如果你正在搜寻「AI 动态定价系统推荐」，最重要的问题不应该只是「哪个工具演算法有多复杂」，而是「这套系统是否真的适合你的货品和销售流程」。
对香港网店来说，这个问题不只出现在食品。服饰有尺码、季节和库存深度；护肤美妆有保存期、套装和会员复购；电子配件有新旧型号、供应成本和竞争价格；食品例如和牛、海鲜或冻肉，则会有批次和可售期差异。AI 动态定价不是单纯把价格交给 AI 自动改。真正有用的系统，应该能同时理解商品资料、成本、库存、订单、会员喜好、促销规则、审批权限和操作纪录。否则，AI 算出一个看似合理的价格，但如果不能连到实际网店销售流程，最后只会变成另一个孤立工具。
1. 直接答案：先比较流程控制能力，再比较 AI 价格建议能力
网店选 AI 动态定价系统时，应该先比较三件事：第一，系统是否读到商品资料、成本、库存、订单、会员喜好和促销规则；第二，价格或优惠建议是否受毛利底线、折扣权限、审批流程和 rollback 控制；第三，所有 AI 建议、人手修改和最终执行是否有 audit trail。
如果货品的成本、供应、库存或版本差异很大，动态定价有讨论价值。例如和牛每次返货的部位、等级和可售期不同，或者电子配件因新型号推出而快速跌价。但如果货品本身差异不大，只是想提高复购、清库存或推动会员回购，很多时候「动态优惠」比「动态定价」更适合。系统可以根据会员喜好、订购纪录、最近浏览、购买频率和库存状态，向不同会员发出不同优惠，而不是直接改动所有人看到的标价。
2. 什么是动态定价？
动态定价是指价格不是长期固定，而是会根据指定条件调整。对网店来说，这些条件可以包括入货成本、库存深度、商品版本、季节、保存期、需求、供应、时间、会员类别、促销活动和销售目标。
传统定价通常是「定一次价，隔一段时间再检讨」。动态定价则是「先定好规则和底线，再因应资料变化调整」。AI 动态定价再进一步，会用模型分析更多资料，提出较即时的价格建议。
但要留意，动态定价不等于随便加价，也不等于 AI 可以自己决定所有价格。不同商品有不同敏感位：食品重视新鲜度和品质，服饰重视季节和尺码库存，美妆重视复购和套装，电子产品重视新旧型号和市场价。真正可用的动态定价，应该有清楚规则，例如最低毛利、最高折扣、适用商品、适用会员、审批门槛、促销例外和回滚方法。没有这些规则，价格变动只会令客户、员工和管理层都更难理解。
3. 网店有哪些动态定价和动态优惠例子？
网店的重点，不一定是全店即时改价，而是因应批次、保存期、库存和会员行为，选择应该调整标价、推出优惠，还是交给人手审批。
以下例子较贴近香港网店日常营运：
| 场景 | 可能的动态定价或动态优惠做法 | 要控制的风险 |
| 服饰、鞋履、生活用品 | 按尺码库存、颜色、季节、滞销速度和补货状态调整折扣或推荐组合优惠 | 不可只因某个尺码滞销就影响整个款式；亦要避免与现有促销重叠 |
| 护肤、美妆、保健品 | 按复购周期、套装组合、保存期和会员喜好发个人化优惠 | 不应把敏感个人偏好用得过度；亦要控制优惠券和会员价冲突 |
| 电子配件、潮流产品 | 按新旧型号、供应成本、竞争价格和库存深度建议价格区间 | 要避免追价太频密，令客户觉得价格不稳定或售后难解释 |
| B2B、批发或会员分级网店 | 按客户级别、订购量、付款条件和历史毛利建议报价或折扣 | 大额折扣、特殊客户价和低毛利报价应有人手审批 |
| 食品例子：和牛、海鲜、冻肉 | 按批次、品质、保存期、入货成本和会员偏好建议价格或优惠 | 不可把不同批次混成同一价格逻辑，亦要有人确认品质描述 |
所以对网店来说，动态定价不一定一开始就是「每分钟自动改价」。更常见、也更容易落地的起点，是让系统根据批次、保存期、库存和会员资料，提示应否加价、减价、停止折扣、推出个人化优惠或提交审批。
4. 深入例子：卖和牛时，动态定价未必比动态优惠重要
以下用我们接触过的一个香港网店客户做深入例子。这个客户主力卖和牛、冻肉和火锅食材，批次差异比较明显，所以容易说明 AI 动态定价和动态优惠的分别。为了保护客户资料，以下不会写客名、实际价格或内部数据；但同一套判断，也可以套用到服饰、护肤美妆、电子配件、批发网店和会员制网店。
这个客户最初的问题很直接：「可否用 AI 帮我自动改价？」但真正分析流程后，问题通常不是单一价格，而是批次和会员行为。
例如和牛每次返货都可能有差异：部位不同、等级不同、油花不同、重量不同、入货成本不同、相片不同、可售期不同。这类货品如果用同一套固定价格规则，可能会太粗糙；但如果完全自动改价，又容易令客户觉得同一款产品价格不稳定，前线客服亦难解释。
比较稳阵的做法，是先把每次返货变成清楚批次资料：
- 批次编号；
- 部位、等级、来源、重量范围；
- 入货成本和目标毛利；
- 上架日期、建议销售期和最后可售日期；
- 相片和品质描述；
- 可接受折扣范围；
- 哪些价格变动需要负责人批准。
在这种情况下，AI 可以先做价格建议和优惠建议，而不是直接改价。例如：
- 新返货批次品质较高、库存少，系统建议保持标价，只向高意向会员推早鸟通知；
- 某批冻肉保存期接近，系统建议向过去买过火锅套装的会员发限时优惠；
- 某个会员经常买和牛薄切，但未买过厚切，系统建议发个人化试食优惠；
- 某批产品低于毛利底线才卖得走，系统只可提交建议，不可自动发布；
- 大额折扣、清货优惠或全店价格变动，必须由指定人批准。
这就是动态优惠的价值。不是每个人看到的标价都不同，而是根据会员喜好和订购纪录，决定谁应该收到甚么优惠、甚么时候收到、优惠力度多少、是否需要审批。对很多网店来说，这比单纯追求 AI 自动改价更贴近营运需要。
5. 什么情况下，网店会开始需要 AI 动态定价系统？
网店未必一开始就需要 AI 动态定价系统。如果公司只有少量 SKU、价格长期稳定、优惠也很简单，用人手和表格管理未必有问题。真正需要开始比较系统，通常是因为营运复杂度已经超过人手记忆和 Excel 可以稳定处理的范围。
- SKU、款式、批次或会员分级越来越多，手动改价太慢；
- 入货成本、库存、保存期、季节、型号或竞争价格变化太快；
- 促销、会员价、个人化优惠和特别折扣变得难管理；
- 成本、库存、供应和需求变动快，但价格或优惠更新追不上；
- 竞争对手价格变化频繁，自己想更快反应；
- 优惠靠同事经验，管理层想控制毛利和折扣；
- Excel 已经开始难查版本、难追责任、难处理审批。
所以这篇文章不会只解释「甚么是动态定价」。更实际的问题是：当网店开始比较系统时，应该怎样分辨一套 AI 动态定价方案是适合公司流程，还是只是在现有混乱之上再加一层 AI？
6. 三种常见选择：Excel、独立工具、有 MCP 的网店平台
中小企考虑 AI 动态定价时，通常会遇到三种路线。
| 选择 | 适合情况 | 主要风险 |
| Excel / Google Sheets | 早期整理批次、成本、毛利、SKU、简单价格规则 | 版本混乱、公式错误、审批不清、难接 live 网店 |
| 独立 dynamic pricing software | SKU 资料成熟、竞争价格监察清楚、已有稳定网店或 ERP | 价格建议可能与批次、保存期、会员优惠和审批流程分离 |
| 有 MCP 的网店 / commerce / 营运平台 | 想把 AI 建议放入商品批次、库存、订单、会员、优惠和审批流程 | 需要先整理资料、权限和流程，不是即插即用魔法 |
这不是简单的「二选一」。很多网店一开始可以用 Excel 整理批次和毛利规则，用独立工具观察市场，再逐步把定价和优惠建议放入更完整的网店或营运平台。真正要避开的是：以为买了某个 AI 工具，就等于公司已经有一套可控的价格和优惠系统。
7. 网店例子：AI 改价或出优惠之前，系统要先知道甚么？
以一间香港和牛网店为例，老板可能想做到：新批次返货时按品质和入货成本建议标价；保存期接近时自动提示优惠；经常买和牛或火锅套装的会员收到不同优惠；当毛利低于指定水平时，必须有人审批。换成其他行业，可能是服饰按尺码和季节清货、美妆按复购周期派券、电子配件按新旧型号和竞争价调整折扣。
这些听起来都是「AI 动态定价」，但背后其实需要很多资料：
| 资料类型 | 为甚么重要 |
| 商品资料 | SKU、款式、分类、型号、版本、成本、相片、可售期或批次差异 |
| 成本与毛利 | 避免 AI 建议低于成本或低于可接受毛利 |
| 库存和可售期 | 库存不足、滞销、季节尾、临近保存期或新型号推出，都会影响价格和优惠策略 |
| 订单历史 | 知道哪些会员买过相关商品、套装、补充装、配件或高毛利品类 |
| 会员喜好 | 根据购买频率、客单价、品类偏好和回购周期推动态优惠 |
| 促销规则 | 避免 AI 建议与现有优惠、coupon、套装价或会员价冲突 |
| 审批权限 | 超过某些折扣或低于某些毛利，要由指定人批准 |
| 操作纪录 | 将来可以查回 AI 建议、人手修改和批准纪录 |
如果这些资料分散在 Excel、网店后台、WhatsApp、会计系统和员工脑袋里，AI 很难稳定地做出可执行的价格或优惠建议。它可能可以计出一个数字，但公司仍然要人手检查这个数字是否真的适合推出。
8. 为甚么 Excel 不适合成为 AI 动态定价基础？
Excel 可以用来起步，尤其是整理 SKU、批次、成本、毛利和简单价格规则。但当公司想把价格或优惠建议接到实际网店销售流程，Excel 的问题会很快出现。
第一，版本难控。不同同事手上可能有不同档案，公式和栏位稍有不同，最后已经不知道哪一个是最新价格。
第二，责任难追。某个价格是 AI 建议、同事手动改、主管批准，还是旧公式留下来，未必查得清楚。
第三，审批难落地。Excel 可以加备注，但很难自然地做到指定人审批、逾时提醒、权限分级和操作纪录。
第四，与网店、会员和订单分离。价格和优惠不是只存在表格里，最终要影响商品页、购物车、会员券、WhatsApp 跟进、客户沟通和会计纪录。当 Excel 与这些流程分开，AI 建议越多，人手搬运和检查反而越多。
所以 Excel 可以是定价整理工具，但不应该长期扮演 AI 动态定价系统的核心控制层。
9. 独立 dynamic pricing software 甚么时候有用？
独立 dynamic pricing software 并不是没有价值。对某些公司，它可能是很合适的选择。
例如公司已有清楚商品和批次资料、稳定网店系统、成熟的价格和优惠规则、可靠的竞争价格来源，而且内部已经知道哪些价格或优惠可以自动发布、哪些要审批。在这种情况下，独立工具可以协助更快分析市场价格、需求变化、促销成效和建议价格区间。
但如果公司本身的商品批次、库存、保存期、会员、折扣、优惠券和审批流程仍然分散，独立工具就容易变成「建议在一边，执行在另一边」。工具可能告诉你某个 SKU 应该加价或减价，但实际落地时仍要问：
- 这个价格会否低于毛利底线？
- 这个批次的保存期是否接近？
- 这个 SKU 是否正在做套装优惠或会员券？
- VIP、常客或批发客看到的价格或优惠是否不同？
- 库存是否已经不足，还是需要清库存？
- 谁有权批准这个折扣？
- 如果改错价，如何 rollback？
- 客户问起价格变动原因，是否查得回？
如果这些问题要靠人手逐个系统查，AI 动态定价或动态优惠就未必真正减少管理负担。
10. 有 MCP 的网店平台，重点不是更潮，而是更容易受控
MCP 可以简单理解为一种让 AI 连接外部资料、工具和系统动作的标准方式。放在网店和营运平台里，重点不是「AI 可以自动做更多事」，而是 AI 可以在受控权限下读取正确资料、提出建议、提交审批，并在批准后执行指定动作。
例如一个有 MCP 的网店或 commerce 平台，可以把 AI 价格和优惠建议放在这样的流程里：
1. AI 读取商品资料、成本、库存、订单、会员喜好和促销规则； 2. 系统套用毛利底线、促销规则、会员分组和折扣权限； 3. AI 提出建议价格、建议优惠和原因； 4. 如果价格或优惠低于指定毛利、影响高价值客户或涉及清货，提交主管审批； 5. 主管看到变更前后、风险提示和建议理由； 6. 批准后才更新网店价格、会员券或优惠活动； 7. 系统保留 AI 建议、人手修改、批准人和时间纪录； 8. 如果发现问题，可以按纪录 rollback 或暂停规则。
这种设计的核心不是全自动，而是把 AI 放入有资料、有权限、有审批、有纪录的价格和优惠流程。对香港网店来说，这通常比单纯追求「AI 自动改价」更重要。
11. 网店要特别留意治理、私隐和责任
AI 动态定价和动态优惠牵涉客户、交易、价格、折扣、会员资料和商业决策，不应当成普通内容生成工具处理。
香港政府和私隐相关机构近年都强调 AI 应用需要风险管理、资料保障、人手监督、透明度和可追溯性。放在网店定价和优惠场景，这些原则可以转化成几个实际问题：
- AI 是否只读取必要资料？
- 客户个人资料是否有清楚使用边界？
- 哪些员工可以看到成本、毛利、会员偏好和优惠建议？
- AI 建议是否可以被人覆核和修改？
- 高风险价格或优惠变更是否一定要审批？
- 每次价格、优惠券或会员推送变更是否有 audit trail？
- 出错时是否可以暂停、回滚和追查？
这不是法律意见，而是系统设计时应该面对的营运责任。价格和优惠一旦影响真实客户、品牌信任、毛利和收入，老板最需要的不是一个更敢改价的 AI，而是一套知道甚么时候不应该自动改价、不应该自动派券的系统。
12. 价格栏杆要先定好
如果公司真的要导入 AI 动态定价，建议先定以下栏杆：
| 栏杆 | 作用 |
| 成本底线 | 不容许低于成本或低于指定毛利 |
| 毛利警戒线 | 低于指定毛利时只可建议，不可自动执行 |
| 折扣权限 | 不同职级有不同折扣批准范围 |
| 商品例外 | 不同款式、型号、批次、来源、保存期或商品描述要分开处理 |
| 会员例外 | VIP、长期客、批发客、特定偏好会员有独立规则 |
| 库存和可售期规则 | 低库存、滞销、季节尾、临近保存期、补货中产品有不同处理 |
| 促销冲突检查 | 避免与 coupon、套装价、会员价重叠出错 |
| rollback 机制 | 改错价时可以快速还原和追查 |
| audit trail | 记录 AI 建议、人手修改、批准和执行 |
没有这些栏杆，AI 越强，风险可能越大。因为它不是慢慢制造一个错误，而是可以很快把错误推到很多 SKU、很多客户和很多订单。
13. 较稳阵的第一步：先做 AI-assisted pricing 和动态优惠
对很多香港网店，第一步未必是 full dynamic pricing，而是 AI-assisted pricing 和动态优惠。
意思是：AI 先协助整理价格和优惠相关资料，提出建议和风险提示，但正式价格、会员券和清货活动仍由人确认。以一般网店为例，AI 可以先做：
- 读取商品成本、库存、可售期、促销规则和过往成交；
- 检查会员是否常买相关品类、补充装、配件、套装或高毛利商品；
- 提示建议价格或优惠是否低于毛利底线；
- 找出相似批次、相似会员和过往优惠反应；
- 草拟内部审批摘要；
- 把超出权限的折扣、清货优惠或大额会员券提交主管。
这样做的好处是，公司可以先验证 AI 是否真的减少查资料和核对时间，是否提高合适会员收到合适优惠的机会，而不是第一日就把价格控制权交出去。当资料、权限、审批和 audit trail 都稳定后，再逐步扩大自动化范围会更合理。
14. 买系统前应该问供应商的问题
比较 AI 动态定价系统时，可以问供应商以下问题：
| 问题 | 为甚么要问 |
| 系统会读取哪些资料？ | 确认是否只靠上传表格，还是能连到真实商品、成本、库存、订单、会员和促销资料 |
| 价格建议如何解释？ | 避免黑箱建议，让员工知道建议背后原因 |
| 是否支援毛利底线和折扣权限？ | 避免 AI 建议突破公司商业底线 |
| 是否支援动态优惠？ | 判断系统是否能按会员喜好和订购纪录发优惠，而不只是改标价 |
| 哪些动作需要人手审批？ | 分清 AI 建议和正式执行 |
| 是否有 rollback？ | 改错价时能否快速还原 |
| 是否有 audit trail？ | 将来可否查回谁批准、何时改、为何改 |
| 是否支援网店、会员和优惠流程？ | 避免价格工具与日常营运分离 |
| 资料权限如何控制？ | 防止不必要的人或 AI 读取敏感资料 |
如果供应商只能展示「AI 可以计出价格」，但答不到流程、权限、审批和纪录问题，就要小心。因为真正困难的往往不是计价，而是把建议安全地放入公司流程。
15. oneflash 角度：AI 动态定价应该放在营运系统里看
oneflash 看 AI 动态定价，不会只当成一个单独价格工具问题。对网店来说，价格和优惠通常连住商品资料、库存、成本、订单、会员、CRM、WhatsApp 跟进、审批和管理报告。AI 如果只在其中一个孤立工具里给建议，未必能解决真正营运问题。
所以 oneflash 较重视的是：公司能否建立一套让人和 AI 一起工作的商业系统。AI 可以协助整理批次资料、提出价格和优惠建议、标示风险、准备审批摘要；人负责确认、批准和承担责任；系统负责权限、流程、纪录和可追溯性。
这个方向不一定等于每间网店都要立即做全自动动态定价。相反，很多公司更适合先由 AI-assisted pricing、动态优惠、促销建议、毛利警戒和价格审批开始。先把流程控制好，再谈更高程度的自动化。
16. 结论：不要只买一个懂计价的 AI，要买得起责任的流程
AI 动态定价对香港网店有吸引力，因为它看似可以即时回应成本、库存、竞争、会员行为和需求变化。但在真实营运里，价格不是一个孤立数字，优惠也不是单纯派券。两者都会影响毛利、品牌信任、客户关系、员工责任和公司收入。
所以选 AI 动态定价系统时，不要只问「哪个推荐最准」。更应该问：
- 它是否读到正确商品、成本、库存、订单和会员资料？
- 它是否受价格和优惠栏杆限制？
- 它是否支援人手审批？
- 它是否能连到网店、订单、会员券和客户流程？
- 它是否有 rollback 和 audit trail？
如果这些问题未答清楚，AI 动态定价很容易由「提升效率」变成「加快出错」。相反，如果资料、流程、权限和审批先设计好，AI 就可以先成为价格和优惠建议助手，再逐步进入更成熟的动态定价流程。
17. 参考资料
- Digital Policy Office: Ethical AI Framework, https://www.digitalpolicy.gov.hk/en/our_work/data_governance/policies_standards/ethical_ai_framework/
- Info.gov.hk: DPO publishes guidelines on generative AI application, https://www.info.gov.hk/gia/general/202504/15/P2025041500227.htm
- PCPD: Artificial Intelligence: Model Personal Data Protection Framework, https://www.pcpd.org.hk/english/news_events/media_statements/press_20240611.html
- Google Cloud: What is Model Context Protocol, https://cloud.google.com/discover/what-is-model-context-protocol
- commercetools: Commerce MCP, https://commercetools.com/commerce-mcp
- Arcade: Enterprise MCP guide for retail and ecommerce, https://www.arcade.dev/blog/enterprise-mcp-guide-for-retail-ecommerce/
- Vendavo: The hidden cost of spreadsheet-based pricing, https://www.vendavo.com/insights/blog/hidden-cost-spreadsheet-based-pricing/