價格策略、定價調(diào)價算法是諸多中大規(guī)模電商不可或缺的一項能力，涉及到精準(zhǔn)定價、智能調(diào)價、智能發(fā)券、成本控制等一系列智能運(yùn)營場景，尤其對于二手行業(yè)來說，定價能力更是面臨諸多挑戰(zhàn)，卻又不可或缺。本文將旨在介紹轉(zhuǎn)轉(zhuǎn) TOB 拍賣場景下的二手機(jī)定價能力的技術(shù)演變，從場景特點(diǎn)引入，以指標(biāo)為出發(fā)點(diǎn)，闡述轉(zhuǎn)轉(zhuǎn) TOB 拍賣場這一特殊場景下起拍價定價能力的算法思路演變，希望對各位讀者有所啟發(fā)。

1 有些什么——場景特點(diǎn)

這里我們首先向讀者介紹一下轉(zhuǎn)轉(zhuǎn)的 ToB 場景，也即 APP 采貨俠的業(yè)務(wù)場景，采貨俠是轉(zhuǎn)轉(zhuǎn)公司針對 B2B 場景下的二手手機(jī)交易平臺，其包含暗拍手機(jī)、一口價手機(jī)、多品類暗拍等多業(yè)務(wù)場景，感興趣的小伙伴可以自行下載了解哈，這里著重了解其中暗拍的概念。

暗拍，顧名思義，是一種拍賣的形式，想必大家多少都了解，涉及到不同用戶對不同商品的競價。暗拍則是其中一種競價各方對其他方出價價格不可見的形式，從商業(yè)意義上來說，目的是避免惡意抬價，或用低價壓價，盡可能讓商品在合理的價格區(qū)間最大可能售出，并且爭取更多利潤，其基本模式如下圖：

圖片

采貨俠暗拍賣場每天包含下午與晚間兩場，商品以起拍價標(biāo)價上拍。賣場進(jìn)行期間，買家可對不同商品進(jìn)行出價，越高越有競爭力。當(dāng)出價小于起拍價時則無法競得商品，用戶可查看特定時間段的競價排名，以此決定后續(xù)是否繼續(xù)出價。賣場結(jié)束后會自動對價最高者生成訂單，該訂單需要用戶在后續(xù)完成支付結(jié)算。下面是基本流程示意與暗拍賣場的界面：

圖片

圖片

2 關(guān)注什么——核心指標(biāo)

介紹完場景，筆者這里要談的重點(diǎn)是起拍價。我們先從一個例子引入：

圖片

假設(shè)一件商品回收成本為800元，本身的客觀市場價值平均為1000元，預(yù)期利潤為100元。賣家如果按1元起拍，正常情況幾乎100%成交，即使競價抬價行為會促使其在1-1000元成交，但實(shí)際上仍有很大可能所獲利潤為0甚至為負(fù)，競價不充分，存在丟失毛利的風(fēng)險。同樣的，賣家如果按5000元起拍，可能理論上一本萬利，但幾乎不能成交，也等于沒有利潤，即使通過流拍策略不斷降價，周轉(zhuǎn)過慢，一樣丟失毛利。

聰明的讀者可能已經(jīng)發(fā)現(xiàn)了，如果在這個例子中以合適價位起拍，自然能在保證成交的情況下留有合理利潤空間，比如按照950元起拍，或許成交價格可以在1000、1020、1100甚至更高。退一步來說，若不成交，其流轉(zhuǎn)周期也相對較短可及時止損。即使僅僅獲得了951元的出價，也達(dá)到了我們的預(yù)期——既成交了也保證利潤空間，也說明該商品或許現(xiàn)階段買家最大預(yù)期即是如此，無法苛求更多，說明競價過程已然充分。

足見合理的起拍價既是賣家視角拍賣商品的底線價值衡量，也是對商品能夠充分競價的保證。討論其制定，首先需要以下三個指標(biāo)：

圖片

• 成交率即售出占比，衡量的是商品對于買家來說的受歡迎程度，也是賣場好壞指標(biāo)的直觀體現(xiàn)；
• 毛利則是銷售額與回收成本的差值，代表著每次成交中賣家獲得的利潤，是根本的經(jīng)營指標(biāo)；
• 溢價則指的是成交價格與起拍價的差值，代表著一種不確定性，溢價空間越小，說明起拍價格貼近真實(shí)市場價格，同時成交價格也會被逼近至理想值，競價空間也會充分釋放。

3 如何去做——衡量先行

那么如何定出合適的起拍價呢？回答這一問題前，要先回答一個問題，如何衡量起拍價是合適的？由果索因，有評價論才有方法論。有了指標(biāo)，當(dāng)然還需要知道如何去從指標(biāo)反映效果。

如下圖，從買家角度來看，起拍價是賣家給出的，是定量，出價是變量，最后的成交價必然是圍繞著客觀市場價值且大于起拍價的值，但作為制定起拍價的賣家一方來說，成交價才是定值，而起拍價是變量，起拍價一定是小于等于最終成交價且圍繞著客觀市場價值的值，而由于客觀市場價值沒有辦法準(zhǔn)確獲取，最終成交價可以視為客觀市場價值。

圖片

既然如此一定存在如下關(guān)系，假設(shè)對于單個商品，起拍價為sp，成交價為dp，成本價格為cp，用函數(shù)F(sp)衡量起拍價的好壞，函數(shù)η(sp)表示溢價率，函數(shù)γ(sp)表示成交率，則有：

圖片

該式有以下幾個含義：

• 起拍價制定的好壞標(biāo)準(zhǔn)與成交可能、準(zhǔn)確度有關(guān)，成交可能越大，定價越準(zhǔn)確，說明起拍價制定越好。當(dāng)起拍價與最終成交價的差距越小時，相比最終成交價更接近，說明起拍價制定更為準(zhǔn)確，這個差距正是溢價率；
• 成交率的變化與成交價和起拍價的關(guān)系有關(guān)，假設(shè)一個商品已經(jīng)以500元成交，對賣家成交價已然是定量，那么如果回到出售之前，是否可以認(rèn)為1-500元定價，其成交率均為100%，而超過500定價，其成交率必然隨著價格呈現(xiàn)指數(shù)型下降；
• 溢價率為定義式，值越小，說明起拍價與成交價差距越小，起拍價的制定更加貼近真實(shí)成交，相對更能反映真實(shí)價值。

實(shí)際上，從賣家視角來看，最終的目標(biāo)也是最初的優(yōu)化出發(fā)點(diǎn)，是想提升毛利，從單一商品角度來看，毛利其實(shí)是不確定因素，因?yàn)槌山粌r是由買家控制的，但我們?nèi)匀患僭O(shè)dp0為理想成交價，cp為固定成本價，即不會再有更高的成交價存在，設(shè)G(dp)表示毛利率與成交價的關(guān)系，g(sp)表示毛利率與起拍價的關(guān)系，那么存在以下關(guān)系轉(zhuǎn)化：

圖片

以上關(guān)系可以推出，若成交價為定值，起拍價按照真實(shí)成交價制定時，其所獲利潤最大，我們再把成交率和溢價率與起拍價的關(guān)系畫出函數(shù)圖像如下：

圖片

可以看出當(dāng)起拍價小于等于且逼近成交價時，成交率始終為1，溢價率逐漸趨近于0，而超出成交價時，成交率指數(shù)下降，溢價率也逐漸增大。自然不難發(fā)現(xiàn)，讓F(sp)最大化即最大化成交率，最小化溢價率，而由于在小于成交價的范圍內(nèi)，成交率取得最大值1，那么理論上整個優(yōu)化點(diǎn)則可以用如下式子描述：

圖片

最終優(yōu)化目標(biāo)歸結(jié)于使得起拍價從正向趨近于真實(shí)成交價，則該起拍價制定最為合理。而從評價的角度，則當(dāng)成交的情況下，溢價率越小說明起拍價制定更好。

下面借助圖來說明：

圖片

當(dāng)溢價越來越小時，利潤空間右端點(diǎn)越向右，范圍越大，毛利率也就越多。由于起拍價是從小于成交價的一邊趨近，其成交率始終可視為1。

對于全局多商品來說，每個商品要么估價高了，模型向理想成交價降低價格促使成交，要么估低了，模型逼近成交價提升利潤空間，同樣適用降低溢價的理論。由此我們便找到了優(yōu)化與評價的方向。

4 取經(jīng)路上——早期實(shí)踐與痛點(diǎn)

了解了指標(biāo)和基本的思路，接下來就往前一些，從早期思路出發(fā)，探討下演變過程中種種實(shí)踐的得與失，優(yōu)與劣。

4.1 基于回收價的實(shí)踐

做電商必然要保證一定的利潤預(yù)期，又要盡可能保證能成交，最直觀的思路便是以下規(guī)則進(jìn)行制定：

圖片

這樣做的優(yōu)點(diǎn)是，簡單直接，實(shí)現(xiàn)比較容易，賣場直接與回收掛鉤，獲得的毛利比較穩(wěn)定可控，適合品類與庫存規(guī)模相對單一的場景。但缺點(diǎn)相對也很突出，主要有以下幾點(diǎn)：

• B端二手市場回收成本價格不穩(wěn)定，由于賣家貨源不同，即使是同SKU近似機(jī)況的兩臺機(jī)器，可能回收成本也相差較大，無法反映出客觀的買家市場價值，放在同賣場無法按照統(tǒng)一標(biāo)準(zhǔn)定價上拍；
• 對于預(yù)期毛利率，賣家乃至賣場方均無法給出或者持續(xù)給出一個合理的心理預(yù)期，尤其在不同SKU乃至不同機(jī)況的機(jī)器，可能預(yù)期均不相同，沒有統(tǒng)一衡量的標(biāo)準(zhǔn)，制定困難；
• 基于運(yùn)營人力去制定預(yù)期利率，對于大體量的品類與庫存規(guī)模下，非常缺乏人效；
• 很大概率仍然存在成交與利潤空間未被充分釋放的可能，因?yàn)槠鹋膬r不能準(zhǔn)確反映其買家市場價值，極易出現(xiàn)定價偏離等情況。反映在指標(biāo)上則是，不同商品高成交高溢價或者低成交低溢價，整體方差極大且不穩(wěn)定。

所以這種思路在發(fā)展初期尚且可行，但在規(guī)模逐漸變大的情況下，難以長期運(yùn)營。

4.2 基于價目表邏輯的實(shí)踐

既然買家市場價值是最好的制定起點(diǎn)，我們不妨就沿著這個思路進(jìn)行。盡管市場價值無法準(zhǔn)確獲取，但作為運(yùn)營方可以通過歷史數(shù)據(jù)、經(jīng)驗(yàn)、規(guī)則輔以人工校準(zhǔn)等確定一個SKU維度價目表，根據(jù)成色等其他機(jī)況再乘以系數(shù)，思路舉例如下：

圖片

該思路基于價目表這一先決條件的維護(hù)，用以模擬標(biāo)品市場價格，隨后再根據(jù)具體的成色、機(jī)況等確定系數(shù)進(jìn)行微調(diào)。其優(yōu)點(diǎn)是相對基于回收價出發(fā)，維護(hù)標(biāo)準(zhǔn)價格會使得整個鏈路模塊化、細(xì)致化，制定相對準(zhǔn)確。其不足之處也同樣明顯：

• 價目表的維護(hù)仍然需要運(yùn)營人力介入，人效較差，需要定期維護(hù)更新困難，難以形成自動化的算法方法論；
• 價目表本身的準(zhǔn)確性、時效性有待商榷，在龐大的類目體系下，不同類目的數(shù)據(jù)量、人力投入、人員經(jīng)驗(yàn)不足以實(shí)時準(zhǔn)確捕獲其回歸到SKU維度標(biāo)品的價值情況；
• 控制性較差，即使確保價目表一定準(zhǔn)確實(shí)時，在從SKU向成色機(jī)況等細(xì)粒度落時，仍然需要確定龐大的系數(shù)體系。即使可隨時配置調(diào)整，其不同品類機(jī)況下想保證覆蓋準(zhǔn)確，這點(diǎn)仍然非常吃力。

故在人力資源充盈且缺乏算法能力時，該方案值得一試，如果需要長期高效運(yùn)營，自動化算法能力必不可少。

4.3 基于成交價策略的實(shí)踐

如果需要自動化省時省力，又需要一定的準(zhǔn)確性、時效性，再結(jié)合前一章中的內(nèi)容，那么在已有的合適數(shù)據(jù)中能反饋其市場價值的首先是成交價。前面我們也提到，成交價對于賣家視角可以認(rèn)為是定量，代表著買家的最終心理預(yù)期，基于歷史成交價去制定起拍價，有以下好處：

• 每日均會產(chǎn)生新的成交數(shù)據(jù)，成交價可按日期進(jìn)行滑動窗口更新，保證穩(wěn)定取到新數(shù)據(jù)，時效性強(qiáng)；
• 成交價作為制定目標(biāo)，理想情況下可以認(rèn)為相同商品下次按照這個價格上架，成交率100%，溢價率0%。雖說理想，一定程度上也說明了作為目標(biāo)其評價足夠好。

出發(fā)點(diǎn)有了，要實(shí)現(xiàn)算法自動化，且效果足夠理想，還需要設(shè)計整個算法系統(tǒng)，初期我們的框架構(gòu)想如下：

圖片

其基本的設(shè)計理念與內(nèi)容有以下幾點(diǎn)：

4.3.1 首次與流拍劃分

首先將起拍價的制定分為兩塊，首次上架與流拍，分別指第一次進(jìn)入賣場和多次進(jìn)入賣場的商品，前者使用模型自動化出價，后者按前次價格與預(yù)置比例折價后再上架。

為何如此劃分？我們可以基于一個基本假設(shè)，如果是理想模型，對于每一個商品在首次上架時就能制定出成交率為100%，溢價為0的起拍價，理論上就不存在首次與流拍，顯然不可能。

必然一部分可成交，認(rèn)為小于等于買家預(yù)期，另一部分不可成交超過買家預(yù)期。如果我們?nèi)匀辉诘诙烊杂媚Ｐ蛯Σ豢沙山坏牟糠謭髢r，由于模型每日更新，新模型給出的結(jié)果必然會出現(xiàn)價格跳變這一不可控因素，影響買家印象。

若認(rèn)為模型給出的價格相對靠譜，即使流拍，我們以此為價格高點(diǎn)，逐漸平滑下降，這樣能確保低溢價的同時逐漸增大成交可能，也減輕了模型負(fù)擔(dān)，如下所示：

圖片

4.3.2 SKU成交基準(zhǔn)價

流拍策略較為簡單的就縮小了求解范圍，重點(diǎn)來到首次上拍商品定價模型。首先就是用成交價自動計算的“類價目表”，其基本邏輯如下：

圖片

每一種SKU維度的商品都基于該SKU下的全部N個商品成交價格關(guān)于業(yè)務(wù)系數(shù)α放縮后進(jìn)行加權(quán)平均，這里的放縮操作考慮了不同機(jī)況下的平滑機(jī)制，防止異常價格和賣場差異的影響，使最后的基準(zhǔn)更加趨近于真實(shí)價值，α詳細(xì)邏輯基于不同業(yè)務(wù)進(jìn)行單獨(dú)條件設(shè)計，這里不再詳述。

通過這樣較為簡單的設(shè)計，可以將基準(zhǔn)價的獲取基于成交價自動化，有效且可解釋，并且天然低溢價。

4.3.3 系數(shù)調(diào)控模塊

在上一節(jié)中我們知道，合理的起拍價區(qū)間介于回收成本與成交價之間，假如市場恒定，即庫存、需求、供貨等穩(wěn)定不變，我們必然可以找到一個穩(wěn)定的起拍價使得成交/溢價最大化。

但很顯然的是，實(shí)際上市場不會這么理想，對于不可控的市場因素，基于已然發(fā)生的成交價結(jié)果很難、甚至不太能用算法去捕捉這種變化因素，自然，人工介入的調(diào)控機(jī)制也不可或缺，這里需要引入以下三個維度的可配置系數(shù)：

• SKU基準(zhǔn)系數(shù)，用于糾偏部分SKU基準(zhǔn)價格，系數(shù)量等同SKU數(shù)量；
• 成色等級系數(shù)，用于控制不同成色等級機(jī)況價格變化，數(shù)量等同質(zhì)檢成色等級數(shù)量；
• 全局調(diào)控系數(shù)，僅一個，對所有模型輸出結(jié)果生效，用以整體控制輸出口徑。

這樣做從原本商品粒度人力調(diào)控轉(zhuǎn)到SKU×成色粒度調(diào)控，理想情況下本身相對準(zhǔn)確的價格不必需要頻繁調(diào)整，只需要根據(jù)市場反饋適當(dāng)監(jiān)控即可。

4.3.4 風(fēng)控模塊

即使是非常清晰簡單的模型構(gòu)建，風(fēng)控模塊仍然在價格領(lǐng)域不可或缺，畢竟即使是一個badcase也是利潤的損失。風(fēng)控模塊在起拍價定價中主要起到兩個作用，一是過濾糾偏異常價格，二是提高報價覆蓋度兜底。

異常價格一般出現(xiàn)在特殊機(jī)況，比如質(zhì)檢項難獲取、質(zhì)檢有誤等異常質(zhì)檢機(jī)器，會通過單獨(dú)維護(hù)機(jī)況條件進(jìn)行系數(shù)控制，并依據(jù)回收價設(shè)置價格上下限，防止定價過低或過高。

報價覆蓋度邏輯主要解決新機(jī)、老舊機(jī)器等數(shù)據(jù)稀疏，成交缺失的部分，讓模型報價能力更全面，這部分分層處理，對于報價要求高的新機(jī)進(jìn)行異常處理交予人工，對于報價要求低的老舊機(jī)器使用均價降級策略兜底，即細(xì)粒度機(jī)況缺失便向粗粒度聚合報價即可，最粗可以到機(jī)型粒度，如下圖：

圖片

整體來看，基于成交價策略的起拍價算法化的核心點(diǎn)是一種統(tǒng)計思路，并把問題拆解模塊化，先拆報價范圍，后拆策略模塊，對于不同的模塊制定不同的策略。在早期的實(shí)踐中，該方案具有以下成效：

• 使得成交率與溢價率進(jìn)入一個比較可觀的范圍；
• 模塊化使得問題定位排查更清晰；
• 微調(diào)反饋明顯，可以及時跟上市場需要；
• 基本實(shí)現(xiàn)了自動化，提高了人效。

但在實(shí)踐過程中同樣有很明顯的問題亟需解決：

• 定價粒度過粗，基本停留在SKU成色等級粒度，對于機(jī)況粒度捕捉較少，這使得整個起拍價格分布相比實(shí)際價值刻畫欠擬合；
• 成色等級是人為劃分概念，在B端市場對于實(shí)際機(jī)況劃分不準(zhǔn)，這使得這一策略天然有偏；
• 基于回收價格使用上下限進(jìn)行風(fēng)控，在3.1中提到的回收價的弊端在這里依然存在，以此風(fēng)控使得部分正常報價也陷入異常；另外降級聚合兜底的方式也無法摒除異常數(shù)據(jù)、稀疏數(shù)據(jù)帶來的覆蓋難問題；
• 調(diào)控模塊系數(shù)量過大，即使光手機(jī)一個品類，其機(jī)型、SKU粒度便有成千上萬，在交叉更細(xì)粒度后更有甚之，僅僅case by case去監(jiān)控調(diào)整，也容易因?yàn)橄禂?shù)過多而難以判斷調(diào)整思路，其調(diào)節(jié)復(fù)雜度是O(*N_sku*×*N_level*×...)。并且由于欠擬合狀態(tài)下，系數(shù)的調(diào)控非常容易誤傷，造成成交和溢價空間未充分釋放，成交與溢價容易產(chǎn)生trade-off現(xiàn)象。

5 修成正果——現(xiàn)有模型構(gòu)建思路

針對4.3中提出的思路與缺陷，我們順著這個模式進(jìn)行進(jìn)一步優(yōu)化迭代，首先需要肯定的是，該思路中對于起拍價制定問題的模塊化拆解思路值得延續(xù)，雖存在缺陷但基本都囿于具體的模塊內(nèi)，僅需進(jìn)行針對性改進(jìn)。

5.1 現(xiàn)有模型框架

整體給出現(xiàn)有的模型框架如下圖所示：

圖片

可以看到整體的模塊設(shè)計與流拍邏輯基本上沒有變化，不同在于模塊內(nèi)細(xì)節(jié)進(jìn)行了大幅度調(diào)整，在首次定價模型上從SKU基準(zhǔn)價直接躍升至商品粒度定價，下面將詳述。

5.2 主要模塊設(shè)計與思路

5.2.1 價格模塊

相較于此前的SKU基準(zhǔn)價格，本次價格模塊豐富了較多內(nèi)容，核心改進(jìn)點(diǎn)有以下幾個方面：

• 粒度

價格分布的刻畫擬合能力不足，核心原因還是模型只是通過統(tǒng)計手段給出了SKU粒度的價格，然后使用統(tǒng)一的等級機(jī)況系數(shù)去推進(jìn)到商品粒度。本質(zhì)上還是停留在SKU×等級的粒度，很難將報價精確到每一種機(jī)況上。而本模塊則將模型報價能力聚焦至質(zhì)檢項粒度，針對每一種不同的SKU——驗(yàn)機(jī)項單獨(dú)報價，摒棄了不夠準(zhǔn)確的等級粒度。

• 模型

粒度更細(xì)，傳統(tǒng)統(tǒng)計方法自然無法滿足期待，我們需要擬合SKU——質(zhì)檢項數(shù)據(jù)與歷史成交價數(shù)據(jù)二者間的關(guān)系，對于多維度特征來說，機(jī)器學(xué)習(xí)模型當(dāng)然更好。這里可選用的模型較多，常見回歸模型均可，這里筆者選用決策樹模型，整體基本邏輯與使用的特征類型如下：

圖片

由于成交數(shù)據(jù)量不算龐大，且商品信息與質(zhì)檢項數(shù)據(jù)可以處理為純表格數(shù)據(jù)，故而樹模型更具有優(yōu)勢。另外在天然的可解釋性前，不同商品、質(zhì)檢項特征可以根據(jù)重要性進(jìn)行特征選擇。

這里還有一些小trick，對于回歸模型，可以將label價格取對數(shù)，調(diào)參時可適當(dāng)增加樹的復(fù)雜度以使得稍微過擬合，這樣對于數(shù)據(jù)量有限的價格預(yù)測來說更具有穩(wěn)定性。

• 數(shù)據(jù)與特征

敲定粒度，選型模型，自然需要回到最初的數(shù)據(jù)選擇與特征處理，除成交數(shù)據(jù)與商品的基礎(chǔ)特征外，本次引入的數(shù)據(jù)包括質(zhì)檢項數(shù)據(jù)與出價數(shù)據(jù)。

質(zhì)檢項數(shù)據(jù)即每臺機(jī)器質(zhì)檢報告中項目的明細(xì)，其檢測結(jié)果一般以ID與程度詞進(jìn)行描述，對于機(jī)器學(xué)習(xí)模型來說很難直接使用，于是首先需要對其進(jìn)行預(yù)處理，處理方式如下：

圖片

單一質(zhì)檢項的程度詞（如細(xì)微、輕微、明顯、嚴(yán)重）降序映射為分?jǐn)?shù)（如8、6、4、2），而不同的質(zhì)檢項根據(jù)重要程度升序進(jìn)行打分，另外根據(jù)價格排序下的質(zhì)檢項共現(xiàn)頻次也可以獲得不同機(jī)型下的核心質(zhì)檢項打分。通過這種方式就可以把離散程度值轉(zhuǎn)為可比較的連續(xù)值，使機(jī)器學(xué)習(xí)模型可進(jìn)行訓(xùn)練、驗(yàn)證、預(yù)測。

另外，每個商品在進(jìn)入賣場后，無論是否最終成交，成交在什么價位，只要成交就一定有相應(yīng)的出價，可能只有一個且等于成交價，也可能來自于不同買家的多個均小于等于成交價，其大致的分布如下：

圖片

這里引入出價的含義為，即便成交價代表了最理想的成交結(jié)果，但合理的出價所落的區(qū)域則更能反映該商品在買家心中的價格錨點(diǎn)，用作風(fēng)控是非常理想的，如果模型給的價格過于偏離錨點(diǎn)，則進(jìn)行糾偏的置信度相比回收價更高，如果按照成本基線風(fēng)控，其附近的價格點(diǎn)均浮動在異常出價附近，與成交基線相去甚遠(yuǎn)。

5.2.2 系數(shù)調(diào)控模塊

既然價格模塊已經(jīng)能做到商品粒度報價，那么調(diào)控模塊自然減少壓力，僅僅需要全局系數(shù)與流拍系數(shù)即可實(shí)現(xiàn)整體的指標(biāo)影響，由于本身擬合度高一般不需要細(xì)粒度微調(diào)，若需要則根據(jù)需要按由細(xì)到粗的生效優(yōu)先級配置個別系數(shù)即可實(shí)現(xiàn)，其調(diào)節(jié)復(fù)雜度是O(1)級別。

5.2.3 風(fēng)控模塊

在上一節(jié)中提到使用出價作為風(fēng)控價格錨點(diǎn)相比回收價更準(zhǔn)確，以及降級聚合進(jìn)行兜底收效不佳。那么對風(fēng)控模塊的迭代將針對這兩處進(jìn)行：

• 上下限邏輯

對于模型價格進(jìn)行歸正，直觀的方式就是設(shè)置上下限，簡單說就是需要模型報價落在合理區(qū)間，此前使用回收價作為錨點(diǎn)設(shè)置上下限反而倒反天罡，因小失大。作為錨點(diǎn)來說，歷史成交價置信度最高，買家出價次之，最后才是成本價，這三種價格數(shù)據(jù)特點(diǎn)如下：

可以看到三種數(shù)據(jù)在兩種特征上呈逆序排布，成交價很難在所有機(jī)器上都能覆蓋，畢竟不能說所有的SKU×等級機(jī)器都有售出且數(shù)量可觀，長尾機(jī)器一定存在，但是作為商品價值反映一定是最可信的，其余兩種數(shù)據(jù)同理，于是設(shè)計上下限風(fēng)控邏輯時可以做閾值控制，其大概邏輯如下：

# 閾值集合
thres_value_set = [tv1, tv2, tv3, tv4, tv5]
# 歷史成交價
historical_deal_price_set = [dp1, dp2, dp3, ...]
# 歷史出價
historical_offer_price_set = [op1, op2, op3, ...]

# 最終報價初始為模型報價
final_price = model_price
# 閾值判斷: 歷史成交價與歷史出價均置信 以成交為超限判斷
if historical_deal_nums > thres_value_set[0] and historical_offer_nums > thres_value_set[1]:
    # 超出上下限判斷
    if model_price < min(historical_deal_price_set) * thres_value_set[2] or model_price > max(historical_deal_price_set) * thres_value_set[3]:
        # 最終價格取成交與出價均值
        final_price = (np.average(historical_deal_price_set) + np.average(historical_offer_price_set))/2
# 閾值判斷： 僅歷史出價置信 以出價為超限判斷
elif historical_offer_nums > thres_value_set[1]:
    if model_price < min(historical_offer_price_set) * thres_value_set[2] or model_price > max(historical_offer_price_set) * thres_value_set[3]:
        # 超限取模型與歷史出價的較大值 以保利潤優(yōu)先 未售出可流拍
        final_price = max(model_price, np.average(historical_offer_price_set)) * thres_value_set[4]

根據(jù)閾值控制置信度與區(qū)間范圍，再根據(jù)同SKU×等級下的價格聚合值控制是否超限，超限后如何處理。這樣做的好處是基本上能將模型可能會出現(xiàn)的異常報價控制在一個合理的范圍內(nèi)，并且所用到的系數(shù)不多，調(diào)節(jié)方便，閾值可以通過數(shù)據(jù)分析求解。

• 兜底邏輯

在提高覆蓋率這部分邏輯中，先前的想法是細(xì)粒度的價格數(shù)據(jù)稀疏，就向粗粒度降級聚合，這樣做雖然可以提高覆蓋，但是很容易受貨源結(jié)構(gòu)影響，報價不準(zhǔn)確且在稀疏側(cè)容易被帶偏。迭代中采取如下思路：

1. 考慮商品的最低可接受報價粒度，在手機(jī)上則是機(jī)型×容量×等級；
2. 現(xiàn)狀是機(jī)型容量幾乎滿覆蓋，但具體到等級甚至機(jī)況則歷史缺失較多，要解決的低覆蓋問題也在此；
3. 基本思路是用粗粒度去推廣泛化到細(xì)粒度，但直接用粗粒度聚合去替代報價，會發(fā)現(xiàn)偏差較大；
4. 取而代之，將直接替代進(jìn)行轉(zhuǎn)化，舉例說明如下：

圖片

簡單來說，根據(jù)已有的機(jī)型容量×等級聚合出機(jī)型容量均價，將等級序列化后，考慮機(jī)型容量均價與等級存在如下簡單的線性關(guān)系，從而推廣到全部機(jī)型容量×等級粒度，實(shí)現(xiàn)全覆蓋，并且在劃定價格段前提下一定程度內(nèi)近似準(zhǔn)確且嚴(yán)格防止等級倒掛，對于兜底報價需求能夠滿足。

至于求解上就比較容易了，使用一個簡單的線性回歸OLS模型即可對其進(jìn)行求解，需要注意的是，在實(shí)際使用中對于這種簡單模型，通常需要按照價格段劃分，縮窄成交價格值域后訓(xùn)練多組線性模型進(jìn)行覆蓋補(bǔ)全時，效果更好。

5.3 效果與后續(xù)優(yōu)化空間

介紹清楚了當(dāng)前最優(yōu)版本的邏輯與架構(gòu)，我們簡單看一下該版本投入采貨俠拍賣場起拍定價后的效果，并討論其后續(xù)改進(jìn)方向。

5.3.1 模型效果

我們從蘋果與安卓手機(jī)分別進(jìn)行舉例說明這個效果，下面圖中為模型AB實(shí)驗(yàn)，對照組A為第三節(jié)中的SKU成交均價策略，實(shí)驗(yàn)組B為第四節(jié)新模型體系，脫敏隱去實(shí)際值，相同指標(biāo)處于同坐標(biāo)刻度下，蘋果手機(jī)效果如下圖：

圖片

從品牌來看蘋果手機(jī)特點(diǎn)是品類少，數(shù)據(jù)量大，高值商品多，價格方差小，所以本身在精確度，也即溢價率上本身效果較好，所以新模型在溢價率上小幅度降低，但在成交率上提升明顯，說明模型在中低值商品上估價更準(zhǔn)，使得商品流通速度更快。

圖片

而從安卓機(jī)上來看，其品類繁多，數(shù)據(jù)量相對少，低值機(jī)器更多，價格方差大，本身成交率已經(jīng)很高，相應(yīng)的價格擬合度差，溢價高，于是新模型通過商品粒度報價、風(fēng)控兜底改進(jìn)，主要在報價準(zhǔn)確上獲得較大提升，數(shù)據(jù)上體現(xiàn)于成交率持平，溢價率大幅度下降。

本質(zhì)上來說，其實(shí)模型優(yōu)化的都是價格準(zhǔn)確度，即降低價格方差，提升擬合度，讓起拍價更逼近真實(shí)成交，只是在不同的商品結(jié)構(gòu)上呈現(xiàn)不同的側(cè)重點(diǎn)，本質(zhì)上都是雙端優(yōu)化，既降低溢價又提升成交，使看起來trade-off的兩個指標(biāo)都獲得提升，釋放了利潤空間。

為什么可以這么說，還記得系數(shù)調(diào)控機(jī)制嗎，實(shí)際上我們只要對其中一幅圖像中的模型報價輸出進(jìn)行放縮，兩幅圖像就會獲得相同的呈現(xiàn)形式。因?yàn)榉趴s系數(shù)不改變分布，只是讓成交和溢價呈現(xiàn)同步變化。而這個雙端優(yōu)化加上同步變化既釋放了利潤空間又給出了可通過調(diào)控應(yīng)對市場的能力，且調(diào)節(jié)成本不高，方向明確。

5.3.2 后續(xù)優(yōu)化空間

• 整個系統(tǒng)中雖然實(shí)現(xiàn)了幾乎無人力介入，但在應(yīng)對市場變化時仍然存在一定的滯后性，需要人工及時反饋給調(diào)控模塊，這一點(diǎn)還需要繼續(xù)精進(jìn)以實(shí)現(xiàn)完全脫離人力；
• 當(dāng)前架構(gòu)下，流拍商品的邏輯過于簡單，雖然高位折價溢價低，但普遍設(shè)置的流拍系數(shù)不具備普適性，單獨(dú)設(shè)置又耗費(fèi)人效，部分商品折價過慢導(dǎo)致售出效率低，這里可以通過類似強(qiáng)化學(xué)習(xí)的方法進(jìn)行動態(tài)折價優(yōu)化；
• 風(fēng)控模塊還不足以完全高準(zhǔn)確率、高覆蓋率的實(shí)現(xiàn)糾偏與兜底報價，期待更完備的方案設(shè)計；
• 整體架構(gòu)與模塊設(shè)計可能亦是山外青山樓外樓。

6 再說兩句——總結(jié)

本文主要從起拍價定價這一實(shí)際應(yīng)用場景出發(fā)，以實(shí)際問題舉例，指標(biāo)先行提供指導(dǎo)方向，再逐步介紹每一種算法思路，步步為營，揚(yáng)長避短進(jìn)行優(yōu)化，最終給出目前還比較work的一種方案。作為算法類技術(shù)分享來說，本文不包含復(fù)雜高深的算法理論，單從分析、解決問題的角度演進(jìn)，旨在分享系統(tǒng)化、模塊化、結(jié)構(gòu)化的思考方式，希望廣大讀者有所裨益，疏漏、不足之處萬望海涵。

關(guān)于作者

陳燁，轉(zhuǎn)轉(zhuǎn)高級算法工程師，負(fù)責(zé)轉(zhuǎn)轉(zhuǎn)B端搜索召回、排序算法設(shè)計優(yōu)化，以及B賣場起拍價定價算法、C賣場調(diào)價系統(tǒng)迭代優(yōu)化等價格方向工作。