1. 用户行为数据
- 浏览记录：频繁查看某类商品可能被视为购买意愿强的信号。
- 搜索关键词：特定关键词可能触发算法调整相关商品价格。
- 点击率/停留时长：对某商品的关注时长可能影响价格浮动。
- 购买历史：历史消费能力、品牌偏好等可能被用于个性化定价。
2. 设备与环境数据
- 设备类型：使用高端设备（如iPhone）可能触发更高报价。
- 地理位置：根据地区消费水平、物流成本或需求差异调整价格。
- 网络环境：Wi-Fi与移动数据可能被用于推断用户场景（如家庭 vs 外出）。
3. 市场与竞争数据
- 供需关系：库存量、季节性需求变化（如节假日）影响价格。
- 竞争对手定价：通过爬虫获取其他平台价格，实时调整以保持竞争力。
- 促销周期：大型购物节（如“双十一”）可能先提价再折扣。
4. 用户画像数据
- 会员等级：高等级会员可能获得折扣，或反之被推测为价格不敏感。
- 新老用户差异：新用户可能获优惠券，老用户可能面临“忠诚度溢价”。
- 消费能力评估：通过历史订单金额、频次等推测用户支付意愿。
5. 实时场景数据
- 时间敏感策略：下单犹豫期较长可能触发涨价，促使用户快速决策。
- 动态库存压力：库存不足时可能提价，库存过剩时自动降价清仓。
争议与合规性
- “大数据杀熟”：老用户或高消费用户看到更高价格可能涉及歧视性定价。
- 透明度缺失：用户常不清楚算法如何运作，缺乏知情权。
- 隐私风险：过度收集行为数据可能侵犯用户隐私。
- 法律监管：部分地区（如欧盟、中国）已出台法规限制算法滥用，要求公平交易。
应对建议
- 比价工具：使用比价插件或跨平台搜索。
- 隐私保护：清理Cookies、使用无痕模式或不同账号比价。
- 理性消费：关注需求本身，避免被算法制造紧迫感误导。
电商算法的核心目标是最大化平台利润，而非用户福利。理解其逻辑有助于更明智地决策，但最终仍需依靠市场透明度与法律监督来保障公平性。
