AI产品商业模式中的动态定价策略

CH-37-02-019·约 18 分钟·AI商业化与创业·更新 2026-08-14

清晨六点，菜市场的阿海摊开第一筐草莓，红艳艳的果子挂着露水。他麻利地挂出价签：35 元一斤。两小时后太阳毒起来，草莓开始出汗，他改成 28 元。傍晚六点，筐里还剩一小堆，他扯着嗓子喊：“10 元一斤，带走带走！” 隔壁摊位的老板也在卖草莓，阿海时不时瞄一眼对方的价签，顺手把自家价格微调两毛。小区里几个熟客走过来，他笑着压低声音：“给您留着好货，还是老价钱。” 这一套行云流水的操作，你在任何一家菜市场都见过——但你可能没意识到，这就是最朴素的动态定价。所谓动态定价，就是让价格跟着供需关系、用户偏好、竞争环境甚至库存状态实时变化，而不是钉死在一个数字上。AI 的介入，相当于给阿海装了一套“超级大脑”：帮他在几百个维度上同时做判断，比人脑更快、更准、更持久。这篇文章就带你拆开这套“超级大脑”看看里面装着什么，从定价原理到价格弹性，再到 SaaS 和电商里的实践，讲透 AI 动态定价的来龙去脉。

岗位关联

动态定价是 AI 商业化中的“利润放大器”，掌握它能让你设计的商业模式既讨用户欢心，又让收入曲线向上倾斜。这是产品经理、创业者与定价策略师的核心技能。

可视化演示
动态定价原理
定价模型设计
价格弹性估计
用户画像分层
竞争环境感知
SaaS定价实践
落地实施路径
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

价格弹性与收入优化需求随价格上升而递减收入曲线呈倒U形最优价 R(p) = p × D(p), p* = a/2b 最优价格使总收入最大化

动态定价原理

阿海卖草莓的一天，其实就是一个微型的动态定价闭环。早上货源稀缺、客流旺盛，价格敢挂 35；午后供货充足、草莓开始变软，价格降到 28；傍晚再不卖掉就要烂在筐里，价格索性崩到 10 元。价格不是老板拍脑袋定的，而是被“还剩下多少货”和“还有多少人想买”这两股力量推着走的。

这个朴素的直觉，就是动态定价的原理：价格跟着供需关系走。AI 动态定价把阿海的“市场感觉”变成了可计算的模型。系统持续观测三个信号——需求强度（客流/搜索热度）、库存水位（剩余可售量）、时间窗口（高峰期还是尾盘），然后实时计算一个最优价格。网约车高峰期加价、机票越临近起飞越贵、酒店在大型展会期间上调房价，这些都是同一个原理在不同行业的投影。

阿海靠经验调这两个旋钮，AI 则靠历史数据自动把它们拧到最合适的位置。理解了这条公式，你就理解了动态定价——它不神奇，只是把阿海心里那杆秤，做成了数学。

\displaystyle P_t = P_0 \times (1 + \alpha S_t - \beta I_t)

这个公式说：此刻的价格 P_t，等于基础价 P_0 乘上一个调节因子。需求 S_t 越强，价格就上浮；库存 I_t 越多，价格就下调。

基础标价 $P_0$商品在“不冷不热”的基准状态下的价格，比如阿海草莓按往年行情定的 25 元基准价。
$P_0$
需求强度 $S_t$t 时刻的热度指数。如果此刻有 10 个人围在摊前而平时只有 5 个，S_t 就接近 2。
$S_t$
库存压力 $I_t$t 时刻的积压程度。如果还剩 80% 的货没卖出去，I_t 就接近 0.8，价格会被往下压。
$I_t$
调节系数 $\alpha, \beta$两个旋钮，分别控制价格对需求和库存的响应“油门”。α 大说明客流多时你敢大胆涨价，β 大说明货一积压你就急着甩卖。
$\alpha, \beta$

定价模型设计

阿海有个磨破边的小本本，记着每天卖了多少斤、几点卖的、天气怎么样、隔壁卖多少钱。他嘴上说不清规律，但心里有数：周末上午好卖，下雨天没人来。AI 定价模型做的事，就是把阿海的小本本变成一台自动学习的机器，让它找出“什么因素在影响销量”。

模型设计的核心是选对输入和输出。输入是各种可能影响需求的特征——价格、时间、星期几、天气、竞品价格、促销活动；输出是下一时段的需求量预测。最常见的模型是线性回归，它假设需求量主要由这几个特征加权求和决定，每个特征的权重就是模型从数据里学出来的参数。

训练好模型后，系统就能在每天清晨预测出“如果定 35 元能卖多少”，然后据此调价。阿海的小本本升级成了会自己思考的定价大脑。

\displaystyle \hat{Q}_t = b_0 + b_1 P_t + b_2 T_t + b_3 C_t + \varepsilon

模型在说：预测销量 = 一个基准值 + 价格的影响 + 时间的影响 + 竞品价格的影响 + 一堆说不清道不明的随机扰动。

预测需求量 $\hat{Q}_t$模型对下一时段销量的估计值，带个小帽子表示“这是预测，不是真实值”。
$\hat{Q}_t$
价格影响 $b_1 P_t$价格每涨一块钱，销量就变动 b_1 个单位。对多数商品 b_1 为负，因为贵了买的人就少。
$b_1 P_t$
时间特征 $b_2 T_t$把“早中晚”“周末与否”编码成数字后输入模型，让模型学到阿海那本小本本上的时段规律。
$b_2 T_t$
误差项 $\varepsilon$模型猜不到的部分，比如突然来了个旅行团抢光了货。这项提醒我们：预测永远有不确定性，定价时要留余地。
$\varepsilon$

价格弹性估计

阿海发现一个现象：草莓从 35 降到 28，销量几乎翻倍；但西瓜从 2 块涨到 2 块 2，顾客根本不在乎。同样的降价幅度，不同商品反应天差地别。这个“销量对价格的反应程度”，在经济学里叫价格弹性。

价格弹性是所有动态定价模型的“心脏参数”。如果弹性是 -2，意味着价格每涨 1%，需求量会掉 2%；如果弹性只有 -0.5，价格涨 1%，需求量只掉 0.5%。前者是“价格敏感型”商品，动价格要小心；后者是“刚需型”商品，加价空间更大。估计弹性的标准办法是 A/B 测试：随机把用户分成两组，一组看到原价，一组看到新价格，对比两组的购买率差异，就能反推出弹性。

弹性不是一成不变的。同一款草莓，早上的精英顾客对价格不敏感，傍晚的大妈们却对每一块钱都斤斤计较。所以成熟的动态定价系统会做“弹性分段”——把一天分成多个时段、把用户分成多个群体，分别估计弹性，再分别定价。这就是阿海“看人下菜碟”背后的科学逻辑。

\displaystyle \varepsilon = \frac{\Delta Q / Q}{\Delta P / P}

弹性的字面意思就是：需求量变化的百分比，除以价格变化的百分比。它像一个灵敏度旋钮，告诉你价格每转一个刻度，销量会摆动多大。

价格变化率 $\Delta P / P$降价 10% 就是价格从 10 块变成 9 块，这个比值为 -0.1。
$\Delta P / P$
需求量变化率 $\Delta Q / Q$对应地，销量从 100 份变成 120 份，这个比值就是 +0.2。
$\Delta Q / Q$
弹性比值 $\varepsilon$两者相除得到 -2，说明这个商品“很敏感”：价格微动，销量剧变。
$\varepsilon$

用户画像分层

阿海心里有一张隐形的顾客名单：写字楼的白领 Linda 买草莓不怎么看价签，挑最新鲜的拿；隔壁王阿姨每次都等降价时段来，还总要抹个零头。如果给这两类人报同一个价，要么赚少了 Linda，要么直接把王阿姨吓跑。聪明的做法是给她们不同的价格。

这就是用户画像分层定价。AI 系统根据用户的浏览历史、历史成交价、优惠券使用频率、平台活跃度等行为特征，把用户划分成多个群体，每个群体拥有不同的出价意愿和价格弹性。分层之后，定价模型可以对高意愿用户给出更高的报价，同时给价格敏感用户推送专属优惠——两边都觉得“这个价格很合理”。

用这条公式回头看 Linda 和王阿姨：Linda 那组弹性绝对值只有 0.8，可以定高价；王阿姨那组弹性绝对值高达 3，就得走薄利多销的路。用户分层让“一个商品，多种定价”从哲学变成了算法。

\displaystyle \frac{P^{*} - MC}{P^{*}} = \frac{1}{|\varepsilon|}

这条利润最大化公式说：最优价格和成本的差距，取决于用户的价格弹性。弹性越小（用户越不敏感），你对这个群体赚的毛利就可以越厚。

边际成本 $MC$多卖一单位商品新增的成本。对 SaaS 产品，这通常接近 0；对实体商品，就是进货价。
$MC$
最优价格 $P^{*}$能让利润达到最大的价格，是动态定价系统每次调价要逼近的目标。
$P^{*}$
弹性绝对值 $|\varepsilon|$取绝对值是为了方便讨论大小。弹性绝对值越大，分母越大，加价空间就越小。
$|\varepsilon|$

竞争环境感知

阿海有个习惯：每天早上先去隔壁摊转一圈，看看对方的草莓标价。如果隔壁降到 20，他还挂 35，下午就得把整筐草莓倒进垃圾桶；但如果隔壁卖 40，他也跟着提价，利润自然更厚。竞争环境，是动态定价必须考虑的外部变量。

AI 竞争感知系统通过爬虫或数据合作，实时抓取竞品的价格、库存和促销信息，然后把这些信号输入定价模型。当竞品降价时，系统有两种应对策略：一是“跟随”，同步降价保住市场份额；二是“差异化”，维持原价但强调自身品质或赠品优势，避开价格战。策略的选择取决于品牌的定位和商品的差异化程度。需要注意的是，动态定价必须设定“公平性约束”——比如价格不得低于成本线、单日调价次数不得超过几次，防止算法在竞品博弈中进入恶性循环。

阿海和隔壁摊位斗智斗勇全靠直觉，AI 则把这个博弈过程变成了每秒都在运行的反馈循环。有了竞争感知，动态定价就不是闭门造车，而是一场随时接招的攻防战。

\displaystyle P_{t+1} = P_t + \lambda \left( P_{\text{comp}} - P_t \right)

这个公式描述了一种温和的跟价策略：每次只向竞品价格移动一小步，λ 是步长，避免一步到位引发价格战。

竞品价格 $P_{\text{comp}}$监控系统抓到的竞品当前售价，是调价的参考坐标。
$P_{\text{comp}}$
价格差 $P_{\text{comp}} - P_t$我方与竞品的差距。差距越大，调整的压力就越大。
$P_{\text{comp}} - P_t$
调整步长 $\lambda$0 到 1 之间的小数，控制每次调价的幅度。λ = 0.2 表示每次只填补 20% 的差距，价格变动平滑不惊扰市场。
$\lambda$

SaaS定价实践

草莓摊的定价智慧，放到软件行业同样成立。SaaS（软件即服务）产品有一个天然优势：每个用户的边际成本几乎为零，服务器多服务一个人不花什么钱。因此 SaaS 的动态定价重点不在“成本加成”，而在于“按价值收费”——用户用得越顺手、团队规模越大，价格就应该水涨船高。

四种主流模式值得关注。第一种是按量计费：用户只用基础功能免费，调用 API 次数多了按阶梯付费，类似草莓按斤卖、买得越多单价越便宜。第二种是分层订阅：基础版、专业版、企业版三个档位，用 AI 动态推荐用户最适合的档位，并在试用期结束后智能引导升级。第三种是按席位动态计价：公司人数涨到 50 人时自动跨入新的价格区间，团队扩张的每一步都映射到收入增长上。第四种是出海区域定价：根据各国购买力平价自动调整美元报价，让印度创业团队和硅谷大厂都能买得起。

阿海卖草莓靠的是“看天吃饭”，SaaS 定价则把“天时地利人和”变成了可编程的规则。动态定价让软件订阅不再是一口价买卖，而是一条随着用户成长自动增值的收入曲线。

\displaystyle \text{MRR} = \text{ARPU} \times N \times (1 - \text{Churn})

MRR（月经常性收入）是 SaaS 的生命线：付费用户数 N、每用户平均收入 ARPU、用户流失率 Churn 三者共同决定它的大小。动态定价的使命，就是把这三个变量同时往好的方向推。

月经常性收入 MRRSaaS 公司每月从订阅中获得的稳定收入，动态定价的最终目标就是让它持续增长。
$\text{MRR}$
每用户平均收入 ARPU每个付费用户每月贡献的钱。动态提价或引导升级都能推高它。
$\text{ARPU}$
流失率 Churn每月离开的用户比例。定价过猛会导致流失率飙升，所以弹性定价要时刻盯着这个红灯。
$\text{Churn}$

落地实施路径

阿海如果把整套涨价玩法搬到菜市场，他一定不会第一天就全面改价——万一年轻人不吃这套，老客户也跑了怎么办？他会在自己摊位先试几天，观察熟客反应，再慢慢调整。AI 动态定价的落地，同样遵循“小步快跑”的原则。

第一步是数据基建。至少积累 3 到 6 个月的交易、库存和竞品数据，把用户标识统一（同一用户在小程序和 App 里的记录要打通），这是模型的地基。第二步是小流量试点。挑一条产品线或一个城市，用 5% 的流量跑动态定价引擎，同时保留对照组继续用旧定价体系，对比两组的关键指标。第三步是收益评估与迭代。把动态定价带来的增量收入做显著性检验，确认有效后再逐步扩大流量比例，最终全量上线。

阿海花了一周时间反复试验，最终找到了自己摊位的调价节奏。你的 AI 定价系统也需要同样的耐心：小流量验证、用数据说话、让收益证明自己。动态定价不是一场豪赌，而是一次精心设计的科学实验。

\displaystyle \text{收益提升} = \frac{R_{\text{dynamic}} - R_{\text{static}}}{R_{\text{static}}} \times 100\%

这个公式回答所有老板最关心的问题：动态定价到底多赚了多少钱。分子是动态组的收入减去静态组的收入，分母是静态组的收入。

动态定价收入 $R_{\text{dynamic}}$试点组采用 AI 动态定价后的实际收入。
$R_{\text{dynamic}}$
静态定价收入 $R_{\text{static}}$对照组维持原价的收入，是计算的基准线。
$R_{\text{static}}$
提升百分比两者之差除以基准线，再乘 100%，得到一个直观的“多赚了几个点”。
$R_{\text{dynamic}} - R_{\text{static}} \over R_{\text{static}}$

AI 应用场景

电商大促全时段自动调价

阶段：定价模型设计 + 竞争环境感知

解决的问题：传统大促靠运营人工盯价格，几百个 SKU 根本看不过来，要么降价太狠伤利润，要么价格不变积压库存。AI 系统实时综合供需、库存与竞品数据，每 15 分钟自动刷新一次价格。

具体案例：某家电品牌在"618"期间启用动态调价引擎。某款空气炸锅原价 399，系统监测到竞品降价到 369、库存周转偏慢，自动把价格调到 359 并同步推送优惠券，当天销量涨了 42%，毛利率仅下降 3 个百分点。

出行平台高峰期弹性加价

阶段：动态定价原理 + 用户画像分层

解决的问题：城市高峰期打车需求暴涨而供给不足，固定价格导致大量呼叫无人接单。动态加价通过提高每一单的吸引力，引导更多司机进入热点区域。

具体案例：某网约车平台在暴雨晚高峰启动动态调价，加价倍数从 1.2 倍到 2.5 倍动态浮动；同时平台对价格敏感的用户发送“稍后出发省 50%”的提示，把一部分需求平移到半小时后，既缓解了运力压力，又保住了用户体验。

SaaS 按席位智能化计价

阶段：SaaS定价实践 + 价格弹性估计

解决的问题：创业团队从 3 人长到 30 人，付费意愿随融资进度变化，固定席位价要么错失收入要么逼走客户。AI 按团队活跃席位和用量自动升降档。

具体案例：某协作工具对注册团队进行画像，识别出“高活跃但低付费”的团队，在试用期结束前推送专业版 7 折限时价；对融资后的扩张团队，则通过客户成功经理引导按年付费换 20% 折扣，续费率提升了 18%。

Python 演示

python59 行

import math  class DynamicPricingEngine:    """模拟菜市场摊贩的动态定价引擎，基于价格弹性与供需调节价格"""     def __init__(self, base_price=30.0, elasticity=-1.5, inventory=100):        self.base_price = base_price        self.elasticity = elasticity        self.inventory = inventory        self.sales_volume = 0        self.revenue_total = 0.0        self.prices = []     def period_factor(self, period):        """不同时段的客流系数: 早上高, 傍晚低"""        return {"morning": 1.3, "noon": 1.0, "evening": 0.7}[period]     def predicted_demand(self, period, competitor_price):        """用价格弹性估算基础需求量"""        base_demand = 50.0 * self.period_factor(period)        ratio = self.base_price / competitor_price        return base_demand * math.pow(ratio, -self.elasticity)     def update_price(self, period, competitor_price):        """根据需求、库存与竞品价格更新售价"""        demand = self.predicted_demand(period, competitor_price)        factor = 1.0        if self.inventory < 20:            factor *= 0.85        elif demand > 60:            factor *= 1.12        price = round(self.base_price * factor, 2)        sold = min(self.inventory, int(demand * math.pow(price / self.base_price, self.elasticity)))        self.inventory -= sold        self.sales_volume += sold        self.revenue_total += price * sold        self.prices.append(price)        return price, sold  def run_demo():    engine = DynamicPricingEngine(base_price=30.0, elasticity=-1.5)    days = [        ("morning", 32.0),        ("noon", 30.0),        ("evening", 28.0),        ("morning", 33.0),        ("noon", 29.0),        ("evening", 30.0),    ]    for period, competitor_price in days:        price, sold = engine.update_price(period, competitor_price)        print(period, "price:", price, "sold:", sold)    print("total revenue:", round(engine.revenue_total, 2))  if __name__ == "__main__":    run_demo()

目的：用一个 6 个时段的仿真，演示动态定价引擎如何结合时段客流、竞品价格和库存水位自动调节售价。

self.elasticity = elasticity保存价格弹性，它是整个定价引擎最核心的性格参数。
def period_factor(self, period):把一天分成早中晚三段，对应阿海判断什么时候人最多。
base_demand = 50.0 * self.period_factor(period)先用时段系数估算基础需求量，这是需求预测的第一步。
return base_demand * math.pow(ratio, -self.elasticity)用幂函数把竞品价格差换算成需求量变化，实现了弹性公式的落地。
factor *= 0.85库存不足 20 时自动打 85 折，对应阿海收摊前清仓的策略。
sold = min(self.inventory, ...)成交量不能超过库存总量，这是所有定价模型都必须有的物理约束。

常见误区

误区动态定价是不是就是找个由头涨价？AI 定价说白了就是算法帮商家多赚消费者的钱，价格只会越来越高。

正解动态定价的名字里有个“动态”，意味着价格既能上调也能下调。阿海的草莓下午卖 28，傍晚卖 10，这是清仓止损；高峰期的网约车加价，平峰期也在降价补贴。定价算法的目标是长期总收益最大化，而不是单次成交价最高。只涨不降的定价策略会推高流失率，反而损害总收入。

为何常见：人们最容易记住涨价的场景（机票、演唱会门票），却容易忽略降价的场景（尾单、促销、闲置转卖），所以产生了“动态定价 = 涨价”的错觉。

误区算一次弹性就能用一辈子吧？比如我们的产品弹性是 -1.5，以后所有调价都按这个算就行了。

正解价格弹性会随价格区间、时段、用户群体甚至宏观环境变化。同一款软件，在 99 元到 129 元区间弹性可能是 -1.2，但冲到 199 元时弹性可能跳变到 -2.8。因此成熟的系统会持续做 A/B 测试和滚动更新，让弹性估计始终贴近当前市场状态。

为何常见：弹性是一个“感觉上很科学”的数字，容易让人误以为它是物理常数，忽略了市场环境的动态变化。

误区我司有三年交易数据，丢给 AI 训练一个模型，动态定价就自动跑起来了吧，不需要人工干预。

正解数据只是原料，模型设计、特征工程、规则约束一样都不能少。模型可能把“昨天促销带来的销量暴涨”误判成“需求上升”，导致今天错误涨价。动态定价系统必须叠加业务规则（保底毛利、最高调价幅度、防价格战阈值）以及人工审核机制，才能安全上线。

为何常见：AI 的“自动”特性被过度神化，让人忽略了模型误差和业务规则兜底的必要性。

误区同一款产品不同用户看到不同价格，被发现肯定会被骂，品牌口碑就毁了。

正解价格歧视不一定会伤信任，关键在于透明度和公平感。航司的“越早订越便宜”已经教育了用户；SaaS 按席位阶梯计费用户也能理解。真正伤信任的是隐瞒式歧视，比如老用户悄悄比新用户贵。设置价格保护条款、提前公示调价规则、对老用户给予保价券，都能在动态加价的同时守住信任底线。

为何常见：人们把“不同人看到不同价”等同于“被割韭菜”，却忽略了动态定价也能表现为“新用户折扣”和“老用户忠诚价”等友好形式。

面试题

Q1. 动态定价的核心驱动信号是什么？

单选题 · easy

A.用户的心情状态
B.供需关系的实时变化← 正确答案
C.员工的工作表现
D.品牌的颜色偏好

答案：B。动态定价的本质是让价格跟随供需关系实时浮动。就像阿海早上人多卖高价、傍晚货多人少卖低价。用户心情、员工表现和品牌颜色都不是定价信号，只是干扰项。

Q2. 价格弹性 ε = -2 的含义是什么？

单选题 · easy

A.价格上升 1%，需求量下降 2%← 正确答案
B.价格上升 2%，需求量下降 1%
C.需求量与价格完全无关
D.价格与需求量等比例变化

答案：A。价格弹性的字面意思是需求量变化百分比除以价格变化百分比。ε = -2 表示价格每涨 1%，需求量掉 2%，属于“价格敏感型”商品，调价时必须谨慎。

Q3. 阿海傍晚把草莓从 28 元降到 10 元，最合理的原因是什么？

单选题 · easy

A.傍晚客流突然增多
B.库存易腐，卖不掉会亏更多← 正确答案
C.顾客投诉价格过高
D.竞争对手收摊了

答案：B。价格下调的根本驱动力是库存压力与时间窗口。草莓放不过夜，傍晚清仓的损失远小于低价甩卖。客流增多、顾客投诉和竞品收摊都不构成降价理由。

Q4. 用户群 A 的弹性绝对值为 0.8，用户群 B 为 3.0，哪个群体可以接受更高定价？

单选题 · mid

A.用户群 A，因为对价格不敏感← 正确答案
B.用户群 B，因为对价格不敏感
C.用户群 A，因为对价格很敏感
D.用户群 B，因为对价格很敏感

答案：A。弹性绝对值越小，说明价格变动对需求量影响越小，即用户对价格不敏感，加价空间更大。弹性 0.8 的 A 群比 3.0 的 B 群更适合定高价。

Q5. 某 SaaS 产品按席位计费，团队从 10 人扩张到 50 人，动态定价系统最可能做什么？

单选题 · mid

A.维持原价并降低服务等级
B.自动跨入更高的价格区间← 正确答案
C.关闭部分功能以示公平
D.强制要求签三年合同

答案：B。按席位动态计价的核心，是让价格随用量（人数）自然增长。团队扩张到 50 人时系统自动升档，是“按价值收费”的体现，而不是靠降服务或强制长合同来提价。

Q6. 动态定价落地时，为什么强调先做小流量试点？

单选题 · mid

A.节省模型训练算力
B.验证模型效果并控制业务风险← 正确答案
C.避开市场监管部门的检查
D.为了写 PPT 汇报更有面子

答案：B。小流量试点相当于阿海先在自家摊位试调价，观察熟客反应再调整。它能用少量流量验证模型是否有效，同时把潜在风险（用户投诉、收入下滑）控制在小范围内，是科学落地的必经步骤。

Q7. 某产品成本为 30 元，价格弹性为 -2，按利润最大化公式计算，最优定价是多少？

单选题 · hard

A.维持 80 元不变
B.下调至 60 元← 正确答案
C.上调至 100 元
D.下调至 30 元

答案：B。根据公式 (P - MC)/P = 1/|ε|，代入 MC=30、|ε|=2，得到 (P-30)/P = 0.5，解得 P=60。这说明原价 80 定高了，降价既能放大销量，反而能提升总利润。

Q8. 以下哪些做法有助于提升动态定价的收益？

多选题 · mid

A.持续做 A/B 测试估计价格弹性← 正确答案
B.实时监控竞品价格变化← 正确答案
C.忽略用户对价格的反馈
D.按出价意愿划分用户群体← 正确答案

答案：ABD。动态定价的收益来自对需求、弹性和竞争的准确估计。A/B 测试提供弹性数据，竞品监控提供参考坐标，用户分层实现差异化定价。忽略用户反馈会埋下信任危机，不是正确做法。

Q9. 哪些场景天然适合 AI 动态定价？

多选题 · mid

A.航班机票预订窗口← 正确答案
B.电商大促期间的海量商品← 正确答案
C.超市矿泉水的长期固定陈列
D.网约车高峰期的供需失衡← 正确答案

答案：ABD。航班、电商大促和网约车都具备“供需波动大、库存有时效、用户分群明显”的特征，正好是动态定价的主场。超市矿泉水供需稳定，固定价格反而更节省运营成本。

Q10. 关于价格弹性分段应用，哪些说法是正确的？

多选题 · hard

A.不同价格区间的弹性通常不同← 正确答案
B.同一商品对所有用户的弹性都是一样的
C.可以通过 A/B 测试估算不同分段的弹性← 正确答案
D.弹性会随市场环境的变化发生漂移← 正确答案

答案：ACD。弹性不是静态常数。同一商品在高价区和低价区弹性可能差异很大（A 对）；不同用户群体弹性各异（B 错）；A/B 测试是估算弹性的标准工具（C 对）；市场环境变化会让弹性随时间漂移，因此需要持续更新（D 对）。