在时尚电商的促销活动中，定价是一项极具挑战性的任务。需求模式受多种因素影响，如季节性、时尚趋势、竞争对手活动等，波动剧烈。定价决策需要在短时间内做出，同时还要平衡短期收入最大化和长期客户关系及库存效率。传统的每周粒度系统通常依赖于人工经验和规则，决策过程缓慢，难以应对快速变化的市场。
为了克服这些挑战，来自欧洲领先在线时尚零售商Zalando的研究团队开发了一种全新的算法定价工具，该工具采用'先预测后优化'的框架。其核心是一个基于梯度提升树的日分辨率需求预测模型。与周度预测相比，日度预测能够捕捉更精细的需求变化，例如促销期间的即时反应和库存状态。该模型针对超过500万件商品的销售历史进行训练，并整合了价格、促销类型、日期特征等多种输入变量。
在预测的基础上，研究团队应用多目标优化技术来同时优化长期利润和净商品价值。长期利润关注的是整个客户生命周期内的盈利能力，而净商品价值则考虑了商品本身的周转和毛利率。这两个目标往往存在冲突，但通过加权求和或帕累托前沿方法，优化器能够找到一个最佳平衡点。该优化问题是一个大规模混合整数规划，需要在几分钟内求解，因此采用了高效的启发式算法和并行计算。
与传统的手动-算法混合方法相比，新系统将定价决策时间从数小时缩短到几分钟。研究团队在2023年至2024年的多个销售活动期间，在12个不同的欧洲市场进行了23次A/B测试。每个测试中，随机选择的商品子集采用新算法定价，而对照组沿用原有方法。结果显示，新系统在利润上平均提升了约6%，同时在销售额和收入上保持稳定，没有出现显著下降。这些结果具有统计显著性，验证了方法的有效性。
基于这些积极结果，Zalando已将这一算法部署到生产环境，目前负责公司销售活动中超过80%的算法定价决策。部署过程中，团队克服了系统集成、实时性能监测和异常处理等工程挑战。此外，该算法设计考虑了可扩展性，能够轻松扩展到更多商品和新的销售事件。
这项研究的贡献在于，它不仅展示了一套完整的端到端定价系统，还通过大规模实证证明了高频定价在实际商业环境中的价值。对于学术界，它提供了一个将机器学习和运筹优化结合的实例，并提出了开放性问题，例如如何处理多阶段动态定价和竞争反应。对于电商行业，该工具为提升盈利能力提供了可行方案，同时对顾客体验影响较小。
未来，研究团队计划进一步改进预测模型，例如引入深度学习捕获复杂非线性关系，并与实时数据流对接。此外，他们还计划将算法应用于日常定价而非仅限促销活动，以发挥更大价值。