B端智能定价及定价效果评估方法以及集成系统与流程

技术特征：
1.一种b端智能定价及定价效果评估方法，其特征在于，包括：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；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；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；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；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。2.根据权利要求1所述的b端智能定价及定价效果评估方法，其特征在于，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；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；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。3.根据权利要求1或2所述的b端智能定价及定价效果评估方法，其特征在于，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。4.根据权利要求2所述的b端智能定价及定价效果评估方法，其特征在于，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；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；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。5.根据权利要求1或4所述的b端智能定价及定价效果评估方法，其特征在于，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；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；选取每种同类样本下最高价格段作为基本样本；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；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；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。6.根据权利要求5所述的b端智能定价及定价效果评估方法，其特征在于，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；
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；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，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。7.一种b端智能定价及定价效果评估集成系统，应用如权利要求1至6中任一项所述的b端智能定价及定价效果评估方法，其特征在于，包括：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；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；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；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；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。8.根据权利要求7所述的b端智能定价及定价效果评估集成系统，其特征在于，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；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；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。9.根据权利要求8所述的b端智能定价及定价效果评估集成系统，其特征在于，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；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；选取每种同类样本下最高价格段作为基本样本；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；
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；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。10.根据权利要求9所述的b端智能定价及定价效果评估集成系统，其特征在于，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；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；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，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。

技术总结
本发明公开了一种B端智能定价及定价效果评估方法以及集成系统，方法包括：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；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；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；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；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。通过本发明的技术方案，实现了对订单进行因果反馈的有效定价，有效控制了定价策略的上线风险。线风险。线风险。


技术研发人员：姜炫澈 刘春博 邱秉泉
受保护的技术使用者：杭州喵智科技有限公司
技术研发日：2021.12.10
技术公布日：2022/7/25