杉树科技 CTO 王子卓：人工智能如何帮助企业优化定价策略？ | AI 大师圆桌会

明尼苏达大学助理教授，杉树科技 CTO 王子卓

钛媒体按：本文整理自王子卓在钛媒体 AI 大师圆桌会关于“数据驱动的定价策略系统详解”的演讲。王子卓是明尼苏达大学助理教授，同时也是杉数科技 CTO。

“AI 大师圆桌系列”是钛媒体联合杉数科技举办的深度 AI 系列论坛，也是钛媒体大师圆桌会的重要组成部分（点击报名参加 AI 大师圆桌会）。在大数据初创公司杉数科技的支持下，2017 年系列“AI 大师圆桌会”邀请到了人工智能、运筹学等专业领域具有极高话语地位的多位国际知名学者和教授来到中国，巡回北京、上海、深圳三地，旨在共同探讨 AI 对产业的颠覆性影响。

众所周知的是，对于任何企业而言，无论他们提供的是实物，还是服务，如何给这些商品定价是至关重要的事情。这关乎着企业能否在激烈的竞争中脱颖而出。

对于标准化生产的商品而言，定价策略制定得好，能够有效地去库存，提高销量；对于非标准商品，比如定制设备，个性化服务而言，合理的定价能让企业在获取最大利益的同时又能促成与买家的交易。

那么怎样才是一个好的定价策略呢？

王子卓表示，它遵循 4W+H 的原则，同时这些定价策略都是基于大数据建立模型而形成的。为了拿到这些数据，必须要了解消费者的各种消费习惯，这其中既有理性因素，又有非理性因素。无论是受到那种因素的影响，都能被量化，形成一个消费者选择的刻画。

钛媒体在7月、8月将继续举办“高维预测和大数据处理”、“人工智能：在不确定中博弈”、“AI创业与硅谷”、“AI社交网络”共四场与大师面对面的机会。点击上图或下面链接进入AI大师圆桌会·上海站、深圳站报名地址：

http://www.tmtpost.com/event/2017/ai/

以下为王子卓在钛媒体联合杉树科技举办的“AI 大师圆桌会”上的演讲实录：

我的研究方向主要是关于收益管理，定价的这个方向，当然里边也用很多的这个机器学习，人工智能内容。今天我把过去五六年在研究中的一些观察，给大家稍微分享一下，并且来讨论一下，我们现在国内国外，在数据管理方面的一些新的趋势和进展，以及我们杉数科技希望在这个领域做的一些事情。

好的定价策略包括哪些因素？

什么是一个好的定价策略？定价对企业来说，是非常重要的环节。不管企业生产什么样的产品，提供什么样的服务，最终都需要把它卖出去。当然我有了好的产品，好的服务之后，每个企业都希望能够利用这个产品和服务，获得更大的收益，所以这其中定价是非常重要的环节。

什么是好的定价策略呢？可能很多人觉得这很简单，无非就是每个产品的我给它一个合理价格，但是实际上，定价的策略要包含更多的一些东西。

从比较广泛的意义来说，一个好的定价策略意味着我们需要在正确的时间，正确的地点，以正确的价格，把正确的服务和商品卖给正确的消费者。这里面包含很多很多需要做决策的地方，当然价格是其中的最的一部分，一个好的定价策略对企业来说，是非常重要的。

在行业里面产品和服务方面是非常类似的：哪个企业能够利用有限的资源获得更大的收益，那这个企业就可能在这个行业中脱颖而出，获得成功。在上个世纪，无论是美国航空公司也好，酒店也好，租车公司也好，包括很多零售行业也好，实际上都是定价策略决定了他们之中哪些公司能获得生存和更大的发展。

所以定价策略可谓是很多公司的“生命线”。

在“生命线”获得成功，就要有好的定价策略，怎么能够制定出好的定价策略？无非就是以什么样的价格、时间、地点卖什么样的服务给消费者。那么我们要做一个好的策略，显然要了解消费者的构成、偏好，以及他们的行为。不管你在哪个行业，了解了我们每一个消费者或者消费者群体之后，才能对我们产品和服务的这个偏好和行为之后我们才能做一个好的定价决策。

如何做出消费者的刻画？

下一个问题就是我们怎么了解我们消费者的构成、偏好和行为。我们有那么多的消费者，怎样才能做到了解这些信息？这是我们今天整个演讲的主题，也是我们接下来要讨论的很重要的问题——我们需要用数据驱动的方式，去了解消费者的构成还有偏好的行为。

实际上，过去 10 到 20 年收益管理这个学科有本质上的发展。如果大家想 10 年以前我们去一个超市买一个东西，超市完全不知道消费者以前购买过哪些商品，这次购买的时候，还关注过什么其他的商品，有哪些是考虑过的。这在以前是无法做到的事情，但是这 10 年随着互联网的发展信息科技的发展，显然大家也体会到这样的发展。

那么现在绝大多数的购买都是在网上产生的。那么在这样的过程中，卖家就拿到了大量的数据，能够知道每一个消费者他历史的购买记录，每一次 ta 观察了哪些产品，比较了哪些产品，产品的价格是什么，需求是什么，最后做了哪些决定，花了多少的时间，这些给提供了卖家很多的信息。如果我们能做到从这些数据中挖掘到这些信息，就有可能制定一个好的定价策略。一个好的定价策略，往往能够决定一个企业是否能够成功。

今天接下来我们会更加详细的讨论在大数据时代一些定价的策略，这个实际上也是我们杉数科技非常希望做的一部分事情。我们杉数科技希望能够用大数据机器学习方法，解决很多企业中的问题。我们主要做的事情就希望通过智能决策，基于数据帮助企业制定一套完整的价格方案。

几种典型的定价模式

接下来我介绍一下我们所做的事情以及我们的目标场景，我们用到的一些方法，以及我们的一些架构，以及还有一些少量的案例。

谈到定价并不是一件非常简单的一件事情，那么在不同的商业领域里，通常有很多不同的定价场景，在我们杉数科技所做的事情里，基本上我们把场景分为 6 大类。

第一类我们叫做标准定价的场景，这可能是最常见的场景。不管是一个大的在线零售电商也好，还是线下的超市也好，他们面临的都是标准定价的场景。在这个场景中它的特点就是这些商品是所谓的标准品，比如说一瓶洗发水也好，或者说食物也好，办公用品也好，这些都是标准的商品，生产出来后，在每个商店都是同样的商品。通常这种情况都是商品比较大量的进行销售，那么在这个场景下，我们所需要决定的就是，帮助它们来决定每一个商品。每一个 SKU 到底如何去定价，能够帮助企业获得最大的收益。那么收益又包括利润，销量等等。那么我们可以根据企业的需求来制定我们的定价策略。这是标准定价场景。

第二个属于非标准定价场景。在这个场景下，这个商品并不是标准品，它没有一个厂商定价。在非标的情况下，我们通常考虑的是消费者。消费者提出需求来组合这个产品，比如说物流运输的场景，消费者希望在某天把一个货物从某地运到他地。时间上，地点上，运输车的型号上，所需要的服务，是否需要搬运和装箱等等，这些都是不同的需求。你作为平台也好或者商家也好，你都需要给消费者提供价格，能够尽可能接受你的价格，而且在接受的时候价格越高越好。这个商品可能是非常独特的商品，在历史记录里没有出现过这种组合的商品，但是我们需要通过机器学习的方法和人工智能的方法，来学习对消费组合的价格。做出最好的定价。

第三是组合定价的场景，这也是非常广泛的场景，不管是在线上还是线下都有很多的应用。比如说快餐店，比如说话费套餐，也有很多捆绑销售行为。那么在这样的情况下，我们就需要决定哪些产品应该捆绑在一起销售，是对这个商家最有利的，哪些产品可以通过互补提高整个商家的销售或利润。那么这些都是在组合定价的场景下，需要解决的一个问题。

以上都是静态的场景：这一个商品我们定一次价格之后，在一段时间内这个价格就不会发生改变了。在实际当中，我们还有很多需要动态定价的场景，旅行行业中，机票的价格，酒店的价格随着这个时间和动态的调整，有的时候会学习消费者的偏好行为等等内容。在这个场景下我们就需要有一个动态的价格策略来帮助企业去学习消费者的行为，获得更大的收益。

那么再接下来就是差异化定价场景。收益管理的一个核心就是如何进行差异化的定价，如何对不同消费者群体，不同的渠道进行差异化，从而获得更大的收益。在这里我们也做了很多工作，来帮助商家在这样的场景下进行定价。

最后一种我叫做创新产品的定价。随着互联网的发展，以及新技术的发展，随之而来的是很多新的销售模式。这几年产生很多很新颖的模式，比如拍卖的方法，模糊产品的方法，甚至让消费者提供产品的价格。在这方面我们也会根据企业的实际情况和需求提出一些适合这个企业的创新定价模式。如何去选择模式，如何去制定具体的价格和这个机制呢？这也需要大量的机器学习，或者说优化。

影响消费者选择的因素

那么在最开始的时候我也提到，想做出一个好的定价策略，非常重要的一点，就是要了解你的消费者的构成、偏好和行为。当一个消费者面临着很多选择的时候，这些产品各有有不同的特点，不同的价格，不同的质量。了解了消费者如何做出决定之后，卖家就能可以决定我如何设置我的价格还有排列，还有产品线的这些特征。

具体而言，我们希望了解某一件商品的价格发生变化之后，会对消费者的选择行为产生什么样的影响：有多少人从一个商品的选择转到另外一个商品的选择；比如说新增一个新的产品产生之后，或一个产品消失之后，会对消费者选择发生什么样的变化；我也想知道对于不同的消费者群体，产品的这些参数发生变化之后，对 ta 的选择会有什么样的影响。

这些都属于一个我们需要学习的事情，那我们会用到很多机器学习的模型，同时这里我们需要用到非常特殊的一些学习的模型。我们学习的是这些消费者的行为，目前有一些现成的理论专门刻画消费者的模型，在收益管理理论里面比较常用的选择模型。

当然有很多的模型我们都可以使用，到底实际上我们应该用哪类的模型来刻画消费者的选择，这里面涉及到大量的机器学习的问题——用什么方法来判断正在处在这个场景中的消费者的选择。

那么这个是有关消费者选择的一个模型。消费者的选择模型基于一个假设，消费者会比较不同商品的这个优劣，价格等等。

作为消费者在很多时候，我们做的选择也不见得是非常理性的，很多时候是不理性的，这样的一些选择。

那么比如说，消费者可能会受到一些其它东西的干扰——本来模型之外的干扰。常见的一些消费者不理性行为，包括参考价格的行为，可能会受到周边无关的这个价格的干扰；可能会有所谓的网络效应，可能会对我购买行为产生影响；可能会有所谓的光环效应：比如说产品曝光某些好的地方，会有一个正向的影响；还有所谓的诱饵效应：我加一个选项，反而会提高其他产品的这个销量等等。当然这些行为可能会影响刚才消费者选择的模型。在实际中我们就必须要考虑这些行为对我们的定价模型的影响。

大家都觉得很难刻画不理性这样的行为，但是实际上，虽然说这是不理性行为产生的模型，但是并不代表它没有任何的规律。虽然有些消费者的行为，从数据中体现出不是理性的行为，但是我们仍然能够找到其中的规律，从中建立很好的消费者模型。

前几年有一本很流行的这个书《Predictably》描述了消费者的不理性行为。虽然这些行为是不理性的，但实际上是可以预测的，我们需要做的就是用机器学习的方法把这些行为挖掘出来。虽然它有可能是不理性的，但是仍然可以用一个模型去把它挖掘出来，刻画出来。

选择模型，再加上这里提到行为的模型，把它们进行一个有机的结合，最终我们可以得到一个消费者购买行为的刻画。对消费者的刻画，实际上是好的定价策略的根本。如果没有数据，这些东西都是无法建立的。各行各业也都积累了大量的数据，那么我们也就可以通过数据把这样的模型建立起来。

有了这个模型之后，不仅需要刻画消费者的选择，我们还要给商家提供完整的一套解决策略还有方案。那么这个模型决策还需要进行优化，选取最优的定价策略。

那么目标往往根据企业的战略阶段，可能会有不同的目标。我们可以根据企业在不同阶段设定不同的目标。当然在实际中我的定价策略可能还受到很多的限制，比如受到一些其他竞争商家的价格限制，受到多个商品的这个商品之间对价格也会有一些限制。那么在考虑这些之后呢，我们要去决定的，到底应该选择什么样的价格。这实际上也是优化的问题。

通过一些系统的方法，我们把它写成一个系统的优化问题。这个问题通常有很多的特点，通常是非线性的问题，但有可能是高维问题，有可能是离散的问题，价格是无穷的小数。从几个来选择，也有可能是动态的问题，并不是很容易解决的问题，那么我们就需要有效的算法，去解决这些问题。那么这也是我们杉数科技的强项。比如说我们的团队有非常强的能力，去针对不同的问题，设计高效的一些算法，去解决这些相关的优化问题，可以保证能够在有效时间内获得非常好的这样的一个决策。

定价的策略往往不是说定一次价格就一劳永逸，往往随着周围环境的变化，市场的变化，那么消费者的行为也会发生变化，那么我们也需要根据这些变化，不断的更新我们的策略，不断的进行迭代，价格也需要不断的进行变化。

因此我们的系统一定会是从收集数据，建立决策，再收集消费者的反馈，重新建立一个新的数据集，更新我们的决策，一定是这样的闭环。通过这样的闭环我们可以长期不断的更新，给商家提供长期最优的决策。

如何将定价策略应用到实际中去？

接下来给大家提两个我们现在在做的东西，以及获得的一些效果在具体场景中的应用。

第一个我们是给大型电商制定定价的策略，基本上属于我们刚才提到第一点，标准商品的定价。一个大型的电商可能要管理成百上千，甚至七百万、上千万这样的 SKU，会有很强的关联性、互补性、替代性，以及有一些季节的因素，可能有一些产品生命周期的因素。那我们需要去了解这些因素之后，去给这些 SKU 一个综合的定价。希望能够提升这个企业综合的收益。

这个也是我们跟某大型电商一直在做的一个很大的项目。实际上这个项目就要用到我们所说的，如何刻画消费者的对这些商品的选择行为。它可能把几百万个放到一起，在品类下消费者如何进行选择，对促销是什么样的反应，只有挖掘这些之后我们了解消费者的行为，然后再去求解一些相关优化问题。

基于数据定价的方式带来的效果往往是非常可观的。我们在大型电商上做的一些测试，可以看到它能够给企业带来的收益方面的提升是非常的可观的。之前很多人觉得销量、利润、营业额，这几个可能是互相矛盾的指标，可能有人说想提升销量就必须降低利润，但是实际上并不是这样。我们在这里进行组合优化之后,就可以发掘每一个 SKU 的一些特性.充分利用每一个 SKU 自身的一些特性，可以达到对这些指标的整体的提升。这个也是我们非常希望做到的一点，也是我们觉得用数据驱动的定价非常有潜力的一点。

第二个案例是我们最近做的产品是关于非标定价的产品，这就需要对历史数据进行分析。跟刚才标准品不一样的是，历史数据中可能从来没有出现过这个需求。那么我们就需要去进行机器学习以及深度学习，去来发掘哪些历史数据可以来判断。过去 IBM 也参与过定价项目。当时也是类似的一个项目，只不过是 B2B 的。有一个大的企业，在 IBM 定制特别配置的服务器，再加上定制的内存、电源等等，可能是好几百个部件。然后需要报一个价格，这个组合可能你从来都没有见过，这里就需要通过机器学习的方法，挖掘用户在这个组合中的价格，并且通过优化的方法，给予最优的价格，这里的目标也可以根据企业的需要制定个性化的目标。

这个只是展示我们现在产品的界面，这里是一个简化版本的，大家可以看到，每一个消费者来了之后，都可以提出他的需求。系统会给一个建议的价格。并且我们可以去发掘过去跟这个订单中相似的订单，这样也可以给这个卖家一些更好的指导。但是机器学习的方法给出的只是最佳的建议价格，这个价格下消费者成交的概率最高，并且获得的收益是最大的。

我们不仅可以给出建议价格，我们还可以建议大家用这个功能给出酒店和航空公司的合理价格。我们也可以做到给消费者给予合理建议，并且也可以给这些卖家提供很重要的参考。

那么这就是我们关于非标产品定价的一个展示。这里不光是针对物流行业，可能在旅行行业，比如 airbnb，它也是非标产品；还有 B2B，还有在金融。追债方面的应用，也不一样，债权人是什么样的情况，也都可以用类似的这个方法给予定价。大家可以看到这个定价的应用范围也是非常广泛的，而且这样的系统的确可以很大程度上提高企业的收益。

所以简单的总结一下，首先我觉得这几年大数据、互联网的发展，给定价带来了很重大的改变。

这里面有很多新的机遇，当然对于公司来说也意味着有很多的挑战，那么我们需要做的就是通过这个数据驱动的方法，利用机器学习，人工智能的技术，包括运筹学技术，来帮助新的公司在新的时代更好的迎接挑战，当然在这里头，是能够做出更好的定价决策，提高企业的收益。（本文首发钛媒体，记者/唐植潇）

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App