AI 定价引擎手册
定价是乘数，广告是加法——A/B 实测 GMV +13%，定价科学化比多投广告更高效
竞品监控 · 弹性估算预期收益
- [OK] Buy Box 获得率从 41% 恢复至 79%，月均 GMV +$32,000
- [OK] AIGP 动态定价 A/B 实测 GMV +13%（真实实验，非预测）
- [OK] 清仓效率提升，资金回收速度 +15-40%
- [OK] 「定价是乘数，广告是加法」——精准定价 1% 比广告多投 15% 更高效
Step 1：竞品价格实时感知
竞品降价后 47 分钟才响应，Buy Box 已丢失——每 30 分钟延迟损失 GMV 约 $1,600
→ 竞品价格信号实时采集，Buy Box 获得率 41%→79%，响应延迟从 47 分钟降至 18 分钟（ROI 73.2万）
→ 因果竞争响应模型：量化「不跟降损失多少」，驱动有依据的响应决策（ROI 5-60万）
Step 2：需求弹性估算
「这个 SKU 降 $2 能多卖多少件」——没有弹性数据，定价靠猜
→ 需求价格弹性估计 + 最优价格公式 P*=ε/(ε+1)·MC，利润率 +8-12%（ROI 50万）
→ DML 分群弹性差异：7-12 月龄用户对价格敏感度是 0-3 月龄的 2.3 倍，精准定价（ROI 1500-2500万）
Step 3：动态定价执行
人工定价最大缺陷：只能优化当前销量，无法同时考虑长期品牌溢价和库存健康
→ LLM 跨周期 GMV 对齐定价，A/B 实测 GMV +13%，这是真实实验数据不是预测（ROI 1321万）
→ 清仓折扣优化：库存生命周期内最大化总回收价值，清仓多回收 15-40%（ROI 20-50万）
→ 捆绑定价提升 AOV：吸奶器+法兰配件组合定价，配件复购率 +25%（ROI 10-15万）
Step 4：定价效果度量与迭代
调价后「效果好不好」靠感觉判断，无法区分是定价作用还是季节波动
→ 双重差分估计调价因果效应：区分真实影响与自然波动（ROI 50万）
→ 分离价格效应与广告效应：告诉 CMO 预算浪费在哪里（ROI 1000万）
→ 促销长期 LTV 追踪：6 个月后用户复购是否真的提升了？（ROI 200-500万）
想了解这套方案如何落地你的业务？
预约 30 分钟免费 ROI 测算 — 基于你的 SKU 数量、广告预算和当前痛点，给出定制化收益估算。
- ✓ 结合你的实际数据，不是通用模板
- ✓ 明确哪 1-2 个 Skill 优先落地 ROI 最高
- ✓ 30 分钟，结束后你有一份行动清单
发送邮件后 24h 内回复确认时间