為某項商品或服務設定一個正確的價格是經濟學里老生常談的問題了，有大量基于客觀考量的定價方案。某家企業可能會尋找讓每件商品達到利潤最大化的方案，或者能占有更多市場份額的方案。而另一家企業可能需要打入新市場，或保護現有市場。除此之外，同一公司可能面臨不同的商業場景，需要對不同商品、不同消費者進行分割。

在這篇文章中，tryolabs的研究者們會談到如何讓零售商對價格進行優化的問題，以及零售商如何通過機器學習技術建立有效的解決方案。

目前，零售商面臨的幾個主要問題有：

如果我們想在一周之內大賣，應該定什么價？

考慮目前的市場情況，該產品的常規價格是多少？

得益于網絡的發展，消費者能從很多平臺上對比多個價格，而零售商則必須密切關注和價格有關的多種參數。例如競爭對手、市場位置、產品成本、分發成本等，都是定價過程中的關鍵因素。

在這種情況下，機器學習能大顯身手，對KPIs起到關鍵作用。從業者可以通過機器學習創建算法，學習數據形態。機器學習模型能持續將新的信息添加其中，檢測隨時出現的新動向、新需求。零售商還可以通過預測模型決定最佳的價格。

什么是價格優化（price optimization）？

簡單地說，價格優化就是用數據分析技術達到兩點主要目的：

理解消費者對不同的價格會作何反應；

為特定的公司，根據它的目標制定最優價格。

自從上世紀70年代初期，價格系統發展至今，從應用簡單的策略到如今的價格預測。價格優化技術能幫助零售商衡量促銷所帶來潛在的影響，或者估計每件商品在特定時間的正確價格。

目前最先進的價格優化技術能讓零售商考慮的因素有：

競爭對手

天氣

季節

運營成本

本地需求

公司目標

而公司最終可以得到的有：

初始定價

最佳定價

折扣價

促銷價

價格優化 vs 動態定價

價格優化和動態定價常被看作是近義詞，但實際上二者是不同的，主要在于動態定價是定價策略的一種特殊形式，而價格優化可以用任意種類的定價策略達到目的。動態定價雖好，但也有很多不足之處。

簡單地講，零售商可以根據目前的市場需求對商品價格進行動態改變。相反，價格優化技術會考慮多種因素進行定價，價格也有多種不同場景（初始價格、最優價格、折扣價等等）。

如果賓館或機票價格隨季節、日期變動的話，我們都能夠接收。但是如果價格變化得太快，幾小時變一次，有些消費者可能會感到不公平。所以動態定價需要小心使用。

機器學習能為零售價格優化做些什么

零售使用的定價策略比較特殊。例如，零售商可以根據生產商的指導價進行定價，這是主流商品的定價策略。另一種簡單的方法就是將零售價定位批發價或成本價的兩倍。

而機器學習可以用更復雜的策略，讓零售商達到理想KPIs。以下是幾種典型的使用場景。

一種典型場景

假設有一名在線零售商想為下一季的新產品進行定價，競爭環境很激烈，所以價格和促銷方案都要經過慎重考慮。于是，零售商采用了廣泛應用的策略：競爭定價（competitive pricing），就是根據競品價格進行定價。

下圖是在這種使用場景下所需的機器學習解決步驟：

1.收集輸入數據

首先，我們需要數據。為了訓練機器學習模型，必須具備不同類型的信息：

交易信息：歷史銷售記錄，包括產品銷售列表和客戶；

產品描述：每種產品的相關信息，例如類別、尺寸、品牌、款式、顏色、照片、制作或購買成本；

之前促銷和營銷活動的數據；

競品數據：相同或類似產品的價格；

庫存和供應數據；

如果有實體店：地理位置和競爭對手的信息。

根據不同的KPI設置和模型解決方案的類別，有些數據也許不必要。例如，有些情況下可能沒有消費者信息，但模型仍然能被訓練。

相反，在競爭定價策略中，有關競品的信息是非常重要的。

2.明確目標和限制

下一步是確定戰略目標和所受的限制。零售商可能會追求利益最大化的目標。但是他們也會考慮顧客的忠誠度，或者想吸引更多用戶。但是為了利益最大化而定低價，可能會對公司的形象產生影響。

每種特定的場景都會影響模型解決問題的方式，測試不同場景下的結果是非常有趣的。

3.建模和訓練

到了這一步，之前處理的數據將會用來訓練機器學習模型。這里有很多種類的模型可以用來對價格進行優化，之前生成線性模型（尤其是邏輯回歸）的應用很廣泛。但是最近幾年，更復雜、更強大的方法陸續出現。例如，根據可用數據的規模，深度學習也加入了這一領域中。

在這種情況下，我們要對下一季的產品進行定價，還有另一個困難，因為我們沒有此前商品的數據。不過，機器學習模型可以找到相似產品，即使沒有歷史數據，也能高效運行。

4.執行并調整價格

模型被訓練好后，就可以為新產品丁佳樂。根據模型的類別，生成結果可能是具體數字，也可能是一個范圍。零售商可以繼續對價格進行調整。

更多使用場景

機器學習可以在零售領域用到更多其他與價格有關的任務上。例如，給定一個新產品，聚類算法可以快速地將它與相似產品聯系起來，獲得一個可能的價格區間。另外，機器學習還能用來預測此前從未面世的產品價格和需求量。

更一般地，機器學習可以用于前景預測：

如果襯衫價格大幅下降，褲子的銷量會受到怎樣的影響？

如果對鋼筆進行促銷活動，相關的墨水、筆記本等產品會不會受影響？

買了計算機的客戶下個月買顯示器的概率有多大？

去年的不活躍用戶對促銷活動有反應嗎？

用機器學習進行價格優化的好處

除了自動化和速度的加快，用機器學習進行價格優化還有以下幾種好處：

首先，機器學習模型可以對大量產品進行定價，對整體價格進行優化。例如，我們都知道改變某一商品的價格會對相關商品的銷量造成影響，而人們很難預測。在大多數情況下，機器學習的解決方案的精確度比人類高得多。

第二，通過分析大量現有的和過去的數據，機器學習可以提前預測商品價格趨勢，這就能讓零售商做出合理的價格調整。

最后，在競爭定價方面，機器學習解決方案可以持續爬去網絡和社交網絡上的有用信息，關于同樣或類似商品的價格信息，有助于零售商定價。

在線零售商 vs 實體零售商

機器學習似乎都是為網絡電商創造的，但是實體賣家也能從這項技術中獲益。例如，機器學習可以從商品展示的方式、占有貨架的面積和位置對價格進行優化。商品在商店中的位置、距離門的遠近也是影響價格的重要因素，機器學習可以將這樣的元素考慮進去。

結語

沒有技術支持，想通過定價取得優勢從而獲利是很困難的，基于機器學習的價格優化模型能幫助零售商了解消費者對不同定價策略的反應，從而找到最佳的價格。現在用機器學習的零售商越來越多，未來也會繼續增長。