CN105205701A - 一种网络动态定价方法和系统 - Google Patents

Abstract

本发明提供了一种网络动态定价方法和系统，其中，所述方法包括：确定动态定价商品；获取所述动态定价商品的数据信息；其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型；使用确定的相匹配的定价模型计算所述动态定价商品的动态价格；根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。通过本发明解决了人工定价的方式工作量大、中间过程不可控、可追溯性差的问题。

Description

一种网络动态定价方法和系统

技术领域

本发明涉及互联网技术领域，特别是涉及一种网络动态定价方法和系统。

背景技术

随着电子商务的快速发展和计算机网络的广泛使用，市场竞争日趋激烈，客户需求不断提高，要求电子商务企业不断进行价格调整，以提升销量，扩大市场占有率。在一些应用场合，要求尽可能高效并且有目的性的选择完成价格的调价。

目前通常是通过人工方式来完成对价格的调整，基于人工判断完成价格的预估，定价人为因素大，缺乏定价的有效依据，准确性差。而且，人工定价的方式工作量大、操作繁杂、效率低，中间过程不可控，可追溯性差、难以满足市场需求。

发明内容

本发明提供一种网络动态定价方法和系统，以解决目前人工定价存在的准确性差、效率低、可追溯性差的问题。

为了解决上述问题，本发明公开了一种网络动态定价方法，包括：

确定动态定价商品；

获取所述动态定价商品的数据信息；其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；

根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型；

使用确定的相匹配的定价模型计算所述动态定价商品的动态价格；

根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

可选地，所述方法还包括：通过数据预处理模型对所述数据信息进行预处理；

其中，所述数据预处理模型包括：

通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，

通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，

通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

可选地，所述方法还包括：根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理；

其中，所述用户特征模型包括：

通过商品和价格历史数据训练得到的用户价格敏感度模型；和，

通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，

通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

可选地，所述方法还包括：根据时长模型设置所述定价模型的模型时长；

其中，所述时长模型包括：

通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，

通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。

可选地，使用确定的相匹配的定价模型计算所述动态定价商品的动态价格，包括：通过如下计算方式中的至少一种计算得到所述动态价格：

基于价格敏感度和价格弹性系数进行收益最大化处理计算；

基于第三方的价格变化历史进行拟合处理计算；

基于流量、转化率进行最优解的处理计算；

基于价格、时间约束和库存情况的促销处理计算；和，

基于成本加成的调价处理计算。

可选地，所述方法还包括：根据所述数据信息，通过容量分配模型和超额预定模型进行定价风险控制。

相应地，本发明还提供了一种网络动态定价系统，包括：

第一确定模块，用于确定动态定价商品；

获取模块，用于获取所述动态定价商品的数据信息；其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；

第二确定模块，用于根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型；

计算模块，用于使用确定的相匹配的定价模型计算所述动态定价商品的动态价格；

输出模块，用于根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

可选地，所述系统还包括：

预处理模块，用于通过数据预处理模型对所述数据信息进行预处理；

其中，所述数据预处理模型包括：

通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，

通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，

通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

可选地，所述系统还包括：

聚类处理模块，用于根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理；

其中，所述用户特征模型包括：

通过商品和价格历史数据训练得到的用户价格敏感度模型；和，

通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，

通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

可选地，所述系统还包括：

时长设置模块，用于根据时长模型设置所述定价模型的模型时长；

其中，所述时长模型包括：

通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，

通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。

根据本发明公开的网络动态定价方法，可以基于大数据建立的定价模型对确定的动态定价商品的数据信息进行分析，基于分析结果采用相匹配的定价模型完成对所述动态定价商品的定价，避免了人工参与，提高了定价效率。保证了定价的数据的准确性。此外，本发明所述的方法充分利用基于大数据建立的模型进行定价，将市场需求、商品供给、成本及用户特征和时间周期等因素综合起来，建立多因素网络动态定价模型，进一步提高了定价的准确性。

进一步地，在确定最终输出的动态价格时，以收益最大化为目标，实现了商品最优价格与商品最优供给的协调，保证了最终商品销售的最大收益。

附图说明

图1是本发明实施例一中一种网络动态定价方法的步骤流程图；

图2是本发明实施例二中一种网络动态定价方法的步骤流程图；

图3是本发明实施例三中一种网络动态定价系统的结构框图；

图4是本发明实施例四中一种网络动态定价系统的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

参照图1，示出了本发明实施例一中一种网络动态定价方法的步骤流程图。在本实施例中，所述网络动态定价方法包括：

步骤102，确定动态定价商品。

步骤104，获取所述动态定价商品的数据信息。

在本实施例中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据。具体地，所述价格数据可以用于指示商品的价格，所述成本数据可以用于指示商品的成本，所述分类数据可以用于指示商品的分类，所述状态数据可以用于指示商品的当前销售状态，所述库存数据可以用于指示商品的库存数量，所述用户数据可以用于指示购买商品的用户的用户数据。

步骤106，根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型。

在本实施例中，定价任务目标可以由用户根据实际情况进行设置，例如，将一定的销售量设置为所述定价任务目标，或者将一定时间的销售总额设置为是定价任务目标，本实施例对此不作限制。

步骤108，使用确定的相匹配的定价模型计算所述动态定价商品的动态价格。

在本实施例中，定价模型可以根据多种类型的数据训练得到的基于大数据的定价模型，综合考虑需求、供给、成本、用户和时间等因素，准确的实现动态定价，例如，计算所述动态定价商品的动态价格的可行方式可以包括如下几种：

依据需求区分定价，实现歧视性定价。此时在动态定价时主要考虑的因素包括：市场需求状况、市场占有率，公司整体竞争力及品牌价值，区域价格和市场饱和状态等。

依据供给状况区分定价。此时在动态定价时主要考虑的因素包括：根据供应商评估结果确定的商品的供应能力，供应商对商品的品牌价值及定位和供应商的区域供应策略等。

依据商品成本区分定价，即成本加成定价。此时在动态定价时主要考虑的因素包括：商品库存数量、商品仓储成本及配送和售后等成本。

依据用户特征区分定价。此时在动态定价时主要考虑的因素包括：用户价格敏感性，用户基数与购买数，用户的基本属性，用户粘性和偏好及用户对品牌的忠诚度。

依据时间周期区分定价，即时基定价。此时在动态定价时主要考虑的因素包括：商品销售的季节性和周期性，商品的生命周期特征及商品所处的生命周期阶段。

由此可见，基于不同的因素所确定的动态价格不完全相同，需要通过下述步骤110，实现对最终价格的确定。

步骤110，根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

在本实施例中，综合了市场需求预测、供给容量分配、生产成本、用户分级和超量预定等因素，在最终定价时采用收益最大化策略，选择最优的动态价格输出。

综上所述，本实施例所述的网络动态定价方法可以基于大数据建立的定价模型对确定的动态定价商品的数据信息进行分析，基于分析结果采用相匹配的定价模型完成对所述动态定价商品的定价，避免了人工参与，提高了定价效率。保证了定价的数据的准确性。此外，本实施例所述的方法充分利用基于大数据建立的模型进行定价，将市场需求、商品供给、成本及用户特征和时间周期等因素综合起来，建立多因素网络动态定价模型，进一步提高了定价的准确性。

进一步地，在确定最终输出的动态价格时，以收益最大化为目标，实现了商品最优价格与商品最优供给的协调，保证了最终商品销售的最大收益。

实施例二

参照图2，示出了本发明实施例二中一种网络动态定价方法的步骤流程图。在本实施例中，所述网络动态定价方法包括：

步骤202，确定动态定价商品。

步骤204，获取所述动态定价商品的数据信息。

在本实施例中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据。

步骤206，根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型。

例如，可以根据对历史销售数据和抓取的第三方销售数据进行销量预测的预测结果匹配定价模型(如，对于价格敏感度较高的商品匹配价格弹性模型；对于价格敏感度不高的商品匹配主动调价模型)。或者，依据商品进货批次、历史库存数据和商品库存健康状况匹配定价模型。或者，依据对不同商品的采购成本、仓储成本和配送成本等的归一化处理结果匹配定价模型。或者，依据对商品分类和销售分级结合商品特征指数进行聚类分析的结果匹配定价模型。或者，依据用户的分类(如，降价即会购买的短视型用户和降价后仍旧观望等待的策略型用户)匹配定价模型。或者，依据对动态定价商品的分类(如，销售期较短的易逝类商品和销售期较长的非易逝品)结果匹配定价模型。

步骤208，使用确定的相匹配的定价模型计算所述动态定价商品的动态价格。

在本实施例中，上述步骤208在实现时具体可以包括：通过如下计算方式中的至少一种计算得到所述动态价格：基于价格敏感度和价格弹性系数进行收益最大化处理计算；基于第三方的价格变化历史进行拟合处理计算；基于流量、转化率进行最优解的处理计算；基于价格、时间约束和库存情况的促销处理计算；和，基于成本加成的调价处理计算。

步骤210，根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

在本实施例的一优选方案中，所述方法还包括：

步骤212，通过数据预处理模型对所述数据信息进行预处理。

在本实施例中，可以通过对市场需求的数据预测、对商品供给的统计回归统计、对商品成本的归一化处理、对不同商品属性的聚类和关联规则模型化处理、对不同类型用户属性分析及模型的选择、以及对短周期的易逝品和长周期的非易逝品的时长处理等中的至少一种完成对数据信息的处理。

优选地，在对数据信息进行预处理时所涉及的数据预处理模型具体可以包括：通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

在本实施例的又一优选方案中，所述方法还包括：

步骤214，根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理。

在本实施例中，所述用户特征模型包括：通过商品和价格历史数据训练得到的用户价格敏感度模型；和，通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

在本实施例的另一优选方案中，所述方法还包括：

步骤216，根据时长模型设置所述定价模型的模型时长。

在本实施例中，所述时长模型包括：通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。

在本实施例的再一优选方案中，所述方法还包括：

步骤218，根据所述数据信息，通过容量分配模型和超额预定模型进行定价风险控制。

在本实施例中，通过容量分配模型和超额预定模型可以对异常调节进行检测、报警和处理。

综上所述，本实施例所述的网络动态定价方法可以基于大数据建立的定价模型对确定的动态定价商品的数据信息进行分析，基于分析结果采用相匹配的定价模型完成对所述动态定价商品的定价，避免了人工参与，提高了定价效率。保证了定价的数据的准确性。此外，本实施例所述的方法充分利用基于大数据建立的模型进行定价，将市场需求、商品供给、成本及用户特征和时间周期等因素综合起来，建立多因素网络动态定价模型，进一步提高了定价的准确性。

其次，在对数据进行预处理时，结合对商品的市场需求的分析、供给情况和成本损益，使用基于大数据的聚类和关联规则分析方式对动态定价商品进行数据预处理，解决了目前传统的定价方式存在的单一性的问题，提高了定价的准确性。进一步地，还综合考虑了商品分类和销售分级情况，实现了对大批量商品的动态定价的计算。

同时，本实施例使用用户分类方法和时长分析技术，针对不同用户的属性特征选择不同的模型计算价格，使得在同一种商品或服务上对不同的顾客采用不同的价格，以最大化公司收益。且，在动态定价的计算过程中，同时考虑了商品的价格敏感度和价格弹性系数，及第三方的价格变化等因素，采用主动变价的模型策略逼近用户的保留价格，以获取收益最大化时的价格。以及，在风控和评估时考虑了容量分配和超额预定的情况，容量分配实质上是指供应链的能力分配，如何让最优配置供应商的生产能力、仓配的供给能力以及销售区域的可达能力等；超量预定实质上是指超过仓配的管理能力进行销售的能力，当多销售一个商品的边际收益等于实超一个商品的边际成本时，超售的收益达到最优。

最后，在确定最终输出的动态价格时，以收益最大化为目标，实现了商品最优价格与商品最优供给的协调，保证了最终商品销售的最大收益。

要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。

实施例三

在上述方法实施例的基础上，本实施例还提供了一种网络动态定价系统。参照图3，示出了本发明实施例三中一种网络动态定价系统的结构框图。在本实施例中，所述网络动态定价系统包括：

第一确定模块302，用于确定动态定价商品。

获取模块304，用于获取所述动态定价商品的数据信息。

其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据。

第二确定模块306，用于根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型。

计算模块308，用于使用确定的相匹配的定价模型计算所述动态定价商品的动态价格。

输出模块310，用于根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

综上所述，本实施例所述的网络动态定价系统可以基于大数据建立的定价模型对确定的动态定价商品的数据信息进行分析，基于分析结果采用相匹配的定价模型完成对所述动态定价商品的定价，避免了人工参与，提高了定价效率。保证了定价的数据的准确性。此外，本实施例所述的系统充分利用基于大数据建立的模型进行定价，将市场需求、商品供给、成本及用户特征和时间周期等因素综合起来，建立多因素网络动态定价模型，进一步提高了定价的准确性。

进一步地，在确定最终输出的动态价格时，以收益最大化为目标，实现了商品最优价格与商品最优供给的协调，保证了最终商品销售的最大收益。

实施例四

参照图4，示出了本发明实施例四中一种网络动态定价系统的结构框图。在本实施例中，所述网络动态定价系统包括：

第一确定模块402，用于确定动态定价商品。

获取模块404，用于获取所述动态定价商品的数据信息。

其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据。

第二确定模块406，用于根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型。

计算模块408，用于使用确定的相匹配的定价模型计算所述动态定价商品的动态价格。

输出模块410，用于根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

优选地，所述系统还包括：

预处理模块412，用于通过数据预处理模型对所述数据信息进行预处理。

其中，所述数据预处理模型包括：通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

优选地，所述系统还包括：

聚类处理模块414，用于根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理。

其中，所述用户特征模型包括：通过商品和价格历史数据训练得到的用户价格敏感度模型；和，通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

优选地，所述系统还包括：

时长设置模块416，用于根据时长模型设置所述定价模型的模型时长。

其中，所述时长模型包括：通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。

优选地，所述系统还包括：

控制模块418，用于根据所述数据信息，通过容量分配模型和超额预定模型进行定价风险控制。

在本实施例的一优选方案中，所述计算模块408，用于通过如下计算方式中的至少一种计算得到所述动态价格：基于价格敏感度和价格弹性系数进行收益最大化处理计算；基于第三方的价格变化历史进行拟合处理计算；基于流量、转化率进行最优解的处理计算；基于价格、时间约束和库存情况的促销处理计算；和，基于成本加成的调价处理计算。

综上所述，本实施例所述的网络动态定价系统可以基于大数据建立的定价模型对确定的动态定价商品的数据信息进行分析，基于分析结果采用相匹配的定价模型完成对所述动态定价商品的定价，避免了人工参与，提高了定价效率。保证了定价的数据的准确性。此外，本实施例所述的系统充分利用基于大数据建立的模型进行定价，将市场需求、商品供给、成本及用户特征和时间周期等因素综合起来，建立多因素网络动态定价模型，进一步提高了定价的准确性。

其次，在对数据进行预处理时，结合对商品的市场需求的分析、供给情况和成本损益，使用基于大数据的聚类和关联规则分析方式对动态定价商品进行数据预处理，解决了目前传统的定价方式存在的单一性的问题，提高了定价的准确性。进一步地，还综合考虑了商品分类和销售分级情况，实现了对大批量商品的动态定价的计算。

同时，本实施例使用用户分类方法和时长分析技术，针对不同用户的属性特征选择不同的模型计算价格，使得在同一种商品或服务上对不同的顾客采用不同的价格，以最大化公司收益。且，在动态定价的计算过程中，同时考虑了商品的价格敏感度和价格弹性系数，及第三方的价格变化等因素，采用主动变价的模型策略逼近用户的保留价格，以获取收益最大化时的价格。以及，在风控和评估时考虑了容量分配和超额预定的情况，容量分配实质上是指供应链的能力分配，如何让最优配置供应商的生产能力、仓配的供给能力以及销售区域的可达能力等；超量预定实质上是指超过仓配的管理能力进行销售的能力，当多销售一个商品的边际收益等于实超一个商品的边际成本时，超售的收益达到最优。

最后，在确定最终输出的动态价格时，以收益最大化为目标，实现了商品最优价格与商品最优供给的协调，保证了最终商品销售的最大收益。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种网络动态定价方法和系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种网络动态定价方法，其特征在于，包括：

确定动态定价商品；

获取所述动态定价商品的数据信息；其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；

根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型；

使用确定的相匹配的定价模型计算所述动态定价商品的动态价格；

根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

2.根据权利要求1所述的方法，其特征在于，还包括：通过数据预处理模型对所述数据信息进行预处理；

其中，所述数据预处理模型包括：

通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，

通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，

通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

3.根据权利要求1所述的方法，其特征在于，还包括：根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理；

其中，所述用户特征模型包括：

通过商品和价格历史数据训练得到的用户价格敏感度模型；和，

通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，

通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

4.根据权利要求1所述的方法，其特征在于，还包括：根据时长模型设置所述定价模型的模型时长；

其中，所述时长模型包括：

通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，

通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。

5.根据权利要求1所述的方法，其特征在于，使用确定的相匹配的定价模型计算所述动态定价商品的动态价格，包括：通过如下计算方式中的至少一种计算得到所述动态价格：

基于价格敏感度和价格弹性系数进行收益最大化处理计算；

基于第三方的价格变化历史进行拟合处理计算；

基于流量、转化率进行最优解的处理计算；

基于价格、时间约束和库存情况的促销处理计算；和，

基于成本加成的调价处理计算。

6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：根据所述数据信息，通过容量分配模型和超额预定模型进行定价风险控制。

7.一种网络动态定价系统，其特征在于，包括：

第一确定模块，用于确定动态定价商品；

获取模块，用于获取所述动态定价商品的数据信息；其中，所述数据信息包括：价格数据、成本数据、分类数据、状态数据、库存数据和用户数据；

第二确定模块，用于根据设置的定价任务目标，对所述数据信息进行分析，确定与所述动态定价商品相匹配的定价模型；

计算模块，用于使用确定的相匹配的定价模型计算所述动态定价商品的动态价格；

输出模块，用于根据计算得到的动态价格计算所述动态定价商品的收益，并选择收益最高的动态价格输出。

8.根据权利要求7所述的系统，其特征在于，还包括：

预处理模块，用于通过数据预处理模型对所述数据信息进行预处理；

其中，所述数据预处理模型包括：

通过综合商品的需求增长率和市场占有率数据训练得到的需求预测模型；和，

通过对供应商评估结果和库存健康情况数据训练得到的供给分析模型；和，

通过对商品进货价格、仓储成本、配送成本和售后成本数据确定的商品成本模型。

9.根据权利要求7所述的系统，其特征在于，还包括：

聚类处理模块，用于根据所述数据信息和用户特征模型，对用户特征进行聚类分析处理；

其中，所述用户特征模型包括：

通过商品和价格历史数据训练得到的用户价格敏感度模型；和，

通过对用户基数、购买数量及偏好数据训练得到的分类分析处理模型；和，

通过对用户年龄、职业和性别等用户属性数据确定的聚类分析处理模型。

10.根据权利要求7所述的系统，其特征在于，还包括：

时长设置模块，用于根据时长模型设置所述定价模型的模型时长；

其中，所述时长模型包括：

通过对商品销售的季节性敏感度数据训练得到的第一时长处理模型；和，

通过对第三方的价格敏感度和价格对标数据训练得到的第二时长处理模型。