3,000 Catalog Products • 30-Day Budget Optimization • Cap Range: 300 to 400
Standard days clamp strictly between 300 and 400 products. If days remaining ≤ 2 and remaining credit cannot afford 300, the governor safely drops below 300 to soak up the remainder without overdraft.
| Strategy | Daily Cap Behavior | Total 30-Day Requests | Total Monthly Cost | Fits $19 Budget? | Month-End Leftover | Avg Stale Price Exposure |
|---|---|---|---|---|---|---|
| Naive (All 3,000 Weekly) | Fixed 429 / day | 12,870 | $23.94 | Over budget (+26%) | -$4.94 (Overdraft) | 33.61% |
| Static Smart 200 | Fixed 200 / day | 6,000 | $11.16 | Yes | $7.84 (Wasted!) | 40.33% |
| Static Smart 300 | Fixed 300 / day | 9,000 | $16.74 | Yes | $2.26 unused | 29.26% |
| Smart Dynamic Pacer ⭐ (Cap 300-400) | Adaptive 315 – 363 / day | 10,080 | $18.75 | PERFECT ($18.50-$19.00) | $0.25 (Safe reserve) | 25.93% (Best Accuracy) |
These methods rely purely on mathematics, telemetry, and observed ground truth—eliminating unpredictable AI hallucinations.
Using an exponential half-life decay (factor λ = 0.72), views today have a 1.0 multiplier, yesterday 0.72, and 6 days ago 0.14. Active shoppers browsing right now are instantly prioritized.
Admin category scores (1-5) are just subjective guesses. When the scraper runs, if the price actually changed, we record Δ = 1.8; if identical, Δ = 0.4. This dynamically tracks real volatility: if a product hasn't changed price across 5 consecutive scrapes, its priority naturally cools down.
A 5% price change on a 5,000 RMB ($700) laptop is a 250 RMB ($35) discrepancy. A 5% price change on a 20 RMB phone case is only 1 RMB ($0.14). High-ticket items are weighted logarithmically to prevent large monetary arbitrage risks.
A casual page view represents weak intent. However, adding a product to a cart or subscribing to a price-drop alert represents 10x-20x purchase commitment. Outdated prices at checkout cause instant abandonment.
When JD indicates stock is low or if an item flipped stock status in the last scrape, its volatility risk surges. Showing an out-of-stock product as in-stock ruins customer trust.
JD.com runs predictable, scheduled promotional cycles: 618 (June), Double 11 (Nov), Double 12 (Dec), JD Plus Member Days (8th/18th of month), and Friday night Miaosha (§9;秒杀 flash sales). A calendar rule automatically boosts tech/apparel volatility on these exact dates.
Adapted from OS CPU task scheduling: as time passes without an update, the waiting penalty grows exponentially. Even a dormant product with 0 views is mathematically guaranteed to hit the top cutoff before 14–21 days elapse.
Instead of cutting blindly at a fixed integer, look at the first derivative (slope) of the sorted scores. If item #340 has a score of 12.8, and item #341 plummets to 2.1, the algorithm truncates at #340, avoiding wasted requests on low-value items.
هدف ما این است که سقف استخراج روزانه در روزهای عادی کاملاً بین ۳۰۰ الی ۴۰۰ کالا قرار بگیرد تا از تمام اعتبار ۱۹ دلاری آپیفای استفاده شود، اما در عین حال به هیچ وجه در اواسط ماه اعتبار تمام نشود. اگر در ۱ یا ۲ روز پایانی ماه، اعتبار باقی‌مانده کمتر از ۳۰۰ کالا باشد، سیستم اجازه می‌دهد سقف کاهش یابد تا باقی‌مانده پول بدون ایجاد کسری یا بدهی اضافه، دقیقاً روی ۱۸.۷۵ دلار مصرف شود.
استثنای روزهای آخر (روز ۲۹ و ۳۰): اگر در دو روز آخر ماه، اعتبار باقی‌مانده برای ۳۰۰ کالا کافی نباشد، سیستم سقف را متناسب با موجودی کاهش می‌دهد تا حتی ۱ ریال هزینه اضافه یا جریمه شارژ نشود و مانده حساب دقیقاً روی حاشیه امن ۰.۲۵ دلار بنشیند.
این متدها بدون نیاز به هوش مصنوعی‌های پیش‌بینی‌ناپذیر، بر پایه ریاضیات، آمار و رفتار واقعی کاربران و پلتفرم JD عمل می‌کنند تا مطمئن شویم بیشترین ارزش تجاری از استخراج‌ها حاصل می‌شود:
مشکل روش قبلی: جمع ساده بازدیدهای ۷ روز گذشته نمی‌تواند بفهمد کاربری که همین الان صفحه را باز کرده، بسیار مهم‌تر از کاربری است که ۶ روز پیش یک کالا را دیده و رفته است.
راهکار ریاضی: ما به هر روز یک ضریب زوال نمایی (λ = ۰.۷۲) می‌دهیم. بازدید امروز ضریب ۱.۰ می‌گیرد، دیروز ۰.۷۲، دو روز پیش ۰.۵۲ و شش روز پیش ۰.۱۴ می‌گیرد.
فایده تجاری: کالایی که همین امروز مشتریان آنلاین در حال چک کردن آن هستند، بلافاصله به صدر صف آپدیت امشب می‌آید تا مطمئن شویم قیمت جلوی چشم مشتریان امروز ۱۰۰٪ دقیق است.
مشکل روش قبلی: نمره‌ای که ادمین‌ها به ریسک دسته‌بندی می‌دهند (۱ تا ۵) فقط یک حدس ذهنی است. گاهی یک کالای دیجیتال ماه‌ها قیمتش ثابت می‌ماند و یک کالای معمولی ناگهان نوسان می‌کند.
راهکار ریاضی: ربات نتیجه هر استخراج را ثبت می‌کند. اگر قیمت تغییر کرده بود، نمره نوسان کالا افزایش می‌یابد؛ اما اگر قیمت در چند استخراج پیاپی تغییر نکرده بود، نمره نوسان با فرمول میانگین متحرک (EMA) خودبه‌خود کاهش می‌یابد.
فایده تجاری: بودجه ربات هدر نمی‌رود و محصولاتی که قیمتشان ثابت است به تدریج سرد شده و جای خود را به کالاهایی می‌دهند که واقعاً قیمتشان بالا و پایین می‌شود.
مشکل روش قبلی: یک خطای ۵ درصدی قیمت روی یک لپ‌تاپ ۵۰۰۰ یوآنی (حدود ۷۰۰ دلار) معادل ۲۵۰ یوآن (۳۵ دلار) ضرر است! اما همان خطای ۵ درصدی روی یک قاب گوشی ۲۰ یوآنی فقط ۱ یوآن (۱۴ سنت) تفاوت ایجاد می‌کند.
راهکار ریاضی: قیمت کالا به صورت لگاریتمی در امتیاز اولویت ضرب می‌شود: log10(Price_RMB) / 2.0.
فایده تجاری: کالاهای گران‌قیمت که ریسک آربیتراژ و خسارت مالی سنگین برای شرکت دارند، همیشه در اولویت استخراج قرار می‌گیرند تا قیمت آنها به‌روز باشد.
مشکل روش قبلی: نگاه کردن ساده به یک صفحه وب لزوماً به معنی خرید نیست. بسیاری از کاربران فقط در حال وب‌گردی هستند.
راهکار ریاضی: اعمال ضرایب جدی به اکشن‌های با قصد خرید بالا:
امتیاز تمایل = بازدیدها + (۸ × افزودن به سبد خرید) + (۲۰ × ثبت در لیست علاقه‌مندی یا آلارم تخفیف)
فایده تجاری: وقتی مشتری محصولی را به سبد خرید اضافه کرده، احتمال خرید قطعی او ۱۰ برابر است. آپدیت بودن قیمت کالاهای داخل سبد خرید مانع از انصراف مشتری در مرحله پرداخت می‌شود.
مشکل روش قبلی: اگر کالایی قیمتش درست باشد اما در سایت ما «موجود» و در JD «ناموجود» باشد، مشتری خرید را انجام می‌دهد و شرکت نمی‌تواند کالا را تأمین کند که باعث بی‌اعتمادی مشتری می‌شود.
راهکار ریاضی: اگر در آخرین استخراج، موجودی کالا کمتر از ۵ عدد گزارش شده باشد یا وضعیت آن بین موجود و ناموجود جابه‌جا شده باشد، امتیاز اولویت آن با ضریب ۱.۵ برابر جهش می‌کند.
فایده تجاری: موجودی انبار به سرعت همگام می‌شود و از فروش کالاهای ناموجود جلوگیری به عمل می‌آید.
مشکل روش قبلی: سایت JD.com تقویم منظمی از حراجی‌های دوره‌ای دارد که در روزهای خاص، قیمت‌ها ناگهان تغییر می‌کنند.
راهکار ریاضی: تعریف یک تقویم هوشمند با تاریخ‌های ثابت:
فایده تجاری: در این روزهای خاص، ضریب ریسک کالاهای دیجیتال و پوشاک به طور خودکار ۲۵٪ افزایش می‌یابد تا بیشترین تخفیف‌ها را شکار کنیم.
مشکل روش قبلی: اگر کالایی کم‌بازدید باشد (مثلاً یک لوازم یدکی خاص)، ممکن است ماه‌ها در انتهای صف بماند و هرگز آپدیت نشود.
راهکار ریاضی: بر اساس الگوریتم زمان‌بندی پردازنده‌های کامپیوتر (HRRN)، فاکتور گذشت زمان با توان غیرخطی بالا می‌آید: Staleness = 1.0 + 0.60 × (Days)^1.3. اگر از آخرین آپدیت کالا ۱۴ روز بگذرد، ضریب آن ۳ برابر می‌شود.
فایده تجاری: تضمین قطعی می‌دهد که حتی خلوت‌ترین و کم‌بیننده‌ترین کالای سایت حداقل هر ۲ الی ۳ هفته یک‌بار آپدیت شود و قیمت هیچ کالایی متعلق به پارسال باقی نماند.
مشکل روش قبلی: اگر سقف ما ۳۵۰ کالا باشد، اما کالای شماره ۳۲۰ امتیازش ۱۲ باشد و از کالای ۳۲۱ ناگهان امتیاز به ۲ سقوط کند، استخراج آن ۳۰ کالای پایانی فقط دور ریختن پول است.
راهکار ریاضی: سیستم شیب نمودار امتیازات مرتب‌شده را بررسی می‌کند. اگر در نزدیکی سقف، یک افت ناگهانی (Elbow) مشاهده شود، استخراج در همان نقطه متوقف می‌شود.
فایده تجاری: اعتبار آپیفای برای روزهای شلوغ‌تر و پرفروش‌تر ذخیره می‌شود و برای کالاهای بی‌ارزش خرج نمی‌شود.
با این سیستم، در روزهای عادی بین ۳۰۰ الی ۳۶۳ کالا در روز به‌روزرسانی می‌شوند. در طول ۳۰ روز، مجموعاً ۱۰,۰۸۰ کالا آپدیت می‌شوند و هزینه ماهانه دقیقاً معادل ۱۸.۷۵ دلار خواهد بود. ۰.۲۵ دلار باقی‌مانده نیز به عنوان حاشیه امن در کیف پول باقی می‌ماند تا هیچ ریسک قطعی یا جریمه‌ای متوجه شرکت نشود.