回顾过去发生了什么。
但「大数据」不一样。
这个「大」字，至少包含了三个层面的意思。
第一个是「体量大」（Volume）。
传统数据用 GB 计算，大数据动不动就是 TB 或者 PB。
1 PB 等于 1000000 GB。
有个比方，一部高清电影差不多是 4 GB。
1 PB 就相当于 25 万部高清电影。
这么大的数据，一张 Excel 表根本打不开，一台普通电脑也存不下。
第二个是「多样性」（Variety）。
大数据不光有像表格一样整齐的「结构化数据」。
更多的是乱七八糟的「非结构化数据」。
比如，自己发的社交媒体帖子、商品的评论、网站的浏览日志、客服的聊天记录，甚至是视频和图片。
这些信息格式五花八门，没法直接放进一张规整的表格里。
第三个是「速度快」（Velocity）。
数据不是一个月或者一个季度才更新一次。
它是实时涌进来的。
每秒钟都有新的金融交易，每分钟都有新的外卖订单，每个用户每时每刻都在产生新的点击行为。
处理这些数据，要求反应非常快，甚至是实时的。
所以，「大数据」的真正意思是，那些体量巨大、类型多样、产生飞快，以至于用传统工具和方法很难处理的数据集合。
它不是一个具体的数字，而是一种数据管理的难题。
而「大数据分析」，就是为了解决这个难题而生的一整套技术和方法。
它就像一条高度自动化的工厂流水线，把那些原始、杂乱的数据，加工成能用来做决策的有用信息。
这条流水线，大致可以分成几个步骤。
第一步，数据采集。
这是起点。
就是把散落在各个地方的数据都收拢起来。
你在这个 APP 里的浏览记录、购买历史、搜索关键词。
你在那个网站的停留时间、点击按钮。
你的设备型号、IP 地址、地理位置。
所有这些信息，都会从不同的源头被收集到一起。
第二步，数据存储。
收集来的原始数据，得有个地方放。
因为数据量太大，一台服务器肯定不够，所以需要用到「分布式存储」的架构。
可以把它想象成一个超级巨大的网络图书馆，书（数据）不是放在一个书架上，而是分散存放在成千上万个书架（服务器）上，但有一个统一的目录可以查找。
像「Hadoop」这样的技术，就是干这个的。
第三步，数据处理和清洗。
原始数据很少是干净能直接用的。
里面会有很多重复的、错误的、或者无关的「噪音」。
比如一个用户重复提交了两次订单，或者地址信息填错了。
这个阶段就是要删掉重复数据，纠正错误，把不同格式的数据统一起来。
这是个很关键的准备工作，直接决定了后续分析结果的质量。
可以说，很多大数据项目觉得累，难点不在分析本身，而是在这之前的收集和清洗环节没理顺。
第四步，数据分析和建模。
干净的数据准备好之后，真正的分析才开始。
这个阶段，数据分析师会用上各种工具和算法，从数据里找规律。
分析的方法也分好几个层次。
最基础的是「描述性分析」，回答「发生了什么」。
比如，生成报表，看看上个月有多少老用户，多少新用户，各自的购买金额是多少。
这就像给业务拍了一张 X 光片。
再进一步是「诊断性分析」，回答「为什么会发生」。
比如，发现老用户购买金额下降了，就要往下钻取，看看是哪个品类的商品他们不买了，还是因为收到的优惠券变少了。
更厉害的是「预测性分析」，回答「接下来会发生什么」。
通过机器学习算法，分析一个用户的历史行为，来预测他下一次最可能买什么，或者他有多大的可能会流失。
文章开头小明和小红看到不同价格，就和这一步直接相关。
系统通过分析小明的购买记录、浏览习惯，判断他是一个忠诚度高、对价格不那么敏感的老用户。
同时分析出小-红是新用户，需要用低价来吸引她完成第一笔交易。
这背后跑的就是一个预测用户「支付意愿」的模型。
最后是「规范性分析」，回答「我们应该做什么」。
基于预测的结果，系统会自动给出建议。
比如，预测到某个用户可能要流失，就自动给他发一张大额优惠券。
或者，根据预测的用户画像，向他推荐他最可能感兴趣的商品。
所以，「大数据杀熟」，本质上是「预测性分析」和「规范性分析」的一种商业应用。
系统预测了不同用户的消费能力和价格敏感度，然后给出了差异化的定价建议。
第五步，结果呈现和业务应用。
分析出来的结果，要能让业务人员看懂并且使用。
这些结果会被做成各种图表、报表和交互式的「仪表盘」。
或者，直接接入业务系统，自动执行决策，比如自动调价、自动推荐。
整套流程下来，就完成了一次从原始数据到商业决策的闭环。
现在就能更清楚地看出来，「数据分析」和「大数据分析」的差别。
传统数据分析，更像是村里的会计，用算盘和账本处理村里一年有限的收支。
他关注的是已经发生的事情，算清楚账目就行。
大数据分析，更像是国家级的经济普查办公室，需要处理全国亿万人口、千行百业实时产生的数据。
它不仅要搞清楚过去和现在，更要预测未来趋势，为宏观决策提供依据。
用的工具也完全不同。
前者可能用「Excel」、「SQL」就够了。
后者必须依赖「Hadoop」、「Spark」这类专门为处理海量数据设计的分布式计算框架。
所以，「大数据杀大熟」这件事，不是某个商家拍脑袋决定的。
是这套庞大、复杂且高度自动化的「大数据分析」流水线，持续运转产生的一个结果。
这条流水线的基础，就是我们每个人在网络上留下的各种痕迹。
你以为只是随便点了一下，其实这个点击行为，已经作为一条数据，进入了采集环节。
你以为只是随便浏览了几个商品，这些浏览记录也被存了起来，用来分析你的偏好。
当这些数据积累到一定程度，系统对你的画像就越来越清晰。
它可能比你自己还清楚，你对什么价位的商品感兴趣，习惯在什么时候下单，能接受多大程度的涨价。
理解了这整个流程，就知道想完全「摆脱监控」不太现实。
只要使用网络服务，就必然会留下数据。
但可以做一些动作，来干扰这个分析流程，让自己不那么容易被「精准拿捏」。
过去的一些方法，现在看就有了更明确的道理。
比如，在不同平台比价。
因为不同公司的数据库是独立的，它们给你画出的用户画像不一样，给出的价格策略自然也不同。
比如，用不同的账户登录同一个平台看价格。
这对系统来说，就是两个完全不同的用户，画像是割裂的，自然没法对其中一个进行深度「杀熟」。
还有，定期清理自己的一些浏览数据，或者在不登录的情况下浏览商品。
这相当于切断了「数据采集」的一些源头，让系统没法获得连续完整的行为数据。
没有足够的数据，再厉害的预测模型也算不准。
这些动作的核心，不是让自己变成透明人。
而是在大数据分析的流水线上，主动制造一些断点和噪音。
让它收集到的信息不完整、不连贯。
这样，系统就很难给你打上一个明确的「高价值、价格不敏感」的标签。
当然，这也只是个人层面能做的一些应对。
商家如何使用大数据，还受到法规和市场竞争的约束。
但搞懂它背后的运转逻辑，至少能让自己在数字世界里，多一分清醒。
下次再遇到同一个商品、不同价格的情况，就不会只觉得是运气不好。
而是知道，这背后有一整套数据流水线正在工作。
而自己手里的另一部没登录的手机，就是最直接的对照检查工具。