本文深入分析了算法定价中个性化推荐与价格歧视的法律边界，指出监管趋严趋势，并为产品团队提供了从工程设计端重构定价合规性的可操作原则。
📝 详细摘要
文章以杭州和北京两起「大数据杀熟」案例为引，系统梳理了动态定价、算法定价、个性化定价与监控定价四个概念的法律差异，指出其核心区别在于输入的特征变量。文章剖析了典型定价系统的三层架构（数据层、模型层、决策层），揭示了算法黑箱如何制造法律风险。随后，文章分析了监管取证的三重困难，并指出算法透明度义务强化、司法实践中代码审查能力积累、基础设施层监管渗透三大趋势正在改变游戏规则。最后，文章为产品团队提供了四项工程原则：特征变量合法性审计、价格决策因果链可还原性、区分促销与歧视的代码边界、建立定价解释权的用户接口，并讨论了商业机密与算法透明度的博弈。
💡 主要观点
- 算法定价的法律风险核心在于输入的特征变量，而非定价逻辑本身。 动态定价（基于市场因素）与个性化定价（基于用户数据）在工程实现上可能仅有几行代码的差异，但法律性质截然不同。产品团队需建立特征变量的合法性分类清单。
💬 文章金句
- 「杀熟」已经不是道德问题了。它正在变成一个可以被法庭解读的工程问题。
- 从工程实现的角度看，同样一套定价系统，仅仅因为「输入了哪些特征变量」的不同，就可能从完全合法变成违法。
- 真正的合规，不是在用户协议末尾加一行免责声明，也不是在被查时临时组织应对小组。它是在系统设计时就把「这套逻辑站得住法庭阅读」当作一个工程约束条件。
📊 文章信息
AI 初评：87
来源：人人都是产品经理
作者：人人都是产品经理
分类：产品设计
语言：中文
阅读时间：23 分钟
字数：5695
标签： 算法定价, 大数据杀熟, 价格歧视, 合规, 产品管理