Contextual Dynamic Pricing — 最优上下文定价：O(√dT) Regret + LDP 隐私保护
Skill-Contextual-Dynamic-Pricing-Optimal · 17-价格优化
causalexperimentoptimizationknowledge_graphpricing知识图谱与RAG定价与利润风控与合规WF-D 选品扫描WF-F 动态定价WF-G Listing内容优化WF-H 复购增长
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色定价负责人 / 运营负责人 · 选品负责人 · CEO
适用平台Amazon Buy Box 竞价策略 · 多市场价格协调 · Prime Day / Coupon 折扣优化
什么情况下用竞品突然降价，不知道该不该跟，跟了怕伤利润不跟怕丢 BSR；大促期间不知道折扣给多少，给多了利润没了
成功是什么样的实时监控竞品价格并自动触发调价，毛利率保持在目标区间，BSR 排名和利润同时兼顾
业务痛点
1. 解决的问题
上下文定价（Contextual Dynamic Pricing）将传统 MAB 定价问题扩展为依赖上下文的序贯决策。买家的潜在估值（valuation）被建模为
2. 核心算法逻辑
上下文定价（Contextual Dynamic Pricing）将传统 MAB 定价问题扩展为依赖上下文的序贯决策。买家的潜在估值（valuation）被建模为：
3. 业务应用场景
业务背景：不同用户群（海外华人/本地消费者/新生儿家庭）对同款婴幼儿奶粉的购买意愿差异显著。传统定价对所有用户一刀切，损失大量利润空间。
| 特征类别 | 特征维度（示例） | |---------|----------------| | 用户上下文 | 婴儿月龄段（0-6/6-12/12-24个月）、历史复购频次、首购/复购标签、平台来源 | | 商品上下文 | 规格（900g/1.8kg）、段数（1/2/3段）、有机认证标志、季节性需求指数 | | 市场上下文 | 竞品近7日均价、平台大促距离天数、当地育儿论坛热度指数 |
算法应用：每个用户下单前，构建 $X_t \in \mathbb{R}^{15}$，UCB-based 定价器给出个性化报价。关键优势：在不知道用户真实 WTP（支付意愿）的情况下，通过序贯购买/放弃信号反向学习，300-500轮后收敛速度比 A/B 测试快 60%。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
未自动抽取；请查看原始 Skill 卡片。
7. 代码模板
代码块数量：1 · 路径：未检测到
# 快速使用示例
from paper2skills_code.pricing.contextual_dynamic_pricing import (
PricingContext,
OptimalContextualPricer,
simulate_pricing_trial,
)
# 构建上下文
ctx = PricingContext(
product_features=[0.8, 1.0, 0.5], # 规格/认证/竞争力
user_features=[0.3, 0.7, 1.0], # 月龄段/复购频次/平台权重
market_features=[0.6, 0.2], # 竞品价格指数/大促距离
)
pricer = OptimalContextualPricer(context_dim=8, price_range=(50.0, 200.0))
price = pricer.propose_price(ctx) # 上下文感知报价
pricer.observe_outcome(purchased=True) # 二值反馈学习
# 批量模拟
results = simulate_pricing_trial(n_rounds=1000)
print(f"累积 Regret: {results['cumulative_regret']:.2f}")8. 论文来源
- 2406.02424