marketplaces lessons from Uber, Airbnb, Bumble, and more
marketplaces lessons from Uber, Airbnb, Bumble, and more
嘉宾：Ramesh Johari｜斯坦福大学教授、 marketplace 领域顶级研究者｜领域：平台经济、数据科学与 marketplace 设计
背景与引子
过去十年，全球最有价值的科技公司中，有相当一部分本质上是 marketplace（双边市场平台）。Uber、Airbnb、Upwork、DoorDash、Bumble——这些名字塑造了我们今天的生活方式。但真正的问题是：为什么有些 marketplace 活了下来，有些却成了一地残骸？
大多数讨论 marketplace 的内容会告诉你「供需两侧要平衡」「早期要补贴」——这些都是对的。但如果你想真正理解 marketplace 的运作逻辑，你需要知道一些更深层的东西：transaction costs（交易成本）才是 marketplace 存在的根本原因；数据科学不只是用来「优化」的，它是你理解整个市场的透镜；以及，一个反直觉的事实——你可能根本不是一个 marketplace 创始人。
Ramesh Johari 是斯坦福大学数据科学方向的教授，他在 marketplace 领域有超过十年的行业经验，曾与 Airbnb、Uber、Stripe、Bumble、Upwork、Stitch Fix 等数十家平台型公司深度合作。他既懂学术，也懂实战。这次对话，我们聊了很多「教科书不会写、VC 不会讲」的东西。
一、嘉宾是谁
Ramesh Johari 在斯坦福大学从事数据科学方法与实践的研究与教学工作，尤其专注于在线 marketplace 的设计与运营。他在学术界以 causal inference（因果推断）和实验设计闻名，但他真正独特的价值在于：他真正跑过 marketplace。
他曾是 oDesk（后与 Elance 合并成为 Upwork）的首批研究科学家和数据科学团队负责人，也担任过 Thumbtack 的顾问委员会成员。在 oDesk 的那些年，他亲历了一个 marketplace 从「解决远程工作信任问题」出发，最终演变为全球最大自由职业平台的全过程。
与 Ramesh 聊天，最令人印象深刻的不是他的学术头衔，而是他那种「用最朴素的语言讲透最复杂的系统」的能力。他会说「marketplace 卖的不是房间，是消除摩擦」，也会说「预测不等于决策」——每一句话都让人忍不住停下来想三分钟。
二、核心观点 TOP10
1. marketplace 卖的不是商品，是消除摩擦。 当你在 Airbnb 上预订房间，你买的不只是一个床位，而是「找到愿意接纳你的房东」这个过程本身。经济学称之为 transaction costs（交易成本）。marketplace 的核心价值主张，就是把这层摩擦彻底拿掉。
2. 平台的两端都是你的客户。 房客是 Airbnb 的客户，房东也是。这在战略上意味着：你不能让任何一侧的体验被牺牲来服务另一侧——因为失去任何一侧，平台就不存在了。
3. marketplace 从不一开始就以 marketplace 的形态存在。 UrbanSitter（一个儿童看护 marketplace）最初的做的事？让用户可以用信用卡支付保姆费。在没有足够流动性的时候，你的价值主张必须是一个更小的、手边的问题，而不是一个宏大的双边匹配愿景。
4. 在你有「规模化的双边流动性」之前，你根本不是 marketplace。 Ramesh 的判断标准很简单：你的平台两边是否都有大量买家和大量卖家？如果只有一边，没有规模，就不要给自己贴 marketplace 的标签。先把一边做扎实。
5. 数据科学家最重要的任务，不是预测，是帮助企业做决策。 预测是找规律，决策是找因果。因果和相关的区别，才是数据驱动和真正价值创造之间的那道分水岭。
6. marketplace 管理本质上是「注意力与库存的再分配」。 你做的几乎每一个改动，都会产生赢家和输家。管理好这种动态，不是要消灭它，而是要判断：创造出来的赢家，是否比失去的输家对你的业务更重要。
7. 实验文化中最危险的语言是「赢」和「输」。 当你的数据科学团队被用「这个季度赢了多少场实验」来衡量时，你正在系统性地惩罚那些尝试高风险高回报实验的人。「学习本身就是胜利」——这句话说起来容易，落地极难。
8. 评分系统是 marketplace 中最被低估的组件。 评分系统不是「展示星级」那么简单。它决定了信息如何在平台流动，决定了新人能否有公平的机会，决定了赢家和输家的边界在哪里。
9. AI 不会取代数据科学家，反而会让数据科学家更重要。 AI 极大扩展了「我们可以想到的假说」的数量，但它做不到的是：帮我们在海量可能性中筛选真正值得关注的那些。这是人类在 loop 中存在的意义。
10. 放慢脚步，建立深层的心智模型。 在速度和效率被过度崇拜的文化中，Ramesh 给出的建议显得格外反主流：「慢下来。」在你真正理解系统的结构之前，快速迭代只是在用勤奋掩盖思考的懒惰。
三、关键洞察
洞察一：你的「价值主张」取决于你当前的规模，而不是你未来的愿景。
这是 Ramesh 最反直觉的观点之一。他见过太多创始人在种子轮融资时说「我要做一个 marketplace」，但实际上他们面临的核心问题是「我的用户不知道能不能信任另一端的陌生人」。oDesk 早期的核心价值主张是什么？不是双边匹配，而是远程工作的可信度验证工具——屏幕截图、工时追踪、付款保障。这些东西帮助他们积累起了第一批流动性，然后才慢慢长成 marketplace。如果没有那个起点，他们根本走不到那一步。
洞察二：预测模型告诉你「谁最可能成交」，但决策需要的是「我的干预能改变什么」。
在 oDesk 时，Ramesh 的团队做过一个模型：预测哪个自由职业者最可能被雇主雇佣。这个模型在预测精度上很棒——但它真正应该回答的问题不是「谁最可能被雇佣」，而是「如果我们把某个人排序更靠前，我们能提升平台整体的匹配质量吗」？这不是同一件事。前者是相关性，后者是因果。区分它们，是数据科学家从「工具人」升级为「决策者」的关键一步。
洞察三：评分系统中的「平均」逻辑，会系统性伤害新人。
当你用简单平均计算评分时， Yelp 上有 10000 条评论的餐厅完全不受第 10001 条影响——因为样本量太大了。但一个刚进入平台、只有 1 条评论的卖家，一条差评就可能意味着灭顶之灾。经济学研究已经证明：eBay 上第一条负面评分会带来约 8% 的即时收入下降，并显著提高该卖家退出平台的概率。这不是公平问题，这是市场效率问题——你的评分系统正在系统性地驱逐新人，无论他们实际质量如何。
洞察四：你永远无法只通过实验找到「大机会」。
Ramesh 承认自己是个实验的信徒，但他也非常清楚地指出：micro-optimize（微观优化）会让你困在局部最优里。微软研究院有一篇论文专门研究这个问题——他们发现，在追求实验文化的公司里，「要测试什么」本身就在被组织结构所塑造：人们倾向于测试低风险的、增量式的想法，因为这类实验更容易「赢」。而真正的突破性机会，往往需要更高风险、更长周期的实验投入。改变这种局面的方法，不是放弃实验，而是改变衡量实验成功的方式——把「学习」纳入成功指标，而不仅仅是「提升」。
洞察五：Airbnb「超级房东」徽章最初的数据结果竟然是「零影响」。
这是一个令人印象深刻的真实案例。Airbnb 推出超级房东徽章时，数据科学团队强烈反对——他们担心这个徽章会干扰精心设计的搜索排序算法，导致整体预订量下降。实验结果出来：几乎没有影响。没有变好，也没有变差。但今天没有人能想象 Airbnb 没有超级房东标识。这个故事的启示是：你无法用短期可测量的指标来捕捉所有重要的价值。「市场看起来是对的」本身就是一种价值，即使它没有在 AB 测试中体现在预订量上。
四、精彩金句
「marketplace 卖的不是房间，不是行程——它们卖的是消除摩擦的过程。」
「在具备规模化的双边流动性之前，你叫自己什么都可以，但你不真的是一个 marketplace。」
「预测是关于相关性，决策是关于因果性——这是数据科学家最容易搞混的事情。」
「marketplace 管理本质上是在赢家与输家之间做权衡。许多最有意义的改动，无法在短期观察到扩大整体蛋糕的效果。」
「你必须认识到学习是有代价的——这个观念在文化上并没有被真正内化，因为『失败实验』的语言与『浪费样本』的语言完全不一致。」
五、实战案例
案例一：UrbanSitter 的进化路径
UrbanSitter 最早切入市场的痛点极其具体：想找保姆，但没有现金；保姆不收支票，也不用 Venmo，只收现金。UrbanSitter 解决的第一个问题，就是「用信用卡支付保姆费」这一件事。依靠这个微小但真实的价值主张，他们积累起了早期的流动性。有了流动性之后，他们才开始解决 marketplace 的核心问题：如何帮助父母找到信任的保姆。 monetization 方式也随之演进——从支付手续费，变成了「联系和预约保姆」的订阅服务。这个路径告诉我们：所有最终成为 marketplace 的公司，最早都不是 marketplace。
案例二：oDesk 的定价困境与「去中介化」陷阱
当 oDesk 的自由职业者和雇主建立了长期关系之后，平台的价值就在持续递减——因为他们已经不再需要 oDesk 来验证工作质量，双方的信任已经自然建立。oDesk 当时采用的 10% 抽成模式，在这个阶段变得极其不合理：平台在几乎不添加任何价值的情况下，继续从长期关系中收取费用。这个问题，在多个 marketplace 公司身上反复出现——本质上是「定价模型与价值创造之间的错配」。Upwork 后来不得不重新设计定价策略，以应对这种结构性矛盾。
案例三：一次「顾此失彼」的 marketplace 调整
Ramesh 分享了一个真实的内部故事：在一次调整中，平台发现供给侧（服务商）的体验很差，于是设计了新功能，将供给侧用户更多地引导到平台另一侧的高评分服务商那里。数据很快显示：供给侧体验变好了。但紧接着，平台就发现另一侧现有用户的体验在恶化——因为他们被分流走了。这个案例完美印证了他所说的「marketplace 是 whack-a-mole 游戏」：你在解决一个问题的同时，往往在制造另一个问题。你能做的最好的事情，是仔细评估：你创造出来的赢家，是否比因此失去的输家更重要？
六、行动建议
建议一：用「摩擦消除」的视角重新定义你的价值主张。
不要急着说「我在做一个 marketplace」。先问自己：在这个市场中，真正的摩擦是什么？是信任？是发现？是价格发现？还是支付？找到那个摩擦，然后围绕它设计你的初始价值主张。记住 UrbanSitter 的故事——从一张信用卡开始，不代表你永远只能做支付。
如何开始：写下你目标用户完成一次交易需要经历的所有步骤，标出每一个让他们感到不确定、麻烦、或需要信任的环节。那些环节就是你的切入点。
能得到什么：清晰的早期产品定位，避免在缺乏流动性时做不成熟的匹配尝试。
建议二：在你宣称自己是 marketplace 之前，先确认你至少有一边已经规模化。
Ramesh 的测试标准：你的平台是否在至少一边拥有「大量」的参与者？如果没有，先不要谈 marketplace，先解决「如何让一边先跑起来」的问题。
如何开始：设定一个具体指标（例如：「我要在六个月内让供给侧供应商达到 500 人，且他们每月至少完成 10 单」），在此之前不给自己贴 marketplace 标签。
能得到什么：避免过早引入 marketplace 的复杂动态，让你能够专注于解决一个真正有价值的小问题。
建议三：培养「决策导向」的数据文化，而不是「预测导向」。
每个数据团队成员需要理解：他们工作的最终目标是帮助企业做出更好的决策，而不是构建更精准的预测模型。在讨论数据结论时，要习惯性地追问：「这个发现告诉我们，如果我们现在采取行动，平台的整体价值会提升吗？」
如何开始：在每次数据报告的结尾增加一个固定环节：「基于这个发现，我们的行动建议是什么？这个行动如果执行，预计对哪项核心指标产生什么影响？」
能得到什么：数据科学团队从「工具人」升级为「战略伙伴」，数据洞察真正转化为业务决策。
建议四：改变实验成功的定义，把「学习」纳入 KPI。
停止用「实验胜利率」来衡量数据科学团队的贡献。当你的激励机制只奖励「成功的实验」时，你正在系统性地鼓励低风险、低回报的实验设计。引入贝叶斯 AB 测试方法，让过去的实验数据能够累积成「先验知识」，让失败的实验也能为组织贡献信息。
如何开始：将每个实验的文档模板中增加一个必填项：「如果这个实验『失败』，我们会对什么认知产生改变？」并在季度评估中正式认可「通过失败实验为组织贡献了重要认知」的贡献。
能得到什么：更高质量、更大胆的实验组合，以及更快的学习循环。
建议五：在设计评分系统时，要考虑「分布公平性」，而不是仅仅关注「平均评分」。
简单平均评分的逻辑，会让老玩家几乎不可能被超越，让新人几乎不可能翻身。考虑引入「先验机制」——当一个新进入者还没有积累足够的评分时，将他的评分与他所在品类的整体基准进行加权混合，而不是直接以绝对评分展示。这能保护新人的生存空间，同时保持评分系统的有效性。
如何开始：分析你平台新加入者的评分分布和留存率，评估他们是否因为初始评分过低而面临系统性劣势。在此基础上，考虑引入评分展示门槛（如至少 5 条评论后才公开评分），或采用加权评分的展示机制。
能得到什么：更健康的 marketplace 生态，更多新供给愿意加入平台，长期流动性得到保障。
七、我的总结
Ramesh Johari 的这次对话，给所有正在做或想做 marketplace 的人提了一个醒：marketplace 不是一种商业模式，而是一种规模之后的状态。 在你真正拥有双边流动性之前，你面对的不是「如何匹配供需」的问题，而是一个更朴素的问题：「我的用户在这个场景下面临的真实摩擦是什么？」答案可能跟匹配毫无关系——它可能是支付、可能是信任、可能是信息不对称。先解决那个问题，marketplace 会在你解决它的过程中自然长出来。
同时，这段对话也让我们看到：在 AI 极大扩展了「可能性边界」的时代，数据科学的价值不是在减少，而是在重新定义——它从「执行分析」变成了「引导方向」。能够提出好问题、能够区分相关与因果、能够在海量 AI 生成的假说中筛选出真正值得投入的那个，这才是未来 marketplace 数据团队最核心的能力。
marketplace 的世界没有终局，但有一个永恒的主题：摩擦永远存在，消摩擦者赢。
📺 播客信息
- 发布时间：2023-11-09
- 时长：1小时23分钟36秒
- 播放量：47373 次观看
- 原版视频：『YouTube』