一种智能定价系统

技术领域

本发明涉及运营定价活动的智能管理领域，具体涉及一种智能定价系统。

背景技术

随着民宿竞争的加剧，产生精细化运营的需求。其中价格的跳转是精细化运营的一部分，传统的做法是工作人员盯着各个平台的价格，并根据当时的售卖情况和盈利预期进行调整。这对人力成本和精力占用很大，且判断结果因人而已，无法复制，效率很低，成本很高，无法满足商家的需求。

发明内容

本发明的目的在于克服上述技术缺陷，提供一种智能定价系统，无需人员干预，能够自动根据市场情况灵活决定价格并无人的情况下设置到系统中，保证定价的最优化以及人力成本的最低化。

为实现上述目的，本发明提出了一种智能定价系统，所述系统包括：价格推荐模块、调价规则引擎模块、预订预测模块、优化器和执行器；

所述价格推荐模块，用于定期采集市场价格信息与相互推荐关系，生成推荐相关性矩阵和价格信息表；通过推荐相关性矩阵和价格信息表生成相似价格生成表，发送至调价规则引擎模块，还用于建立业务数据库发送至调价规则引擎模块；

所述调价规则引擎模块，用于通过业务数据库信息和相似价格生成表生成变量表：通过预先配置好的调价规则引擎对变量表的每个变量的格式进行校验，生成执行指令；所述调价规则引擎包括判断条件、价格变更公式和作用时间范围；

所述预定预测模块，用于通过机器学习，对未来一个月的房子的预订情况进行预测，输出预测结果；

所述优化器，用于根据预定预测模块输出的预测结果和调价规则引擎输出的执行指令，生成调价规则引擎-模拟结果，根据该结果调整参数并反馈到调价规则引擎，反复执行上述过程，直到达到预设的迭代次数；

所述执行器，用于执行所述调价规则引擎模块最终输出的执行指令，输出定价结果。

作为上述系统的一种改进，所述系统还包括：寻价优化模块，用于通过多渠道异价策略，寻找最优价格；具体为：

创建和房子A一样的房子B并修改部分内容，上架房子B，其价格比房子A高100～200元；

监测B房子的订单；若有订单则给A下单购买；关闭房子A和房子B在其它渠道的信息；

若房子B订单占比30％以上，则将最终输出的执行指令中房子A价格调整为房子B价格，将房子B下架。

作为上述系统的一种改进，所述推荐相关性矩阵记录了所有出售房子之间的相关性关系；所述价格信息表记录了不同时刻的某个房子价格信息和售卖情况；相似价格生成表记录了被推荐关系相同房子集合的最低价、被推荐关系相同房子集合的最高价和被推荐关系相同房子集合的中位价；所述业务数据库记录了所有房子的信息、初始价格及其相关的信息。

作为上述系统的一种改进，所述变量记录了所有房子的被推荐关系相同房子集合最低价、被推荐关系相同房子集合最高价、被推荐关系相同房子集合中位价、初始价以及售卖的天数。

作为上述系统的一种改进，所述预订预测模块的具体实现过程为：

定期采集全行业市场情况，进行解构化处理存入日志；

产生全市场某一刻的镜像，定期增量同步本地数据库，产生实际的交易数据与当时的市场状态的对应表；

对上述数据进行量化处理，使数据符合整体分布，数值转换使数值落到0和1之间；

抽取33％的数据作为测试集，其余为训练集；

利用训练集对随机森林模型进行训练，输入为标签化后的数据，输出为一个针对此类数据的分类器模型；然后在测试集上对训练好的模型进行测试；反复优化；

使用训练好的模型对现在的数据进行一个月后预订情况进行预测，输出预测结果。

作为上述系统的一种改进，所述系统还包括：无人定价模块，用于定时调度查看执行指令，执行其中的不可通过程序调用的执行指令；定时调度，查看调价规则引擎的寻价开关，根据事先优化策略开启寻价开关或优化调价规则。

本发明的优势在于：

1、本发明的系统用于自动调价，具体是智能决策价格、自动执行的无人系统；

2、本发明的系统无需人员干预，能够自动根据市场情况灵活决定价格并无人的情况下设置到系统中，保证定价的最优化以及人力成本的最低化。

附图说明

图1为本发明的智能定价系统的结构示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

如图1所示，本发明的智能定价系统包括：价格推荐模块、调价规则引擎模块、预订预测模块、优化器、执行器、寻价优化模块和无人定价模块；

价格推荐模块，用于通过信息采集系统获取市场公开的价格信息，推荐当前的合理定价，从而在市场竞争中快速调整，占据合理的定价区间；

定期采集市场价格信息与相互推荐关系，形成推荐相关性矩阵和价格信息表；通过推荐相关性矩阵和价格信息表生成相似价格生成表：

调度程序开启后，读取ETL功能的DAG代码文件，计算其预配置的调度条件，当满足触发条件(如每天的几点,或者每xx分钟)时则运行相应的ETL作业。ETL程序被调度程序开启后，读取推荐相关性矩阵和价格信息表中的数据，清洗并转换，产生以下处理后的新数据：全市场某一刻的价格镜像数据；产生指定房子在推荐网络的推荐关系与度中心度数据；产生指定房子在被推荐房源中的市场平均价中位价等价格数据，相应数据存入相似价格生成表(在调价规则引擎模块可以配置直接使用此价格信息自动处理价格变化)。

通过人工在本地生成业务数据库信息。

调价规则引擎模块：用于通过预先配置好的规则，执行到最终价格展示平台，从而实现规则的落地。

用户配置的调价规则引擎包括：判断条件、价格变更公式和作用时间范围；通过业务数据库信息和相似价格生成表生成变量表；基于调价规则引擎，使用解析器对变量表的变量进行解析：每隔固定时间，读取规则文本，将条件+公式转换为布尔表达式，并将数据库中的实时数据输入进去后输出价格调整系数，最后汇总价格系数和作用范围，生成为执行指令；

预订预测模块：通过机器学习，对未来一个月的预订情况进行预测，对调价规则引擎模块记录的价格进行模拟对抗，输出预测结果，通过优化器优化为最好的价格，然后对原有的规则进行调整和优化。

定期采集全行业市场情况，进行解构化处理存入日志；

产生全市场某一刻的镜像，定期增量同步本地数据库；产生实际的交易数据与当时的市场状态的对应表(一张维度特别高的宽表)；

对上述数据进行量化处理，使数据符合整体分布，数值转换使数值落到0和1之间；

抽取33％的数据作为测试集，其余为训练集；

利用训练集对随机森林模型(输入为标签化后的数据,输出为一个针对此类数据的分类器模型)进行训练；然后在测试集上对训练好的模型进行测试；反复优化，机器学习训练好的模型对现在的数据进行一个月后预订情况进行预测。

调整调价规则引擎模块的规则，生成执行指令导入机器学习训练好的模型进行规则的人机对抗从而对现有的规则进行调整和优化。

执行器，用于调用API接口，执行调价规则引擎模块输出的执行指令。

寻价优化模块：通过多渠道异价策略，寻找最优价格。

查看调价规则引擎中的寻价开关，若开关打开，则创建和现有房子A一样的房子B并修改部分内容，调用API上架B到现有的渠道上(价格比A高100～200元左右)；监测B房子的订单；若有订单则给A下单购买；关闭A和B房子在其它渠道的房态；若B房子订单占比30％以上,A房子价格调整为B房子价格，B房子下架。

无人定价模块：通过RPA(软件流程自动化)技术，模拟人对现有的PMS系统的操作，完成上述模块的操作，实现无人定价。定时调度查看执行指令，执行其中的不可通过API调用的调价执行指令；定时调度，查看现有的调价规则寻价开关，根据事先优化策略开启开关或优化调价规则，整个系统可降维可用。

实例：

价格推荐模块中存储的信息包括：推荐相关性矩阵、价格信息表、业务数据库和相似价格生成表。

其中，推荐相关性矩阵是通过信息采集系统获取市场公开的价格信息建立的：

推荐相关性矩阵

价格信息表

业务数据库是人工在本地建立的：

业务数据库信息

通过推荐相关性矩阵和价格信息表生成相似价格生成表：

相似价格生成表

在规则引擎模块，通过业务数据库信息和相似价格生成表生成变量表：

变量表

设置的调价规则引擎：

调价规则引擎

生成调价规则引擎-执行指令：

预定预测模块，对房子售卖的情况进行预测；

优化器根据预测模块和调价规则引擎-预执行指令生成调价规则引擎-模拟结果：

调价规则引擎-模拟结果

根据模拟结果，调整参数并反馈到调价规则引擎，反复执行上述过程，直到达到预设的迭代次数。

执行器运行执行指令：

寻价优化模块，通过通过多渠道异价策略，寻找最优价格；

本发明的改进点在于：

在价格推荐模块，使用的是基于传播相似性的相似算法。在调价规则引擎模块：使用自主研究算法(即通过布尔表达式对条件,公式,算法的规则语法进行解析)，转换规则集为价格判断策略；

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。