影刀RPA店群自动化：竞品价格监控与动态定价策略实战

店群运营的核心竞争力，很大程度上体现在定价上。

价格定高了，没转化；定低了，没利润。更关键的是，竞争对手随时在调价。你早上定99元，对手下午改成89元，你的商品就卖不动了。

人工盯竞品价格，既不现实也不高效。我们曾经让运营每天花2小时手动记录竞品价格，不仅累，而且反应滞后。

后来我们基于影刀RPA搭建了一套竞品价格监控与动态定价策略系统。

这篇文章不讲调度架构，也不讲脚本编写细节。专门聊聊如何用自动化采集竞品数据、分析价格变动、并结合自身成本和库存，自动调整店铺价格。

适用场景：价格敏感型品类（3C、家居、快消）、竞争激烈的店群项目。 技术栈：影刀RPA + Python + 时序数据库 + 规则引擎 + 动态调价API。

---

一、竞品监控的痛点与目标

先说说为什么要做自动化竞品监控。

痛点一：竞品数量多

一个店铺可能有几十个核心SKU，每个SKU需要监控3-5个竞品。手工记录根本不可能。

痛点二：价格变动频繁

大促期间，竞品价格可能一天变几次。等运营发现再调价，已经晚了。

痛点三：跨平台比价

同一个商品，可能在拼多多、TEMU、淘宝上都有竞品。需要跨平台比较。

痛点四：定价策略复杂

不是简单跟着竞品降价。要考虑成本、库存、促销周期、店铺评分等多因素。

我们的目标：系统自动采集竞品价格，按策略生成建议价格，运营一键应用或自动执行。

二、整体架构

系统分为五个模块。

采集模块：影刀RPA脚本定时访问竞品商品页面，抓取价格、销量、促销信息。

存储模块：将竞品价格历史存入时序数据库（InfluxDB），用于趋势分析。

分析模块：对比自身商品与竞品的价格、转化率，输出定价建议。

决策模块：规则引擎根据策略（如“保持比竞品低5%但不低于成本”），生成目标价格。

执行模块：调用平台API或影刀脚本，自动更新店铺商品价格。

整个流程闭环运行，频率可根据品类竞争激烈程度设置（每小时、每2小时、每天）。

---

三、竞品数据采集（影刀RPA实现）

影刀RPA脚本负责从电商平台采集竞品数据。

采集内容：

• 商品标题
• 当前价格（包括券后价、拼团价）
• 销量（月销）
• 促销标签（如“限时85折”）
• 店铺评分

由于平台可能有反爬，我们采用以下策略：

• 使用指纹浏览器，每个竞品任务随机切换指纹
• 使用住宅代理IP，避免被封锁
• 随机间隔，模拟人类浏览节奏
• 采集频率设置合理（高频商品1小时/次，低频4小时/次）

影刀脚本输出结构化数据：

{
  "product_id": "pdd_12345",
  "competitor_shop_id": "shop_678",
  "price": 89.00,
  "original_price": 129.00,
  "discount_tag": "限时8折",
  "sales_30d": 1250,
  "shop_score": 4.8,
  "timestamp": "2025-01-15T10:30:00Z"
}

数据写入Kafka，下游进行清洗和存储。

---

四、价格数据处理与清洗

原始数据可能有噪音：券后价需要解析、拼团价需要识别、促销活动可能临时结束。

我们有一个清洗层：

# price_cleaner.py
def clean_price(raw_data):
    price = raw_data.get("price")
    # 如果有券后价，优先使用
    if "coupon_price" in raw_data and raw_data["coupon_price"] < price:
        price = raw_data["coupon_price"]
    # 如果是拼团价，取拼团价（单买价太高，不具参考性）
    if "group_price" in raw_data and raw_data["group_price"]:
        price = raw_data["group_price"]
    # 排除异常值（价格低于1元或高于10000元）
    if price < 1 or price > 10000:
        return None
    return price

对于销量、评分等字段，也做归一化和异常过滤。

清洗后的数据存入InfluxDB，保留最近90天。我们可以查询某个竞品的价格历史曲线，判断其调价频率和幅度。

---

五、竞品分析：知己知彼

有了竞品历史数据，就可以做多维度分析。

价格竞争力指数

计算自身商品价格与竞品平均价格的比值。比值>1表示高于竞品，<1表示低于竞品。

def competitiveness_index(my_price, competitor_prices):
    avg_competitor = sum(competitor_prices) / len(competitor_prices)
    return my_price / avg_competitor

价格弹性估计

通过分析竞品调价前后销量的变化，估算品类价格弹性。如果竞品降价10%销量涨30%，说明价格敏感；反之不敏感，我们不需要盲目跟降。

价格战预警

如果某个竞品在一周内降价超过3次，且累计降幅超过20%，可能是在清仓或打价格战。系统触发预警，建议运营重新评估该商品。

最低价追踪

记录每个商品在监控周期内的历史最低价，作为调价下限参考。

---

六、动态定价策略引擎

定价策略不是一成不变的。我们设计了一个可配置的策略引擎。

策略包含几个维度：

• 目标定位：是要比竞品低、持平、还是略高（基于品牌溢价）
• 幅度系数：比竞品低5%或10%
• 成本底线：不得低于成本价 + 利润目标
• 库存因子：库存积压时，可以更激进降价；库存紧张时，可以提价
• 时段因子：大促期间，跟随竞品降价；平日维稳

策略用JSON配置：

{
  "strategy_id": "price_follower",
  "conditions": {
    "inventory_days": "< 7",
    "season": "normal"
  },
  "target_price_formula": "max(competitor_min_price * 0.95, cost * 1.2)",
  "max_daily_change": 0.1,
  "cooldown_hours": 6
}

Python策略引擎解析公式，结合实时竞品价格和自身数据，输出建议价格。

# pricing_engine.py
class PricingEngine:
    def __init__(self, strategy):
        self.strategy = strategy
        
    def suggest_price(self, my_product, competitors):
        competitor_min = min(c.price for c in competitors)
        formula = self.strategy["target_price_formula"]
        # 安全执行公式
        allowed_locals = {"competitor_min_price": competitor_min, "cost": my_product.cost}
        suggested = eval(formula, {"__builtins__": {}}, allowed_locals)
        # 限制单次最大变动幅度
        max_change = my_product.current_price * self.strategy["max_daily_change"]
        if abs(suggested - my_product.current_price) > max_change:
            suggested = my_product.current_price + (max_change if suggested > my_product.current_price else -max_change)
        return round(suggested, 2)

策略引擎每小时运行一次，输出建议价格列表。运营在后台看到建议，可以选择一键应用或自定义修改。

---

七、自动执行与监控

对于信任度高的策略，可以开启自动执行。

自动执行器调用平台的价格修改API（优先）或影刀RPA脚本（备选）。

# auto_executor.py
class AutoExecutor:
    def __init__(self, shop_adapter):
        self.shop = shop_adapter
        
    def execute(self, product_id, new_price):
        # 先通过API修改
        try:
            self.shop.update_price(product_id, new_price)
            self.log_execution(product_id, new_price, "api")
        except Exception as e:
            # API失败，降级到UI自动化
            self.run_yingdao_script("update_price", product_id, new_price)
            self.log_execution(product_id, new_price, "ui")

每次自动调价都记录审计日志，包括触发策略、新旧价格、竞品价格快照。如果调价后销量/转化率出现异常下降，系统会暂停该商品的自动调价，并通知运营。

我们还设置了调价保护：同一商品24小时内自动调价不超过3次，避免价格频繁波动引起平台风控或用户投诉。

---

八、效果评估与策略迭代

定价策略需要持续优化。我们建立了AB测试框架。

将同类商品分成两组：A组使用策略A（如“比竞品低5%”），B组使用策略B（如“比竞品低8%但限制最低价”）。运行一周后对比：

• 销量变化
• 利润率变化
• 库存周转率
• 价格战触发频率

数据证明更优的策略自动扩展到所有商品。

例如，我们发现对于高客单价商品，降价5%对销量影响不大，但利润率下降明显；而低客单价商品降价8%能显著提升销量且利润总额增加。策略引擎据此为不同价格区间设置不同系数。

---

九、真实踩坑与经验

坑1：竞品采集被平台反爬封IP

频繁采集竞品页面，触发了平台的风控。尤其是同一个IP短时间内大量请求。

解决：使用代理池+随机User-Agent，每个任务不同IP；采集间隔随机化（30-90秒）；对核心竞品降低频率（2小时一次）。

坑2：券后价解析错误

很多商品的“券后价”需要通过点击领取优惠券才能获得。直接页面抓取可能拿不到真实成交价。

解决：模拟点击领券（仅针对监控账号，不产生实际购买），或者使用平台提供的API（如果有）获取商品最低价。

坑3：竞品最低价识别不准确

竞品可能会用低价SKU引流（如配件），主商品价格并没降。系统误判为竞品降价。

解决：采集时对比商品标题，确保是同款或同系列。同时监控竞品店铺的销量分布，低价SKU销量极低时忽略。

坑4：自动调价导致恶性竞争

对手检测到我们降价，也跟着降价，形成螺旋下降。

解决：设置价格下限（成本+合理利润），低于下限不再跟随。同时引入“调价冷静期”：对手降价后，我们等待2小时再反应，给对方留出提价空间。

---

十、总结：从被动跟价到主动定价

竞品价格监控与动态定价策略，让店群运营从“凭经验调价”走向“数据驱动决策”。

我们这套系统上线后，核心品类的毛利率提升了5个百分点，库存周转率提高了20%。同时，运营每天节省了1.5小时的手工比价时间。

关键经验：

1. 数据质量比算法更重要：采集清洗做不好，策略都是空谈
2. 策略可配置、可灰度：不要一上来就全自动，先建议后执行
3. 设置保护机制：价格底线、调频限制、熔断机制
4. 持续AB测试：市场在变，最优策略也在变

如果你也在运营价格敏感品类的店群，不妨从监控3-5个核心竞品开始，逐步建立自己的定价模型。不必一步到位，但方向值得投入。

最后，价格战不是目的，获取合理利润才是。自动化的价值在于让你更聪明地竞争，而不是更疯狂地降价。

---

作者：林焱