价格优化是一项重要而复杂的工作。价格定得太高，可能出现滞销；价格定得偏低，过早脱销，造成了赢利机会的损失。长期以来，几乎只有某些库存有限的行业才能进行价格优化，例如航空和酒店业。这需要分析海量数据，并深入了解竞争对手的行为。很少有企业能够一次为多种产品制定最优价格。
　　然而就在最近，情况正在发生改变。随着内外部数据越来越容易获得，机器学习在持续发展，以及运算速度不断加快，价格优化法可以得到更广泛的应用。我们已经可以做到近乎实时地为上千种库存商品制定最优价格。产品最优价格的制定包括三个阶段：
　　1.预测 我们将具有类似销售特点的一组产品与正在进行价格优化的产品放在一起比对，然后使用一种名为“回归树”的机器学习技术对产品价格进行预测。
　　2.学习 接下来，我们让价格在实际销售过程中接受检验，重新绘制定价曲线以匹配实际销售结果。学习阶段结束时，我们就知道产品卖得好不好，并利用产品销量信息对需求价格曲线进行调整。
　　3.优化 一旦学习阶段结束，我们就运用新的曲线将成百上千的产品价格在不同时间段进行优化。
　　价格优化的三个步骤在实践过程中并非缺一不可。例如，闪购电商Rue La La就不希望我们在48小时的销售过程中进行价格变更，因此我们跳过了学习环节。而当我们与团购网站Groupon 进行合作时，我们意识到该公司的业务性质决定了很难做需求预测，因此我们专注于当前的销售情况。
　　为Rue La La的限时折扣制定最优价格 Rue La La通过限时限量的方法提供价廉物美的品牌服装和配饰。公司的主要挑战之一是给从未销售过的商品即“首秀商品”定价。我们的方法分为两部分：先为首秀商品设计需求预测模型，再将需求预测数据输入价格优化模型以实现收入的最大化。
　　我们计算了脱销商品和滞销商品每小时的销售百分比，采用聚类技术预测未来需求。假设某一脱销商品的促销时间从下午3时开始，10小时后售罄，而相关曲线显示60%的销售是在第10个小时发生的。那么，用原先库存量除以0.6便是该商品的总需求量。
　　为Groupon公司进行产品需求预测 Groupon每天都会限时推出成千上万种新优惠。一方面是庞大的产品数量，另一方面是有限的销售时间，这两者的结合使得需求预测异常困难。为解决这个问题，当公司网站推出一个新的优惠商品时，我们做出多种预测，然后在学习阶段，采用测试价格，观察消费者的决定。学习阶段结束时，我们知道了具体的销量，从而可以识别出和测试价格的销售水平最接近的需求函数。
　　实测结果显示，降价对于销量低的商品影响巨大。对于每天订购额低于一般水平的商品而言，平均收入增幅达到116%，而对于每天订购额高于一般水平的商品而言，收入增幅仅达到14%。
　　对B2W Digital公司进行的价格预测、学习和优化 B2W Digital是巴西的一家大型网上零售商，竞争对手包括亚马逊和沃尔玛。这家公司拥有海量产品，其历史销售数据可供查询，同时具备一天之内多次调价的能力，这样我们就可以将预测、学习和优化三个阶段有效结合起来。
　　当我们为期数月的研究测试结束后，B2W公司反映，新的价格优化技术不仅提高了收入、利润和市场份额，而且拓展了所销售产品的种类。和对照组相比，测试组不仅卖出了更多的产品，而且賣出了更多独特的产品。
　　在以上三家零售电商关于定价技术的测试中，每家电商的收入、市场份额以及指定产品的利润都实现了两位数增长。价格优化法不仅适用于网上零售商，也同样适用于实体零售商。