在生鲜零售行业，定价策略一直是影响企业竞争力和盈利能力的关键因素。随着市场竞争的加剧和消费者需求的多样化，传统的人工定价方式已经难以满足快速变化的市场环境。本文将深入探讨如何从0到1搭建生鲜零售行业的算法自动定价系统，重点聚焦于算法出价链路的技术基建。

前两篇聊了生鲜定价的底层逻辑和自动定价的价值，这次聚焦算法出价链路的技术基建—— 毕竟 “算法代替人出价” 不是口号，得靠 “采集→计算→决策→执行” 的自动化链路支撑

一、链路抽象：算法出价的 “流水线逻辑”

算法出价不是单系统能搞定的，而是 “规则产品化→算法出价→系统执行→价格风控”的闭环：用 “餐厅做菜” 类比更直观：

• 规则产品化：把厨师的 “放盐 3 克、焖煮 5 分钟” 经验，写成《标准化菜谱》（运营经验→系统规则）；
• 算法出价：厨师按菜谱 + 食材品质，算出 “这道菜卖 29.9 还是 39.9”（规则 + 数据→算法价）；
• 系统执行：菜做好后，试吃员检查（校验规则），合格了才端给顾客（算法价自动生效），不合格回炉（人工干预）；
• 价格风控：全程监控 “食材是否新鲜、调料是否超标”（全链路价格合规性检查）。

二、分模块拆解：每个系统解决什么问题？

出价链路的核心是“采集系统、数仓、价格系统、算法”四个模块的协同

1. 采集系统：竞对数据的 “侦察兵”，解决 “去哪采、采什么、怎么关联”

生鲜定价的核心是 “紧跟竞对”，但竞对平台在一个城市有几百个站点（比如上海有 600 + 竞对站点），每个站点价格还不一样（浦东店和浦西店的青菜价可能差 1 块）。故采集系统要打透三个核心问题：

（1）全渠道采集：覆盖 “原价 + 售价 + 到手价”

用户感知的是 “到手价”，但我们定价要参考多种价格。所以采集系统得把竞对价格拆成三层：

• 原价（标价，如青菜标 4.99 元）；
• 售价（叠加单品活动后，特价：3.99 元）；
• 到手价（叠加总价活动，如2件5.99元）。

采集系统要把这三个价格都扒下来，供后续分析

（2）站点级采集 + 城市级聚合

竞对在上海有 600 个站点，每个站点的价格是 “区域化” 。采集系统要做 “两级处理”：

• 站点级采集->站点级竞对价：按 “竞对站点vs我方站点” 的逻辑，采集 “站点级竞对价”（比如竞对张江店的上海青价，对应我方张江店的定价参考）；
• 城市级聚合->城市级竞对价：把同一城市内、同一商品的所有站点竞对价，聚合出 “城市级参考价”（比如上海所有竞对站点的青菜价，平均后作为我方上海的竞对参考）。

（3）商品关联：标品 + 非标品的 “配对逻辑”

竞对的商品和叮咚的商品，不是一一对应的（比如我方的 “云南小颗土豆” vs 竞对的 “黄心土豆”）。采集系统得做 “商品关联”：

• 标品（可乐、伊利牛奶）：看条码、规格，直接配对；
• 非标品（草莓、蔬菜）：按 “产地、重量、包装、认证” 等商详能看到的属性打标签，拆分能够对比的配对（比如竞对的 “云南高原草莓 200g”，配对我的 “云南红颜草莓 250g”，再按重量差调整价格）

最后汇总各属性的比分，根据属性权重计算出二者的属性比例，例如：

我方 “云南小颗土豆”属性分 ： 竞对“黄心土豆”属性分= 1.2:1

故我方 “云南小颗土豆”竞对价  = 1.2 * “黄心土豆”竞对价

2. 数仓：大数据的 “超级计算器”，解决 “运算量爆炸” 难题

采集系统每天拿到 “600 站点 ×1 万 SKU×3 层价格” 的数据，运算量有多大？上海一个城市，每天要处理 600×10000×3=18,000,000 条数据！纯靠工程系统计算，服务器分分钟 “爆掉”。

数仓的作用是 “把复杂计算外包给大数据引擎”：

• 用 Hadoop、Spark 等分布式计算框架，并行处理 “站点级数据→城市级聚合”“非标品相似度匹配” 这些重运算；
• 把计算好的 “城市级竞对价、商品关联结果” 回传给采集系统，再流转到价格系统。

3. 价格系统：定价规则的 “总调度室”，输出 “市场建议价”

价格系统是 “算法出价” 的前站，要整合 “竞对价 + 内部规则”，输出 “市场建议价”

（1）规则整合：把运营经验变成 “可配置参数”

价格系统里存了非常多的行业定价规则，覆盖 “品类、区域、时间、库存” 等维度，比如：

• 品类规则：引流品（鸡蛋）毛利≤5%，且价格≤竞对价的 95%；利润品（有机蔬菜）毛利≥25%，且价格≤竞对价的 105%（允许略高，因为品质更好）；
• 活动规则：如果商品正在生效促销活动，为避免影响活动效果，算法价保持不变
• 涨跌幅规则：不同价格带 * 品类的涨跌幅区间不同

这些规则都是 “品 x 城市 x 时间” 维度的，价格系统要像 “乐高积木” 一样，把规则组合起来，输出每个 SKU 在每个城市的 “市场建议价” + 定价策略。

（2）输出 “市场建议价”：算法的 “初始参考”

价格系统输出的 “市场建议价”，是算法出价的基础，注意竞对价≠市场建议价。举个栗子：

因为要考虑 “N 天内的竞对价格波动”，最终定义市场建议价的取值逻辑，例如取3日内均 or  7日内中位数等

4. 算法：量价模型的 “决策脑”，输出 “算法价”

算法的输入是 “市场建议价 + 定价规则”，核心是 “量价模型”—— 即 “价格变化如何影响销量，进而影响毛利”。

（1）量价模型：找到 “销量 – 价格” 的最优平衡点

量价模型分类（重点核心）

（2）算法价的 “生效开关”：校验 + 人工干预

算法输出的价格，不是直接上线，要过两道闸：

• 规则校验：算法价是否低于成本（负毛利）？是否违反 “大包装比小包装贵”（量贩价优规则）？如果违反，算法价 “冻结”，触发人工审核；
• 人工干预：运营可以设置 “特殊场景白名单”（比如暴雨天，青菜需求暴增，算法要涨价，但运营可以手动改成 “不涨”，并记录原因，反哺算法）。

三、链路协同：四个系统如何 “无缝配合”？

整个出价链路像一条 “流水线”，每个系统各司其职又紧密协作：

1. 采集系统：获取竞对数据→传给数仓；
2. 数仓处理（聚合、关联）：把 “干净的竞对价” 回传给价格系统；
3. 价格系统：整合规则→输出市场建议价→传给算法；
4. 算法：用量价模型算出算法价→（价格系统负责：过校验→自动生效 or 人工干预）
5. 价格风控：全程监控（比如算法价生效后，实时看是否负毛利，有问题立即拦截）

四、链路价值：效率、精准度、毛利的三重突破

这套链路跑通后，定价效率发生了质变：

• 一般品从每周调价变成系统每日自动计算，价格更贴近市场；
• 重点品从人工每天调价变成系统实时响应竞对变化，运营只需处理异常情况；
• 算法价采纳率逐步提升，毛利率波动减少，销量稳定性提升。”

这个系统后来被推广到全品类，成为公司核心的定价基础设施

写在最后：链路的本质是 “让数据和规则自动流转”，从而实现精细化价格运营

搭建出价链路，不是堆系统，而是把 “人对市场的理解” 转化为 “系统可执行的规则”，再用数据驱动规则迭代。就像给定价业务装了个 “自动驾驶系统”—— 人只需要设定目的地（毛利目标、用户心智），系统自己选路线（算法出价），还能实时避障（价格风控）。

系列文章：

从 0 到 1 搭建生鲜零售行业算法自动定价系统（1）

从 0 到 1 搭建生鲜零售行业算法自动定价系统（2）

—— 待分享

• 如何设计全国分城\分仓自动定价，从而实验区域化价格竞争，追求更高毛利
• 标准零售行业的价格校验机制有哪些？