反向馴化：天下苦“大數據殺熟”久矣

　　用演算法打敗演算法，#反向馴化大數據#值得一個熱搜。

　　近日，眾多網友紛紛曬出自己的“錦囊妙計”，分享如何對抗那些讓人“越看越貴”“越看越煩”的智慧演算法。

　　簡單來説，為了不被演算法所算計，年輕人致力於給自己打造一個全新的“窮鬼”人設。比如，在回帖和評論中反覆提及“太貴了，買不起！”“這地方去不了，不適合窮人”……

　　如此表述多了，在平臺的用戶畫像可能就會發生轉向。有部分網友稱，在給手機精準洗腦後，同樣商品的價格確實有了顯著下降。

　　以其人之道的“小聰明”，看似搞笑，背後卻是大數據殺熟的嚴肅問題。

　　這些年，大數據“殺熟”現象愈發普遍，讓人防不勝防。平臺知錯“不改”，消費者反向馴化大數據的苦衷，能夠有效共鳴的人太多。

　　最常見的就是，通過演算法的捕捉，復購的商品可能比第一次貴，打車費用也越來越高，會員價甚至比非會員價更高。

　　從平臺的角度看，演算法是財富密碼。雁過留痕，網際網路精準地捕捉用戶習慣、消費痕跡、瀏覽記錄，通過精準分析用戶的消費習慣和偏好，商家執行差異化定價策略，從而刺激消費。

　　治理大數據殺熟，被各方呼籲，又一直無解。指望個體的反向馴化，去解決實際的殺熟問題，網友們喜提的恐怕只有一時的效果。

　　要真正根治大數據殺熟，還得強化源頭治理，為大數據殺熟套上制度和規範的枷鎖。

　　數據和演算法，應該成為網際網路治理的核心。數據安全不容忽視。

　　在數據採集方面，超範圍過度採集用戶個人身份、行為、偏好等隱私數據，倒賣精準的用戶畫像，拓展衍生業務非法牟利等問題必須引起重視。

　　在監管層面，應對典型的殺熟、資訊繭房、演算法歧視、氪金誘導，必須要定期審核和評估演算法模型。

　　圍繞具體的評估點，演算法模型的可解釋性、影響評估、安全測試、適用邊界，都應該有公開明確的標準，與公眾資訊對稱。

　　在制度建設上，數據處理的脫敏機制、被遺忘機制，數據集選擇、演算法選取等關鍵決策的記錄和回溯機制等都應得到進一步完善。

　　消費者自我保護意識覺醒是好事，也是對治理大數據殺熟的提醒。但網路平臺演算法向上向善，不能僅靠社會呼籲商家自律、個體出招與平臺鬥智鬥勇。

　　個體的反向馴化終究抵不過代碼的升級，網路治理終究需要企業、政府、消費者“你來我往”。