对于数字零售商来说，快速大规模调整价格的能力已成为了一个决定性差异化因素——尤其是在价格波动更加频繁的通货膨胀时期。
许多零售商会从竞争对手的网站搜集价格信息，并利用这些信息人为或自动设定自己的价格，通常采用的是比价格最低的竞争对手少X美元或X%的策略。然而，使用这种简单方法的零售商会错过重要机会，因为他们无法根据产品的可得性和需求等因素进行自我调整。
认识到这一点，越来越多的零售商正在使用机器学习模型来指导定价决策。这个算法会通过挖掘关于购买、价格和产品特征的历史数据趋势，将价格变化与销售变化联系起来。尽管如此复杂，但研究表明，这些努力平均只实现了1%或更少的收入或利润增长。例如，通过依赖历史数据设定价格时，零售商可能会在竞争对手没有库存的商品上，以不必要的低价与之匹配，或者产品质量或品牌声誉等价格以外的因素是客户购买选择的主要驱动因素时，也可能与低价相匹配。
一些零售商已经找到了克服这些挑战的方法，并因此实现了收入和利润的两位数增长。他们已经从依赖基于历史销售的人工决策，转变为使用由复杂算法驱动，考虑了一系列因素的自动化系统，实现了实时优化价格。
本文中，我们逐步描述了一个构建由人工智能驱动的定价模型的过程，从了解消费者如何决定购买的物品和购买场所开始，通过实验测量价格弹性（产品需求对价格的敏感程度），然后用优化工具设置价格，以将收入或利润最大化。得益于电子货架标签的快速发展，我们的流程也可以用于实体零售环境。这在食品和时装等易腐损商品的定价中尤其有用，因为零售商必须动态调整临期产品的价格，以刺激更快销售并减少浪费。
为了说明这一过程，我们主要依赖于与两家公司合作的经验，我们与它们是学术合作伙伴。第一家是市值数十亿美元的中国在线零售商，在产品种类日益丰富、地域扩张和激进定价的推动下，实现了飞速增长。它对自己的定位是市场上的低价商家，会低于或匹配对手的价格。它每天都会搜索竞争对手的网站，但大部分都是人为定价。第二个伙伴是美国领先的在线零售商，年收入达数十亿美元。它有一个专门的定价分析团队，近一半的产品都是通过算法定价的。与第一家零售商一样，它每天都会在竞争对手的网站搜索快速变化的最小货存单位（SKU），每周或每半周搜索较慢变化的SKU。
下面是我们的七步流程，可以帮你释放动态定价系统的全部潜力。
1 选择关注点
要从思考你想关注的产品开始：畅销产品、中端产品，还是长尾产品。可以根据你销售集中的区域做出选择。如果你的大部分销售额（例如，超过总收入的80%）来自少数几个产品，则从那些最畅销的产品开始。如果你的销售不集中——例如家居装饰和杂货零售商——就专注于中端或长尾产品。这种情况下，你需要拥有（或准备好构建）为大量产品进行动态定价所需的分析能力。
中国这家在线零售商是母婴用品（如奶瓶、尿布和吸奶器）市场的领导者，我们的合作始于其董事长问我们，总是与价格最低的对手竞争是否是一个好策略。他和他的高管怀疑，是否有必要对他们销售的每种产品都进行价格匹配，并在竞争对手明显定价错误（将价格定得过高或过低）时，依然随之定价。与我们合作之前，这家零售商的定价决策主要由产品经理做出，每个产品经理负责几十条产品线。管理人员密切关注着相关品牌和产品的趋势，如产品在消费者中的受欢迎程度、新产品（或现有产品的新版本）的推出，以及竞争对手的价格。之后，产品经理会每天或每周确定每种产品的价格。考虑到这一人工流程极其耗时，他们通常会更关注多SKU产品，只偶尔调整其他价格。
我们的工作从奶瓶开始。这一子类别由少数国内和国际品牌出售的少数产品主导。我们专注于前30 SKU，这些SKU占子类别总收入的80%以上。最终我们AI定价模式的实施使这些畅销产品的收入增加了11%，同时保持了该品类的毛利率。然后我们专注于其他几个类别，如小家电和厨房五金，其中一些快速发展的产品占据了大部分收益。这些额外措施在不影响利润率的情况下，实现了高达19%的收入增长。
美国在线零售商主要销售的是床、咖啡桌、地毯和装饰品等家居用品，并没有集中在少数几个最畅销的产品中。每个子类别中，该公司拥有数百至数千个SKU，销售额在销售的产品中分布相当均匀。
与我们合作之前，这家公司会用一种算法自动为大约一半的SKU定价。然而，它最近开始在竞争对手的网站上搜索对方的价格，并想知道如何可以最好地应对其价格变化。我们很快为10000多种产品布置了动态价格响应系统。在为期一个月的测试中，它使试点中的床、搁脚凳、咖啡桌和高脚凳四个类别的产品收入增加了15%，利润增长了10%。
在畅销产品和广泛产品间进行重点选择的关键，是权衡算法的复杂性与可扩展性。一个复杂的系统通常涉及复杂的建模技术，如非线性模型，这些模型能够很好地理解消费者做出决策的复杂方式，并对定价问题给出准确回答。但当你有很多SKU时，这些模型就很难发挥作用。例如，处理数千个变量或SKU的线性模型，可以在几秒钟内优化其产生的决策。即使使用最先进的计算能力，复杂模型也可能需要几天或几周的时间。
零售商可以在品类层面对这种权衡进行管理：销售由少数产品主导的品类时，可以使用复杂模型；在销售高度分散的类别中，使用可扩展模型。在一个类别中，你可以通过采用标准的ABC分类系统同时布置两种算法。(A组是20%的SKU占收入的80%；B组是30%的SKU占收入的15%；C组是50%的SKU占收入的5%。)对A组中是收入或利润主要来源的产品采用更复杂的方法，对B组和C组中的产品采用可扩展方法。
2 建立消费者决策模型
做出正确的定价决策之前，你需要了解消费者是如何做出购买决策的。人们总是在做选择：购买哪些产品（飞利浦新安怡还是布朗博士的奶瓶，抗绞痛奶瓶还是普通奶瓶），在哪里或从谁那里购买（从你或竞争对手那里）。显然价格是他们决策的一个考量因素，不过并不是唯一的考量因素。其他因素还包括产品质量、产品可得性、品牌声誉、消费者评价、供应商可靠性、购买便利性，以及零售商的退换政策。此外，每个消费者做出购买决策的方式也都不同。有些人可能愿意花更多钱购买名牌；其他人则可能追求物美价廉。这意味着，除非你的大多数消费者都在寻求最低价，否则总是与竞争对手比价格，可能就不是一个好主意。
在中国零售商的例子中，我们在算法中输入了几个月的价格和销售信息，包括我们在步骤1确定的SKU、竞争对手的商品价格，以及公司所有单个SKU是否有库存的数据。然后，算法能够忽视管价格和产品可得性，确定消费者倾向于从每个零售商处购买的比例。(布置过程中，我们并没有试图找出是什么推动了这些偏好，但零售商可以使用类似方法确定价格和产品可得性以外的因素。)
一旦很好地了解顾客做出购买选择的过程，你就可以创建一个消费者决策模型，这个公式可以根据你和竞争对手的价格及其他关键因素，包括产品可得性和客户做出购买决定的情况，预测产品需求。例如，与只考虑竞争对手价格的模型相比，竞争对手定价为200美元时，如果模型可以告诉你周五晚上以195美元的价格能够出售多少床架，你就能收获更好效果。无论简单或复杂，所有模型都应该做一件事：告诉你如何为产品定价，以得到你关心的结果。
使用为中国零售商开发的消费者决策模型时，我们的运行可以根据零售商及其竞争对手的价格，预测每个畅销产品的销售情况。该模型考虑了产品特征，如品牌和每种类型奶瓶消费者的预期年龄范围，以及给定日期范围内每个竞争对手的产品可得性。它还考虑了网站上除婴儿奶瓶以外其他产品的价格，因为消费者在购买前通常会浏览一系列产品。此外，该模型还考虑了一周中的具体时间：与周日访问的消费者相比，周一的消费者受价格影响较小。
对于美国的在线零售商，我们使用了一个简化模型来使其更具可扩展性。该模型会只看这家零售商与其竞争对手网站上相同产品的价格和可得性，来预测特定产品的销售。这种简化使算法能够快速扩展到数千种产品。如这两个例子所示，模型参数可以并将会随产品特性和零售商而变化。例如，对顾客评价较高的产品的需求可能有较低的价格弹性，消费者可能对亚马逊的价格比对家得宝更敏感。
3 测量实验
现在你已经有了一个描述消费者如何做出购买决策的公式，你需要通过将公式拟合到数据中来确定参数的值。最重要的变量是价格弹性：将产品价格提高1%时，产生的需求变化的百分比。了解每种产品的价格弹性对于明智定价至关重要。如果产品的价格弹性很低（价格上涨导致需求变化很小），你就不需要费心跟踪竞争对手的价格并与之匹配。但是，如果你的消费者会被价格低一分钱的竞争对手吸引走，那么你就可能必须击败或至少匹配这个价格。
为了衡量价格弹性，你需要系统地随时间改变价格，并观察消费者的反应。许多人在布置算法定价时忽略了这一步，使得他们无法实现可观的收入和利润增长。你可能会问：已经有了关于销量、价格和产品特性的历史数据，我为什么还要进行实验？从这些数据中了解价格弹性还不够吗？一个好的机器学习程序不是应该能够在给定产品特征的情况下，拟合销量和价格的回归线吗？答案都是否定的，原因有二。
历史数据中的价格变化不足以计算价格弹性，要么价格本身没有变化，要么它与竞争对手的价格过于接近，导致相对价格没有变化。历史数据的另一个问题是所谓的混杂因素，即影响价格和需求但无法追溯的因素。假设一家零售商为一个品牌开展了一场本地营销活动，并在预期需求增加的情况下提高了这些产品的价格，历史数据可能就会得出价格上涨导致需求增加的错误结论。实验是避免这些问题的最好方法。
零售商不愿进行价格测试的一个常见原因是，他们认为这样做会有风险：他们觉得自己正在失去对一个关键决策的控制。但如果操作得当，实验就是没有风险的。在与中国和美国零售商的合作中，我们谨慎地进行了实验，尽量降低潜在的业务影响。在针对中国零售商畅销产品的系统布置中，我们在实验开始前为产品设置了一个价格表，为每个产品指定了一个接近历史平均水平的随机价格。价格上下调整平衡，不存在系统性、方向性偏离历史价格的现象。价格每三天而不是每天变化一次，以保持消费者对零售商价格的感知和信心。
美国零售商的实验中涉及超过10000种产品，对此我们采取了不同方法。我们没有制定预设的定价表，因为公司已经有了定价算法。相反，我们采用了现有算法每天生成的价格，并对其进行了修改。我们在实验中选择的价格是以现有定价系统生成的价格建议为基础，所以并不过分离谱。因此，该实验继承了公司现有做法的智慧，将风险降至最低，同时仍允许足够的价格变化，以捕捉消费者在不同价格点下的决策。
这两个系统布置中，我们将价格变化限制在了现有或历史价格的3%左右，并且没有任何变化超过5%，从而最大限度减少了由偏差过大导致的潜在风险。如果没有这些谨慎衡量价格弹性的实验，我们不可能实现两位数的收入和利润增长。零售商经常会担心做实验的成本太高，但我们的研究结果表明，不尝试的成本甚至更高。
4 采取措施
现在应该将数据与模型和价格弹性信息结合起来了。你的目标是找到最佳参数，以便在根据历史销售情况测试模型时最大限度减少误差。需要记住的是，在微观层面上预测结果总会比在总体层面上更难。例如，日销售额比周销售额更难预测，这意味着20%的预测误差可能对给定产品的日销售额有利，但对周销售额不利。
在与中国零售商的合作中，我们发现了不同的价格弹性：一些接近于零（价格变化对需求没有影响），但大多数产品的弹性在-8到-2之间。（弹性为-8表示价格上涨1%将导致需求下降8%。）弹性与产品的受欢迎程度相关。弹性为-8的SKU平均每天会被购买22.5次，而需求几乎没有弹性的SKU每天仅会被购买1.8次。我们在美国零售商的案例中也发现了类似情况，小众且销售缓慢的家具产品的价格弹性，低于销售快速的家具产品。这很合理。与很少购买的产品相比，人们更了解经常购买的商品的合适价格。例如，在超市中，消费者对苹果和面包等摆放在显眼位置且经常做广告的受欢迎产品的价格更加敏感，但很少有人知道某种特色香料的合理价格。
价格弹性的变化也反映在了产品的感知质量上。我们发现，进口奶瓶的平均价格弹性低于国产奶瓶，因为进口奶瓶是由更有信誉的制造商生产的。
这一步还可以让你了解哪些竞争对手的价格和缺货会对你的销售产生更大影响，因此需要更多的监控和价格匹配。毫不奇怪，在我们的两个合作中，并非所有竞争对手都产生了同样影响。中国零售商追踪的四家竞争对手中，有两家对该公司的奶瓶销售几乎没有影响。美国零售商追踪的五家竞争对手中，有两家的影响是其他公司的两倍。
5 进行优化
用数据填充模型后，你就可以根据竞争对手的价格和上面提到的其他因素，找到最有竞争力的价格。关键的第一步是问问自己想要优化什么：利润、收入，还是两者的某种组合。处于成长期的公司往往更关注收入，成熟的公司更注重利润。
然而，我们合作或研究过的零售商中，没有一家愿意具体说明他们对收入和利润的相对重视程度。我们发现，整合这些目标的一个更好方法是使用约束优化，即在一定的业务约束范围内实现最优目标。例如，你可以将目标设定为，在不让毛利率低于指定水平的情况下实现收入最大化。我们与中国零售商合作时，该公司销售奶瓶的平均毛利率为10%。我们优化了价格，使该品类的总收入最大化，同时保持了至少10%的品类的利润率。优化后的实际产品利润从-1%（轻微亏损出售）到36%不等，具体取决于商品的价格弹性。对于价格弹性较大的产品，我们将两个主要竞争对手的价格进行了比较；我们通常不会与两个最弱的竞争对手进行价格匹配。
在与美国零售商的合作中，我们还优化了受利润率约束的收入。这家零售商的高管喜欢这种方法，因为它让定价与公司的战略定位保持了一致，而且不需要做出提出利润和收入权重等额外决策。在这两个实践中，我们将其他必要的业务约束（例如，价格下限和上限或制造商强加的价格范围）也作为了优化的一部分。
6 测试与实施
推出新的定价算法之前，在受控实验中进行测试是很重要的。将产品分配给两个组：实验组，使用新定价算法设置价格；对照组，使用旧方法设置价格。然后，算法的影响可以通过实验组与对照组的结果对比进行衡量。
你可能会问：真的有必要设立对照组吗？这种影响不就是新的定价算法带来的收入增加吗？问题在于你不知道继续使用旧方法会发生什么。在零售业中，大多数产品往往会表现出季节性，这一事实放大了这种“反事实”问题。例如，我们相信，如果你在12月使用了定价算法，并将其与11月的销售额进行比较，所有价格算法都将产生三位数的改进。有一个对照组可以让你梳理出随着时间推移发生的事情（假期、促销、新技术、新产品发布）的影响，这样你就可以衡量新定价算法带来的实际变化。
合适的对照组应该由特征和季节性相似的产品组成。在与中国零售商的合作中，我们将六个月以下儿童的奶瓶分配到实验组，六个月以上儿童的奶瓶分配到对照组。对于美国零售商，实验组是特大号床和特特大号床，对照组是大床、正常床，和双层床。此外，我们轮换了实验组和对照组。第一周，特大号床为实验组；一周后，大床是实验组；第三周，正常床和双层床是实验组。这种轮换可以让你更好地确定定价模型对收入的影响，并过滤出各种产品间的差异。
7 重复3到6以持续改进
成功实施动态定价系统后，我们建议你对其进行定期更新——每六个月一次，或者根据你的市场动态，你认为必要的时间期限进行调整。要了解竞争格局中可能改变消费者选择和偏好的重大变化（例如新进入者）和产品组合（例如新产品的推出），重复第3到第6步，不断重新调整算法。
我们的动态定价工具具有很强的适应性，你可以轻松将新的创新整合到这个分析框架中。比如，你可以引入行为因素来更好地捕捉消费者的决策过程。在一家杂货连锁店进行的一项研究中，我们发现消费者并不总是热衷于长期以来零售商将产品定价为X.99美元的惯例。虽然一些消费者对价格左边的数字的在乎高达30%，但其他人会关注产品价格最右边的数字（4.99美元对5.00美元）。这表明零售商需要明智地将这种偏见纳入算法中。
另一种适应该工具的方法，是集成新开发的机器学习算法，以不断提高价格弹性的评估精度。与合作的国际在线零售商一起，我们确定了每个消费者在购买前查看的产品。这一过程使我们能够更准确地衡量一种产品的价格会如何影响类似产品的需求，从而使零售商的收入增加了5%。
通过将数据分析、实验研究和对消费者决策过程的全面理解结合起来，零售商可以在提高或保持利润率的同时，显著增加收入。我们描述的方法的本质是“建模、衡量、最大化”的完整循环。只涉及其中一个步骤的零碎解决方案，可能只会在收入或利润方面获得一个百分点的微小改进。但在AI工具的支持下，这三个步骤的综合使用将为零售商带来收入或利润的大幅提高，并使其随着时间的推移得到持续增长。
马歇尔·费舍尔是宾夕法尼亚大学沃顿商学院菲舍曼-戴维森服务和运营管理中心(Fishman-Davidson Center for Service and Operations Management)的联合主任与UPS教授。圣地亚哥·加利诺是Charles W.Evans杰出教师学者，也是沃顿商学院运营、信息与决策系（the Operations, Information, and Decisions Department）的副教授。李军是迈克尔·R. 霍尔曼和玛丽·凯·霍尔曼研究员（Michael R. and Mary Kay Hallman Fellow），密歇根大学罗斯商学院的技术与运营副教授。
马歇尔·费舍尔（Marshall Fisher） 圣地亚哥·加利诺（Santiago Gallino） 李军（音）| 文
科大讯飞 | 译 孙燕 | 编辑