83%的“原价”，从未被卖过

你以为捡到了便宜，其实那个“原价”可能从头到尾就没存在过。Fazy对自家全量商品目录做了一次价格审计：所有挂着参考“原价”（was-price）的商品里，83%从未以接近原价的价格真实成交。更刺眼的是，其中43%的商品在追踪期内一次价都没降过。这篇文章拆开它的测量方法看：假原价不是营销话术的灰色地带，而是一个可以被数据精确度量、也理应被系统性治理的数据质量问题。

📉 一场对自家目录开刀的审计

审计别人容易，把刀对准自己的目录，才见真章。

促销季的标准画面：原价599，现价199，立省400。消费者决策的锚点，就是那个“原价”。Fazy是一家做价格追踪的服务商，手里攒着目录里每个商品带时间戳的完整价格历史。这次他们没发行业报告，而是先审了自己的目录。

审计范围的定义相当克制：只统计“原价比现价高出至少5%、且现价是三天内读取”的商品——也就是真正在拿原价当促销锚点的商品，不扩大打击面。

结论：83%的“原价”，从未以2%以内的差距真实卖出去过。

样本厚度也扛得住质疑：平均每件商品追踪八周、13次价格观测。这不是薄样本里捞出来的统计假象。

而且这83%内部结构还不一样，拆开看：43%的商品全程一个价——不是“打折时挂了个假锚点”，是压根没有降价这回事；剩下的40%价格动过，但从未接近过宣称的原价；真正原价可信的，只有17%。

对一家靠价格数据吃饭的公司，公开自家目录的造假率是需要一点勇气的。但更值得注意的是：他们连方法一起公开了。结论可以被质疑，方法不能含糊——这是数据驱动的结论区别于情绪化爆料的分界线。

结论的公信力，不在数字多惊人，而在门槛设得多清楚。

市面上大量“XX%是假的”式的报告，死于方法黑箱：你怎么判定“假”？Fazy把每一步摊在了台面上。

第一步，拉全量价格历史——每一次价格观测，都带时间戳。第二步，质量门槛：追踪不足30天、或观测少于4次的商品，直接剔除。宁可损失样本量，也不让新品上架期的价格波动和单次快照污染结论。第三步，判定规则：这件商品历史上是否曾以“原价”2%以内的价格真实售出？从未，即判假。

三道门槛走完，仍有83%阵亡，且平均观测密度是八周13次——不是“多看两眼”就能翻案的边际样本。

那个2%的容差是典型的工程判断：给四舍五入和短暂调价留出余地，避免把真实促销误杀成假锚点。

门槛设计的本质，是误报率和漏报率的取舍：门槛太松，真实促销被误判；太紧，造假漏网。把取舍标准写出来公开挨打，比藏着一个漂亮的数字有价值得多。

看任何数据驱动的结论，第一反应都该是：先别看结论，先看门槛。

🧴 类目分化：最诚实的居然是服装

造假率最高的，往往不是你以为的促销重灾区。

按直觉，电子产品和家电该是套路最深的类目。结果恰恰相反：保健品97%、美妆96%霸榜，服装以68%垫底，成了相对最诚实的类目。

服装的相对诚实不难解释：它有真实的生命周期。季末清仓、断码促销，是真实发生的价格事件，原价锚点有据可依。而保健品、美妆是典型的“常年标价稳定＋高毛利”品类，没有天然的降价节点，想造一个“原价”，成本几乎为零。

把几个类目放进同一个坐标系，分化一目了然：

（点位为示意位置，依据各类目造假率与促销节奏摆放。）

产业逻辑很清晰：假锚点浓度，与品类是否存在真实降价周期负相关。落到治理上，按类目分级做风控，远比一刀切的“全平台严打”更有效。

🕳️ 那43%：连降价这场戏都懒得演

最“省事”的造假，是那个价格从来没变过的。

挂“原价”的默认语义是：这东西曾经卖过这个价，现在打折。但43%的商品在每一次检查中价格纹丝不动。没有降价，何来原价？这不是促销技巧走偏，而是上架时就写死了一个虚构的锚点数字。

这一类恰恰是最容易被机器识别的：一条最简单的时间序列查询——“这价格是否变动过”——就能全部抓出来，不需要任何模型。换句话说，平台想查，技术门槛为零；没查，多半是不想查。

据做过电商定价系统的工程师讲，多数系统的价格表里只有“现价”一个字段，历史价格被一次次update覆盖。不是技术上不能留，是默认不留。而留不留历史数据，直接决定了审计能力的上限。

静态假锚比动态假锚更隐蔽，也更脆弱：消费者没法用“等它真降价”来验证，但任何一份数据抽检都能一查一个准。当检测成本趋近于零、造假依旧普遍，问题就不再是技术问题，而是治理意愿问题。

🔌 价格历史，正在变成公共设施

数据开放的边界，决定了问责能走多远。

方法公开之外，Fazy还把数据本身开放了：价格历史免费查询、不需要API key，另提供MCP（Model Context Protocol）接口。这意味着两件事：批评者可以自己跑一遍复现；AI agent 可以直接调用——一个购物助手在给出“值得买”的结论之前，可以先查这件商品的价格历史，验证那个“原价”是否真实存在过。

支撑这一切的，是一条持续运行的数据管道：

据多位关注数据要素流通的从业者观察，垂直领域数据集通过MCP开放，正在成为数据出域的一种轻量范式：不开收费接口，而是把可信度做成公共品，用开放换话语权。

产业判断：当购物决策越来越多由agent代替人执行，价格历史的可信度就从“营销素材”升级为“基础设施参数”。谁的数据可验证，谁才有被引用的资格。

⚠️ 现价快照，存不出真相

大多数造假不是查不出来，是数据从一开始就没打算让你查。

一个想自查的平台会发现：翻遍系统，每个商品只有当前价格字段，历史的每一次调价要么没记、要么被覆盖。想在事后回答“这个原价真的存在过吗”，系统层面无解。

Fazy能完成这次审计的前提，是价格历史被当作一等公民对待：每次观测带时间戳落库，数据密度足以支撑“30天＋4次观测”这样的质量门槛。这是所有数据平台都适用的铁律——快照只能回答“现在多少”，append-only的历史才能回答“曾经是否如此”。

虚构原价在多数市场的监管框架里，都属于价格欺诈的典型形态，专项抽检也常年列入。但监管是外力，数据留存是内功：平台要有能力自查，先得有能力回溯。

对数据团队来说，价格、库存、促销规则这类“会变的业务事实”，都值得按时间序列设计留存。不是为了复盘时好看，而是为了哪天需要自证清白时，拿得出来。

🔭 写在最后

假原价不是新故事，但83%、43%、97%这组数字，让它第一次变得可测量。Fazy这份报告真正有价值的不是结论，而是把方法、门槛、数据全部摊开：结论可质疑，过程可复现。往前看，当价格历史成为开放数据、AI agent接入实时校验，靠虚构锚点撑起来的促销话术，生存空间会被持续压缩。数据留存到哪里，诚信的边界就能推进到哪里。