电商定价与 SKU 丰富度的算法策略解析

假设商品价格 $p$ 受历史销售量 $s$、市场价格 $m$、竞品价格 $c$ 及属性 $a$ 影响，可构建线性回归模型：

$$ p = \beta_0 + \beta_1 s + \beta_2 m + \beta_3 c + \beta_4 a + \epsilon $$

其中 $\beta$ 为系数，$\epsilon$ 为误差项。系数求解通常采用最小二乘法：

$$ \beta = (X^T X)^{-1} X^T y $$

2. SKU 推荐模型

协同过滤算法通过计算用户与商品的相似度来推荐。余弦相似度公式如下：

$$ sim(u, i) = \frac{\sum_{j \in N(u) \cap N(i)} (r_{uj} - \bar{r}u)(r{ij} - \bar{r}i)}{\sqrt{\sum{j \in N(u)} (r_{uj} - \bar{r}u)^2} \sqrt{\sum{j \in N(i)} (r_{ij} - \bar{r}_i)^2}} $$

该公式衡量了两个向量在多维空间中的夹角大小，值越接近 1 表示相似度越高。

项目实践：Python 代码实现

下面展示一个基于 scikit-learn 的价格预测简易实现。为了演示方便，这里使用模拟数据生成器替代外部 CSV 文件。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 1. 模拟数据生成
np.random.seed(42)
n_samples = 1000
data = {
    '历史销售量': np.random.randint(50, 500, n_samples),
    '市场价格': np.random.uniform(800, 1200, n_samples),
    '竞争对手价格': np.random.uniform(700, 1100, n_samples)
}
df = pd.DataFrame(data)

# 构造目标变量（模拟真实价格逻辑）
df['商品价格'] = (
    100 + 
    0.5 * df['历史销售量'] + 
    0.3 * df['市场价格'] + 
    0.2 * df['竞争对手价格'] + 
    np.random.normal(0, 50, n_samples)
)

# 2. 特征工程与划分
X = df[['历史销售量', '市场价格', '竞争对手价格']]
y = df['商品价格']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 模型训练
model = LinearRegression()
model.fit(X_train, y_train)

print(f"模型 R² 分数：{model.score(X_test, y_test):.4f}")
print(f"系数：{model.coef_}")

# 4. 预测示例
new_data = pd.DataFrame({
    '历史销售量': [100],
    '市场价格': [1000],
    '竞争对手价格': [900]
})
predicted_price = model.predict(new_data)

print(f'预测价格：{predicted_price[0]:.2f}')

代码解读：

• 数据模拟：实际项目中需对接数据库，此处用 numpy 生成随机分布数据以便运行。
• 特征选择：选取了三个关键变量，实际场景可增加更多维度（如促销活动、季节因子）。
• 评估指标：使用 $R^2$ 分数评估模型拟合优度，越接近 1 效果越好。
• 预测调用：输入新样本即可得到建议价格，注意数据类型需与训练集一致。

对于 SKU 推荐，通常涉及矩阵分解或深度学习模型，代码逻辑类似，重点在于处理稀疏的用户 - 物品交互矩阵。

应用场景与展望

1. 现有场景

• 电商平台：动态定价、千人千面推荐、智能补货。
• 零售行业：促销策略制定、库存周转优化。
• 制造业：产能规划、产品生命周期定价。

2. 未来趋势

随着 AI 技术进步，管理将更加智能化：

• 个性化定价：基于实时用户行为动态调整价格。
• 动态 SKU 推荐：根据上下文即时调整推荐列表。
• 全链路自动化：从预测到补货决策形成闭环。

参考资料

• 书籍：《机器学习》（周志华）、《Python 机器学习实战》
• 课程：Coursera 机器学习、edX 数据科学
• 工具库：pandas, numpy, scikit-learn, matplotlib
• 云平台：AWS, Azure, GCP

注：本文旨在分享技术思路，具体业务落地需结合实际情况调整参数与模型。