以本周被标记的一辆车为例:一辆日系中型轿车,车龄五年,里程适中,挂牌价比同城同款车的报价低了约12%。这条listing本身并没有什么显眼之处。按价格排序的话它甚至上不了第一页,因为不少车况更旧、更差的车标价反而更低。它之所以被系统识别出来,靠的是整套流程"读"数据的方式——那么我们就以这辆车为标本,逐阶段拆解这套流程。
第一阶段:listing进站
我们的爬虫监控着73个市场中的1,375个信息源——包括交易平台、经销商网站、拍卖行——目前累计有1,108,535条在售listing。这辆轿车来自一个分类信息网站,是一段自由文本:标题里写着卖家惯用拼法之一的品牌和车型、当地货币计价的价格、该市场惯用单位的里程数,以及一段描述文字。
第一项工作是让这一行数据变得"可比"。自由文本中的品牌和车型会映射到规范化的车系(我们的归一化层能识别出跨文字、跨语言的十几种拼法其实指的是同一款车),货币和单位会被统一,同一信息源内明显的重复条目也会被合并。没有这一阶段,后续的一切都无从谈起——如果连一辆车属于哪个同类车群都说不准,也就谈不上和车群做比较。
第二阶段:同类车群的组建
这辆轿车的"同类车群"是所有与它同市场、同规范车型、同年份区间,且里程处于可比区间内的在售listing。不是"类似的轿车",也不是全国平均值,而是这座城市里一个真实买家本周真正能拿来横向比较的那一批候选车。
这一点是大多数估价指南会跳过的。一本估价手册给出的是全国性的抽象数字,而同类车群反映的是本地、当下、流动性真实存在的实情。当车群足够"深"时——在大市场里通常都够深——这批车的挂牌价中位数,就是任何地方能找到的对"市场价"最诚实的定义,因为它是由卖家们为争夺同一批买家、在同一时刻竞争定出来的。
第三阶段:筛选环节大多数时候说"不"
这辆轿车的挂牌价比车群中位数低12%。但仅凭这一点还拿不到标签,因为任何市场里折扣幅度最大的那批车,往往被你并不想要的东西占据:
- 错误。 少打一个零、货币单位搞错、经销商的占位价。一辆比市场价低70%的车,在被证明并非笔误之前,先按笔误处理——不合情理的折扣会被直接拒绝。
- 能被解释的折扣。 高里程能解释低价;车群的区间划分已经过滤掉了大部分这类情况,漏网的部分还会再针对里程做专门核查。"因为跑得多所以便宜"不算优惠。
- 非正常交易噪音。 拍卖台账条目、拆车件车辆、"仅供拆解"字样的listing、措辞异常的租赁退役车——这些会在拉低车群中位数、或伪装成自身"优惠"之前被识别并隔离。
- 样本过薄的车群。 如果可比车辆只有寥寥几辆,中位数就只是个传闻,我们宁可保持沉默,也不愿拿一个传闻当依据去打标签。
经过这一轮筛除后,在110万条在售listing中,目前大约有 12,800 辆车挂着这枚标签——刚过1%。筛选环节拒绝掉的listing数量,比放行的多出一个数量级,而这个"拒绝率"本身才是产品的核心。按价格排序谁都会,真正的功夫在于筛掉了什么。
第四阶段:标签,以及它没有承诺的东西
这辆轿车过关了:折扣可信、车群够深、里程属正常范围、信息源干净。它出现在优惠页面上,折扣幅度是相对于它自己的同类车群给出的。
有必要说清楚这枚标签到底意味着什么。它的意思是:相对于本市场内可比的在售listing定价更低,且数据中看不出可解释的原因。 它不代表这辆车经过了检测,不代表变速箱状况良好,也不代表卖家品行端正。标签负责找出那根"针",买家仍然需要亲自去验那根针。车辆历史报告和实地验车,依然是交易中属于你自己的那一半功课。
那这个案例轿车后来怎样了?周二被标记,周五就卖掉了。这正是真优惠车的典型模式——而这本身也是一个有用的信号。那些被标记后在市面上挂了几周都没人要的车,通常是有数据看不见的原因;而那些几天内就消失的车,则是市场用行动认同了这套算法。
整套系统在每一轮爬取之后、在每一个市场,都基于同一份归一化数据集运行一遍。一套循环,73个市场,而一枚标签必须先扛过四道"不"的关卡,才轮得到你看见它。
