动态定价方法、系统、设备和存储介质与流程

本发明涉及互联网产品管理技术领域，特别涉及一种动态定价方法、系统、设备和存储介质。

背景技术：

产品定价是企业，特别是零售企业最重要的决策之一。伴随着学术研究的不断成熟以及数据技术的强大支撑，动态定价在各行业(民航、酒店、电力行业等行业)已经逐渐兴起。零售业在近10年内利用价格、库存管理软件在其行业内实行降价管理、渠道差异定价、商品线设计等收益管理方法。一些市场研究数据表明，零售业企业在启用了收益管理系统之后可获得百分之五到百分之十五的收益提升。而相比传统零售业，互联网网站可以有效地收集到大量的历史数据和每个用户的个体数据等数据，因此，可以方便地调整价格及易于作出评估决策结果等诸多特性，使得动态定价在该领域上的应用能够取得更大的成功。动态定价(即跟价)能够解决大量sku(库存量计算单位)由于历史数据不足等原因，造成无法利用常规手段进行价格优化的问题。此类商品一般可分为两个小类：一类是虽然有一定销售量，但是库存量单位历史变价行为很少；另一类是产品不动销，销售量数据点少，即此类商品大部分集中于低销售量档次。

目前的动态定价系统都是基于简单的规则(如保持当前互联网平台的产品价格始终低于其他互联网平台的产品价格的5％，保持当前互联网平台的产品价格不能超过其他互联网平台的产品价格的5％等)，因此，无法满足复杂情况下的精确、自适应的跟价需求。具体地，每一个三级品类会根据业务需要设置相应的动态定价规则，具体包括通用规则、计算规则和预警规则等；通用规则，包括重点其他互联网平台、跟价需限购、特定情形下是否跟价(如：互联网平台总价促销进行中、其他互联网平台无货、互联网平台库存低于安全库存7天等情况)；计算规则，包括跟价对象(其他互联网平台页面价、其他互联网平台成交价等)、跟价范围；预警规则；包括仓报价、毛利率、调价幅度等的限制规则。对三级品类内部的sku根据以上规则进行动态定价，价格管理采销人员根据商品销售的实际情况和对商品未来销售量的判断，再依据实际经验人工决定是否对特定商品进行价格调整。对于被判定为适合进行价格调整的商品，采销人员通过人工设定的方式修改网页价格并发布。

但是，现有的跟价系统存在以下3个缺陷：1)自动化程度低：过于依赖人工控制，效率不高，无法快速且大规模部署；2)经验导向而非数据导向：仅依靠采销的经验确定规则，没有从数据中发掘真实的价格与销售量之间的关系；3)数据使用不充分：现有技术仅考虑了销售量、价格等维度的数据，缺乏对海量数据的多维度分析(如：库存、促销、周期性变动等)，造成判断准确度低。

技术实现要素：

本发明要解决的技术问题是现有技术中用于动态定价方法系统存在自动化程度低、仅仅依靠采销的经验确定规则、数据使用不充分等缺陷，目的在于提供一种动态定价方法、系统、设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种动态定价方法，所述动态定价方法包括：

获取当前互联网平台的目标产品的历史价格及对应的历史销售量；

将所述历史价格作为输入，所述历史销售量作为输出，建立销售量预测模型；

获取所述目标产品的预测价格；

采用所述销售量预测模型获取与所述预测价格对应的预测销售量；

获取与每个所述预测价格对应的所述目标产品的预测销售额和预测销售利润；

选取一最优价格，并将所述目标产品的价格调整为所述最优价格；

所述最优价格为所述预测销售额和所述预测销售利润达到设定条件时对应的所述预测价格。

较佳地，所述建立销售量预测模型的步骤之前还包括：

获取所述当前互联网平台的所述目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、所述其他互联网平台的所述目标产品的历史价格和历史库存状态数据中的至少一种，并作为所述输入。

较佳地，当所述输入还包括所述当前互联网平台的所述目标产品的所述历史参考价格、所述历史库存状态数据、所述历史促销状态数据、所述其他互联网平台的所述目标产品的所述历史价格和所述历史库存状态数据时，所述建立销售量预测模型的步骤包括：

采用最小二乘法训练所述销售量预测模型的模型参数，建立所述销售量预测模型。

较佳地，获取当前互联网平台的目标产品的历史价格及对应的历史销售量的步骤之后还包括：

将一部分的所述当前互联网平台的目标产品的历史价格及对应的历史销售量添加至训练集，剩余部分的所述当前互联网平台的目标产品的历史价格及对应的历史销售量添加至验证集；

所述建立销售量预测模型的步骤包括：

利用所述训练集中的数据建立所述销售量预测模型；

所述建立销售量预测模型的步骤之后还包括：

利用所述验证集中的数据对所述销售量预测模型进行验证，并根据验证结果调整所述模型参数。

较佳地，所述历史参考价格的计算公式如下：

rt＝αrt-1+(1-α)pt-1

其中，rt表示在时间点t时所述目标产品的所述历史参考价格，pt-1表示所述当前互联网平台的所述目标产品在时间点t-1时的所述历史价格，α表示调整参数。

较佳地，所述销售量预测模型包括第一函数；

所述第一函数的公式如下：

其中，qt表示在时间点t时所述当前互联网平台的所述目标产品的预测销售量，pt表示在时间点t时所述当前互联网平台的所述目标产品的所述历史价格，st表示在时间点t时所述当前互联网平台的所述目标产品的所述历史库存状态数据，mt表示在时间点t时所述当前互联网平台的所述目标产品的历史促销状态数据，表示在时间点t时所述其他互联网平台的所述目标产品的历史价格，表示在时间点t时所述其他互联网平台的所述目标产品的历史库存状态数据，β0、β1、β2、β3、β4、β5、β6为所述模型参数。

较佳地，当所述输入还包括所述历史参考价格时，所述销售量预测模型的公式如下：

logq(p)＝βalogp+βb(rt-p)+a

其中，p表示所述目标产品的所述预测价格，q(p)表示与所述预测价格对应的所述目标产品的预测销售量，βa、βb表示所述模型参数，a表示设定常量、rt表示在时间点t时所述目标产品的所述历史参考价格。

较佳地，所述预测销售额的计算公式如下：

gmv＝p×q(p)

所述预测销售利润的计算公式如下

gp＝(p-c)×q(p)

其中，gmv表示所述目标产品的所述预测销售额，p表示所述目标产品的所述预测价格，q(p)表示与所述预测价格对应的所述目标产品的预测销售量，gp表示所述目标产品的所述预测销售利润，c表示所述目标产品的成本。

较佳地，所述选取一最优价格，并将所述目标产品的价格调整为所述最优价格；所述最优价格为所述预测销售额和所述预测销售利润达到设定条件时对应的所述预测价格的步骤包括：

根据所述预测销售额和所述预测销售利润建立目标函数；

所述目标函数的公式如下：

其中，

gmv0、gp0分别表示所述目标产品的设定销售额和设定销售利润，△gmv、△gp分别表示所述目标产品的销售额的变化量和销售利润的变化量，γ用于表示gmv与gp之间的相对变化率，表所述目标函数；

计算所述目标函数达到最大值时对应的所述最优价格；

将所述目标产品的价格调整为所述最优价格。

较佳地，所述目标函数中的所述预测价格需要满足的如下条件：

其中，p0为所述当前互联网平台的所述目标产品的设定价格，表示所述其他互联网平台的所述目标产品的设定价格，ρunp表示所述目标产品的最低净利率、ρchange表示所述目标产品相对所述目标产品的历史价格的最大调价幅度、表示所述当前互联网平台的所述目标产品的历史价格相对所述其他互联网平台的所述目标产品的历史价格的最大调价幅度、pfloor表示所述当前互联网平台的所述目标产品的最低价格、ptop表示所述当前互联网平台的所述目标产品的最高价格、ρq表示所述当前互联网平台的所述目标产品的最低销量提升率、ρgmv表示所述当前互联网平台的所述目标产品的最低销售额的提升率、ρgp表示所述当前互联网平台的所述目标产品的最低销售利润的提升率。

较佳地，所述动态定价方法还包括：

根据所述最优价格计算对应的第一预测销售量；

根据所述最优价格和所述第一预测销售量计算对应的第一预测销售量均值、第一预测销售量方差、第一预测销售额和第一预测销售利润；

其中，所述预测销售量符合正态分布函数，公式如下：

q(p)＝n(μ,σ²)，n(μ,σ²)表示所述第一预测销售量均值为μ，所述第一预测销售量方差为σ²的正态分布，q(p)表示与所述预测价格对应的所述目标产品的预测销售量；

计算所述第一预测销售额和所述第一预测销售利润的第一比值；

根据所述正态分布函数生成若干个第二预测销售量；

获取与每个所述第二预测销售量对应的所述第二预测销售额和所述第二预测销售利润，并计算每个所述第二预测销售量对应的所述第二预测销售额和所述第二预测销售利润的第二比值；

计算若干个所述第二比值中大于所述第一比值的所述第二比值的数量与所述第二比值的总量之间的第三比值；当所述第三比值大于设定阈值时，确定所述最优价格为可用价格。

本发明还提供一种动态定价系统，所述动态定价系统包括历史数据获取模块、模型建立模块、预测价格获取模块、预测销售量获取模块、预测数据获取模块和价格调整模块；

所述历史数据获取模块用于获取当前互联网平台的目标产品的历史价格及对应的历史销售量；

所述模型建立模块用于将所述历史价格作为输入，所述历史销售量作为输出，建立销售量预测模型；

所述预测价格获取模块用于获取所述目标产品的预测价格；

所述预测销售量获取模块用于采用所述销售量预测模型获取与所述预测价格对应的预测销售量；

所述预测数据获取模块用于获取与每个所述预测价格对应的所述目标产品的预测销售额和预测销售利润；

所述价格调整模块用于选取一最优价格，并将所述目标产品的价格调整为所述最优价格；

所述最优价格为所述预测销售额和所述预测销售利润达到设定条件时对应的所述预测价格。

较佳地，所述历史数据获取模块还用于获取所述当前互联网平台的所述目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、所述其他互联网平台的所述目标产品的历史价格和历史库存状态数据中的至少一种，并作为所述输入。

当所述输入还包括所述当前互联网平台的所述目标产品的所述历史参考价格、所述历史库存状态数据、所述历史促销状态数据、所述其他互联网平台的所述目标产品的所述历史价格和所述历史库存状态数据时，所述模型建立模块用于采用最小二乘法训练所述销售量预测模型的模型参数，建立所述销售量预测模型。

较佳地，所述动态定价系统还包括数据分配模块、模型验证模块和模型参数调整模块；

所述数据分配模块用于将一部分的所述当前互联网平台的目标产品的历史价格及对应的历史销售量添加至训练集，剩余部分的所述当前互联网平台的目标产品的历史价格及对应的历史销售量添加至验证集；

所述模型建立模块用于利用所述训练集中的数据建立所述销售量预测模型；

所述模型验证模块用于利用所述验证集中的数据对所述销售量预测模型进行验证；

所述模型参数调整模块根据验证结果调整所述模型参数。

较佳地，所述历史参考价格的计算公式如下：

rt＝αrt-1+(1-α)pt-1

其中，rt表示在时间点t时所述目标产品的所述历史参考价格，pt-1表示所述当前互联网平台的所述目标产品在时间点t-1时的所述历史价格，α表示调整参数。

较佳地，所述销售量预测模型包括第一函数；

所述第一函数的公式如下：

其中，qt表示在时间点t时所述当前互联网平台的所述目标产品的预测销售量，pt表示在时间点t时所述当前互联网平台的所述目标产品的所述历史价格，st表示在时间点t时所述当前互联网平台的所述目标产品的所述历史库存状态数据，mt表示在时间点t时所述当前互联网平台的所述目标产品的历史促销状态数据，表示在时间点t时所述其他互联网平台的所述目标产品的历史价格，表示在时间点t时所述其他互联网平台的所述目标产品的历史库存状态数据，β0、β1、β2、β3、β4、β5、β6为所述模型参数。

较佳地，当所述输入还包括所述历史参考价格时，所述销售量预测模型的公式如下：

logq(p)＝βalogp+βb(rt-p)+a

其中，p表示所述目标产品的所述预测价格，q(p)表示与所述预测价格对应的所述目标产品的预测销售量，βa、βb表示所述模型参数，a表示设定常量，rt表示在时间点t时所述目标产品的所述历史参考价格。

较佳地，所述预测销售额的计算公式如下：

gmv＝p×q(p)

所述预测销售利润的计算公式如下

gp＝(p-c)×q(p)

其中，gmv表示所述目标产品的所述预测销售额，p表示所述目标产品的所述预测价格，q(p)表示与所述预测价格对应的所述目标产品的预测销售量，gp表示所述目标产品的所述预测销售利润，c表示所述目标产品的成本。

较佳地，所述价格调整模块包括目标函数建立单元、价格计算单元和价格调整单元；

所述目标函数建立单元用于根据所述预测销售额和所述预测销售利润建立目标函数；

所述目标函数的公式如下：

其中，

gmv0、gp0分别表示所述目标产品的设定销售额和设定销售利润，△gmv、△gp分别表示所述目标产品的销售额的变化量和销售利润的变化量，γ用于表示gmv与gp之间的相对变化率，表所述目标函数；

所述价格计算单元用于所述目标函数达到最大值时对应的所述最优价格；

所述价格调整单元用于将所述目标产品的价格调整为所述最优价格。

较佳地，所述目标函数中的所述预测价格需要满足的如下条件：

其中，p0为所述当前互联网平台的所述目标产品的设定价格，表示所述其他互联网平台的所述目标产品的设定价格，ρunp表示所述目标产品的最低净利率、ρchange表示所述目标产品相对所述目标产品的历史价格的最大调价幅度、表示所述当前互联网平台的所述目标产品的历史价格相对所述其他互联网平台的所述目标产品的历史价格的最大调价幅度、pfloor表示所述当前互联网平台的所述目标产品的最低价格、ptop表示所述当前互联网平台的所述目标产品的最高价格、ρq表示所述当前互联网平台的所述目标产品的最低销量提升率、ρgmv表示所述当前互联网平台的所述目标产品的最低销售额的提升率、ρgp表示所述当前互联网平台的所述目标产品的最低销售利润的提升率。

较佳地，所述动态定价系统还包括第一计算模块、第二计算模块、销售量生成模块、第一比值计算模块、第二比值计算模块、第三比值计算模块和确定模块；

所述第一计算模块用于根据所述最优价格计算对应的第一预测销售量；

所述第二计算模块用于根据所述最优价格和所述第一预测销售量计算对应的第一预测销售量均值、第一预测销售量方差、第一预测销售额和第一预测销售利润；

其中，所述预测销售量符合正态分布函数，公式如下：

q(p)＝n(μ,σ²)，n(μ,σ²)表示所述第一预测销售量均值为μ，所述第一预测销售量方差为σ²的正态分布，q(p)表示与所述预测价格对应的所述目标产品的预测销售量；

所述第一比值计算模块用于计算所述第一预测销售额和所述第一预测销售利润的第一比值；所述销售量生成模块用于根据所述正态分布函数生成若干个第二预测销售量；

所述第二比值计算模块用于获取与每个所述第二预测销售量对应的所述第二预测销售额和所述第二预测销售利润，并计算每个所述第二预测销售量对应的所述第二预测销售额和所述第二预测销售利润的第二比值；

所述第三比值计算模块用于计算若干个所述第二比值中大于所述第一比值的所述第二比值的数量与所述第二比值的总量之间的第三比值；

所述确定模块用于当所述第三比值大于设定阈值时，确定所述最优价格为可用价格。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的动态定价方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的动态定价方法的步骤。

本发明的积极进步效果在于：

本发明中，根据目标产品的历史价格和历史销售量建立产品销售量预测模型，获取价格与销售量之间的对应关系；然后根据预测价格及其对应的预测销售量获取预测销售额和预测销售利润，最后选取预测销售额和预测销售利润达到设定条件时对应的预测价格作为最优价格，将目标产品的价格调整为最优价格，从而实现动态调整产品的价格的目的，提高了产品定价的有效性和准确性，且提高了工作效率。

附图说明

图1为本发明实施例1的动态定价方法的流程图。

图2为本发明实施例2的动态定价方法的流程图。

图3为本发明实施例3的动态定价系统的模块示意图。

图4为本发明实施例4的动态定价系统的模块示意图。

图5为本发明实施例5中的实现动态定价方法的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，本实施例的动态定价方法包括：

s101、获取当前互联网平台的目标产品的历史价格及对应的历史销售量；

s102、将历史价格作为输入，历史销售量作为输出，建立销售量预测模型；

s103、获取目标产品的预测价格；

s104、采用销售量预测模型获取与预测价格对应的预测销售量；

s105、获取与每个预测价格对应的目标产品的预测销售额和预测销售利润；

其中，销售额是指当前互联网平台的目标产品的成交金额，包括付款和未付款的部分。

销售利润(即毛利)是指销售额与产品原始进价额之间的差值。

s106、选取一最优价格，并将目标产品的价格调整为最优价格；

其中，最优价格为预测销售额和预测销售利润达到设定条件时对应的预测价格。

本实施例中，根据目标产品的历史价格和历史销售量建立产品销售量预测模型，获取价格与销售量之间的对应关系；然后根据预测价格及其对应的预测销售量获取预测销售额和预测销售利润，最后选取预测销售额和预测销售利润达到设定条件时对应的预测价格作为最优价格，将目标产品的价格调整为最优价格，从而实现动态调整产品的价格的目的，提高了产品定价的有效性和准确性，且提高了工作效率。

实施例2

如图2所示，本实施例的动态定价方法是对实施例1的进一步改进，具体地：

步骤s101之后还包括：

将一部分的当前互联网平台的目标产品的历史价格及对应的历史销售量添加至训练集，剩余部分的当前互联网平台的目标产品的历史价格及对应的历史销售量添加至验证集。

利用训练集中的数据建立销售量预测模型，利用验证集中的数据验证销售量预测模型。

步骤s102之前还包括：

s1020、获取当前互联网平台的目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、其他互联网平台的目标产品的历史价格和所述历史库存状态数据。

其中，历史参考价格的计算公式如下：

rt＝αrt-1+(1-α)pt-1

其中，rt表示在时间点t时目标产品的历史参考价格，pt-1表示当前互联网平台的目标产品在时间点t-1时的历史价格，α表示调整参数，α的值可以根据交叉验证法来确定。其中，参考价格是消费者购买产品或服务时用以和实际价格进行比较的价格，通过将实际价格与参考价格进行比较，消费者会形成相应的价格感知，判断出产品当前价格是否具有吸引力，从而做出最终是否购买的决定。参考价格受到多种因素的影响：产品过去价格、产品类别、产品促销活动、竞品促销活动、消费者购买动机、商店类型和环境等。

步骤s102具体包括：

s1021、将当前互联网平台的目标产品的历史价格及对应的历史销售量、当前互联网平台的目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、其他互联网平台的目标产品的历史价格和历史库存状态数据作为输入，历史销售量作为输出，采用最小二乘法训练销售量预测模型的模型参数，建立销售量预测模型。

步骤s1021之后、步骤s103之前还包括：

s1022、利用验证集中的数据对销售量预测模型进行验证，并根据验证结果调整模型参数。

销售量预测模型包括第一函数，第一函数的公式如下：

其中，qt表示在时间点t时当前互联网平台的目标产品的预测销售量，pt表示在时间点t时当前互联网平台的目标产品的历史价格，st表示在时间点t时当前互联网平台的目标产品的历史库存状态数据，mt表示在时间点t时当前互联网平台的目标产品的历史促销状态数据，表示在时间点t时其他互联网平台的目标产品的历史价格，表示在时间点t时其他互联网平台的目标产品的历史库存状态数据，β0、β1、β2、β3、β4、β5、β6为模型参数。

具体地，β1表示当前互联网平台的目标产品的价格弹性，β5表示其他互联网平台的目标产品的价格弹性。

由此可知，销售量预测模型不仅仅刻画了当前互联网平台的产品销售量相对于当前互联网平台的产品价格的变化，也刻画了相对于参考价格、其他互联网平台的产品价格的班花，全面考虑了不同价格对销售量的影响，同时也考虑了库存状态数据、促销状态数据等对于销售量的影响。具体在当前互联网平台的展示界面时，展示界面会同时展示多个参数(比如销售量、参考价格、库存状态数据、促销状态数据、其他互联网平台的目标产品的价格、其他互联网平台的目标产品的库存状态数据等)，每个参数均可点选或不点选。点选表示将该参数加入销售量预测模型中进行训练，反之，不点选表示不将该参数加入销售量预测模型中进行训练。用户(如采销人员)可以基于待不同类型的目标产品的特点，选择上述的参数进行任意组合，组合后当前互联网平台会根据组合后的参数来训练销售量预测模型，最终实现对目标产品的动态定价，并将动态定价后的结果展示给用户。

当仅考虑价格对销售量的影响时，销售量预测模型的公式如下：

logq(p)＝βalogp+βb(rt-p)+a

其中，p表示目标产品的预测价格，q(p)表示与预测价格对应的目标产品的预测销售量，βa、βb表示模型参数，a表示设定常量。

预测销售额的计算公式如下：

gmv＝p×q(p)

预测销售利润的计算公式如下

gp＝(p-c)×q(p)

其中，gmv表示目标产品的预测销售额，gp表示目标产品的预测销售利润，c表示目标产品的成本。

步骤s106具体包括：

s1061、根据预测销售额和预测销售利润建立目标函数；

目标函数的公式如下：

其中，

gmv0、gp0分别表示目标产品的设定销售额和设定销售利润，△gmv、△gp分别表示目标产品的销售额的变化量和销售利润的变化量，γ用于表示gmv与gp之间的相对变化率，表目标函数；

具体地，γ越大，则表示目标产品的gmv提升的潜力越大，因此目标函数中的gmv项被赋予更高权重，最优价格会更加倾向于提升gmv；反之，γ越小，则表示目标产品的gp提升的潜力越大，因此目标函数中的gp项被赋予更高权重，最优价格会更加注重提升gp。

目标函数中的预测价格需要满足的如下条件：

其中，p0为当前互联网平台的目标产品的设定价格，表示其他互联网平台的目标产品的设定价格，ρunp表示目标产品的最低净利率、ρchange表示目标产品相对目标产品的历史价格的最大调价幅度、表示当前互联网平台的目标产品的历史价格相对其他互联网平台的目标产品的历史价格的最大调价幅度、pfloor表示当前互联网平台的目标产品的最低价格、ptop表示当前互联网平台的目标产品的最高价格、ρq表示当前互联网平台的目标产品的最低销量提升率、ρgmv表示当前互联网平台的目标产品的最低销售额的提升率、ρgp表示当前互联网平台的目标产品的最低销售利润的提升率。

上述限制条件中包括其他互联网平台的目标产品的历史价格，为了保证能够将最终获取的最优价格限定在他互联网平台的目标产品的历史价格的预定范围内。

s1062、计算目标函数达到最大值时对应的最优价格；

s1063、将目标产品的价格调整为最优价格。

在得到最优价格后，需要评估分析该最优价格是否可用，即该最优价格是否提升了gmv/gp，步骤s106之后还包括：

根据最优价格计算对应的第一预测销售量；

根据最优价格和第一预测销售量计算对应的第一预测销售量均值、第一预测销售量方差、第一预测销售额和第一预测销售利润；

其中，预测销售量符合正态分布函数，公式如下：

q(p)＝n(μ,σ²)，n(μ,σ²)表示第一预测销售量均值为μ，第一预测销售量方差为σ²的正态分布；

计算第一预测销售额和第一预测销售利润的第一比值；

根据正态分布函数生成若干个第二预测销售量；

获取与每个第二预测销售量对应的第二预测销售额和第二预测销售利润，并计算每个第二预测销售量对应的第二预测销售额和第二预测销售利润的第二比值；

计算若干个第二比值中大于第一比值的第二比值的数量与第二比值的总量之间的第三比值；

当第三比值大于设定阈值时，确定最优价格为可用价格。

当评估为该最优价格为可用时，即表明该最优价格提升了gmv/gp，达到了预期效果。

然后确定最优价格为可用价格时，将当前互联网平台的线上系统中的目标产品的价格调整为最优价格。对于同一类目标产品，将不在跟价池的目标产品作为对照组，在跟价池内的目标产品作为实验组，根据实验组和对照组对应的销售量、销售额以及销售利润(即毛利)，评估本实施例的动态定价方法得到目标产品的最优价格的线上表现，确定是否能够有效提升目标产品的gmv/gp。

本实施例中，根据目标产品的历史价格和历史销售量建立产品销售量预测模型，获取价格与销售量之间的对应关系；然后根据预测价格及其对应的预测销售量获取预测销售额和预测销售利润，最后选取预测销售额和预测销售利润达到设定条件时对应的预测价格作为最优价格，将目标产品的价格调整为最优价格，从而避免通过人工经验设定的方式动态调整目标产品的价格，实现自动动态调整产品的价格的目的，能够有效且安全地调价，提高了产品定价的有效性和准确性，且提高了工作效率。

实施例3

如图3所示，本实施例的动态定价系统包括历史数据获取模块1、模型建立模块2、预测价格获取模块3、预测销售量获取模块4、预测数据获取模块5和价格调整模块6。

历史数据获取模块1用于获取当前互联网平台的目标产品的历史价格及对应的历史销售量；

模型建立模块2用于将历史价格作为输入，历史销售量作为输出，建立销售量预测模型；

预测价格获取模块3用于获取目标产品的预测价格；

预测销售量获取模块4用于采用销售量预测模型获取与预测价格对应的预测销售量；

其中，销售额是指当前互联网平台的目标产品的成交金额，包括付款和未付款的部分。

销售利润(即毛利)是指销售额与产品原始进价额之间的差值。

预测数据获取模块5用于获取与每个预测价格对应的目标产品的预测销售额和预测销售利润；

价格调整模块6用于选取一最优价格，并将目标产品的价格调整为最优价格；

最优价格为预测销售额和预测销售利润达到设定条件时对应的预测价格。

本实施例中，根据目标产品的历史价格和历史销售量建立产品销售量预测模型，获取价格与销售量之间的对应关系；然后根据预测价格及其对应的预测销售量获取预测销售额和预测销售利润，最后选取预测销售额和预测销售利润达到设定条件时对应的预测价格作为最优价格，将目标产品的价格调整为最优价格，从而实现动态调整产品的价格的目的，提高了产品定价的有效性和准确性，且提高了工作效率。

实施例4

如图4所示，本实施例的动态定价系统是对实施例3的进一步改进，具体地：

动态定价系统还包括数据分配模块7、模型验证模块8、模型参数调整模块9、第一计算模块10、第二计算模块11、销售量生成模块12、第一比值计算模块13、第二比值计算模块14、第三比值计算模块15和确定模块16。

数据分配模块7用于将一部分的当前互联网平台的目标产品的历史价格及对应的历史销售量添加至训练集，剩余部分的当前互联网平台的目标产品的历史价格及对应的历史销售量添加至验证集。

利用训练集中的数据建立销售量预测模型，利用验证集中的数据验证销售量预测模型。

历史数据获取模块1还用于获取当前互联网平台的目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、其他互联网平台的目标产品的历史价格和历史库存状态数据。

其中，历史参考价格的计算公式如下：

rt＝αrt-1+(1-α)pt-1

其中，rt表示在时间点t时目标产品的历史参考价格，pt-1表示当前互联网平台的目标产品在时间点t-1时的历史价格，α表示调整参数，α的值可以根据交叉验证法来确定。

其中，参考价格是消费者购买产品或服务时用以和实际价格进行比较的价格，通过将实际价格与参考价格进行比较，消费者会形成相应的价格感知，判断出产品当前价格是否具有吸引力，从而做出最终是否购买的决定。参考价格受到多种因素的影响：产品过去价格、产品类别、产品促销活动、竞品促销活动、消费者购买动机、商店类型和环境等。

当输入还包括当前互联网平台的目标产品的历史参考价格、历史库存状态数据、历史促销状态数据、其他互联网平台的目标产品的历史价格和历史库存状态数据时，模型建立模2块用于采用最小二乘法训练销售量预测模型的模型参数，建立销售量预测模型。

模型验证模块8用于利用验证集中的数据对销售量预测模型进行验证；

模型参数调整模块9根据验证结果调整模型参数。

销售量预测模型包括第一函数，第一函数的公式如下：

其中，qt表示在时间点t时当前互联网平台的目标产品的预测销售量，pt表示在时间点t时当前互联网平台的目标产品的历史价格，st表示在时间点t时当前互联网平台的目标产品的历史库存状态数据，mt表示在时间点t时当前互联网平台的目标产品的历史促销状态数据，表示在时间点t时其他互联网平台的目标产品的历史价格，表示在时间点t时其他互联网平台的目标产品的历史库存状态数据，β0、β1、β2、β3、β4、β5、β6为模型参数。

具体地，β1表示当前互联网平台的目标产品的价格弹性，β5表示其他互联网平台的目标产品的价格弹性。

由此可知，销售量预测模型不仅仅刻画了当前互联网平台的产品销售量相对于当前互联网平台的产品价格的变化，也刻画了相对于参考价格、其他互联网平台的产品价格的班花，全面考虑了不同价格对销售量的影响，同时也考虑了库存状态数据、促销状态数据等对于销售量的影响。具体在当前互联网平台的展示界面时，展示界面会同时展示多个参数(比如销售量、参考价格、库存状态数据、促销状态数据、其他互联网平台的目标产品的价格、其他互联网平台的目标产品的库存状态数据等)，每个参数均可点选或不点选。点选表示将该参数加入销售量预测模型中进行训练，反之，不点选表示不将该参数加入销售量预测模型中进行训练。用户(如采销人员)可以基于待不同类型的目标产品的特点，选择上述的参数进行任意组合，组合后当前互联网平台会根据组合后的参数来训练销售量预测模型，最终实现对目标产品的动态定价，并将动态定价后的结果展示给用户。

当仅考虑价格对销售量的影响时，销售量预测模型的公式如下：

logq(p)＝βalogp+βb(rt-p)+a

其中，p表示目标产品的预测价格，q(p)表示与预测价格对应的目标产品的预测销售量，βa、βb表示模型参数，a表示设定常量。

预测销售额的计算公式如下：

gmv＝p×q(p)

预测销售利润的计算公式如下

gp＝(p-c)×q(p)

其中，gmv表示目标产品的预测销售额，gp表示目标产品的预测销售利润，c表示目标产品的成本。

价格调整模块6包括目标函数建立单元、价格计算单元和价格调整单元。

目标函数建立单元用于根据预测销售额和预测销售利润建立目标函数；

目标函数的公式如下：

其中，

gmv0、gp0分别表示目标产品的设定销售额和设定销售利润，△gmv、△gp分别表示目标产品的销售额的变化量和销售利润的变化量，γ用于表示gmv与gp之间的相对变化率，表目标函数；

具体地，γ越大，则表示目标产品的gmv提升的潜力越大，因此目标函数中的gmv项被赋予更高权重，最优价格会更加倾向于提升gmv；反之，γ越小，则表示目标产品的gp提升的潜力越大，因此目标函数中的gp项被赋予更高权重，最优价格会更加注重提升gp。

目标函数中的预测价格需要满足的如下条件：

其中，p0为当前互联网平台的目标产品的设定价格，表示其他互联网平台的目标产品的设定价格，ρunp表示目标产品的最低净利率、ρchange表示目标产品相对目标产品的历史价格的最大调价幅度、表示当前互联网平台的目标产品的历史价格相对其他互联网平台的目标产品的历史价格的最大调价幅度、pfloor表示当前互联网平台的目标产品的最低价格、ptop表示当前互联网平台的目标产品的最高价格、ρq表示当前互联网平台的目标产品的最低销量提升率、ρgmv表示当前互联网平台的目标产品的最低销售额的提升率、ρgp表示当前互联网平台的目标产品的最低销售利润的提升率。

上述限制条件中包括其他互联网平台的目标产品的历史价格，为了保证能够将最终获取的最优价格限定在他互联网平台的目标产品的历史价格的预定范围内。

价格计算单元用于目标函数达到最大值时对应的最优价格；

价格调整单元用于将目标产品的价格调整为最优价格。

在得到最优价格后，需要评估分析该最优价格是否可用，即该最优价格是否提升了gmv/gp。

第一计算模块10用于根据最优价格计算对应的第一预测销售量；

第二计算模块11用于根据最优价格和第一预测销售量计算对应的第一预测销售量均值、第一预测销售量方差、第一预测销售额和第一预测销售利润；

其中，预测销售量符合正态分布函数，公式如下：

q(p)＝n(μ,σ²)，n(μ,σ²)表示第一预测销售量均值为μ，第一预测销售量方差为σ²的正态分布；

第一比值计算模块13用于计算第一预测销售额和第一预测销售利润的第一比值；

销售量生成模块12用于根据正态分布函数生成若干个第二预测销售量；

第二比值计算模块14用于获取与每个第二预测销售量对应的第二预测销售额和第二预测销售利润，并计算每个第二预测销售量对应的第二预测销售额和第二预测销售利润的第二比值；

第三比值计算模块15用于计算若干个第二比值中大于第一比值的第二比值的数量与第二比值的总量之间的第三比值；；

确定模块16用于当第三比值大于设定阈值时，确定最优价格为可用价格。

当评估为该最优价格为可用时，即表明该最优价格提升了gmv/gp，达到了预期效果。

然后确定最优价格为可用价格时，将当前互联网平台的线上系统中的目标产品的价格调整为最优价格。对于同一类目标产品，将不在跟价池的目标产品作为对照组，在跟价池内的目标产品作为实验组，根据实验组和对照组对应的销售量、销售额以及销售利润(即毛利)，评估本实施例的动态定价方法得到目标产品的最优价格的线上表现，确定是否能够有效提升目标产品的gmv/gp。

本实施例中，根据目标产品的历史价格和历史销售量建立产品销售量预测模型，获取价格与销售量之间的对应关系；然后根据预测价格及其对应的预测销售量获取预测销售额和预测销售利润，最后选取预测销售额和预测销售利润达到设定条件时对应的预测价格作为最优价格，将目标产品的价格调整为最优价格，从而避免通过人工经验设定的方式动态调整目标产品的价格，实现自动动态调整产品的价格的目的，能够有效且安全地调价，提高了产品定价的有效性和准确性，且提高了工作效率。

实施例5

图5为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1或2中任意一实施例中的动态定价方法。图5显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(ram)321和/或高速缓存存储器322，还可以进一步包括只读存储器(rom)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2中任意一实施例中的动态定价方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图5所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1或2中任意一实施例中的动态定价方法中的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2中任意一实施例中的动态定价方法中的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。