你看到的原价，八成从没卖过

"原价999，限时399。"这句文案，你一天大概要看到几十次。Fazy 最近公布了一份让人不太舒服的审计结果：其目录中 83% 的"原价（was price）"从未以该价格真实成交过。更扎心的是，43% 的商品从头到尾只挂过一个价——所谓"原价"，只是凭空写上去的锚点。

这份结论的分量，不在于数字多吓人，而在于方法论全部公开、价格史数据免费可查、欢迎任何人复现或挑错。当价格史成为可查询的数据基础设施，"原价"就从一句营销话术，变成了一个可被审计的数据断言。这才是这件事真正值得数据行业看的地方。

🧾 每一句原价，都是没验证过的断言

先看场景。你在购物页看到"原价199，现价99"，心理账户立刻启动：省了100块。但你没有任何工具能回答一个简单的问题——这东西真的卖过199吗？

过去，回答这个问题只有一个笨办法：每天截图，坚持几个月，你才有资格说"它从没卖过原价"。绝大多数人做不到，所以锚点定价几乎零成本。

Fazy 做的就是把"每天截图"这件事工程化了。这次测算的对象，是目录中所有满足两个条件的商品：标注的"was price"比现价高出至少 5%，且现价在近三天内被读取过。

然后对每个商品跑同一个测试：

1. 拉取完整价格史——每一条带时间戳的价格观测记录；

2. 设置样本下限：追踪满 30 天、观测 4 次以上，不满足的直接剔除；

3. 核心判定：该商品历史上是否曾以"原价 2% 容差内"的价格成交过。没有，即判为虚标。

结果：83% 不合格。平均追踪时长八周、每件商品 13 次观测——这不是薄样本制造的统计假象。

方法论可以画成一张流程图：

作为一个搭过数仓的人，我想说：这份结论能站住脚，靠的不是"83%"这个数字，而是三个工程决策——先定义统计总体（谁进入样本），再定义失败谓词（什么叫假），最后用最低样本量挡住噪声数据（30天/4次）。原文那句话写得相当硬气：公布方法论，供你复现或批评。

在数据行业，敢让人复现，本身就是一种证据等级。

📊 平均数会撒谎，品类不会

83% 是全目录的平均值，拆开品类看，故事更有意思。

健康养生 97%，几乎全军覆没；服饰 68%，是全场"最诚实"的品类。原文的解释很克制：服饰存在真实的季节性清仓，春季款真的会降到一个低点再卖掉，"原价"有真实的生命周期支撑。而健康养生、美妆这类高毛利、无季节性的品类，价格锚点本质上是纯营销装置，从头到尾没打算兑现。

还有一个数字比 83% 更难看：💰 43% 的商品在全部观测点上价格一个字没变过。

注意这 43% 的含义：连"先抬价再打折"的戏码都没有，压根没有降价动作，只有一句凭空写下的"原价"。这已经不是误导性促销，而是纯粹的锚点伪造。

据多位接近价格监控赛道的人士透露，比价引擎内部早就做过类似测算，虚标原价在行业里不算新鲜事——新鲜的是有人把原始价格史开放出来，让你自己算。

品类虚标率的分布，其实是一张品类价格结构的 X 光片：哪里价格是"活的"（有涨有跌、有生命周期），哪里价格是"死的"（常年一个价加一句假锚点），数据说得清清楚楚。

🔧 教科书级的数据质量项目

抛开电商语境，从数据平台的视角看，这个项目是一个非常标准的数据质量实践，值得拆开来学。

第一，统计总体有明确定义。"was price 高出现价 5% 以上、现价近三天内被读取"，一句话锁定审计对象，避免挑肥拣瘦。很多公司的数据质量项目败在第一步：口径吵三周，最后不了了之。

第二，失败谓词是可执行的。"曾以原价 2% 容差内成交"，这是一条能跑查询的判定，不是"感觉价格不太对"这种玄学。

第三，薄数据被主动剔除。30 天、4 次观测，宁可缩小样本也不让噪声进结论。这是数据工程师的基本素养，但现实中太多汇报里的数字，正是靠薄数据撑起来的。

第四，也是最难的一点：可复现。价格史免费开放、无需 API key，任何人可以重跑这 83%。

对照着看，你不妨问自己一个不太舒服的问题：你的业务汇报里，有多少类似"was price"式的断言——"用户增长健康""转化率行业领先""成本已优化"——从未被一条可执行的数据谓词校验过？

这个项目的启示很朴素：数据质量不是一叠 dashboards，而是一组你随时敢让人重跑的判定逻辑。被持续采集、带时间戳、可查询、可复现——四样凑齐，数据才算有了"作证"的资格。

🔌 数据的消费者，正在从人变成代理

真正让我这个架构师兴奋的，是材料里轻描淡写的一笔：价格史除了免费 API，还提供 MCP（Model Context Protocol）接口。

场景推演一下。用户对购物代理说："帮我挑个吹风机，这个'原价499'是真是假？"代理不再需要爬网页、做截图比对，直接调用 MCP 工具查价格史，几秒内回答："过去八周 13 次观测中，该商品从未以 499 成交。"推荐与否，数据说了算。

整条链路长这样：

这里有一个消费结构的转变：过去数据平台做 API，服务的是人和报表；MCP 服务的是代理的决策。数据消费的最小单元，正在从"一张 dashboard"变成"一次代理调用"。这也是 Data for AI 和传统 BI 最本质的区别——数据不再等人类来看，而是被机器实时取用。

对商家来说，风险模型也彻底变了。过去虚标原价的暴露渠道，主要是平台抽检或媒体曝光，属低频事件；当价格史可以通过 MCP 被全网代理查询，任何一个 AI 导购在推荐前都可以顺手跑一遍审计，虚标从"低概率被抓"变成"每次推荐都可能被戳穿"。

当然，方法论本身有边界：2% 容差是否合理、价格史覆盖是否完整、不同目录之间的数字不能直接横比——这些都可以讨论。但开放、可复现的姿态，恰好是对所有质疑的最好回应：不信，你自己跑。

⚠️ 审计成本降到一次调用，博弈就变了

把这件事放到更大的坐标系里：价格数据正在完成一次身份转变——从营销素材，变成信任基础设施。

它的前提是一套很"重"的工程：持续采集、时间戳入库、完整历史留存、免费查询接口、MCP 通道。每一条单独看都不新鲜，凑在一起，改变的是博弈结构：审计的成本从"消费者每天截图"降到"一次 API 调用"。

据业内流传的说法，部分头部平台内部早就具备类似的价格史能力，但极少对外开放——毕竟开放等于把尺子递到对手和用户手里。Fazy 这次的取舍很清晰：把方法论和数据都交出去，换取结论的可信度和开发者的信任。

对数据行业，我的判断有三条：

其一，"可审计性"会成为数据产品的新卖点。就像代码要有测试，数据断言也需要能被独立验证。其二，MCP 类接口会让 Data for AI 从概念变成真实通道——谁的数据能被代理安全、结构化地取用，谁就进入新的分发网络。其三，虚标原价这类灰色营销动作的生存空间，会被价格史数据持续压缩；这不是某个监管动作的结果，而是数据基础设施自然演进的结果。

价格，可能是商业世界里最古老的数据。现在，它终于开始接受和代码一样的对待：可查、可跑、可证伪。

83% 这个数字属于 Fazy 的目录，换个目录重跑未必是同一个数。但方向已经清楚：当价格史被持续采集、并通过 MCP 开放给代理和开发者，"原价"不再是一句文案，而是一条可被验证的数据断言。下一个被拉出来审计的"was price"，可能就藏在你自己的业务汇报里。对数据从业者来说，最该做的不是围观，而是先把自家那把尺子造好。