價格策略、定價調價算法是諸多中大規模電商不可或缺的一項能力，涉及到精準定價、智能調價、智能發券、成本控制等一系列智能運營場景，尤其對于二手行業來說，定價能力更是面臨諸多挑戰，卻又不可或缺。本文將旨在介紹轉轉 TOB 拍賣場景下的二手機定價能力的技術演變，從場景特點引入，以指標為出發點，闡述轉轉 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。

1 有些什么——場景特點

這里我們首先向讀者介紹一下轉轉的 ToB 場景，也即 APP 采貨俠的業務場景，采貨俠是轉轉公司針對 B2B 場景下的二手手機交易平臺，其包含暗拍手機、一口價手機、多品類暗拍等多業務場景，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，商品以起拍價標價上拍。賣場進行期間，買家可對不同商品進行出價，越高越有競爭力。當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，以此決定后續是否繼續出價。賣場結束后會自動對價最高者生成訂單，該訂單需要用戶在后續完成支付結算。下面是基本流程示意與暗拍賣場的界面：

圖片

圖片

2 關注什么——核心指標

介紹完場景，筆者這里要談的重點是起拍價。我們先從一個例子引入：

圖片

假設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，但實際上仍有很大可能所獲利潤為0甚至為負，競價不充分，存在丟失毛利的風險。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，周轉過慢，一樣丟失毛利。

聰明的讀者可能已經發現了，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，也達到了我們的預期——既成交了也保證利潤空間，也說明該商品或許現階段買家最大預期即是如此，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：

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，也是賣場好壞指標的直觀體現；
• 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，是根本的經營指標；
• 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，當然還需要知道如何去從指標反映效果。

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系，假設對于單個商品，起拍價為sp，成交價為dp，成本價格為cp，用函數F(sp)衡量起拍價的好壞，函數η(sp)表示溢價率，函數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準與成交可能、準確度有關，成交可能越大，定價越準確，說明起拍價制定越好。當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系有關，假設一個商品已經以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指數型下降；
• 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成交，相對更能反映真實價值。

實際上，從賣家視角來看，最終的目標也是最初的優化出發點，是想提升毛利，從單一商品角度來看，毛利其實是不確定因素，因為成交價是由買家控制的，但我們仍然假設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G(dp)表示毛利率與成交價的關系，g(sp)表示毛利率與起拍價的關系，那么存在以下關系轉化：

圖片

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

圖片

可以看出當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，成交率指數下降，溢價率也逐漸增大。自然不難發現，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，成交率取得最大值1，那么理論上整個優化點則可以用如下式子描述：

圖片

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

下面借助圖來說明：

圖片

當溢價越來越小時，利潤空間右端點越向右，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化與評價的方向。

4 取經路上——早期實踐與痛點

了解了指標和基本的思路，接下來就往前一些，從早期思路出發，探討下演變過程中種種實踐的得與失，優與劣。

4.1 基于回收價的實踐

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

圖片

這樣做的優點是，簡單直接，實現比較容易，賣場直接與回收掛鉤，獲得的毛利比較穩定可控，適合品類與庫存規模相對單一的場景。但缺點相對也很突出，主要有以下幾點：

• B端二手市場回收成本價格不穩定，由于賣家貨源不同，即使是同SKU近似機況的兩臺機器，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一標準定價上拍；
• 對于預期毛利率，賣家乃至賣場方均無法給出或者持續給出一個合理的心理預期，尤其在不同SKU乃至不同機況的機器，可能預期均不相同，沒有統一衡量的標準，制定困難；
• 基于運營人力去制定預期利率，對于大體量的品類與庫存規模下，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，因為起拍價不能準確反映其買家市場價值，極易出現定價偏離等情況。反映在指標上則是，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定。

所以這種思路在發展初期尚且可行，但在規模逐漸變大的情況下，難以長期運營。

4.2 基于價目表邏輯的實踐

既然買家市場價值是最好的制定起點，我們不妨就沿著這個思路進行。盡管市場價值無法準確獲取，但作為運營方可以通過歷史數據、經驗、規則輔以人工校準等確定一個SKU維度價目表，根據成色等其他機況再乘以系數，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，用以模擬標品市場價格，隨后再根據具體的成色、機況等確定系數進行微調。其優點是相對基于回收價出發，維護標準價格會使得整個鏈路模塊化、細致化，制定相對準確。其不足之處也同樣明顯：

• 價目表的維護仍然需要運營人力介入，人效較差，需要定期維護更新困難，難以形成自動化的算法方法論；
• 價目表本身的準確性、時效性有待商榷，在龐大的類目體系下，不同類目的數據量、人力投入、人員經驗不足以實時準確捕獲其回歸到SKU維度標品的價值情況；
• 控制性較差，即使確保價目表一定準確實時，在從SKU向成色機況等細粒度落時，仍然需要確定龐大的系數體系。即使可隨時配置調整，其不同品類機況下想保證覆蓋準確，這點仍然非常吃力。

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營，自動化算法能力必不可少。

4.3 基于成交價策略的實踐

如果需要自動化省時省力，又需要一定的準確性、時效性，再結合前一章中的內容，那么在已有的合適數據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為是定量，代表著買家的最終心理預期，基于歷史成交價去制定起拍價，有以下好處：

• 每日均會產生新的成交數據，成交價可按日期進行滑動窗口更新，保證穩定取到新數據，時效性強；
• 成交價作為制定目標，理想情況下可以認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其評價足夠好。

出發點有了，要實現算法自動化，且效果足夠理想，還需要設計整個算法系統，初期我們的框架構想如下：

圖片

其基本的設計理念與內容有以下幾點：

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，分別指第一次進入賣場和多次進入賣場的商品，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，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，認為小于等于買家預期，另一部分不可成交超過買家預期。如果我們仍然在第二天仍用模型對不可成交的部分報價，由于模型每日更新，新模型給出的結果必然會出現價格跳變這一不可控因素，影響買家印象。

若認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，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，也減輕了模型負擔，如下所示：

圖片

4.3.2 SKU成交基準價

流拍策略較為簡單的就縮小了求解范圍，重點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個商品成交價格關于業務系數α放縮后進行加權平均，這里的放縮操作考慮了不同機況下的平滑機制，防止異常價格和賣場差異的影響，使最后的基準更加趨近于真實價值，α詳細邏輯基于不同業務進行單獨條件設計，這里不再詳述。

通過這樣較為簡單的設計，可以將基準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 系數調控模塊

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

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

• SKU基準系數，用于糾偏部分SKU基準價格，系數量等同SKU數量；
• 成色等級系數，用于控制不同成色等級機況價格變化，數量等同質檢成色等級數量；
• 全局調控系數，僅一個，對所有模型輸出結果生效，用以整體控制輸出口徑。

這樣做從原本商品粒度人力調控轉到SKU×成色粒度調控，理想情況下本身相對準確的價格不必需要頻繁調整，只需要根據市場反饋適當監控即可。

4.3.4 風控模塊

即使是非常清晰簡單的模型構建，風控模塊仍然在價格領域不可或缺，畢竟即使是一個badcase也是利潤的損失。風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。

異常價格一般出現在特殊機況，比如質檢項難獲取、質檢有誤等異常質檢機器，會通過單獨維護機況條件進行系數控制，并依據回收價設置價格上下限，防止定價過低或過高。

報價覆蓋度邏輯主要解決新機、老舊機器等數據稀疏，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進行異常處理交予人工，對于報價要求低的老舊機器使用均價降級策略兜底，即細粒度機況缺失便向粗粒度聚合報價即可，最粗可以到機型粒度，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是一種統計思路，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。在早期的實踐中，該方案具有以下成效：

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

但在實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，對于機況粒度捕捉較少，這使得整個起拍價格分布相比實際價值刻畫欠擬合；
• 成色等級是人為劃分概念，在B端市場對于實際機況劃分不準，這使得這一策略天然有偏；
• 基于回收價格使用上下限進行風控，在3.1中提到的回收價的弊端在這里依然存在，以此風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據、稀疏數據帶來的覆蓋難問題；
• 調控模塊系數量過大，即使光手機一個品類，其機型、SKU粒度便有成千上萬，在交叉更細粒度后更有甚之，僅僅case by case去監控調整，也容易因為系數過多而難以判斷調整思路，其調節復雜度是O(*N_sku*×*N_level*×...)。并且由于欠擬合狀態下，系數的調控非常容易誤傷，造成成交和溢價空間未充分釋放，成交與溢價容易產生trade-off現象。

5 修成正果——現有模型構建思路

針對4.3中提出的思路與缺陷，我們順著這個模式進行進一步優化迭代，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，雖存在缺陷但基本都囿于具體的模塊內，僅需進行針對性改進。

5.1 現有模型框架

整體給出現有的模型框架如下圖所示：

圖片

可以看到整體的模塊設計與流拍邏輯基本上沒有變化，不同在于模塊內細節進行了大幅度調整，在首次定價模型上從SKU基準價直接躍升至商品粒度定價，下面將詳述。

5.2 主要模塊設計與思路

5.2.1 價格模塊

相較于此前的SKU基準價格，本次價格模塊豐富了較多內容，核心改進點有以下幾個方面：

• 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計手段給出了SKU粒度的價格，然后使用統一的等級機況系數去推進到商品粒度。本質上還是停留在SKU×等級的粒度，很難將報價精確到每一種機況上。而本模塊則將模型報價能力聚焦至質檢項粒度，針對每一種不同的SKU——驗機項單獨報價，摒棄了不夠準確的等級粒度。

• 模型

粒度更細，傳統統計方法自然無法滿足期待，我們需要擬合SKU——質檢項數據與歷史成交價數據二者間的關系，對于多維度特征來說，機器學習模型當然更好。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

由于成交數據量不算龐大，且商品信息與質檢項數據可以處理為純表格數據，故而樹模型更具有優勢。另外在天然的可解釋性前，不同商品、質檢項特征可以根據重要性進行特征選擇。

這里還有一些小trick，對于回歸模型，可以將label價格取對數，調參時可適當增加樹的復雜度以使得稍微過擬合，這樣對于數據量有限的價格預測來說更具有穩定性。

• 數據與特征

敲定粒度，選型模型，自然需要回到最初的數據選擇與特征處理，除成交數據與商品的基礎特征外，本次引入的數據包括質檢項數據與出價數據。

質檢項數據即每臺機器質檢報告中項目的明細，其檢測結果一般以ID與程度詞進行描述，對于機器學習模型來說很難直接使用，于是首先需要對其進行預處理，處理方式如下：

圖片

單一質檢項的程度詞（如細微、輕微、明顯、嚴重）降序映射為分數（如8、6、4、2），而不同的質檢項根據重要程度升序進行打分，另外根據價格排序下的質檢項共現頻次也可以獲得不同機型下的核心質檢項打分。通過這種方式就可以把離散程度值轉為可比較的連續值，使機器學習模型可進行訓練、驗證、預測。

另外，每個商品在進入賣場后，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果，但合理的出價所落的區域則更能反映該商品在買家心中的價格錨點，用作風控是非常理想的，如果模型給的價格過于偏離錨點，則進行糾偏的置信度相比回收價更高，如果按照成本基線風控，其附近的價格點均浮動在異常出價附近，與成交基線相去甚遠。

5.2.2 系數調控模塊

既然價格模塊已經能做到商品粒度報價，那么調控模塊自然減少壓力，僅僅需要全局系數與流拍系數即可實現整體的指標影響，由于本身擬合度高一般不需要細粒度微調，若需要則根據需要按由細到粗的生效優先級配置個別系數即可實現，其調節復雜度是O(1)級別。

5.2.3 風控模塊

在上一節中提到使用出價作為風控價格錨點相比回收價更準確，以及降級聚合進行兜底收效不佳。那么對風控模塊的迭代將針對這兩處進行：

• 上下限邏輯

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

可以看到三種數據在兩種特征上呈逆序排布，成交價很難在所有機器上都能覆蓋，畢竟不能說所有的SKU×等級機器都有售出且數量可觀，長尾機器一定存在，但是作為商品價值反映一定是最可信的，其余兩種數據同理，于是設計上下限風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 以保利潤優先 未售出可流拍
        final_price = max(model_price, np.average(historical_offer_price_set)) * thres_value_set[4]

根據閾值控制置信度與區間范圍，再根據同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的異常報價控制在一個合理的范圍內，并且所用到的系數不多，調節方便，閾值可以通過數據分析求解。

• 兜底邏輯

在提高覆蓋率這部分邏輯中，先前的想法是細粒度的價格數據稀疏，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構影響，報價不準確且在稀疏側容易被帶偏。迭代中采取如下思路：

1. 考慮商品的最低可接受報價粒度，在手機上則是機型×容量×等級；
2. 現狀是機型容量幾乎滿覆蓋，但具體到等級甚至機況則歷史缺失較多，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粒度，但直接用粗粒度聚合去替代報價，會發現偏差較大；
4. 取而代之，將直接替代進行轉化，舉例說明如下：

圖片

簡單來說，根據已有的機型容量×等級聚合出機型容量均價，將等級序列化后，考慮機型容量均價與等級存在如下簡單的線性關系，從而推廣到全部機型容量×等級粒度，實現全覆蓋，并且在劃定價格段前提下一定程度內近似準確且嚴格防止等級倒掛，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模型即可對其進行求解，需要注意的是，在實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練多組線性模型進行覆蓋補全時，效果更好。

5.3 效果與后續優化空間

介紹清楚了當前最優版本的邏輯與架構，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，并討論其后續改進方向。

5.3.1 模型效果

我們從蘋果與安卓手機分別進行舉例說明這個效果，下面圖中為模型AB實驗，對照組A為第三節中的SKU成交均價策略，實驗組B為第四節新模型體系，脫敏隱去實際值，相同指標處于同坐標刻度下，蘋果手機效果如下圖：

圖片

從品牌來看蘋果手機特點是品類少，數據量大，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，使得商品流通速度更快。

圖片

而從安卓機上來看，其品類繁多，數據量相對少，低值機器更多，價格方差大，本身成交率已經很高，相應的價格擬合度差，溢價高，于是新模型通過商品粒度報價、風控兜底改進，主要在報價準確上獲得較大提升，數據上體現于成交率持平，溢價率大幅度下降。

本質上來說，其實模型優化的都是價格準確度，即降低價格方差，提升擬合度，讓起拍價更逼近真實成交，只是在不同的商品結構上呈現不同的側重點，本質上都是雙端優化，既降低溢價又提升成交，使看起來trade-off的兩個指標都獲得提升，釋放了利潤空間。

為什么可以這么說，還記得系數調控機制嗎，實際上我們只要對其中一幅圖像中的模型報價輸出進行放縮，兩幅圖像就會獲得相同的呈現形式。因為放縮系數不改變分布，只是讓成交和溢價呈現同步變化。而這個雙端優化加上同步變化既釋放了利潤空間又給出了可通過調控應對市場的能力，且調節成本不高，方向明確。

5.3.2 后續優化空間

• 整個系統中雖然實現了幾乎無人力介入，但在應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控模塊，這一點還需要繼續精進以實現完全脫離人力；
• 當前架構下，流拍商品的邏輯過于簡單，雖然高位折價溢價低，但普遍設置的流拍系數不具備普適性，單獨設置又耗費人效，部分商品折價過慢導致售出效率低，這里可以通過類似強化學習的方法進行動態折價優化；
• 風控模塊還不足以完全高準確率、高覆蓋率的實現糾偏與兜底報價，期待更完備的方案設計；
• 整體架構與模塊設計可能亦是山外青山樓外樓。

6 再說兩句——總結

本文主要從起拍價定價這一實際應用場景出發，以實際問題舉例，指標先行提供指導方向，再逐步介紹每一種算法思路，步步為營，揚長避短進行優化，最終給出目前還比較work的一種方案。作為算法類技術分享來說，本文不包含復雜高深的算法理論，單從分析、解決問題的角度演進，旨在分享系統化、模塊化、結構化的思考方式，希望廣大讀者有所裨益，疏漏、不足之處萬望海涵。

關于作者

陳燁，轉轉高級算法工程師，負責轉轉B端搜索召回、排序算法設計優化，以及B賣場起拍價定價算法、C賣場調價系統迭代優化等價格方向工作。