拼多多这个“砍一刀”的机制，从产品角度看，是教科书级别的病毒传播设计。我不用它，但我必须知道它怎么运作的。今天的目标不是骂它，是用代码把它拆开，看看它的病毒系数K到底是怎么被设计出来的。
第一步是抓包。用Fiddler挂代理，模拟一个“砍一刀”的完整流程。你会发现几个关键API：一个是初始化砍价信息，返回当前价格、已砍金额、还需金额，还有一个是“助力”接口，每次请求返回一个随机的“砍掉金额”。这个“随机”就是魔鬼所在。我写了个Python脚本，用requests库模拟了1000次助力请求，把每次砍掉的金额记录下来做分布分析。结果非常清晰：前几次助力，金额分布在高位区间，动不动就是几十块、十几块；到了中后期，金额分布急剧向低位收缩，一块、几毛；最后那1%的进度，金额分布几乎全集中在几分钱甚至几厘钱。这不是随机，这是精心设计的概率分布函数。
这就引出了病毒系数K的核心计算。K = 每个用户带来的新用户数 * 转化率。在“砍一刀”模型里，“每个用户带来的新用户数”就是你需要拉多少人头。但这里有个陷阱：这个所需人头数不是一个固定值，而是一个随着进度不断变化的期望值。前期给你甜头，让你觉得“再找两三个人就够了”，这个期望值很低，你动力十足。到了后期，一刀一分钱，你需要的人头数期望值呈指数级上升，但你已经投入了太多社交关系，陷入了沉没成本陷阱——“都砍了99%了，不能放弃”。
我用蒙特卡洛模拟来量化这个“邪恶”。脚本逻辑是这样：设定一个初始价格（比如100块），定义一个“砍价金额概率分布函数”，这个函数根据当前剩余金额百分比动态调整——剩余金额越多，高额砍价的概率越高；剩余金额越少，低额砍价的概率越高。然后开始模拟：每次“助力”根据当前进度从分布中随机抽取一个砍价金额，累加，直到总砍价金额>=100。记录下这次模拟总共需要的助力次数。把这个过程重复10000次，就得到了“所需助力次数”的概率分布。
跑出来的数据很有意思。在理想的“均匀社交压力”模型下（假设你每个好友都愿意且能帮你点），平均需要大约15-20次助力就能砍成。但这是理想情况。现实是，你的社交关系有密度和质量之分。我在模型里加入了“助力成功率”参数，模拟好友不愿意点或者已经帮别人点过的情况。当成功率降到70%以下时，所需助力次数的期望值开始陡增，并且方差变得极大。这意味着，对大部分普通人来说，这个任务会变成一个几乎不可能完成的无底洞，但总会有少数社交能量爆表的“超级节点”能完成，并制造出成功的案例，继续吸引更多人跳坑。
这就是拉新边际成本递减的魔术。平台几乎零成本获取了你的社交关系链和无数次曝光。而那个“还差0.01%”的进度条，是算法对你沉没成本的极限拉扯。它算准了你不会为了最后的几分钱放弃前面已经付出的99块9毛9的人情。
最后，我算了一下这个模型的K因子。在前期，一个用户可能只需要拉3-5个新人就能获得巨大反馈，此时的K值远大于1，病毒传播启动。但到了传播中后期，对于大多数用户，K值迅速衰减到远小于1，传播链断裂。平台用前期的少数成功案例作为燃料，烧起了整个增长的熊熊大火，而大多数用户，只是那根被烧掉的柴。
关掉编辑器。看着屏幕上那行“平均助力次数：17.3（理想模型）”和“在60%助力成功率下，90%用户无法在50次助力内完成”的输出结果。你不得不叹服，这确实是一个将人性、概率和社交网络拓扑结构算计到极致的数学模型。它不优雅，甚至很脏，但有效得令人脊背发凉。这就是2018年的流量战争，没有温情，只有算法和转化率。
