
无论用户是在 Google 搜索、去 Amazon,还是询问聊天机器人,AI 都会给出包含商品推荐的答案,而大多数电商品牌根本不知道怎样才能让自家商品成为那个答案。定价数据正好处在这个问题的两端:一端是 AI 定价系统为了制定价格所需要的数据,另一端是 AI 购物智能体在决定选择你的商品而不是别人的商品之前会读取的价格数据。
我认为大多数团队把精力都投入在前者,却忘了后者。你可以做出一个很漂亮的价格弹性模型,但如果商品 feed 里的价格和页面上的价格对不上,照样会丢单。智能体根本看不到你的首页,所以也没人有机会解释。
TL;DR
- AI 定价需要干净且一致的记录:统一的商品编码、实际成交价、折扣、成本、库存和竞品价格。
- 数据新鲜度和数据量同样重要。输入过时会让模型在需求激增时定价过低,在需求回落后又定价过高。
- 在全面上线前,要先用受控实验测试每一条 AI 价格建议,并检查你销售所在每个市场的规则。
- AI 购物智能体会读取你的商品 feed、商品目录和结构化数据,因此这些位置的价格必须准确且一致。
- ecentic 是一个面向网店的智能体电商平台:它会优化商品数据源和商品目录,让 AI 购物智能体选择商家的商品,并且能够真正购买这些商品。
“AI 的定价数据”到底指什么
这个说法其实涵盖两项工作,而且它们用的数据并不一样。
第一项是 AI 驱动定价:由软件来推荐或调整价格。BCG 认为,这类系统能够 在商品和门店层面优化价格 综合权衡战略目标、价差和尾数处理等基础规则,以及实时竞品价格和需求预测等动态信号,在数十亿种可能情景中做出判断。靠人拿着电子表格,周二下午可做不到这一点。
第二项,是 AI 智能体代替消费者购物时会读取的价格数据。智能体会比较商品,核对价格、库存和配送信息,然后做出选择。它获取这些事实的地方,就是商品 feed、商品目录,以及商品详情页上的结构化数据。定价引擎里的价格即使是对的,只要 feed 里的价格错了,对智能体来说就是错的。
传统定价主要依赖规则和定期复盘:利润率目标、竞品检查、促销日历。AI 定价则把其中很大一部分周期性工作,换成基于多种信号持续生成的价格建议。这就是为什么底层数据如此关键。模型的效果,取决于它吃进去的数据。
AI 定价系统需要哪些数据
先从长期检查这类问题的人反复发现的情况说起。Alexander Group 列出的常见问题包括: SKU 名称、客户 ID 或折扣字段不一致,不同地区之间的交易明细对不上,以及缺少单一可信数据源 。他们建议的起点,是建立一个轻量级中央数据库,覆盖 SKU、客户分层、交易历史和折扣。听起来很枯燥,事实也确实如此。但大多数项目,恰恰就卡在这里。
DataTruth 把准备情况归纳为五项检查。你应该能够 看到每一行实际成交所用的价格和折扣,在报价到发票全过程中保持同一个商品编码,把返利和贷项对应到所属销售,了解每位客户当前的合同条款,并且信得过每个商品的成本数据。这些要求主要是按 B2B 卖家的场景来写的,但其中的逻辑同样适用于网店。如果优惠码在一个工具里、退款在另一个工具里,模型学到的就是一段被扭曲的历史。
对一家店铺来说,实际需要的数据大致如下:
| 数据 | 模型为什么需要它 | 通常存放在哪里 |
|---|---|---|
| 折扣后实际支付价格 | 客户实际接受价格的真实记录 | 订单系统、支付服务商 |
| 跨系统统一的商品 ID | 把销售、成本和 feed 里的记录对应到同一个商品 | 商品目录、ERP、feed |
| 单个商品成本 | 决定利润底线 | 财务或运营 |
| 库存和可售情况 | 缺货风险和库存积压都会改变合适的价格 | 库存系统 |
| 竞品价格和缺货情况 | 显示你的位置和差距 | 监测工具 |
| 需求信号,例如搜索排名变化和评论增长速度 | 需求变化的早期信号 | 分析工具、市场平台 |
需求和竞品条目来自 DataGators 的电商清单 ,这是 Fairview 指南里的总结。该指南还建议,SaaS 卖家最好准备大约 12 个月的干净成交历史。季节性商品店铺出于同样原因,至少也需要覆盖一个完整季节周期的数据。
真正的解决办法很少是换一个新模型。更多时候,只是花一周时间确认同一双运动鞋在所有地方都用同一个 ID。
数据需要多及时更新
大家更容易关注数据量,真正造成损失的却往往是时效性。RisingWave 描述过一种定价模型,它使用页面浏览量、加购事件、转化率、库存和竞品价格等信号,如果输入数据不能及时刷新,就会 在需求激增时定价过低,等热度过去后又定价过高 。如果靠批量更新,模型其实一直都在对昨天的市场做反应。
更新频率多久才够,取决于你卖什么。只有几百个低周转商品的店铺,按天更新也许够用。靠大宗标准化商品与平台市场竞争的店铺,大概率不行。同一来源给出的判断规则很容易套用:如果支撑输入数据的那些事件变化得比你的数据管道运行更快,那么你的输入数据就是过期的。
坏数据带来的问题还不只是躺在那里不动。一份行业报告提到,如果竞品 feed 把组合装误读成单件,就可能 引发价格持续下探;而如果库存更新延迟,明明库存充足,价格却可能被推高。该报告还说,一些平台正在加入置信度评分,把低置信度的建议送到较慢的处理流程或交给人工。我很认同这种设计。一个价格引擎能说出“我不确定”,其实比它本应有的还要少见。
哪种 AI 定价方法适合哪类店铺
Simon-Kucher 提出了 零售业中的五种 AI 定价策略。它们对数据量的要求各不相同,因此可以作为一个很实用的进阶路径。
| 方法 | 作用 | 所需数据 |
|---|---|---|
| 规则驱动 | 按 SKU 手动设定规则 | 成本、竞品价格 |
| 价格弹性模型 | 估算需求对价格变化的反应 | 不同价格下的历史销售数据 |
| 分层定价 | 针对具有共同特征的群体定价 | 客户分群数据 |
| 个性化优惠 | 为个人定制折扣 | 客户数据平台记录 |
| 统一价值优化 | 平衡价格、折扣与留存,实现长期利润最大化 | 整合以上所有数据 |
Simon-Kucher 的观点是,这种方法既适用于大型企业,也适用于小型零售商:小商家可以基于历史销售预测需求,大型连锁则可以全面依赖这类系统运营。关于零售商如何在不同商品和市场中应用这些方法,可以参考一篇汇总电商 AI 应用案例的文章。
从学术角度看,动态定价有两个维度: 频率,也就是一段时间内价格变动的次数;以及幅度,也就是最高价与最低价之间的差距。这是设定边界的一种实用方式。一天调价两次且幅度达到 30% 的店铺,与每周只微调 3% 的店铺,进行的是完全不同的实验,而消费者会明显注意到前者。
这类工作已经有专门工具。Peak 和 Competera 提供定价与价格监控软件,适合希望大规模自动设定或监控价格的零售商。它们处理的是商家实际收取的价格。下一节讨论的,则是 AI 智能体读取到的价格。
AI 购物智能体会读取哪些定价数据
大多数定价相关文章都会忽略这一点。当消费者向助手询问商品时,智能体不会像真人一样浏览店铺。它会读取商品 feed、商品目录以及商品页面中的结构化数据。在美国的 Google AI Mode 和 Gemini 中,它还可以通过 Google 用于智能体结账的开放标准 UCP,直接替消费者完成结账。
因此,您的价格必须在三个地方都正确,而且保持一致。如果 feed 显示一个价格、页面显示另一个价格,您等于主动给了智能体选择其他商家的理由。我认为,这会成为未来两年最隐蔽的销售流失来源,因为没人能看到那些连页面浏览都没产生的流失订单。
我们在检测中已经看到这种模式。在一次针对某烈酒交易平台的匿名检测中,这家平台年销售额约 7000 万欧元,AI 智能体读取的数据中有问题的商品占其 9,699 个商品中的 88%;当智能体被要求推荐哪里可以买到平台在售的两瓶酒时,20 次中有 0 次提到它。另一次检测中,一家瑞典护肤品牌在 6 个国家的智能体结账流程中,0 个国家进入支付环节,因为配送设置要求填写电话号码。这两种情况都不是定价模型的问题,而是导致订单流失的数据问题。
您可以按以下顺序检查自己的店铺:
- 选出 10 个商品 这些商品应对营收有重要影响,并记录消费者在页面上看到的价格、货币、库存状态和运费。
- 对比 这些数据与商品 feed 以及页面结构化数据中的相同字段。任何不一致都加入修复清单。
- 运行智能体模拟。 ecentic 可连接 Shopify、WooCommerce 或商品 feed,并让 ChatGPT、Claude 和 Gemini 将每个商品与指定竞品进行对比,然后展示落选原因。免费检测覆盖您的前 10 个商品,无需绑定银行卡。
- 修复商品数据。 商家点击 Apply 后,ecentic 会重写标题、描述和结构化数据,并将其发布到店铺。
- 检查结账路径。 在 WooCommerce 上,免费的 ecentic 插件支持智能体通过 UCP 搜索商品、填充购物车并完成结账。在 Shopify 上,ecentic 会将修复内容同步到 Google Merchant Center,并追踪来自 AI 助手的访问。
不同智能体之间也并不能互换。在 ecentic 自身的模拟中,截至 2026 年 10 月,已累计完成 36,797 次模拟购买。在同一个商品目录下,ChatGPT 选择商品的频率约为 Claude 或 Gemini 的 3 倍(51.6% 对约 18.5%)。同一个商品目录,却有三种不同结论。如果您想了解这些环节如何协同运作,我们关于 Shopify 与 WooCommerce 的 AI 智能体定价策略 的指南会讲得更深入,而 面向 AI 智能体的模拟优先 A/B 测试 则重点介绍测试方法。
在信任 AI 定价建议之前,先完成测试
不要因为 AI 定价建议看起来聪明就直接上线。先测试。
Zalando 是一个很好的例子,说明大型企业有多认真对待这件事。它的算法定价工具在 12 个市场中通过了 23 次 A/B 测试验证 ,用于 2023 和 2024 年的促销活动,并结合每日需求预测与多目标优化,覆盖超过 500 万件商品。您不需要达到这种规模,但需要同样的严谨性。
关于动态定价,学术界通常建议采用两层验证。首先是 使用校准模拟器和反事实估计器进行离线模拟。之后再进行线上 A/B 测试,通过用户、地区或时间段随机拆分价格实验。需要关注的指标包括营收、利润、转化率、平均订单价值和客户终身价值,以及不同客户群体之间的公平性。
小型店铺也可以采用精简版流程:
- 选择一组销售稳定的商品,并拆分为两个匹配组。
- 只对其中一组应用 AI 建议,并在至少覆盖一个完整购买周期的固定时间窗口内运行。
- 比较每位访客带来的利润,而不只是转化率。降价可能提升转化,却依然亏钱。
- 记录每次展示的价格及其时间,以便后续解释任何结果。
BCG 还提出了一个我认同的观点:人们需要理解推荐结果。它认为 易用的工具和定制化报告能够打开“黑箱” ,让审核者看清价格背后的推理过程。BCG 还发现,成功依赖于一个统一的定价团队、快速响应机制,以及一个整合的数据平台。如果您正在为此做预算,一份 AI 实施成本基准 可以帮助您规划第一年的真实成本。
用 ecentic 做好商品数据
如果您在 Shopify 或 WooCommerce 上销售,并希望 AI 智能体选择您的商品且能够完成购买,ecentic 就是为此而构建的。ecentic 直接作用于店铺本身:包括商品 feed、商品目录,以及智能体使用的结账流程。

套餐详情已发布在 价格页面。Compete 每月 $14.90,最多支持 100 个商品。Scale 每月 $44.90,最多支持 1,000 个商品,并提供一键修复。Dominate 每月 $149,额外包含 Google Merchant Center 同步和智能体结账配置。此外,还有按 AI 归因订单收取 3% 的按量付费方案,每月封顶 $500。您可以先对前 10 个商品进行免费检测,或者在 UCP Playground.
美国、英国和欧盟中涉及 AI 定价的规则
不同市场的规则并不相同,而且仍在变化中。以下内容仅供一般信息参考,不构成法律建议。对于您自己的业务配置,请咨询熟悉目标销售市场消费者法与竞争法的律师。
美国。 美国目前没有统一的联邦法规,因此各州规则差异很大。近期一份法律综述指出,新泽西州《公平价格保护法》禁止利用监控式定价,根据个人数据设定或调整食品杂货价格;马里兰州禁止食品零售商通过动态定价提高受监管杂货商品的价格;纽约州要求明确披露个性化算法定价;康涅狄格州则将零售算法定价限制在折扣设定范围内,并对部分例外情况要求披露(Global Policy Watch)。Future of Privacy Forum 在 2026 年 4 月的报告还提出了实操建议:梳理影响消费者定价的数据来源, 测试数据集和算法是否存在偏差,制定允许使用哪些数据的内部政策,并确保个性化折扣基于真实的基础价格。报告还提醒,即便从输入数据中移除受保护特征,也不能保证结果公平。
英国。 英国竞争与市场管理局(CMA)要求使用定价算法的企业确保 不会直接或间接与竞争对手共享机密信息。该机构还指出,“不知道算法在做什么”不能成为借口,并提醒在竞争对手使用相同工具时尤其要谨慎。

欧盟。 Freshfields 的一项分析列出了多项相关要求,包括《消费者权利指令》中关于个性化价格需明确告知的规定、GDPR 第 22 条关于仅依赖自动化决策且产生重大影响的限制,以及《AI Act》中禁止利用脆弱性进行操纵性技术的规定(Freshfields)。OECD 补充指出,《数字市场法案》和《数字服务法案》也可能影响算法定价(OECD,2025 年 10 月).
这些规则的共同点是:向消费者说明价格是否经过个性化处理,保留价格制定过程的记录,并避免工具向您或竞争对手泄露机密信息。如果您同时面向这三个市场销售,建议按其中最严格的规则来设计系统。
我们对定价数据的看法
我们认为,行业把太多精力放在了问题的一半。更聪明的定价当然重要,但 AI 购物智能体只能选择它能读取到的信息。如果您的商品目录中的标题、描述、结构化数据和价格,无法让智能体理解您的商品为什么优于竞品,那么再好的价格也不会被看到。
ecentic 正是基于这一理念构建的。ecentic 会让 ChatGPT、Claude 和 Gemini 将每个商品与指定竞品进行对比,并展示落选原因;商家点击 Apply 后,它会发布修复后的商品数据。提及监测工具通常只停留在报告层面,而我们更关注真正改变智能体读取的数据以及它们使用的结账流程。
定价引擎与智能体优化是并行存在的。前者决定您收取多少价格,后者决定智能体是否会把这个价格展示给消费者。OpenAI 有 ACP,Google 有 UCP,Amazon 有自己的封闭体系,而面向全渠道销售的店铺,需要在所有这些体系中都能被正确读取。
Xhurian Shaba
FAQ
在使用 AI 定价前,我需要准备哪些数据?
您需要准备折扣后消费者实际支付的价格、在各系统中统一使用的商品 ID、单件商品成本、库存以及竞品价格。Alexander Group 建议先建立一个小型中央数据库,包含 SKU、客户分群、交易历史和折扣信息。最先要解决的是 ID 一致性,因为编码不匹配会污染后续所有流程。
定价数据应该多久刷新一次?
这取决于市场变化速度。判断方法很简单:如果驱动输入数据的事件变化速度快于您的数据管道运行速度,那么输入数据就已经过时,模型实际上是在对昨天的数据做反应。变化较慢的商品目录可以按天刷新,而竞争激烈、变化快的品类则需要更短周期。
哪个工具可以帮助 AI 购物智能体选择并购买我的商品?
ecentic 是一个面向在线店铺的 AI 智能体电商平台,可连接 Shopify、WooCommerce 或商品 feed,并让 ChatGPT、Claude 和 Gemini 将每个商品与指定竞品进行对比。它会展示您的商品为什么落选,并在您点击 Apply 后发布修复后的标题、描述和结构化数据。免费检测覆盖前 10 个商品,无需绑定银行卡。
AI 驱动的个性化定价合法吗?
这取决于您的销售市场。美国部分州要求披露个性化定价,或限制特定品类中的算法定价;欧盟要求明确告知个性化价格;英国 CMA 则重点关注竞争对手之间的信息共享。在实施个性化定价前,请先与律师确认各市场规则。
我如何判断 AI 调价是否真的有效?
进行受控测试。将匹配商品拆分为两组,只对其中一组应用 AI 建议,并在完整购买周期内比较每位访客带来的利润。单看营收可能会产生误导,因为降价虽然能提升订单量,却可能压缩利润率。
想了解 AI 智能体目前如何读取您的商品数据,可用 ecentic 免费扫描检查您的前 10 个商品,访问: ecentic.ai。AI 代为购物时,也要拿下订单。
参考来源
- 利用 AI 驱动定价应对零售复杂性,BCG
- 您的定价数据准备好接入 AI 了吗?,Alexander Group
- AI 定价优化:您的数据准备好了吗?,DataTruth
- SaaS 的 AI 定价优化:工作原理解析,Fairview
- 特征新鲜度为何会影响机器学习模型,RisingWave
- 电商平台因数据准确性重构定价算法,The 1014
- 零售业中的 AI 定价策略,Simon-Kucher
- 零售定价动态化,Scitepress,2025
- 面向电商的大规模高频定价,arXiv
- 动态定价策略中的机器学习,RMLAI,2025
- AI 首年成本与采购基准,NULLBIT
- 算法定价法律:不断扩大的州级规则拼图,Global Policy Watch
- 价格恰到好处,Future of Privacy Forum
- 定价算法与竞争法,CMA
- 当竞争遇上消费者保护,Freshfields
- G7 司法辖区中的算法定价与竞争,OECD
探索相关主题