跳到文章正文
行业/好文 编辑推荐

纽约市要给「监控式定价」上锁:同一件商品,算法不许看人下菜

纽约市议会通过 Introduction 891-A,禁止企业用个人数据和算法对同一商品给出不同…

同一件商品,同一个时间,两个人在手机上看到的价格不一样——这件事在纽约很快要变成违法行为。当地时间 11 月 12 日,纽约市议会通过一项限制算法个性化定价的法案,禁止企业利用消费者个人数据和算法,对购买相同商品或服务的不同消费者收取不同价格。

纽约市要给「监控式定价」上锁:同一件商品,算法不许看人下菜
纽约市议会通过 Introduction 891-A,禁止企业用个人数据和算法对同一商品给出不同报价,每项违规最高罚 1

一分钟速览

  • 法案编号 Introduction 891-A,由市议会议长朱莉 · 梅宁提出,覆盖纽约五个行政区
  • 核心是禁止「监控式定价」:用行为、位置、个人特征和购买记录推断支付意愿再调价
  • 每项违规最高 1000 美元民事罚款,可按消费者、按交易分别计算
  • 会员奖励、学生与退伍军人优惠、季节促销、优惠券、买一赠一等正常促销不受影响
  • 企业要建立披露程序,让消费者能查询哪些个人数据影响了给自己的报价

法案到底禁了什么

法案的打击对象是一个叫「监控式定价」的东西。它的运转方式并不神秘:算法收集消费者的购物行为、地理位置、个人特征和历史购买记录,估计这个人愿意为某件商品或服务付多少钱,再据此调整报价。因为整个过程在后台完成,消费者通常察觉不到自己看到的价格已经被个人数据改写。

被禁的是「用个人数据给同货不同价」。法案同时留出了相当宽的商业空间:会员奖励、学生优惠、退伍军人优惠、季节性促销、优惠券、买一赠一都可以继续做。企业也可以根据消费者主动加入的会员计划、公开披露的优惠资格或符合条件的历史购买记录提供折扣,但不能把这些信息与其他个人数据随意结合,去生成一个只针对某个人的基准价。

执法权交给纽约市消费者和劳工保护局。该局负责调查投诉,并有权对违规企业处以最高 1000 美元的民事罚款;针对不同消费者或不同交易的违规可以分别计算,这意味着如果企业对大量用户实施个性化定价,罚款总额会往上叠。

对符合条件的小企业,法案留了一个纠正机制:收到主管部门通知后 30 天内提交整改证明,并向受影响消费者退还因违规获得的款项,可以避免进入后续处罚程序。

被举出来的案例

市议会在公告里列了几项调查,读起来比法条更有画面感。一项针对大型生鲜配送平台的调查发现,该平台做过算法定价实验,部分商品面向不同消费者的报价差异最高达到 23%。另一项调查发现,某零售商卖的一台电视,在消费者进入商店停车场之前标价 499.99 美元,随后涨到 599.99 美元。

更刺眼的是一个来自网约车行业的细节:一名曾在该行业工作的行为经济学家披露,相关应用可能把用户手机电量偏低作为调价参考,利用用户急于回家的处境提高报价。这个例子之所以传播广,是因为它把「个性化」的边界问题摊开了——电量不是消费能力,也不是需求强度,它只是一个人当下的处境,而算法把处境变成了议价筹码。

议长梅宁的表态很直白:企业用算法和个人数据,对买同样东西的不同消费者收不同价格,既不符合公平交易,也会加剧生活成本压力。

1000 美元罚款算不算狠

单看数字,1000 美元对大型平台几乎不构成威慑。一项违规行为的罚款,可能还不到一个转化率实验带来的增量收入。但这套设计真正有分量的地方有两处。

第一是按人头累加。个性化定价的特点就是面向海量用户,一旦被认定违规,罚款按消费者数量叠加,量级会迅速变化。第二是披露义务。法案要求企业建立程序,让消费者可以申请了解企业在制定特定价格时考虑了哪些个人数据、这些数据如何影响价格。这一条比罚款更难应付:它要求企业把定价模型的数据来源讲清楚,而多数推荐与定价系统在工程上恰恰是黑箱。

换句话说,法案真正的抓手是「可解释」,罚款只是尾随其后的成本。

合规要动到系统哪一层

对做定价系统的团队来说,这不是改一版隐私政策就能过关的事。个性化定价通常依赖特征工程:用户画像、地理位置、设备型号、历史客单价、活跃时段,甚至设备电量和网络状况都会被喂进模型。要满足法案要求,至少要做三件事。

其一是特征分级。把「与交易本身相关」的特征和「与个人处境相关」的特征分开,后者在基准价计算中禁用。其二是留痕与审计。每一次报价要能回溯到使用了哪些特征、走了哪条规则,否则披露义务无法履行。其三是把促销逻辑与基准价逻辑拆开。法案允许基于公开资格的折扣,但要求这些折扣不能被个人数据「再加工」,工程上意味着两条定价流水线必须物理隔离。

还有一个经常被忽略的环节:第三方数据。很多企业的定价模型用的是外部数据供应商的标签,如果这些标签本质上是个人特征推断,企业仍要为最终报价负责。

监管的走向

纽约不是第一个动这块的地方。纽约州层面此前已立法要求算法价格向消费者告知,联邦层面对「监控式定价」的调查也在推进;欧洲的算法定价讨论更多挂在消费者保护和数据法规下;亚洲市场对「大数据杀熟」的治理则更早就开始了,中国价格法修正草案曾专门针对这类行为作出调整,多地也开展过集中治理。

这些路径有一个共同点:监管的关注点正从「你有没有收集数据」转向「你用数据做了什么决定」。隐私合规过去是告知与同意,现在开始追问结果公平。

需要说明时间表。法案已获市议会通过,但尚未生效,目前处于提交市长签署阶段;按立法记录,正式生效时间为成为法律后一年。这一年的缓冲期,大概率会被企业用来重做定价系统的合规层——也会被律所用来准备第一批诉讼。

留给行业的问题

真正难解的不是「能不能禁」,而是「怎么证明」。个性化定价的差异可能来自优惠券、A/B 测试分组、库存状态、配送距离,甚至缓存不一致。消费者看到的价差,未必等于算法歧视。法案把举证责任部分压给企业,这在保护消费者的同时,也会让合规成本向中小商家转移。

另一个悬而未决的问题是模型迭代速度。今天的合规审计通过,不代表下个月重新训练后的模型仍然合规。定价系统一旦引入大模型做动态策略,特征与规则的边界会变得更模糊,审计难度会成倍上升。

可以确定的是方向:算法定价从「技术自由」进入「需要解释」的阶段。对企业来说,早一点把定价决策做成可回溯的工程问题,比事后解释便宜得多。

本文地址:https://www.163264.com/21350