B端智能定价及定价效果评估方法以及集成系统与流程

b端智能定价及定价效果评估方法以及集成系统
技术领域
1.本发明涉及智能定价及评估技术领域，尤其涉及一种b端智能定价及定价效果评估方法以及一种b端智能定价及定价效果评估集成系统。


背景技术：

2.目前，主流的b端定价方法主要是以利润最大化或提升市场份额为定价目标，使用计量经济学相关方法，借助历史交易数据及外部竞争数据、价格反馈等制定价格。而机器学习、深度学习定价方法主要适用于c端场景，比如使用强化学习、营销增益模型等。
3.下面仅对b端主流的定价系统做个概述。
4.一般来说，定价系统会包含几个部分：
5.1)数据同步和预处理模块：将定价所需的全部数据定期更新并进行适当的预处理。一般来说，需要的数据有历史销售数据、外部竞对数据、最新的商品信息等。
6.2)商品分类模块：根据各种维度将商品划分成多个类别，以便后续对不同类别进行不同的处理。参考的划分维度有，商品销量、市场占有率、是否严格控价等。不同的类别的商品给予不同的定价目标，比如，利润最大化、提升市场份额。
7.3)定价模块：依据不同的定价目标和定价方法对商品定价。定价方法最常见的是利润最大化定价法，根据历史销售数据绘制“价格——利润”曲线(利润的计算：价格大于等于当前价格的所有订单的销量乘以当前价格，再减去成本)。
8.4)数据推送模块：将最新的商品定价推送上线。
9.企业直接面对的通常不是需求的最初来源，而是经由另一方(比如，汽配行业企业的直接交易对象就是修理厂，而需求的最初来源是车主)进行交易。再者，企业中可能还存在有一定修改价格权利的、负责报价的前台。因此，不同于c端电商定价，b端定价通常来说面临几个问题：
10.1)报价和是否购买，并不存在直接的因果关系。我们不易判断一个客户不买一个商品是否是因为价格不合适。而且一般来说b端企业的数字化程度相对较低，价格反馈、记录机制不够完善。
11.2)在代客下单的场景(以前台代修理厂下单、修理厂代车主下单的场景为例)，样本如何定义。
12.b端的定价评估，目前主要采取定价策略上线前后对比、区域试验对比等。这些方法本质上都没有遵循严格的统计学实验设计要求，得到的评估结果并不可信。比如，前后对比忽略了各种其他因素在时间上的变化；区域对比如果没有在实验前严格评估了对照组和实验组的一致性则实验毫无意义，即使实验前两组区域近似一致，但实验中也存在许多其他因素干扰。
13.另外，b端定价很难有合适的离线评估方式，即，定价策略上线后的真实收益可能比上线前预期的要差很多。


技术实现要素：

14.针对上述问题，本发明提供了一种b端智能定价及定价效果评估方法以及集成系统，通过采用基于因果推断的定价反馈估计方法，对样本进行分类，并采用同类样本对定价的反应去拟合单个样本对定价的反馈，从而实现对订单进行因果反馈的有效定价，此外，通过严格的离线评估和在线ab评估方法，以不同利润率订单的利润相对于总利润的比例以评估不同定价的利润效果，分析对总利润贡献更大的订单的单位利润率，评估不同定价的利润效果，从而进一步对不同订单的定价进行调整，消除了销量变化的影响，有效控制定价策略的上线风险。
15.为实现上述目的，本发明提供了一种b端智能定价及定价效果评估方法，包括：
16.获取针对b端场景的相关历史数据，并对所述历史数据进行清洗；
17.提取所述历史数据中每个订单的样本特征，并结合当前订单的真实定价及成交结果标签，作为样本数据；
18.将所述样本特征中的特定特征相同的所述样本数据划分为同类样本；
19.确定每类样本在不同定价下的单位期望收益，并以单位期望收益最大的定价作为当前类样本的最终定价；
20.根据定价后的样本数据绘制利润评估曲线，计算不同利润率订单的利润相对于总利润的比例，以评估不同定价的利润效果。
21.在上述技术方案中，优选地，将所述样本数据划分为同类样本的过程包括基于业务逻辑分类和基于机器学习分类两种方式；
22.基于业务逻辑分类方式中，根据所述样本数据中每个订单的样本特征，选取所述样本特征中特定特征相同的样本数据作为同类样本；
23.基于机器学习分类方式中，采用causal forest方法，通过树的生长自动对所述样本数据进行分类。
24.在上述技术方案中，优选地，所述样本数据中，所述样本特征包括搜索query特征、商品特征、门店特征、时间区域特征、客户特征和竞对特征，所述特定特征为所述样本特征中的至少一种特征，所述成交结果标签用于表示当前订单成交或不成交的结果。
25.在上述技术方案中，优选地，在基于业务逻辑的分类方式中，针对分类完成的同类样本，按照所述同类样本的不同真实定价或真实定价的不同价格段进行分组；
26.基于meta learner思想，利用组内直接估计、组间对比估计或组内直接估计 组间对比估计的估计方法，估计每类样本在不同定价下的单位期望收益；
27.在基于机器学习的分类方式中，针对分类完成的同类样本，计算每类样本在不同定价下的单位期望收益。
28.在上述技术方案中，优选地，所述评估不同定价的利润效果的具体过程包括离线评估方式，离线评估用以评估当前定价方法相对于原有定价方法的定价利润效果差异；
29.离线评估过程中，离线样本采用与当前定价方法相同的定价反馈构建同类样本；
30.选取每种同类样本下最高价格段作为基本样本；
31.对所有样本对应所述基本样本的单位期望收益作为评分，将评分从高到低排序，对于同样评分的样本，按照售价从高到低排序；
32.每变动一个样本的处理，计算累计收益和利润率，并绘制利润评估曲线；
33.选取预设的利润率范围，对所述离线样本的定价方法与当前定价方法的利润评估曲线进行对比，评估当前定价方法相对于所述离线样本的定价方法的利润效果优劣。
34.在上述技术方案中，优选地，所述评估不同定价的利润效果的具体过程还包括在线ab评估方式，在线ab评估用以评估当前不同定价方法的定价利润效果差异；
35.在线ab评估过程中，对不同定价方法的所有样本分别以单位利润率作为评分从高到低排序；
36.按照顺序遍历所有样本计算截止当前的累积利润率及累积总利润，同时绘制当前不同定价方法的样本在累积利润率由高至低过程中当前样本订单的利润相对于总利润的比例曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估；或者，
37.按照顺序遍历所有样本计算截止当前的样本数占比及累积总利润占比，同时绘制当前不同定价方法的样本总利润随利润率逐渐降低的订单的总比例逐渐增大的变化曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估。
38.本发明还提出一种b端智能定价及定价效果评估集成系统，应用如上述技术方案中任一项公开的b端智能定价及定价效果评估方法，包括：
39.历史数据清洗模块，用于获取针对b端场景的相关历史数据，并对所述历史数据进行清洗；
40.样本数据处理模块，用于提取所述历史数据中每个订单的样本特征，并结合当前订单的真实定价及成交结果标签，作为样本数据；
41.同类样本划分模块，用于将所述样本特征中的特定特征相同的所述样本数据划分为同类样本；
42.最终定价确定模块，用于确定每类样本在不同定价下的单位期望收益，并以单位期望收益最大的定价作为当前类样本的最终定价；
43.定价效果评估模块，用于根据定价后的样本数据绘制利润评估曲线，计算不同利润率订单的利润相对于总利润的比例，以评估不同定价的利润效果。
44.在上述技术方案中，优选地，所述同类样本划分模块包括选择模块，用于选择采用基于业务逻辑分类方式或基于机器学习分类方式；
45.基于业务逻辑分类方式中，根据所述样本数据中每个订单的样本特征，选取所述样本特征中特定特征相同的样本数据作为同类样本，针对分类完成的同类样本，按照所述同类样本的不同真实定价或真实定价的不同价格段进行分组；基于meta learner思想，利用组内直接估计、组间对比估计或组内直接估计 组间对比估计的估计方法，估计每类样本在不同定价下的单位期望收益；
46.基于机器学习分类方式中，采用causal forest方法，通过树的生长自动对所述样本数据进行分类，针对分类完成的同类样本，计算每类样本在不同定价下的单位期望收益。
47.在上述技术方案中，优选地，所述定价效果评估模块包括离线评估方式，离线评估用以评估当前定价方法相对于原有定价方法的定价利润效果差异；
48.离线评估过程中，离线样本采用与当前定价方法相同的定价反馈构建同类样本；
49.选取每种同类样本下最高价格段作为基本样本；
50.对所有样本对应所述基本样本的单位期望收益作为评分，将评分从高到低排序，对于同样评分的样本，按照售价从高到低排序；
51.每变动一个样本的处理，计算累计收益和利润率，并绘制利润评估曲线；
52.选取预设的利润率范围，对所述离线样本的定价方法与当前定价方法的利润评估曲线进行对比，评估当前定价方法相对于所述离线样本的定价方法的利润效果优劣。
53.在上述技术方案中，优选地，所述定价效果评估模块还包括在线ab评估方式，在线ab评估用以评估当前不同定价方法的定价利润效果差异；
54.在线ab评估过程中，对不同定价方法的所有样本分别以单位利润率作为评分从高到低排序；
55.按照顺序遍历所有样本计算截止当前的累积利润率及累积总利润，同时绘制当前不同定价方法的样本在累积利润率由高至低过程中当前样本订单的利润相对于总利润的比例曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估；或者，
56.按照顺序遍历所有样本计算截止当前的样本数占比及累积总利润占比，同时绘制当前不同定价方法的样本总利润随利润率逐渐降低的订单的总比例逐渐增大的变化曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估。
57.与现有技术相比，本发明的有益效果为：采用基于因果推断的定价反馈估计方法，对样本进行分类，并采用同类样本对定价的反应去拟合单个样本对定价的反馈，从而实现对订单进行因果反馈的有效定价，此外，通过严格的离线评估和在线ab评估方法，以不同利润率订单的利润相对于总利润的比例以评估不同定价的利润效果，分析对总利润贡献更大的订单的单位利润率，评估不同定价的利润效果，从而进一步对不同订单的定价进行调整，消除了销量变化的影响，有效控制了定价策略的上线风险。
附图说明
58.图1为本发明一种实施例公开的b端智能定价及定价效果评估方法的流程示意图；
59.图2为本发明一种实施例公开的b端智能定价的功能架构示意图；
60.图3为本发明一种实施例公开的利润评估曲线的示意图；
61.图4为本发明一种实施例公开的另一种利润评估曲线的示意图；
62.图5为本发明一种实施例公开的b端智能定价及定价效果评估集成系统的模块示意图。
63.图中，各组件与附图标记之间的对应关系为：
64.11.历史数据清洗模块，12.样本数据处理模块，13.同类样本划分模块，14.最终定价确定模块，15.定价效果评估模块。
具体实施方式
65.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人
员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
66.下面结合附图对本发明做进一步的详细描述：
67.如图1和图2所示，根据本发明提供的一种b端智能定价及定价效果评估方法，包括：
68.获取针对b端场景的相关历史数据，并对历史数据进行清洗；
69.提取历史数据中每个订单的样本特征，并结合当前订单的真实定价及成交结果标签，作为样本数据；
70.将样本特征中的特定特征相同的样本数据划分为同类样本；
71.确定每类样本在不同定价下的单位期望收益，并以单位期望收益最大的定价作为当前类样本的最终定价；
72.根据定价后的样本数据绘制利润评估曲线，计算不同利润率订单的利润相对于总利润的比例，以评估不同定价的利润效果。
73.在该实施例中，通过采用基于因果推断的定价反馈估计方法，对样本进行分类，并采用同类样本对定价的反应去拟合单个样本对定价的反馈，从而实现对订单进行因果反馈的有效定价，此外，通过严格的离线评估和在线ab评估方法，以不同利润率订单的利润相对于总利润的比例以评估不同定价的利润效果，分析对总利润贡献更大的订单的单位利润率，评估不同定价的利润效果，从而进一步对不同订单的定价进行调整，消除了销量变化的影响，有效控制了定价策略的上线风险。
74.具体地，在离线阶段，拉取全部所需的历史数据，并清洗数据；在模型上线后，数据清洗的更新周期与模型预测的周期一致。
75.在数据处理过程中，首先依据以下规则定义一个样本：
76.a)t(treatment)：表示一次“定价”的决策/处理；
77.b)y：当前(需求,定价)对的response/结果，即，不成交或成交(y＝0,1)；
78.c)x：影响response的特征。
79.其中，样本特征主要包括搜索query特征、商品特征、门店特征、时间区域特征、客户特征和竞对特征。特定特征为上述样本特征中的至少一种特征。y作为成交结果标签，交易成功的订单标签y置为1，否则为0。y＝0的订单可能包含草稿单、退货订单等。
80.在上述实施例中，优选地，将样本数据划分为同类样本的过程包括基于业务逻辑分类和基于机器学习分类两种方式；
81.基于业务逻辑分类方式中，根据样本数据中每个订单的样本特征，选取样本特征中特定特征相同的样本数据作为同类样本；
82.基于机器学习分类方式中，采用causal forest方法，通过树的生长自动对样本数据进行分类。
83.在上述实施例中，优选地，在基于业务逻辑的分类方式中，针对分类完成的同类样本，按照同类样本的不同真实定价或真实定价的不同价格段进行分组；
84.基于meta learner思想，利用组内直接估计、组间对比估计或组内直接估计 组间对比估计的估计方法，估计每类样本在不同定价下的单位期望收益；
85.在基于机器学习的分类方式中，针对分类完成的同类样本，计算每类样本在不同定价下的单位期望收益。
86.具体地，在自定义同类样本过程中，同一个商品在不同门店，对不同客户，在不同时间可能需要不同的价格。因此，在该过程中，可以根据需要，选取样本特征中的特定特征，自定义同类的样本。其中，特定特征为样本特征中的至少一种特征。例如，选取商品特征、门店特征、时间区域特征和客户特征，则可将同一门店、同一商品、同一客户并且同一日期段的样本划分为同类样本。
87.在上述过程中，定价细分需要实际上是划分同类样本的其中一个原因(业务原因)，另一个原因是，在因果推断中，如果不能够得知t对某一个样本的定价效果(treatment effect)，那么一种合理的方法是用相似同类样本的y去估计t对这一类样本的treatment effect。
88.在上述实施例中，具体地，上述3种meta learner的思想分别对应组内直接估计、组间对比估计或组内直接估计 组间对比估计，即t-learner、s-learner和x-learner。在利用上述三种维度进行数据利用前，需要对数据做一定分组处理，以适应上述三种估计方法。
89.比如，如果要采取组间对比，则可以在几个价格段中选择一个base组(可以是价格段最低或最高的组)，其余组作为实验组，来计算。例如，(同一门店、同一商品、同一类客户、同一日期段)的3种价格段，取最低的价格段作为a1子组，第二、三种价格段作为b1、b2组，那么可以衡量提高定价对单位期望收益的影响。
90.进一步地，通过上述“自定义同类样本 meta learner”或者“causal forest”，得到每类样本在每种价格下(或者在每种价格段下)的单位期望收益后，选择单位期望收益最高的价格(或者价格段)作为最终的建议定价。
91.在上述实施例中，优选地，评估不同定价的利润效果的具体过程包括离线评估方式，离线评估用以评估当前定价方法相对于原有定价方法的定价利润效果差异；
92.离线评估过程中，离线样本采用与当前定价方法相同的定价反馈构建同类样本；
93.选取每种同类样本下最高价格段作为基本样本；
94.对所有样本对应基本样本的单位期望收益作为评分，将评分从高到低排序，对于同样评分的样本，按照售价从高到低排序；
95.每变动一个样本的处理，计算累计收益和利润率，并绘制利润评估曲线；
96.选取预设的利润率范围，对离线样本的定价方法与当前定价方法的利润评估曲线进行对比，评估当前定价方法相对于离线样本的定价方法的利润效果优劣。
97.具体地，离线评估的目的是评估当前定价方法是否相对于老的定价方法有提升，且离线样本并未经历新方法的处理，因此在评估时，采取与新定价方法相同的定价反馈定义是合理的。比如，每种(门店 商品 客户 日期段)认为是一个样本。
98.绘图步骤如下：
99.a)取每种(门店 sku 客户 日期段)下最高的价格段作为base样本。
100.b)对所有样本，以其对应base样本的单位期望收益为score，按照score从高到低排序。对于同score的样本，按照其售价从高到低排序。
101.c)每变动一个样本的处理，计算累积收益和利润率。
102.对比两个定价方法时，选定一定的利润率(或者加价率)范围，除了对比计算曲线下面积a/b，还可以对比两条曲线的y轴均值。
103.在上述实施例中，优选地，评估不同定价的利润效果的具体过程还包括在线ab评
估方式，在线ab评估用以评估当前不同定价方法的定价利润效果差异；
104.在线ab评估过程中，对不同定价方法的所有样本分别以单位利润率作为评分从高到低排序；
105.按照顺序遍历所有样本计算截止当前的累积利润率及累积总利润，同时绘制当前不同定价方法的样本在累积利润率由高至低过程中当前样本订单的利润相对于总利润的比例曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估；或者，
106.按照顺序遍历所有样本计算截止当前的样本数占比及累积总利润占比，同时绘制当前不同定价方法的样本总利润随利润率逐渐降低的订单的总比例逐渐增大的变化曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估。
107.在该定价效果评估方法中，一个sku在一个售价下的利润(预期单位利润)＝实际售价-成本价。而一个好的定价算法，应该在预期单位利润top x％的订单上取得较高的累计利润。
108.其中，本发明的定价效果评估方法公开了上述两种利润评估曲线：
109.如图3所示，针对第一种，利润评估曲线绘制过程中，绘制步骤为：
110.a)所有样本，以其真实单位收益(订单拆到商品粒度，真实单位收益＝总利润/总成本)为score，按照score从高到低排序。
111.b)依次遍历所有样本，计算截止当前的累积利润率及累积总利润占比。
112.其中，对于曲线上的一个点(x,y)：横轴表示累积利润率在x％(或者累积加价率在前x％)，纵轴表示累积利润率在x％的订单的总利润与当前利润率范围内订单的总利润之比(或者累积加价率在前x％的订单的总利润与当前加价率范围内订单的总利润之比)。
113.随着样本的逐渐加入(按顺序)：一方面，累计总利润在逐渐趋近于全部样本的总利润；另一方面，由于新加入的样本的单位利润率是低于之前所有样本的，从而加入新样本之后累积利润率必然降低，因此该曲线图中的横轴上由左向右的值是从大到小逆序排列的。
114.在该曲线中，如果在累积利润率还很高的时候(比如该曲线图中横轴等于45％时)就能够取得80％以上的累积总利润，那说明该定价方法比较成功地对不同商品做了不同的升降价格处理。从这个角度来说，该曲线在前期上升越快(同时，曲线下的面积越大)，证明该定价方法的利润效果越好。
115.比如，在图上横轴的任意一个点x画一条垂直于横轴的直线h，这条直线h与代表a、b的曲线的交点分别为(x,a_y)、(x,b_y)。如果a_y》b_y，则a组的头部订单(它们的累积利润率为x)能够提供a_y百分比的总利润，大于b组的头部订单(它们的累积利润率为x)能够提供的b_y百分比的总利润。简单的说，从a、b两条曲线的总体来看，两条曲线哪条在上面，哪组的定价效果就更好。
116.如图4所示，针对第二种，利润评估曲线绘制过程中，绘制步骤为：
117.a)所有样本，以其真实单位利润率(订单拆到商品粒度，真实单位利润率＝总利润/总成本)为score，按照score从高到低排序。
118.b)依次遍历所有样本，计算截止当前的样本数占比及累积总利润占比。
119.在该曲线的评判过程中，原理与上述第一种曲线的评估原理相同，只是表现形式不同。在该曲线中，比如在累积样本数占比40％-50％时曲线上升明显加快，说明该部分订单对总利润的贡献更大。简言之，在该曲线中，曲线斜率越大的地方，其对应样本的利润贡献越大。那么同样的，如果头部样本的贡献越大(曲线前期上升快)，则说明定价效果越好。
120.比如，在图上横轴的任意一个点x画一条垂直于横轴的直线h，这条直线h与代表a、b的曲线的交点分别为(x,a_y)、(x,b_y)。如果a_y》b_y，则a组的头部x％的订单能够提供a_y百分比的总利润，大于b组的头部x％的订单能够提供的b_y百分比的总利润。同理，从a、b两条曲线总体来看，两条曲线哪条在上面，哪组的定价效果就更好。
121.在上述过程中，cost curve中，t是“补贴”，对每个样本做出是否给予补贴的决策，则对于每个样本来说，最大投入(补贴)是固定的。而如果t是“降低售价”，则对于每个样本来说，最大投入(降低的售价总额)是不固定的，它还受到销量变化的影响。因此，在本发明中，将利润评估曲线cost curve的横轴改为“利润率”，消除了销量变化的影响，并且当样本按照score从大到小排序时，随着处理样本的依次增加，利润率在全局上是单调递减的。
122.此外，cost curve针对单处理的场景，本发明将其扩展到多处理：对排序后的每个样本，从低到高遍历每种“降低售价”的处理，计算当前情况下的总利润率和累积利润(离线评估时曲线会出现局部递减，但不影响评估效果)。
123.如图5所示，本发明还提出一种b端智能定价及定价效果评估集成系统，应用如上述实施例中任一项公开的b端智能定价及定价效果评估方法，包括：
124.历史数据清洗模块11，用于获取针对b端场景的相关历史数据，并对历史数据进行清洗；
125.样本数据处理模块12，用于提取历史数据中每个订单的样本特征，并结合当前订单的真实定价及成交结果标签，作为样本数据；
126.同类样本划分模块13，用于将样本特征中的特定特征相同的样本数据划分为同类样本；
127.最终定价确定模块14，用于确定每类样本在不同定价下的单位期望收益，并以单位期望收益最大的定价作为当前类样本的最终定价；
128.定价效果评估模块15，用于根据定价后的样本数据绘制利润评估曲线，计算不同利润率订单的利润相对于总利润的比例，以评估不同定价的利润效果。
129.在该实施例中，采用基于因果推断的定价反馈估计方法，对样本进行分类，并采用同类样本对定价的反应去拟合单个样本对定价的反馈，从而实现对订单进行因果反馈的有效定价，此外，通过严格的离线评估和在线ab评估方法，以不同利润率订单的利润相对于总利润的比例以评估不同定价的利润效果，分析对总利润贡献更大的订单的单位利润率，评估不同定价的利润效果，从而进一步对不同订单的定价进行调整，消除了销量变化的影响，有效控制了定价策略的上线风险。
130.在上述实施例中，优选地，同类样本划分模块13包括选择模块，用于选择采用基于业务逻辑分类方式或基于机器学习分类方式；
131.基于业务逻辑分类方式中，根据样本数据中每个订单的样本特征，选取样本特征中特定特征相同的样本数据作为同类样本，针对分类完成的同类样本，按照同类样本的不同真实定价或真实定价的不同价格段进行分组；基于meta learner思想，利用组内直接估
计、组间对比估计或组内直接估计 组间对比估计的估计方法，估计每类样本在不同定价下的单位期望收益；
132.基于机器学习分类方式中，采用causal forest方法，通过树的生长自动对样本数据进行分类，针对分类完成的同类样本，计算每类样本在不同定价下的单位期望收益。
133.在上述实施例中，优选地，定价效果评估模块15包括离线评估方式，离线评估用以评估当前定价方法相对于原有定价方法的定价利润效果差异；
134.离线评估过程中，离线样本采用与当前定价方法相同的定价反馈构建同类样本；
135.选取每种同类样本下最高价格段作为基本样本；
136.对所有样本对应基本样本的单位期望收益作为评分，将评分从高到低排序，对于同样评分的样本，按照售价从高到低排序；
137.每变动一个样本的处理，计算累计收益和利润率，并绘制利润评估曲线；
138.选取预设的利润率范围，对离线样本的定价方法与当前定价方法的利润评估曲线进行对比，评估当前定价方法相对于离线样本的定价方法的利润效果优劣。
139.在上述实施例中，优选地，定价效果评估模块15还包括在线ab评估方式，在线ab评估用以评估当前不同定价方法的定价利润效果差异；
140.在线ab评估过程中，对不同定价方法的所有样本分别以单位利润率作为评分从高到低排序；
141.按照顺序遍历所有样本计算截止当前的累积利润率及累积总利润，同时绘制当前不同定价方法的样本在累积利润率由高至低过程中当前样本订单的利润相对于总利润的比例曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估；或者，
142.按照顺序遍历所有样本计算截止当前的样本数占比及累积总利润占比，同时绘制当前不同定价方法的样本总利润随利润率逐渐降低的订单的总比例逐渐增大的变化曲线，作为当前不同定价方法的利润评估曲线，以对当前不同定价方法的定价利润效果优劣进行评估。
143.根据上述实施例公开的b端智能定价及定价效果评估集成系统，各模块所实现的功能与上述实施例中的b端智能定价及定价效果评估方法中各步骤的实现方式分别对应，在此不再赘述。
144.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。