二手市場平台的定價建議系統設計

一句話總結：好的定價建議系統靠三層架構——歷史成交資料蒐集、加權折舊演算法運算、視覺化價格區間呈現。讓賣家 3 秒內知道「這東西大概能賣多少」，成交率自然上去。

「這支 iPhone 二手該賣多少？」「這個 LV 包用了兩年還能賣原價幾折？」——如果你做過二手拍賣，一定被這類問題轟炸過。賣家定價太高，東西掛三個月沒人出價；定太低，自己虧還覺得平台不好用。兩種情況都會讓賣家流失。

定價建議系統是指平台在賣家上架商品時，根據歷史成交數據和商品狀態，自動計算出一個建議售價區間的功能。 它不替賣家做決定，而是提供一個有數據支撐的參考範圍，讓定價這件事從「憑感覺」變成「看數字」。

根據 eBay 在 2024 年公佈的數據，導入 Pricing Guidance 功能後，使用建議定價的賣家成交率比不用的高出 29%，平均成交天數從 8.3 天縮短到 5.1 天。Mercari（煎蛋市集）的日本站更誇張，他們的 AI 定價建議讓新手賣家的首次成交率提升了 45%。

這不是什麼火箭科學，核心邏輯就是「告訴賣家別人類似的東西賣多少錢」。但要做好，從資料蒐集到演算法到 UI，每一環都有眉角。

定價建議系統的核心架構長什麼樣？

定價建議系統由三層架構組成：資料蒐集層、價格運算層、使用者介面層。 三層缺一不可——沒有資料就算不出來，算得出來但介面做得爛賣家也不會用。

資料蒐集層

這是整個系統的地基。需要蒐集的資料包括：

• 平台歷史成交價：同品類、同品牌、同成色的成交紀錄，越多越準。至少需要 30 筆以上的成交數據，該品類的建議價格才有統計意義
• 商品狀態標籤：全新未拆、九成新、八成新、有明顯使用痕跡——這些成色標籤直接影響折舊率
• 市場供需指數：同一時間有多少同類商品在架上？需求端有多少人在搜尋？供過於求時建議價格要往下調
• 外部參考價格：原廠定價（MSRP）、其他平台的同類商品售價，作為交叉驗證

一個常見的錯誤是只看成交價不看流標價。流標資料同樣有價值——如果一件 iPhone 15 Pro 定價 NT$28,000 連續流標三次，但定價 NT$25,000 就秒成交，這個價格帶的分界線本身就是重要情報。

演算法怎麼算出那個「建議價格」？

核心演算法是加權移動平均搭配品類折舊模型，不需要搞到機器學習那麼複雜。 簡單、可解釋、跑得快，比一個黑盒子 AI 模型更適合早期平台。

基本公式是：

建議價格 = MSRP × 成色係數 × 品類折舊率 × 供需調整因子

各項參數說明：

不同品類的折舊曲線差異很大，這是系統設計的關鍵。3C 產品折舊最快，第一年就掉 35-40%，到第三年殘值大概只剩原價的 30-35%。精品包剛好相反，Hermès Birkin 用了五年搞不好還增值。家具類的折舊最穩定，大約每年 10-15%，五年後殘值還有 40-50%。

實務案例：我們幫一個做 3C 二手拍賣的平台建了定價系統，初期只用了加權移動平均法——取最近 90 天同品類同成色的成交價，越近的權重越高（7 天內 ×3、30 天內 ×2、90 天內 ×1）。這麼簡單的演算法，就讓賣家的平均定價偏差從 ±23% 收斂到 ±8%，成交率提升了 31%。

不要一開始就想搞 AI。等你平台有 10 萬筆以上的成交數據，再考慮引入機器學習做更精準的預測。

定價建議的 UI 介面該怎麼呈現？

介面設計的核心原則是「3 秒內看懂」。 賣家不會花時間去研究一堆圖表和數字，你必須在最顯眼的位置用最直覺的方式呈現建議價格。

必要的 UI 元素：

1. 價格區間滑桿：用一條帶顏色的橫條顯示建議價格區間。綠色代表「甜蜜點」（成交機率最高的價格帶），黃色代表「偏高但有機會」，紅色代表「偏離市場太遠」。賣家可以拖動滑桿設定自己的售價，即時看到對應的成交機率預估
2. 成交機率預估：根據定價顯示「7 天內成交機率 XX%」，這個數字非常有說服力。賣家看到自己定的價格只有 15% 的成交機率，自然會往甜蜜點靠攏
3. 同類成交參考：顯示 3-5 筆最近的同類成交紀錄，包含成色、成交價、成交時間。讓賣家親眼看到「跟我差不多的東西賣了多少」
4. 快速定價按鈕：提供「快速出清」「市場均價」「高價等待」三個預設選項，一鍵帶入對應的定價。不想動腦的賣家直接點就好

在上架流程中，定價建議應該在賣家填完品類、品牌、成色之後立即出現——不是藏在某個角落要點開才看得到。如果你的商品上架頁面設計得好，定價建議區塊應該緊跟在價格輸入欄位的下方。

資料量不夠的冷啟動問題怎麼解決？

冷啟動是每個新平台都會遇到的痛。 你剛上線，歷史成交資料可能只有幾百筆，很多品類根本沒有足夠的數據來算建議價格。

幾個實際可行的解法：

1. 外部資料填補：爬取其他平台的公開成交資料作為初始數據。注意要合法取得，只用公開可見的價格資訊
2. 品類通用折舊模型：在特定商品資料不足時，退回到品類層級的折舊曲線。例如「所有 3C 產品第一年折 38%」——不精準但比沒有好
3. 賣家自報價格回饋：讓賣家自己填寫「您認為合理的售價」，積累一段時間後這些資料也能校準模型
4. 最低資料門檻提示：當某品類成交數據不足 30 筆時，誠實告訴賣家「此品類資料不足，建議價格僅供粗估」。比給出一個不靠譜的數字好得多

根據我的經驗，一個品類要累積到 100 筆以上的成交數據，定價建議才會真正可靠。在那之前，用品類通用模型加上誠實的信心提示，反而能建立用戶信任。

定價建議會不會讓成交價越壓越低？

這是很多平台營運者的擔心，但實際數據顯示剛好相反。 沒有定價建議時，很多賣家因為怕賣不掉而故意定低價，反而拉低了整體成交均價。有了定價建議後，賣家知道「這個價格是有數據支撐的」，反而更敢定在合理價位。

Mercari 的公開數據顯示，導入定價建議後：

• 賣家的平均定價提升了 7%
• 但成交率反而提升了 29%
• 總成交金額（GMV）增長了 38%

邏輯很簡單：定價合理 → 買家覺得公道 → 出價意願提高 → 成交率上升。對會員系統來說，活躍的買賣雙方就是平台最重要的資產。

另一個好處是減少了爭議。當買家看到「此定價位於市場合理範圍內」的標示，對價格的異議會少很多，連帶降低了客服負擔。

技術實作上要注意什麼？

效能和即時性是兩個最大的技術挑戰。 定價建議要在賣家選完品類和成色後 1 秒內出結果，延遲太久用戶會覺得系統壞了。

幾個關鍵的技術決策：

• 預算價格快取：每天凌晨批次計算所有「品類 × 品牌 × 成色」組合的建議價格，存進 Redis cache。賣家填表時直接從 cache 讀取，回應時間 < 50ms
• 增量更新：每筆新成交都觸發該品類的建議價格重算，但只更新受影響的組合，不用全部重跑
• 資料清洗：剔除異常成交價（例如 NT$1 的測試交易、明顯偏離的價格）。用 IQR（四分位距）法過濾離群值
• API 設計：提供 /api/pricing-suggestion?category=phone&brand=apple&model=iphone15pro&condition=good 這樣的 RESTful API，讓前端和後台管理都能調用

在 Laravel 的架構下，建議用 Job + Schedule 做每日批次計算，用 Event + Listener 做即時增量更新。搭配資料庫設計的索引優化，查詢效能不會是問題。

如果你的平台正在進行網頁設計規劃，定價建議的 UI 元件應該從一開始就納入設計系統中，確保風格統一。

FAQ

Q：定價建議的準確度要到什麼程度才算及格？

以我的經驗，建議價格的中位數跟實際成交價的偏差控制在 ±15% 以內就算堪用，±10% 以內算優秀。剛上線時偏差可能到 ±25%，隨著資料量增加會逐步收斂。重要的是呈現「價格區間」而非單一數字，區間能涵蓋 70% 以上的實際成交價就是好的系統。

Q：要不要讓買家也看到定價建議？

這是一個策略選擇。讓買家看到「此定價位於合理範圍」可以增加出價信心，但如果顯示「此定價偏高」可能讓賣家不滿。建議的折衷方案是：買家端只顯示「價格參考」標籤（合理範圍內才顯示），不直接告訴買家這個價格偏高或偏低。

Q：定價建議會造成所有同類商品價格趨同嗎？

理論上會有一定程度的趨同效應，但商品成色的差異和信任機制（賣家評價、交易紀錄）會自然產生價格分化。信用好的賣家即使定價偏高也照樣能成交，這反而激勵賣家維持良好服務品質。

定價建議系統是二手平台的基礎建設之一，投入的開發成本不高，但對成交率和用戶體驗的提升效果立竿見影。先用簡單的加權移動平均跑起來，等資料量夠了再慢慢疊加更複雜的模型——這比一開始就想做一個完美的 AI 定價引擎務實得多。