價(jià)格策略、定價(jià)調(diào)價(jià)算法是諸多中大規(guī)模電商不可或缺的一項(xiàng)能力，涉及到精準(zhǔn)定價(jià)、智能調(diào)價(jià)、智能發(fā)券、成本控制等一系列智能運(yùn)營(yíng)場(chǎng)景，尤其對(duì)于二手行業(yè)來(lái)說(shuō)，定價(jià)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(chǎng)景下的二手機(jī)定價(jià)能力的技術(shù)演變，從場(chǎng)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(chǎng)這一特殊場(chǎng)景下起拍價(jià)定價(jià)能力的算法思路演變，希望對(duì)各位讀者有所啟發(fā)。

1 有些什么——場(chǎng)景特點(diǎn)

這里我們首先向讀者介紹一下轉(zhuǎn)轉(zhuǎn)的 ToB 場(chǎng)景，也即 APP 采貨俠的業(yè)務(wù)場(chǎng)景，采貨俠是轉(zhuǎn)轉(zhuǎn)公司針對(duì) B2B 場(chǎng)景下的二手手機(jī)交易平臺(tái)，其包含暗拍手機(jī)、一口價(jià)手機(jī)、多品類暗拍等多業(yè)務(wù)場(chǎng)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(duì)不同商品的競(jìng)價(jià)。暗拍則是其中一種競(jìng)價(jià)各方對(duì)其他方出價(jià)價(jià)格不可見(jiàn)的形式，從商業(yè)意義上來(lái)說(shuō)，目的是避免惡意抬價(jià)，或用低價(jià)壓價(jià)，盡可能讓商品在合理的價(jià)格區(qū)間最大可能售出，并且爭(zhēng)取更多利潤(rùn)，其基本模式如下圖：

圖片

采貨俠暗拍賣場(chǎng)每天包含下午與晚間兩場(chǎng)，商品以起拍價(jià)標(biāo)價(jià)上拍。賣場(chǎng)進(jìn)行期間，買家可對(duì)不同商品進(jìn)行出價(jià)，越高越有競(jìng)爭(zhēng)力。當(dāng)出價(jià)小于起拍價(jià)時(shí)則無(wú)法競(jìng)得商品，用戶可查看特定時(shí)間段的競(jìng)價(jià)排名，以此決定后續(xù)是否繼續(xù)出價(jià)。賣場(chǎng)結(jié)束后會(huì)自動(dòng)對(duì)價(jià)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(chǎng)的界面：

圖片

圖片

2 關(guān)注什么——核心指標(biāo)

介紹完場(chǎng)景，筆者這里要談的重點(diǎn)是起拍價(jià)。我們先從一個(gè)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(chǎng)價(jià)值平均為1000元，預(yù)期利潤(rùn)為100元。賣家如果按1元起拍，正常情況幾乎100%成交，即使競(jìng)價(jià)抬價(jià)行為會(huì)促使其在1-1000元成交，但實(shí)際上仍有很大可能所獲利潤(rùn)為0甚至為負(fù)，競(jìng)價(jià)不充分，存在丟失毛利的風(fēng)險(xiǎn)。同樣的，賣家如果按5000元起拍，可能理論上一本萬(wàn)利，但幾乎不能成交，也等于沒(méi)有利潤(rùn)，即使通過(guò)流拍策略不斷降價(jià)，周轉(zhuǎn)過(guò)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(gè)例子中以合適價(jià)位起拍，自然能在保證成交的情況下留有合理利潤(rùn)空間，比如按照950元起拍，或許成交價(jià)格可以在1000、1020、1100甚至更高。退一步來(lái)說(shuō)，若不成交，其流轉(zhuǎn)周期也相對(duì)較短可及時(shí)止損。即使僅僅獲得了951元的出價(jià)，也達(dá)到了我們的預(yù)期——既成交了也保證利潤(rùn)空間，也說(shuō)明該商品或許現(xiàn)階段買家最大預(yù)期即是如此，無(wú)法苛求更多，說(shuō)明競(jìng)價(jià)過(guò)程已然充分。

足見(jiàn)合理的起拍價(jià)既是賣家視角拍賣商品的底線價(jià)值衡量，也是對(duì)商品能夠充分競(jìng)價(jià)的保證。討論其制定，首先需要以下三個(gè)指標(biāo)：

圖片

• 成交率即售出占比，衡量的是商品對(duì)于買家來(lái)說(shuō)的受歡迎程度，也是賣場(chǎng)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(rùn)，是根本的經(jīng)營(yíng)指標(biāo)；
• 溢價(jià)則指的是成交價(jià)格與起拍價(jià)的差值，代表著一種不確定性，溢價(jià)空間越小，說(shuō)明起拍價(jià)格貼近真實(shí)市場(chǎng)價(jià)格，同時(shí)成交價(jià)格也會(huì)被逼近至理想值，競(jìng)價(jià)空間也會(huì)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(jià)呢？回答這一問(wèn)題前，要先回答一個(gè)問(wèn)題，如何衡量起拍價(jià)是合適的？由果索因，有評(píng)價(jià)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(lái)看，起拍價(jià)是賣家給出的，是定量，出價(jià)是變量，最后的成交價(jià)必然是圍繞著客觀市場(chǎng)價(jià)值且大于起拍價(jià)的值，但作為制定起拍價(jià)的賣家一方來(lái)說(shuō)，成交價(jià)才是定值，而起拍價(jià)是變量，起拍價(jià)一定是小于等于最終成交價(jià)且圍繞著客觀市場(chǎng)價(jià)值的值，而由于客觀市場(chǎng)價(jià)值沒(méi)有辦法準(zhǔn)確獲取，最終成交價(jià)可以視為客觀市場(chǎng)價(jià)值。

圖片

既然如此一定存在如下關(guān)系，假設(shè)對(duì)于單個(gè)商品，起拍價(jià)為sp，成交價(jià)為dp，成本價(jià)格為cp，用函數(shù)F(sp)衡量起拍價(jià)的好壞，函數(shù)η(sp)表示溢價(jià)率，函數(shù)γ(sp)表示成交率，則有：

圖片

該式有以下幾個(gè)含義：

• 起拍價(jià)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(jià)越準(zhǔn)確，說(shuō)明起拍價(jià)制定越好。當(dāng)起拍價(jià)與最終成交價(jià)的差距越小時(shí)，相比最終成交價(jià)更接近，說(shuō)明起拍價(jià)制定更為準(zhǔn)確，這個(gè)差距正是溢價(jià)率；
• 成交率的變化與成交價(jià)和起拍價(jià)的關(guān)系有關(guān)，假設(shè)一個(gè)商品已經(jīng)以500元成交，對(duì)賣家成交價(jià)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(jià)，其成交率均為100%，而超過(guò)500定價(jià)，其成交率必然隨著價(jià)格呈現(xiàn)指數(shù)型下降；
• 溢價(jià)率為定義式，值越小，說(shuō)明起拍價(jià)與成交價(jià)差距越小，起拍價(jià)的制定更加貼近真實(shí)成交，相對(duì)更能反映真實(shí)價(jià)值。

實(shí)際上，從賣家視角來(lái)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(lái)看，毛利其實(shí)是不確定因素，因?yàn)槌山粌r(jià)是由買家控制的，但我們?nèi)匀患僭O(shè)dp0為理想成交價(jià)，cp為固定成本價(jià)，即不會(huì)再有更高的成交價(jià)存在，設(shè)G(dp)表示毛利率與成交價(jià)的關(guān)系，g(sp)表示毛利率與起拍價(jià)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(jià)為定值，起拍價(jià)按照真實(shí)成交價(jià)制定時(shí)，其所獲利潤(rùn)最大，我們?cè)侔殉山宦屎鸵鐑r(jià)率與起拍價(jià)的關(guān)系畫(huà)出函數(shù)圖像如下：

圖片

可以看出當(dāng)起拍價(jià)小于等于且逼近成交價(jià)時(shí)，成交率始終為1，溢價(jià)率逐漸趨近于0，而超出成交價(jià)時(shí)，成交率指數(shù)下降，溢價(jià)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(jià)率，而由于在小于成交價(jià)的范圍內(nèi)，成交率取得最大值1，那么理論上整個(gè)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(jià)從正向趨近于真實(shí)成交價(jià)，則該起拍價(jià)制定最為合理。而從評(píng)價(jià)的角度，則當(dāng)成交的情況下，溢價(jià)率越小說(shuō)明起拍價(jià)制定更好。

下面借助圖來(lái)說(shuō)明：

圖片

當(dāng)溢價(jià)越來(lái)越小時(shí)，利潤(rùn)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(jià)是從小于成交價(jià)的一邊趨近，其成交率始終可視為1。

對(duì)于全局多商品來(lái)說(shuō)，每個(gè)商品要么估價(jià)高了，模型向理想成交價(jià)降低價(jià)格促使成交，要么估低了，模型逼近成交價(jià)提升利潤(rùn)空間，同樣適用降低溢價(jià)的理論。由此我們便找到了優(yōu)化與評(píng)價(jià)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(lái)就往前一些，從早期思路出發(fā)，探討下演變過(guò)程中種種實(shí)踐的得與失，優(yōu)與劣。

4.1 基于回收價(jià)的實(shí)踐

做電商必然要保證一定的利潤(rùn)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(jiǎn)單直接，實(shí)現(xiàn)比較容易，賣場(chǎng)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(kù)存規(guī)模相對(duì)單一的場(chǎng)景。但缺點(diǎn)相對(duì)也很突出，主要有以下幾點(diǎn)：

• B端二手市場(chǎng)回收成本價(jià)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(tái)機(jī)器，可能回收成本也相差較大，無(wú)法反映出客觀的買家市場(chǎng)價(jià)值，放在同賣場(chǎng)無(wú)法按照統(tǒng)一標(biāo)準(zhǔn)定價(jià)上拍；
• 對(duì)于預(yù)期毛利率，賣家乃至賣場(chǎng)方均無(wú)法給出或者持續(xù)給出一個(gè)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(méi)有統(tǒng)一衡量的標(biāo)準(zhǔn)，制定困難；
• 基于運(yùn)營(yíng)人力去制定預(yù)期利率，對(duì)于大體量的品類與庫(kù)存規(guī)模下，非常缺乏人效；
• 很大概率仍然存在成交與利潤(rùn)空間未被充分釋放的可能，因?yàn)槠鹋膬r(jià)不能準(zhǔn)確反映其買家市場(chǎng)價(jià)值，極易出現(xiàn)定價(jià)偏離等情況。反映在指標(biāo)上則是，不同商品高成交高溢價(jià)或者低成交低溢價(jià)，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(zhǎng)期運(yùn)營(yíng)。

4.2 基于價(jià)目表邏輯的實(shí)踐

既然買家市場(chǎng)價(jià)值是最好的制定起點(diǎn)，我們不妨就沿著這個(gè)思路進(jìn)行。盡管市場(chǎng)價(jià)值無(wú)法準(zhǔn)確獲取，但作為運(yùn)營(yíng)方可以通過(guò)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(gè)SKU維度價(jià)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(jià)目表這一先決條件的維護(hù)，用以模擬標(biāo)品市場(chǎng)價(jià)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(duì)基于回收價(jià)出發(fā)，維護(hù)標(biāo)準(zhǔn)價(jià)格會(huì)使得整個(gè)鏈路模塊化、細(xì)致化，制定相對(duì)準(zhǔn)確。其不足之處也同樣明顯：

• 價(jià)目表的維護(hù)仍然需要運(yùn)營(yíng)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(dòng)化的算法方法論；
• 價(jià)目表本身的準(zhǔn)確性、時(shí)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(shí)準(zhǔn)確捕獲其回歸到SKU維度標(biāo)品的價(jià)值情況；
• 控制性較差，即使確保價(jià)目表一定準(zhǔn)確實(shí)時(shí)，在從SKU向成色機(jī)況等細(xì)粒度落時(shí)，仍然需要確定龐大的系數(shù)體系。即使可隨時(shí)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(shí)，該方案值得一試，如果需要長(zhǎng)期高效運(yùn)營(yíng)，自動(dòng)化算法能力必不可少。

4.3 基于成交價(jià)策略的實(shí)踐

如果需要自動(dòng)化省時(shí)省力，又需要一定的準(zhǔn)確性、時(shí)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(chǎng)價(jià)值的首先是成交價(jià)。前面我們也提到，成交價(jià)對(duì)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(jià)去制定起拍價(jià)，有以下好處：

• 每日均會(huì)產(chǎn)生新的成交數(shù)據(jù)，成交價(jià)可按日期進(jìn)行滑動(dòng)窗口更新，保證穩(wěn)定取到新數(shù)據(jù)，時(shí)效性強(qiáng)；
• 成交價(jià)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(gè)價(jià)格上架，成交率100%，溢價(jià)率0%。雖說(shuō)理想，一定程度上也說(shuō)明了作為目標(biāo)其評(píng)價(jià)足夠好。

出發(fā)點(diǎn)有了，要實(shí)現(xiàn)算法自動(dòng)化，且效果足夠理想，還需要設(shè)計(jì)整個(gè)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(jì)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(jià)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(chǎng)和多次進(jìn)入賣場(chǎng)的商品，前者使用模型自動(dòng)化出價(jià)，后者按前次價(jià)格與預(yù)置比例折價(jià)后再上架。

為何如此劃分？我們可以基于一個(gè)基本假設(shè)，如果是理想模型，對(duì)于每一個(gè)商品在首次上架時(shí)就能制定出成交率為100%，溢價(jià)為0的起拍價(jià)，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(guò)買家預(yù)期。如果我們?nèi)匀辉诘诙烊杂媚Ｐ蛯?duì)不可成交的部分報(bào)價(jià)，由于模型每日更新，新模型給出的結(jié)果必然會(huì)出現(xiàn)價(jià)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(jià)格相對(duì)靠譜，即使流拍，我們以此為價(jià)格高點(diǎn)，逐漸平滑下降，這樣能確保低溢價(jià)的同時(shí)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(jià)

流拍策略較為簡(jiǎn)單的就縮小了求解范圍，重點(diǎn)來(lái)到首次上拍商品定價(jià)模型。首先就是用成交價(jià)自動(dòng)計(jì)算的“類價(jià)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(gè)商品成交價(jià)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(jià)格和賣場(chǎng)差異的影響，使最后的基準(zhǔn)更加趨近于真實(shí)價(jià)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(jì)，這里不再詳述。

通過(guò)這樣較為簡(jiǎn)單的設(shè)計(jì)，可以將基準(zhǔn)價(jià)的獲取基于成交價(jià)自動(dòng)化，有效且可解釋，并且天然低溢價(jià)。

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(jià)區(qū)間介于回收成本與成交價(jià)之間，假如市場(chǎng)恒定，即庫(kù)存、需求、供貨等穩(wěn)定不變，我們必然可以找到一個(gè)穩(wěn)定的起拍價(jià)使得成交/溢價(jià)最大化。

但很顯然的是，實(shí)際上市場(chǎng)不會(huì)這么理想，對(duì)于不可控的市場(chǎng)因素，基于已然發(fā)生的成交價(jià)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(gè)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(jià)格，系數(shù)量等同SKU數(shù)量；
• 成色等級(jí)系數(shù)，用于控制不同成色等級(jí)機(jī)況價(jià)格變化，數(shù)量等同質(zhì)檢成色等級(jí)數(shù)量；
• 全局調(diào)控系數(shù)，僅一個(gè)，對(duì)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(duì)準(zhǔn)確的價(jià)格不必需要頻繁調(diào)整，只需要根據(jù)市場(chǎng)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(jiǎn)單的模型構(gòu)建，風(fēng)控模塊仍然在價(jià)格領(lǐng)域不可或缺，畢竟即使是一個(gè)badcase也是利潤(rùn)的損失。風(fēng)控模塊在起拍價(jià)定價(jià)中主要起到兩個(gè)作用，一是過(guò)濾糾偏異常價(jià)格，二是提高報(bào)價(jià)覆蓋度兜底。

異常價(jià)格一般出現(xiàn)在特殊機(jī)況，比如質(zhì)檢項(xiàng)難獲取、質(zhì)檢有誤等異常質(zhì)檢機(jī)器，會(huì)通過(guò)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(jià)設(shè)置價(jià)格上下限，防止定價(jià)過(guò)低或過(guò)高。

報(bào)價(jià)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(bào)價(jià)能力更全面，這部分分層處理，對(duì)于報(bào)價(jià)要求高的新機(jī)進(jìn)行異常處理交予人工，對(duì)于報(bào)價(jià)要求低的老舊機(jī)器使用均價(jià)降級(jí)策略兜底，即細(xì)粒度機(jī)況缺失便向粗粒度聚合報(bào)價(jià)即可，最粗可以到機(jī)型粒度，如下圖：

圖片

整體來(lái)看，基于成交價(jià)策略的起拍價(jià)算法化的核心點(diǎn)是一種統(tǒng)計(jì)思路，并把問(wèn)題拆解模塊化，先拆報(bào)價(jià)范圍，后拆策略模塊，對(duì)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(jià)率進(jìn)入一個(gè)比較可觀的范圍；
• 模塊化使得問(wèn)題定位排查更清晰；
• 微調(diào)反饋明顯，可以及時(shí)跟上市場(chǎng)需要；
• 基本實(shí)現(xiàn)了自動(dòng)化，提高了人效。

但在實(shí)踐過(guò)程中同樣有很明顯的問(wèn)題亟需解決：

• 定價(jià)粒度過(guò)粗，基本停留在SKU成色等級(jí)粒度，對(duì)于機(jī)況粒度捕捉較少，這使得整個(gè)起拍價(jià)格分布相比實(shí)際價(jià)值刻畫(huà)欠擬合；
• 成色等級(jí)是人為劃分概念，在B端市場(chǎng)對(duì)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(jià)格使用上下限進(jìn)行風(fēng)控，在3.1中提到的回收價(jià)的弊端在這里依然存在，以此風(fēng)控使得部分正常報(bào)價(jià)也陷入異常；另外降級(jí)聚合兜底的方式也無(wú)法摒除異常數(shù)據(jù)、稀疏數(shù)據(jù)帶來(lái)的覆蓋難問(wèn)題；
• 調(diào)控模塊系數(shù)量過(guò)大，即使光手機(jī)一個(gè)品類，其機(jī)型、SKU粒度便有成千上萬(wàn)，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(guò)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(jià)空間未充分釋放，成交與溢價(jià)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(duì)4.3中提出的思路與缺陷，我們順著這個(gè)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(duì)于起拍價(jià)制定問(wèn)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(duì)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(jì)與流拍邏輯基本上沒(méi)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(jià)模型上從SKU基準(zhǔn)價(jià)直接躍升至商品粒度定價(jià)，下面將詳述。

5.2 主要模塊設(shè)計(jì)與思路

5.2.1 價(jià)格模塊

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

• 粒度

價(jià)格分布的刻畫(huà)擬合能力不足，核心原因還是模型只是通過(guò)統(tǒng)計(jì)手段給出了SKU粒度的價(jià)格，然后使用統(tǒng)一的等級(jí)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(jí)的粒度，很難將報(bào)價(jià)精確到每一種機(jī)況上。而本模塊則將模型報(bào)價(jià)能力聚焦至質(zhì)檢項(xiàng)粒度，針對(duì)每一種不同的SKU——驗(yàn)機(jī)項(xiàng)單獨(dú)報(bào)價(jià)，摒棄了不夠準(zhǔn)確的等級(jí)粒度。

• 模型

粒度更細(xì)，傳統(tǒng)統(tǒng)計(jì)方法自然無(wú)法滿足期待，我們需要擬合SKU——質(zhì)檢項(xiàng)數(shù)據(jù)與歷史成交價(jià)數(shù)據(jù)二者間的關(guān)系，對(duì)于多維度特征來(lái)說(shuō)，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(jiàn)回歸模型均可，這里筆者選用決策樹(shù)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(xiàng)數(shù)據(jù)可以處理為純表格數(shù)據(jù)，故而樹(shù)模型更具有優(yōu)勢(shì)。另外在天然的可解釋性前，不同商品、質(zhì)檢項(xiàng)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(duì)于回歸模型，可以將label價(jià)格取對(duì)數(shù)，調(diào)參時(shí)可適當(dāng)增加樹(shù)的復(fù)雜度以使得稍微過(guò)擬合，這樣對(duì)于數(shù)據(jù)量有限的價(jià)格預(yù)測(cè)來(lái)說(shuō)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(xiàng)數(shù)據(jù)與出價(jià)數(shù)據(jù)。

質(zhì)檢項(xiàng)數(shù)據(jù)即每臺(tái)機(jī)器質(zhì)檢報(bào)告中項(xiàng)目的明細(xì)，其檢測(cè)結(jié)果一般以ID與程度詞進(jìn)行描述，對(duì)于機(jī)器學(xué)習(xí)模型來(lái)說(shuō)很難直接使用，于是首先需要對(duì)其進(jìn)行預(yù)處理，處理方式如下：

圖片

單一質(zhì)檢項(xiàng)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(xiàng)根據(jù)重要程度升序進(jìn)行打分，另外根據(jù)價(jià)格排序下的質(zhì)檢項(xiàng)共現(xiàn)頻次也可以獲得不同機(jī)型下的核心質(zhì)檢項(xiàng)打分。通過(guò)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(cè)。

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

圖片

這里引入出價(jià)的含義為，即便成交價(jià)代表了最理想的成交結(jié)果，但合理的出價(jià)所落的區(qū)域則更能反映該商品在買家心中的價(jià)格錨點(diǎn)，用作風(fēng)控是非常理想的，如果模型給的價(jià)格過(guò)于偏離錨點(diǎn)，則進(jìn)行糾偏的置信度相比回收價(jià)更高，如果按照成本基線風(fēng)控，其附近的價(jià)格點(diǎn)均浮動(dòng)在異常出價(jià)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(jià)格模塊已經(jīng)能做到商品粒度報(bào)價(jià)，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?jiǎng)t根據(jù)需要按由細(xì)到粗的生效優(yōu)先級(jí)配置個(gè)別系數(shù)即可實(shí)現(xiàn)，其調(diào)節(jié)復(fù)雜度是O(1)級(jí)別。

5.2.3 風(fēng)控模塊

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

• 上下限邏輯

對(duì)于模型價(jià)格進(jìn)行歸正，直觀的方式就是設(shè)置上下限，簡(jiǎn)單說(shuō)就是需要模型報(bào)價(jià)落在合理區(qū)間，此前使用回收價(jià)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(lái)說(shuō)，歷史成交價(jià)置信度最高，買家出價(jià)次之，最后才是成本價(jià)，這三種價(jià)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(jià)很難在所有機(jī)器上都能覆蓋，畢竟不能說(shuō)所有的SKU×等級(jí)機(jī)器都有售出且數(shù)量可觀，長(zhǎng)尾機(jī)器一定存在，但是作為商品價(jià)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(jì)上下限風(fēng)控邏輯時(shí)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(jià)
historical_deal_price_set = [dp1, dp2, dp3, ...]
# 歷史出價(jià)
historical_offer_price_set = [op1, op2, op3, ...]

# 最終報(bào)價(jià)初始為模型報(bào)價(jià)
final_price = model_price
# 閾值判斷: 歷史成交價(jià)與歷史出價(jià)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(jià)格取成交與出價(jià)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(jià)置信 以出價(jià)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(jià)的較大值 以保利潤(rùn)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(jí)下的價(jià)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(huì)出現(xiàn)的異常報(bào)價(jià)控制在一個(gè)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(guò)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(jià)格數(shù)據(jù)稀疏，就向粗粒度降級(jí)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(bào)價(jià)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(bào)價(jià)粒度，在手機(jī)上則是機(jī)型×容量×等級(jí)；
2. 現(xiàn)狀是機(jī)型容量幾乎滿覆蓋，但具體到等級(jí)甚至機(jī)況則歷史缺失較多，要解決的低覆蓋問(wèn)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(bào)價(jià)，會(huì)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(shuō)明如下：

圖片

簡(jiǎn)單來(lái)說(shuō)，根據(jù)已有的機(jī)型容量×等級(jí)聚合出機(jī)型容量均價(jià)，將等級(jí)序列化后，考慮機(jī)型容量均價(jià)與等級(jí)存在如下簡(jiǎn)單的線性關(guān)系，從而推廣到全部機(jī)型容量×等級(jí)粒度，實(shí)現(xiàn)全覆蓋，并且在劃定價(jià)格段前提下一定程度內(nèi)近似準(zhǔn)確且嚴(yán)格防止等級(jí)倒掛，對(duì)于兜底報(bào)價(jià)需求能夠滿足。

至于求解上就比較容易了，使用一個(gè)簡(jiǎn)單的線性回歸OLS模型即可對(duì)其進(jìn)行求解，需要注意的是，在實(shí)際使用中對(duì)于這種簡(jiǎn)單模型，通常需要按照價(jià)格段劃分，縮窄成交價(jià)格值域后訓(xùn)練多組線性模型進(jìn)行覆蓋補(bǔ)全時(shí)，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(jiǎn)單看一下該版本投入采貨俠拍賣場(chǎng)起拍定價(jià)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(píng)果與安卓手機(jī)分別進(jìn)行舉例說(shuō)明這個(gè)效果，下面圖中為模型AB實(shí)驗(yàn)，對(duì)照組A為第三節(jié)中的SKU成交均價(jià)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(píng)果手機(jī)效果如下圖：

圖片

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

圖片

而從安卓機(jī)上來(lái)看，其品類繁多，數(shù)據(jù)量相對(duì)少，低值機(jī)器更多，價(jià)格方差大，本身成交率已經(jīng)很高，相應(yīng)的價(jià)格擬合度差，溢價(jià)高，于是新模型通過(guò)商品粒度報(bào)價(jià)、風(fēng)控兜底改進(jìn)，主要在報(bào)價(jià)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(jià)率大幅度下降。

本質(zhì)上來(lái)說(shuō)，其實(shí)模型優(yōu)化的都是價(jià)格準(zhǔn)確度，即降低價(jià)格方差，提升擬合度，讓起拍價(jià)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(jià)又提升成交，使看起來(lái)trade-off的兩個(gè)指標(biāo)都獲得提升，釋放了利潤(rùn)空間。

為什么可以這么說(shuō)，還記得系數(shù)調(diào)控機(jī)制嗎，實(shí)際上我們只要對(duì)其中一幅圖像中的模型報(bào)價(jià)輸出進(jìn)行放縮，兩幅圖像就會(huì)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(jià)呈現(xiàn)同步變化。而這個(gè)雙端優(yōu)化加上同步變化既釋放了利潤(rùn)空間又給出了可通過(guò)調(diào)控應(yīng)對(duì)市場(chǎng)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(gè)系統(tǒng)中雖然實(shí)現(xiàn)了幾乎無(wú)人力介入，但在應(yīng)對(duì)市場(chǎng)變化時(shí)仍然存在一定的滯后性，需要人工及時(shí)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(guò)于簡(jiǎn)單，雖然高位折價(jià)溢價(jià)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(jià)過(guò)慢導(dǎo)致售出效率低，這里可以通過(guò)類似強(qiáng)化學(xué)習(xí)的方法進(jìn)行動(dòng)態(tài)折價(jià)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(bào)價(jià)，期待更完備的方案設(shè)計(jì)；
• 整體架構(gòu)與模塊設(shè)計(jì)可能亦是山外青山樓外樓。

6 再說(shuō)兩句——總結(jié)

本文主要從起拍價(jià)定價(jià)這一實(shí)際應(yīng)用場(chǎng)景出發(fā)，以實(shí)際問(wèn)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(yíng)，揚(yáng)長(zhǎng)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(lái)說(shuō)，本文不包含復(fù)雜高深的算法理論，單從分析、解決問(wèn)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(wàn)望海涵。

關(guān)于作者

陳燁，轉(zhuǎn)轉(zhuǎn)高級(jí)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(jì)優(yōu)化，以及B賣場(chǎng)起拍價(jià)定價(jià)算法、C賣場(chǎng)調(diào)價(jià)系統(tǒng)迭代優(yōu)化等價(jià)格方向工作。