关于互联网的价值，最为著名的是“梅特卡夫效应”——网络平台中连接的节点越多、越活跃，其能产生的价值就越大，互联网的飞速发展和平台经济的崛起也验证了这一判断。然而，当平台连接的角色越来越多，“梅特卡夫效应”似乎开始起反作用了。如今，平台治理成为一个难题，在有限的游戏里，如何找到无限的解法呢？

在多年前的互联网萌芽时期，人们关于“互联网到底有什么价值”曾有过诸多讨论甚至争辩。其中最为著名且被认可的观点是“梅特卡夫效应”——网络平台中连接的节点越多、越活跃，其能产生的价值就越大。

后来互联网的飞速发展、平台经济的崛起都验证了这一判断。但互联网的故事远没有结束，当互联网平台连接的角色越来越多，触及的场景越来越多，“梅特卡夫效应”似乎开始起反作用。

我们熟知的是信息茧房、大数据杀熟等话题，它们尖锐且矛盾突出，除此之外，还有更多的隐性问题：

• 网约车派单，怎么既满足用户快速用车的需求，又让调度符合司机的利益？
• 搜索内容推荐，怎么既满足用户精准的内容需求，又满足广告主竞价排名后的效果需求？
• 外卖派单，怎么协调商家、骑手、用户？
• 招聘平台上求职者和招聘者都有自己的“预期偏差”，简历与职位匹配怎么能达到两边的平衡？

我们的生活已经绕不开互联网，平台治理也成为了一个时代的母题：如何既有尺度又有温度？如何探索更柔性的治理方式，去平衡生态各方利益？各方角色利益的有限游戏里，平台怎么找到无限的解法？

01 三大难题：相关方多、变化多、信息少

摆在平台面前的难题有三种，它们层层递进、环环相扣，共同成为了横亘在效率与人之间的隔阂。

1. 越来越多的利益相关方

最早的互联网并没有打通服务端和用户端，平台扮演“中间商”角色。后来平台提供的服务越来越多元，平台上的利益体之间有了直接的连接。

网约车平台需要权衡司机调度、用户体验的双重利益。如果用户急着用车，但身边交通不畅，这时平台需要根据拥堵情况，调度用户周围能以最快速度抵达的车辆。如遇下雨等极端天气或者上下班高峰期，平台更需要合理调度地区之间的司机，应对突然爆发的订单数量，在确保消费者的出行体验的同时，也要确保网约车司机的权益。

外卖平台需要权衡的利益体更多，即出餐的商家、送餐的骑手、用餐的用户，三端博弈。

2. 利益主体不光复杂，而且还在动态变化

我们就以外卖平台运行中常见、但用户看不见的出餐场景为例，这一场景涉及商家、骑手、消费者三方，他们中的每个主体都有很强不确定性。

比如商家的出餐速度就有不确定性。有时突然遭遇“爆单”，有人为会议点了20杯咖啡或是大单团餐；有时堂食大爆发，门店人手都不够；有时突然遭遇“冷门”，用户点了菜单上很少被点的菜品，后厨的快速出餐流水线被打断……这些经常发生的“突发情况”往往会影响商家的出餐速度。

但用户并不清楚这一切，在用户的潜意识里，“下单成功”即“计时开始”。这就是用户用餐速度的利益和商家出餐速度、骑手送餐速度的利益冲突。

这个冲突在骑手身上更为集中地体现。骑手既要面对商家的出餐慢问题，又要面对用户的用餐急的催促，加上自身配送过程中可能出现的路况、地址等不确定性问题，一个订单出问题往往意味着其他订单也会被影响。

而消费者的需求更是变化莫测。有人为了催促骑手而发了太多的消息，以至于让骑手的手机死机。有人填错了地址，让骑手走了很多冤枉路。也有消费者在下单后又取消了订单，但此时订单已经送出，商家、骑手很难“心平气和”地处理解决。

不同的角色、不停地变化，形成了更多需要平台制定规则时需要“搞明白”的场景。

3. 平台无法完整获取决策所需的信息

举个反例会更好理解，在线地图能够根据不断变化的情况来及时调整规划。这是因为，基于互联网、卫星和定位系统，在线地图可以随时获取车辆所在的位置和目的地，并且通过汽车的GPS定位系统获取经过该道路的每台车的速度、方向和位置等实时路况，再将这些数据转化成车流量信息，计算到达目的地的时间。

在这个过程中，在线地图能够获得与这辆车相关的“完全信息”，不存在任何的“盲区”。

但在有的场景中，平台获取的信息是“不完全的”，这时它就难以像在线地图场景中那样，随时调配各个利益相关方。

上文提到的外卖出餐场景就是一个例子。有的商家门店高峰期客人太多，所以外卖订单出餐会变慢，但商家没有在平台中“实时上传”这一信息，系统也无法实时自动获取这个状态。因此，平台会继续按照原来的流程进行派单，商家外卖系统里的订单越积越多，难免造成恶性循环。这好比某一条路已经拥堵不堪，但在线地图没有实时获得这一信息，还是规划了这条拥堵的线路。

对于骑手来说，无法获得商家备餐的“完全信息”，他们的工作也会受影响。因为当骑手按照平台要求到店后，会发现自己负责的订单迟迟做不出来。骑手会很纠结，如果先去取别的订单，返回这家会不会太晚从而耽误了时间？如果在这里干等着，其他订单的时间也有可能超时。

多端利益体、复杂的动态变化、无法完全获取信息形成判断，这三大问题叠加，就形成了博弈学中最难解决的“不完全信息动态博弈”，博弈各方难以根据情况及时调整自己的动作，也会因此产生矛盾。

02 拆解难题：商家骑手的“经验”和平台的“平衡”

难题怎么解？其实在商家侧、骑手侧，他们会根据经验，调整自己的策略进行权衡和应对。

一家西式快餐连锁店的区域营运经理告诉「深响」，为了应对出餐场景的不确定性，公司内部会制定比较严格的出餐流程，对备货、出餐时间都有严格把控。在高峰时段，商家也会增加人手以提高出餐速度。

但在这个过程中，商家也需要权衡人力成本、以及备餐时是否要准备一些比较冷门的餐品。况且西式快餐的制作流程相对简便，如果是中餐，商家更需要在备货时考虑菜品新鲜度的问题。

商家会基于外卖场景制定更标准化的备餐流程，经验熟练的骑手也会形成一套基于经验的方法论。用餐高峰时段，有的骑手会把写字楼的订单安排在规定时间内的最后再送，因为有的写字楼构造复杂，找到对应地址需要花费大量时间。也有骑手表示，自己送餐时间长了，大概能摸清哪个店备餐速度慢，然后自己就会先到这个店里报告“到店取餐”，然后前往其他商家先取餐，再回来这个店里。

这种基于经验的做法具备高度不确定性，因为经验很难适应所有场景，它也可能会有出错的时候。

商家、骑手难以站在高处统揽全局做决策，所以采取的解法常常有局限。但平台站得更高，可以更有效地平衡各方利益。

对于平台，理想状态是，商家出完餐、骑手刚好到店取餐并在规定时间送到消费者手中。这样，三方利益都可以得到最大化满足。美团就基于这个逻辑，从商家出餐、配送分派和骑手取餐三个流程着手，依据事前预防和事中干预的手段来进行优化。

在商家出餐环节，美团为一些商家免费提供了硬件“出餐宝”，并运用激励机制，鼓励商家通过“出餐宝”进行“出餐上报”。同时，美团还会向部分出餐慢的商家推广“出餐后调度”。

这样，商家在出餐后可以通过“出餐宝”进行上报，告知骑手已出餐，这时骑手就可以合理安排时间，尽快到店取餐并送餐。如果是“出餐后调度”的商家，等到备餐完成后，系统才会为他们调度骑手。这就解决了工作日用餐高峰期时“人等餐”的问题，商家爆单也不必让骑手在门店里干等，节约了很多时间。

上述举措能够在“事前”提高出餐、分派和取餐的效率。同时对于“事中”的场景，骑手如果到店之后发现商家无法按时出餐，也可以在App端上报“出餐慢”获得补时，并且也可以申请把这个订单分配给其他的骑手。此外，在用户端的订单详情界面，新增了商家出餐状态的信息，一定程度上缓解了用户的等餐焦虑，也降低了骑手被催餐的压力。

多方面努力下，美团重点运营商家的订单中，骑手每单等餐时长同比下降18%，等餐时间超过10分钟的极端情况占比同比下降27%。

出餐场景是外卖系统的其中一个环节，外卖系统中其他环节也同样存在改进的空间。目前，美团还吸收骑手等相关方的建议，对预估到达时间、订单分配、骑手服务评价规则等多个方面作出改善，并将平台治理思路公开在其官方微信公众号中。

但由于外卖平台牵涉的利益、角色、场景都具备高度的复杂性，所以平台连接的商家、骑手、消费者之间，依然存在复杂的博弈。

有骑手就吐槽过，某个商家的外卖订单系统中，58号和68号的配送位置是相同的，所以平台就会将这两个订单分派给同一个骑手。但商家需要按照顺序来备餐，所以58号和68号的出餐又有一定时间差。在这种场景下骑手会很为难：如果要等两个订单都出餐再进行配送，58号的订单很可能超时；但如果先送58号再回来取68号，往返依然需要花费不少时间，又很可能会让68号的订单超时。

对于商家来说，“出餐宝”也无法解决所有问题。因为有的门店员工不多，高峰期备餐、服务堂食客人就已经非常忙碌，出餐时忘记扫码也非常常见。

还有一类是“大订单”问题，即一家公司可能早上在某家店下单了100份餐品，但是许多门店人手不多，这样的大订单意味着员工很难有时间去兼顾外卖订单、甚至门店的客人。

拉长时间线看，互联网虽然蓬勃发展，平台对信息数据的处理能力也在一日千里地精进，但说到底这在人们社会生活的历史长河里仍然只是刚刚开始。

平台对规则的优化可以提高效率，但无法替商家做饭，替骑手跑腿，替司机开车，帮你完成简历上的履历。商业世界的伟大，就是在于它的混沌态，在复杂的“人”面前，技术还是太年轻。

而幸运的是，平台与社会已经意识到了平台规则与现实场景之间的”差距”，它未来的发展方向也愈发清晰：通过广泛听取各方声音弥补决策信息的缺失，减少刚性，增加柔性，从而平衡各方利益。

回到开头的问题，互联网连接和效率的底色从未改变，只是在进一步服务于人的过程中，平台还需要对自身生态治理进行不断的优化。