如何給產品定出最優價格

戴維·西姆奇-萊維

價格優化是一項重要而復雜的工作。價格定得太高，可能出現滯銷；價格定得偏低，過早脫銷，造成了贏利機會的損失。長期以來，幾乎只有某些庫存有限的行業才能進行價格優化，例如航空和酒店業。這需要分析海量數據，并深入了解競爭對手的行為。很少有企業能夠一次為多種產品制定最優價格。

然而就在最近，情況正在發生改變。隨著內外部數據越來越容易獲得，機器學習在持續發展，以及運算速度不斷加快，價格優化法可以得到更廣泛的應用。我們已經可以做到近乎實時地為上千種庫存商品制定最優價格。產品最優價格的制定包括三個階段：

1.預測 我們將具有類似銷售特點的一組產品與正在進行價格優化的產品放在一起比對，然后使用一種名為“回歸樹”的機器學習技術對產品價格進行預測。

2.學習 接下來，我們讓價格在實際銷售過程中接受檢驗，重新繪制定價曲線以匹配實際銷售結果。學習階段結束時，我們就知道產品賣得好不好，并利用產品銷量信息對需求價格曲線進行調整。

3.優化 一旦學習階段結束，我們就運用新的曲線將成百上千的產品價格在不同時間段進行優化。

價格優化的三個步驟在實踐過程中并非缺一不可。例如，閃購電商Rue La La就不希望我們在48小時的銷售過程中進行價格變更，因此我們跳過了學習環節。而當我們與團購網站Groupon 進行合作時，我們意識到該公司的業務性質決定了很難做需求預測，因此我們專注于當前的銷售情況。

為Rue La La的限時折扣制定最優價格 Rue La La通過限時限量的方法提供價廉物美的品牌服裝和配飾。公司的主要挑戰之一是給從未銷售過的商品即“首秀商品”定價。我們的方法分為兩部分：先為首秀商品設計需求預測模型，再將需求預測數據輸入價格優化模型以實現收入的最大化。

我們計算了脫銷商品和滯銷商品每小時的銷售百分比，采用聚類技術預測未來需求。假設某一脫銷商品的促銷時間從下午3時開始，10小時后售罄，而相關曲線顯示60%的銷售是在第10個小時發生的。那么，用原先庫存量除以0.6便是該商品的總需求量。

為Groupon公司進行產品需求預測 Groupon每天都會限時推出成千上萬種新優惠。一方面是龐大的產品數量，另一方面是有限的銷售時間，這兩者的結合使得需求預測異常困難。為解決這個問題，當公司網站推出一個新的優惠商品時，我們做出多種預測，然后在學習階段，采用測試價格，觀察消費者的決定。學習階段結束時，我們知道了具體的銷量，從而可以識別出和測試價格的銷售水平最接近的需求函數。

實測結果顯示，降價對于銷量低的商品影響巨大。對于每天訂購額低于一般水平的商品而言，平均收入增幅達到116%，而對于每天訂購額高于一般水平的商品而言，收入增幅僅達到14%。

對B2W Digital公司進行的價格預測、學習和優化 B2W Digital是巴西的一家大型網上零售商，競爭對手包括亞馬遜和沃爾瑪。這家公司擁有海量產品，其歷史銷售數據可供查詢，同時具備一天之內多次調價的能力，這樣我們就可以將預測、學習和優化三個階段有效結合起來。

當我們為期數月的研究測試結束后，B2W公司反映，新的價格優化技術不僅提高了收入、利潤和市場份額，而且拓展了所銷售產品的種類。和對照組相比，測試組不僅賣出了更多的產品，而且賣出了更多獨特的產品。

在以上三家零售電商關于定價技術的測試中，每家電商的收入、市場份額以及指定產品的利潤都實現了兩位數增長。價格優化法不僅適用于網上零售商，也同樣適用于實體零售商。