大数据时代，最了解你的人不是你的亲人和朋友，而是BAT巨头们。你的行动轨迹、消费记录、购物偏好、人脉关系等数据都被巨头们收藏着。从理论上讲，你的工作家庭地址，你的社会关系，身材尺码喜好什么颜色或事物，有没有第三者等等都可以通过收集的数据分析出来。当然大数据对隐私的边界是可以挖掘群体特征，不挖掘个体细节，可以贴标签但不场景化。

大家其实也不用太担心，法律会站在我们一边。企业如果过度使用我们的隐私数据无异于搬起石头砸自己的脚，疼的是企业，当然受伤的是消费者。今天就分享两个知名企业砸自己脚的案例。

1、亚马逊利用数据杀熟

从理论上来说你越喜欢某件商品我卖你更贵并不会影响成交，但是企业获利更多，这就是为什么很多企业被传出利用大数据杀熟的出发点。互联网上，大数据杀熟这种事的鼻祖可能要算亚马逊了。早在2000年亚马逊就开始测试大数据杀熟了。

这一年马云的阿里巴巴和李彦宏的百度都刚创立才1年时间，马化腾的腾讯遇到了困难计划把自己开发的ICQ以60万的价格卖给别人，刘强东还在中关村卖光磁产品。

亚马逊于1995年成立，最初计划是4-5年实现盈利。此时的亚马逊为提高在主营产品上的赢利，亚马逊在2000年9月中旬开始了著名的差别定价实验。他们选择了68种DVD碟片进行动态定价试验。试验当中，亚马逊根据潜在客户的人口统计资料、在亚马逊的购物历史、上网行为以及上网使用的软件系统确定对这68种碟片的报价水平。

例如，名为《泰特斯》（Titus）的碟片对新顾客的报价为22.74美元，而对那些对该碟片表现出兴趣的老顾客的报价则为26.24美元。你曾经买个某个歌手的碟片或外围产品，经常点击他的主页等信息都会被后台视为你是忠诚度高的老顾客。通过这一定价策略，部分顾客付出了比其他顾客更高的价格，亚马逊因此提高了销售的毛利率。（当时亚马逊的技术已经可以做到千人千面，每个人看到的页面不一样，价格也可以不一样）

但是好景不长，这一差别定价策略实施不到一个月，就有细心的消费者发现了这一秘密，他们通过在名为DVDTalk 的音乐爱好者社区的交流，成百上千的DVD消费者知道了此事，那些付出高价的顾客情绪激动不太淡定了，纷纷在网上以激烈的言辞对亚马逊的做法进行讨伐。还好当时还没有twitter和facebook，不然亚马逊早被口水淹没了。

更悲催的是，亚马逊事件前不久才公布了它对消费者在网站上的购物习惯和行为进行了跟踪和记录。因此这次事件曝光后，消费者和媒体开始怀疑亚马逊是否利用其收集的消费者资料作为其价格调整的依据，这样的猜测让亚马逊的价格事件与敏感的网络隐私问题联系在了一起。这事儿搞大了，玩现了！

最后的结局是亚马逊道歉，然后将差价退给了那些买贵了的顾客。这件事虽然以失败告终，但是这种差异化定价的思路却被各大营销机构借鉴了。

2、优步（Uber）的一夜情事件

你的一夜情谁知道？

答案是优步！优步知道你的家在哪儿，公司在哪儿，你最喜欢去哪儿吃饭，你是否经常出差，以及你日常的活动半径和范围。

优步曾经在官网上发布一篇题为“荣耀之旅（Rides of Glory，RoG）”的博客（现在已经被删除了）。文中写道“我知道，我们不是你们生命中唯一的爱人，我们也知道，你们会在别的什么地方寻找爱情”。荣耀之旅其实就是一夜情的描述。

荣耀之旅是优步的一次大数据挖掘的分析报告，优步的数据分析师觉得挖掘的结果数据很有意思，于是就在自己的官网分享出来了（现在估计后悔死了）。

优步的分析师从系统中根据两个条件筛选出他们认为的“荣耀之旅”的客户数据。条件一晚上10:00-4:00间有过叫车服务的顾客数据；条件二这些客户会在4-6小时后在距上次下车地点约0.1英里内的地方再次叫车（你想想大晚上叫车出去停留数小时后又回来的人会是干什么？加班肯定说不过去，那只是喝夜啤酒吗？）。

根据这些顾客的时间和地点数据，优步找到了美国一夜情高频地区：波士顿位于美国一夜情之首，而纽约人显得比较保守。一夜情时间高频在周五周六晚上。

这样的数据公布后，媒体当然不会放过优步，例如《纽约时报》就说《我们不能信任优步》，电视杂志《Panorama》的标题是“美丽新世界：分享的代价”。

后来优步人士说这个报告只是一个数据分析小游戏，目的是为了改善服务。估计优步的分析师后悔把这个报告公开发布了，但他们绝对不会认为这个分析有问题。

涉及用户隐私数据的分析一直为大家诟病（其实很多企业在内部都在做只是不分享而已），如果再上升到利用用户的隐私数据来榨取用户的价值大家肯定不干，如果这些数据在落到不法商贩手中后果就不好评估了。

例如外卖的数据，如果拿到某个用户连续的外卖数据，其实就可以分析出他家中人口数，家庭住址，饮食习惯，甚至推测出是否有某些慢性疾病......最关键是部分外卖小票上还会有电话号码，可以轻松形成精准营销闭环。如果这些数据被莆田系获取了不可想象啊。

数据分析是很有意思的工作，可以用来改善服务，也可以用来“作恶”。错不在数据，在于使用数据的人。