为什么你买到了机票却被告知没座位？拆解航司超售背后的概率博弈
超售逻辑的核心在于一个对冲机制：用“由于乘客爽约导致的空位损失”去对冲“超售导致必须赔偿乘客”的成本。
我们可以用一个简单的期望值模型来量化这个逻辑。假设一个航班的单座空置损失（Potential Loss）是 200 美元，而一旦发生超售导致乘客无法登机，航司需要支付的赔偿成本（Cost of Denied Boarding）是 5000 美元。如果算法预测该航线的乘客爽约概率为 0.05（即 5%），那么在统计学上，多卖出 5% 的票在长周期内大概率是盈利的。
为了更直观地理解这个决策过程，我们可以看一段简化的 Python 逻辑：
# 航司超售决策模型简化版
potential_loss_from_empty_seat = 200 # 空位导致的直接损失（机会成本）
cost_of_denied_boarding = 5000 # 赔偿一个被拒绝登机乘客的成本
no_show_probability = 0.05 # 预测的乘客爽约概率
# 核心计算：对比【空位损失的期望】与【赔偿成本的期望】
# 如果 (1 - no_show_probability) * potential_loss < no_show_probability * cost_of_denied_boarding
# 此时航司在数学期望上倾向于超售，因为这样能最大化整体营收在这个模型中，航司追求的是“全局最优解”。对于公司而言，赔偿一个乘客 5000 美元，相对于数百万美元的潜在营收增长来说，仅仅是一个极小的“噪声（Noise）”。但这种基于大数定律的正确，在个体层面却是极端的运气差。当你成为那个被算法“牺牲”掉的噪声时，这种数据上的正确就变成了体感上的灾难。
这种逻辑在现代 AI Agent 的资源调度或自动化工作流分配场景中非常常见。很多工程师在设计自动化系统时，倾向于通过牺牲极少数边缘案例（Edge Cases）的体验，来换取系统整体吞吐量的提升。例如，在处理高并发请求时，系统可能会随机丢弃 0.1% 的请求以防止整体崩溃。从监控指标来看，系统可用性达到了 99.9%，是成功的；但对于那个被丢弃请求的用户来说，他面对的是一次毫无理由的请求失败。
这种“数据正确”与“体感糟糕”之间的撕裂，正是目前很多自动化产品落地时最容易被用户诟病的地方。当我们过度依赖期望值模型而忽略了对极端负面体验的补偿机制时，算法就变成了一种冷漠的筛选工具。
对于乘客而言，超售本质上是一场不对等的博弈。你购买的是一个确定的服务承诺，而航司交付的是一个基于概率的座位额度。这种模式之所以能长期运行，是因为大多数时候，爽约的人刚好填补了超售的空位，让大多数乘客在无感知的情况下完成了飞行，而将所有风险集中在了极少数运气不佳的个体身上。
