菜市场东头，老王守着苹果摊。最近他特别费解：隔壁李婶的苹果卖 8 块一斤，一天能卖两箱；自己卖 6 块，反而剩下半箱。便宜反而卖不动，这事儿换谁都挠头。蹲在摊前琢磨了一下午，老王终于悟出一个道理——顾客真正在意的不是“贵”或“便宜”，而是“这个价格值不值”，以及“价格一变，我会不会掉头就走”。同样是涨五毛，有人皱皱眉照买，有人立刻转身去隔壁摊，这种对价格变动的反应差异，就是价格敏感度。 价格敏感度分析，是动态定价的第一块地基。就像老王要想清楚苹果怎么定价，得先摸清顾客心里那条“敏感神经”：直接开口问（PSM 模型）、翻账本看数据（交易数据回归）、分品类分人群算差异。有了这张敏感度“地图”，商家才能定出既卖得动、又赚得多、还不会吓跑顾客的价格区间，促销折扣也才有据可依，而不是拍脑袋。 这篇文章就带你从老王的小摊出发，一步步学会价格敏感度分析的全链路方法：从 PSM 问卷调查到敏感度曲线绘制，再到用历史交易数据回归出需求弹性，最后落地为定价区间与促销策略。看完你就能明白，动态定价背后那个“定价的依据”，到底是怎么算出来的。

岗位关联

对 AI 从业者的价值：价格敏感度分析是零售定价算法的地基。掌握 PSM 调查法与数据回归估计，你就能为电商、新零售客户构建从数据分析到智能定价的完整方案，这是 AI+零售 方向最实用、最易落地的技能之一。

目录
  1. 可视化演示
  2. 敏感度基础
  3. PSM模型调查
  4. 敏感度曲线分析
  5. 数据驱动估计
  6. 品类人群差异
  7. 定价策略落地
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示PSM四问价格带、价格接受度倒U曲线与需求弹性曲线，理解消费者对价格变动的反应模式，为价格区间设定与促销力度提供依据。支持三种模式切换与播放暂停。

本节配有交互动效（进入视口后自动加载，约 3KB）。

PSM四问 太便宜/便宜/贵/太贵 价格敏感度测量 van Westendorp通过四问测量价格敏感度。

敏感度基础

老王最近很困惑。隔壁李婶的苹果卖 8 块一斤，一天能卖两箱；自己卖 6 块，反而剩下半箱。他蹲在摊前琢磨了一下午，终于悟出一个道理：顾客在意的不是“贵”或“便宜”，而是“这个价格对我值不值”，以及“价格一变，我会不会掉头就走”。同样是涨五毛，有人皱皱眉照买，有人立刻转身去隔壁比价，这中间的差别，就是价格敏感度。敏感度高的顾客，对价格变动如惊弓之鸟；敏感度低的顾客，价格涨跌根本不影响他的购买节奏。

价格敏感度，通俗说就是消费者对价格变动的“神经大条程度”。做动态定价，第一件事不是定价格，而是先摸清这条神经的粗细。经济学里早就备好了一把刻度尺——需求价格弹性，它告诉你价格每变化 1%，销量跟着变化百分之几。这个数大于 1 时，顾客极敏感，降价带来的销量反弹会非常猛烈；小于 1 时顾客很钝感，涨价也不至于太赶客。对老王而言，这把尺子能把“凭感觉做生意”变成“用数字看人性”。

需求价格弹性的定义式不复杂，它就藏在“变化的百分比”里：

老王拿这把尺子回看自己的摊子：苹果是水果里的“大众品”，替代品满市场都是，顾客一定很敏感；而李婶的山货苹果全市场独一份，顾客比来比去最后只能回来找她。敏感度不是玄学，它的高低藏在四个日常细节里——替代品多不多、是必需还是可选、花销占收入比重高不高、品牌忠诚度强不强。把这四个因素捋清楚，老王后续所有分析就有了起点。

Ed=ΔQ/QΔP/P=%ΔQ%ΔP\displaystyle E_d = \frac{\Delta Q / Q}{\Delta P / P} = \frac{\% \Delta Q}{\% \Delta P}
通俗理解：分子是“销量变化的百分比”，分母是“价格变化的百分比”，两者相除就得到一个比例数。它的绝对值越大，说明顾客对价格越敏感。
  1. 分子的销量变动百分比用销量的变化量 ΔQ 除以原来的销量 Q，得到销量变动了百分之几。
    %ΔQ=ΔQQ\displaystyle \%\Delta Q = \frac{\Delta Q}{Q}
  2. 分母的价格变动百分比用价格的变化量 ΔP 除以原来的价格 P，得到价格变动了百分之几。
    %ΔP=ΔPP\displaystyle \%\Delta P = \frac{\Delta P}{P}
  3. 两者相除得到弹性弹性 = 销量的反应幅度 ÷ 价格的变动幅度，它衡量“价格每变化 1%，销量变化百分之几”。
    Ed=%ΔQ%ΔP\displaystyle E_d = \frac{\%\Delta Q}{\%\Delta P}

PSM模型调查

想明白敏感度重要之后，老王决定不再自己瞎猜。他开始跟每个来买苹果的熟客搭话：“大姐，你觉得这苹果卖多少钱，你会觉得太贵肯定不买？”“那卖多少钱，你会觉得便宜到不敢买？”刚开口时顾客觉得他怪怪的，问得多了，大家反而乐意帮他出主意，你一言我一语，老王心里渐渐有了谱。

老王的做法，营销学家 Van Westendorp 早在 1976 年就系统化成了 PSM 模型（Price Sensitivity Meter，价格敏感度测量仪）。它是动态定价里最常用的“直接问”方法：用四个问题收集顾客心里的四个临界价位，就像用四把尺子量出顾客对价格的心理边界——太贵、贵但可接受、便宜、太便宜到怀疑质量。四把尺子一量，顾客能接受的“安全走廊”就显形了。

四个问题落地的操作流程很清晰：先设计简洁的问卷，每个问题只问一个价格临界点，语言要生活化，避免诱导性措辞；再选择有代表性的样本，覆盖不同购买频次和消费能力的顾客；最后收集数据时记录好每个顾客对四个问题分别报出的价格。下面这个式子表示某一组数据（比如“太贵”那一组）的累积频率分布，它是后续画曲线的原料：

老王花了一个星期收集了六十位常客的四组答案。虽然看不懂公式，但他心里有了底：大多数人觉得五块钱以下“太便宜”，十块钱以上“太贵”，中间这段才是安全走廊。不过问出来的话终归是“嘴上说的”，老王决定再去翻翻自家账本，拿真金白银的成交来验证。

Fx(p)=1N∑i=1N1(pi,x≤p),x∈{exp,ok,cheap,suspicious}\displaystyle F_x(p) = \frac{1}{N}\sum_{i=1}^{N} \mathbf{1}(p_{i,x} \leq p), \quad x \in \{exp, ok, cheap, suspicious\}
通俗理解：把所有顾客对某一问题的回答摆在一起，看“价格低于 p 的人占多大比例”。比例随 p 增大而升高，就得到一条单调上升的曲线。
  1. 收集每位顾客的临界价p\_i,x 表示第 i 位顾客在"x"这个问题（比如太贵）上报出的价格，它是个人心理阈值。
    pi,x\displaystyle p_{i,x}
  2. 指示函数计数\mathbf{1}(p_{i,x} ≤ p) 是个“开关”，当顾客的临界价不高于当前价格 p 时记 1，否则记 0。
    1(pi,x≤p)\displaystyle \mathbf{1}(p_{i,x} \leq p)
  3. 求和并取平均把所有开关的值加起来再除以人数 N，就得到在价格 p 下觉得“已经越界”的顾客比例。
    1N∑i=1N1(pi,x≤p)\displaystyle \frac{1}{N}\sum_{i=1}^{N} \mathbf{1}(p_{i,x} \leq p)
  4. 关于价格 p 单调上升p 越高，觉得“太贵”的人自然越多，累积比例就越高，曲线向右上延伸。
    Fexp(p)↑\displaystyle F_{exp}(p) \uparrow

敏感度曲线分析

晚上收摊后，老王把六十份问卷摊在小桌上，对着四组数字发呆。他突然灵光一闪：如果把“觉得太贵”和“觉得太便宜”的人数比例按价格各画一条线，两条线会不会有个交叉？他拿笔一画，两条线在八块三毛钱的位置相交了。老王盯着这个交点若有所思——这大概就是顾客心里的“黄金价格”。

这正是 PSM 模型最核心的产出：敏感度曲线分析。做法是把每个顾客报出的四个价格分别做累积频率统计，横轴是价格，纵轴是“认为该价格已越界的顾客比例”，由此画出四条单调上升的曲线：太贵线、太便宜线、贵但可接受线、便宜线。曲线形态暗藏玄机——太贵线升得越快，说明大家对价格上限的容忍度越一致；太便宜线在低价段就翘起，说明价格太低反而让人起疑。

四条曲线分别代表顾客心理的不同警戒线。最优价格落在“太贵”与“太便宜”两条曲线的交点：在这个价位上，觉得贵的人和觉得太便宜的人一样多，心理最平衡。可接受区间的下限是“贵但可接受”与“太便宜”的交点，上限是“太贵”与“便宜”的交点，两条边界围成的区间，就是商家可以放心定价的“安全走廊”：

老王把这个八块三的“心理平衡点”记在心上，第二天试着把价格从六块调到八块，结果销量没怎么掉，反而因为单价提高，一天多赚了几十块。他乐了：原来顾客心里的那条线，确实比他拍脑袋定的价靠谱得多。不过老王也明白，问卷问的是“嘴上说的”，他还想看看钱包的真实投票。

Popt={p | Fexp(p)=Fcheap(p)}\displaystyle P_{opt} = \left\{ p \,\middle|\, F_{exp}(p) = F_{cheap}(p) \right\}
通俗理解：最优价格就是“嫌贵的人比例”恰好等于“嫌太便宜的人比例”的那个价格点，两端人群势力均衡，顾客心理最稳定。
  1. 太贵曲线上升F\_exp(p) 表示价格 p 下觉得“太贵”的累积比例，p 越高这条线越高。
    Fexp(p)=1N∑i=1N1(pi,exp≤p)\displaystyle F_{exp}(p) = \frac{1}{N}\sum_{i=1}^{N} \mathbf{1}(p_{i,exp} \leq p)
  2. 太便宜曲线上升F\_cheap(p) 表示觉得“太便宜”的累积比例，它在低价段就快速抬升，代表顾客的信任底线。
    Fcheap(p)=1N∑i=1N1(pi,cheap≤p)\displaystyle F_{cheap}(p) = \frac{1}{N}\sum_{i=1}^{N} \mathbf{1}(p_{i,cheap} \leq p)
  3. 两线求交点让两个比例相等，解出的 p 就是心理平衡点，记为 P\_opt。
    Fexp(Popt)=Fcheap(Popt)\displaystyle F_{exp}(P_{opt}) = F_{cheap}(P_{opt})
  4. 区间上下限再用“贵但可接受”线与“太便宜”线求交点得到下限，用“太贵”线与“便宜”线求交点得到上限，围成可接受价格区间。
    [Plow,Phigh]\displaystyle [P_{low}, P_{high}]

数据驱动估计

尝到甜头的老王开始较真了。他把过去一年的记账本翻出来：每天的进货价、售价、销量、天气、周末与否，全抄在一张大纸上。他想搞清楚一件事——过去每次调价，销量到底跟着动了多少。账本比问卷更诚实：顾客嘴上说十块能接受，但钱包的行动不会骗人，每当价格变动，销量就会老老实实地给出回应。

在真实业务里，这就是基于交易数据的需求弹性估计。电商平台每天产生海量的价格—销量记录，天然就是一座实验场。但问题在于：销量不仅受价格影响，还受促销、季节、天气等多重因素干扰，如何把价格单独的贡献“拎”出来？统计学的答案是对数线性回归——对价格和销量分别取自然对数后，它们的线性关系斜率恰好就是需求价格弹性，而促销、季节等变量可以作为控制因子放进等式同时拟合。

对数线性模型的写法很直观，它把弹性的估计变成了一个“求斜率”的问题：

老王带着这个思路算出自己苹果的真实弹性大约在 -1.3：价格每涨 1%，销量大约跌 1.3%。这个数比问卷结果更让他信服——也解释了上次从六块涨到八块为什么没亏：单价上涨带来的收入增量，远大于掉量带来的损失。问卷给方向，数据给精度，老王把两套工具都用上了。

ln⁡(Qt)=β0+β1ln⁡(Pt)+γ1Promot+γ2Seasont+εt\displaystyle \ln(Q_t) = \beta_0 + \beta_1 \ln(P_t) + \gamma_1 \mathrm{Promo}_t + \gamma_2 \mathrm{Season}_t + \varepsilon_t
通俗理解：把价格和销量都变成“对数”之后，它们之间近似直线关系，直线的斜率 β₁ 就是需求弹性。促销、季节作为控制变量放进模型，能帮我们排除干扰，单独看价格的影响。
  1. 对销量取对数ln(Q\_t) 把销量压缩到对称尺度，避免长尾数据主导回归结果，也让后续弹性解读更直接。
    ln⁡(Qt)\displaystyle \ln(Q_t)
  2. 对价格取对数ln(P\_t) 与销量对数配成“对数—对数”结构，此时回归系数就直接是弹性，无需额外换算。
    ln⁡(Pt)\displaystyle \ln(P_t)
  3. 斜率即弹性β₁ 表示价格对数每变化 1 个单位时销量对数的变化量，而“对数的变化”恰等于“百分比的变化”，所以 β₁ 就是需求价格弹性。
    β1=Δln⁡QΔln⁡P=ΔQ/QΔP/P=Ed\displaystyle \beta_1 = \frac{\Delta \ln Q}{\Delta \ln P} = \frac{\Delta Q / Q}{\Delta P / P} = E_d
  4. 加入控制变量促销变量 Promo 和季节变量 Season 把非价格因素吸收掉，避免它们混入价格系数的估计。
    γ1Promot+γ2Seasont\displaystyle \gamma_1 \mathrm{Promo}_t + \gamma_2 \mathrm{Season}_t
  5. 误差项ε\_t 吸收所有未观测到的随机扰动，比如天气突变、偶然的客流波动。
    εt∼N(0,σ2)\displaystyle \varepsilon_t \sim N(0, \sigma^2)

品类人群差异

老王研究苹果的同时，开始留意隔壁摊位。卖菜的老张说叶菜一降价就疯抢，卖海鲜的老刘说大虾降价也不见得人多，反而是雨天没人来。老王恍然大悟：敏感度这事儿，不是一张脸到处能用。苹果摊的经验，搬到海鲜摊八成要翻车，搬到药铺更是彻底失灵。每个品类有自己的“敏感度基因”。

不同品类、不同人群、不同场景下的价格敏感度差异，恰恰是动态定价能真正创造利润的地方。品类层面，必需品（米面油）弹性低，可选品（零食水果）弹性高；替代品越多的品类敏感度越高，几乎独一无二的商品（特定药品、独门山货）敏感度低。人群层面，价格敏感型顾客对折扣反应强烈，品质型顾客几乎不在乎 5% 的波动，便利型顾客更在意时间成本而非单价。场景也会改写敏感度：应急场景下的价格敏感度，远低于悠闲逛街时的货比三家。

要量化品类之间的关联，还会用到交叉价格弹性——它衡量 B 商品涨价时，A 商品的销量会不会跟着变。比如西瓜涨价了，苹果销量会不会涨？如果会，两者就是替代关系：

老王把熟客在心里分了组：下班赶路买一两个苹果的年轻人对价格不敏感，三块钱以内的涨跌毫无感觉；周末推着购物车来囤货的阿姨们则对每斤的差价了如指掌。他对前者少折腾促销，对后者悄悄推“周末特价”，生意越发顺手——这就是差异化定价的雏形。敏感度的“千人千面”，正是老王反向赚钱的机会。

Eab=ΔQa/QaΔPb/Pb\displaystyle E_{ab} = \frac{\Delta Q_a / Q_a}{\Delta P_b / P_b}
通俗理解：B 商品价格变动 1%，A 商品销量跟着变动百分之几。结果为正说明两者是替代品（B 涨价顾客转投 A），结果为负说明是互补品（B 涨价连累 A 卖不动）。
  1. A 商品销量变动百分比分子是 A 商品销量的变化量除以原销量，记录 A 的受冲击幅度。
    ΔQaQa\displaystyle \frac{\Delta Q_a}{Q_a}
  2. B 商品价格变动百分比分母是 B 商品价格的变化量除以原价格，记录 B 的调价幅度。
    ΔPbPb\displaystyle \frac{\Delta P_b}{P_b}
  3. 相除判断关系E\_ab 为正时，B 涨价会让 A 更好卖，两者是替代品；为负时，两者是互补品，一个涨价会拖累另一个。
    Eab>0⇒替代品,Eab<0⇒互补品\displaystyle E_{ab} > 0 \Rightarrow \text{替代品},\quad E_{ab} < 0 \Rightarrow \text{互补品}

定价策略落地

手里的地图越来越清晰：老王知道了顾客的心理价位区间，知道了自家苹果的真实弹性，还知道哪些人敏感、哪些人钝感。现在只剩最后一步——把分析变成真金白银。他给摊子立了三条规矩：日常卖八块，周三做九折回馈老客，无论什么情况不低于七块五。每条规矩背后，都对应着前面算出的敏感度结论。

定价落地本质上是一个优化问题：在可接受价格区间内，找到让总收入最大的价格点，同时为促销设计合理的折扣力度。高敏感品类让利能换来更大销量，低敏感品类则要守住毛利，这就是折扣设计的核心逻辑。动态调价规则还要设置明确的上下限，防止系统“杀红眼”把价格调到顾客信任线以下——太便宜反而让人怀疑质量，这正是 PSM 曲线教给我们的事。综合起来，定价策略可以浓缩为一个收入最大化表达式和一个折扣力度公式：

三个月后，老王的苹果摊日收入比当初涨了三成。李婶来讨教，老王指着摊前的价格牌笑：“定价不是拍脑袋，是读人心的手艺。先问顾客心里怎么想，再看账本怎么说，最后照着这两张地图走，钱自然就来了。”从问卷到曲线，从回归到策略，老王的苹果摊走完了价格敏感度分析的全链路——而这套方法，正是今天 AI 动态定价系统从数据到决策的缩影。

P∗=arg⁡max⁡P∈[Plow,Phigh]P⋅Q(P),d∗=P0−P∗P0×100%\displaystyle P^* = \arg\max_{P \in [P_{low}, P_{high}]} P \cdot Q(P), \qquad d^* = \frac{P_0 - P^*}{P_0} \times 100\%
通俗理解：先在可接受区间里找让“价格×销量”最大的 P\，再算 P\ 比原价低多少个百分点，这个百分点就是促销折扣力度。敏感度越高，P\* 越有理由下探，折扣也越深。
  1. 总收入表达式P × Q(P) 是价格乘以对应价格下的预测销量，代表总收入，目标是让它尽量大。
    P⋅Q(P)\displaystyle P \cdot Q(P)
  2. 区间内取最优在 [P\_low, P\_high] 这个可接受区间内遍历所有价格，找到总收入最大的那个，记为 P\*。
    P∗=arg⁡max⁡P∈[Plow,Phigh]P⋅Q(P)\displaystyle P^* = \arg\max_{P \in [P_{low}, P_{high}]} P \cdot Q(P)
  3. 计算折扣力度原价 P\_0 减去目标价 P\*，再除以原价，得到让利比例。
    d∗=P0−P∗P0\displaystyle d^* = \frac{P_0 - P^*}{P_0}
  4. 换算成百分比乘上 100% 得到促销折扣力度，比如 d\*=0.15 意味着打八五折。
    d∗=15%\displaystyle d^* = 15\%

AI 应用场景

电商平台新品定价助手

阶段：数据准备与定价决策

解决的问题：新品没有历史销量数据，传统定价只能靠运营“拍脑袋”，既怕定高了卖不动，又怕定低了没利润。AI 的做法是把 PSM 问卷内嵌到新品预热页面，快速收集目标人群对四个价格点的心理反馈，再结合同品类相似商品的历史弹性对结果进行校正，最终输出一个“可接受价格区间+建议定价”。

具体案例：某食品电商上架一款坚果礼盒，运营用内置 PSM 问卷邀请了 500 名会员打分，系统 2 小时就输出 68-88 元的可接受区间，并给出 79 元的建议价。上线首周销量比同类新品均值高 30%，且无大量退货投诉。

生鲜电商动态折扣引擎

阶段：模型部署与策略执行

解决的问题：生鲜损耗率高，临期品需要快速清仓，但一刀切打折严重损伤毛利。AI 按品类敏感度给商品分级：高敏感的叶菜类采用阶梯降价加快出清，低敏感的进口水果不打折而是做捆绑销售，把有限的折扣预算花在“能换来更多销量”的品类上。

具体案例：某生鲜 App 对临期叶菜实施 6 折起阶梯降价，销量提升 2.1 倍、毛利率仅降 3%；同批进口牛排敏感度低，维持原价反而保住了毛利。系统每月自动更新各品类的敏感度参数，折扣策略随之动态调整。

会员分层定价风控

阶段：效果评估与合规

解决的问题：同一商品对不同用户卖不同价格，容易引发信任危机，但完全统一价又浪费了差异化空间。AI 用敏感度分层找出“可接受的差异化幅度”：给高敏感的学生群体发放小额高频优惠券，给低敏感的商务人群维持原价并附加权益，既提升转化又不伤害品牌口碑。

具体案例：某零售品牌按人群敏感度分层后，学生群体复购率提升 18%，商务人群客单价提升 9%，整体收入增长 12%，且价格投诉率不升反降。

Python 演示

python53 行
import numpy as np  class DemandEstimator:    """基于历史交易数据估计需求价格弹性"""     def __init__(self):        self.beta0 = 0.0        self.beta1 = 0.0     def fit(self, price, quantity):        log_p = np.log(price)        log_q = np.log(quantity)        cov = np.cov(log_p, log_q, ddof=1)[0, 1]        var = np.var(log_p, ddof=1)        self.beta1 = cov / var        self.beta0 = log_q.mean() - self.beta1 * log_p.mean()        return self     def predict_q(self, price, scale=1.0):        return scale * np.exp(self.beta0) * (price ** self.beta1)  def simulate_psm(n=100, seed=7):    """模拟 PSM 四价格点问卷，返回可接受价格区间"""    rng = np.random.default_rng(seed)    ref = rng.normal(8.0, 1.2, n)    lo = np.percentile(ref, 25)    hi = np.percentile(ref, 75)    return lo, hi  def main():    rng = np.random.default_rng(42)    n = 200    price = rng.uniform(4.0, 12.0, n)    true_elasticity = -1.5    quantity = 80.0 * (price / 8.0) ** true_elasticity * rng.lognormal(0, 0.15, n)     est = DemandEstimator().fit(price, quantity)    print(f"回归估计弹性: {est.beta1:.3f}（真实值 {true_elasticity}）")     lo, hi = simulate_psm()    print(f"PSM 可接受价格区间: [{lo:.2f}, {hi:.2f}] 元")     grid = np.linspace(lo, hi, 101)    revenue = grid * est.predict_q(grid)    best = grid[np.argmax(revenue)]    print(f"区间内收入最大化价格: {best:.2f} 元")  if __name__ == "__main__":    main()
目的：用模拟交易数据完成两件事——通过回归估计需求价格弹性，以及结合 PSM 区间算出收入最大化定价，完整复现“数据驱动+问卷校准”的定价分析流程。
  1. quantity = 80.0 * (price / 8.0) ** true_elasticity * rng.lognormal(0, 0.15, n)以真实弹性 -1.5 生成仿真销售数据，供后续回归反推验证
  2. cov = np.cov(log_p, log_q, ddof=1)[0, 1]取对数价格与对数销量的协方差
  3. self.beta1 = cov / var协方差除以方差即最小二乘斜率，也就是需求价格弹性
  4. lo = np.percentile(ref, 25)取顾客参考价的 25% 分位作为可接受区间下限
  5. revenue = grid * est.predict_q(grid)总收入 = 价格 × 预测销量，遍历区间每个候选价
  6. best = grid[np.argmax(revenue)]找出让总收入最大的那个价格，即最优定价

常见误区

误区降价肯定能多卖，价格越低销量越高，所以定价时把价格压到最低准没错。老王一开始也这么想，觉得自己卖 6 块应该比李婶的 8 块卖得更好。

正解PSM 模型里的“太便宜”曲线恰恰说明存在信任下限。苹果卖 1 块一斤，顾客第一反应不是“捡到宝”而是“这果子是不是烂的、是不是缺斤短两”。定价必须落在“太便宜”与“太贵”之间的信任带里，过低的价格会触发质量怀疑，销量不升反降。

为何常见：直觉上的供需规律是“价格越低需求越高”，但现实中价格还承载质量信号，人们下意识地认为“便宜无好货”，于是产生了价格信任的底部。

误区算出来弹性是 -1.5 就一劳永逸了，不管价格在哪个区间、不管什么季节，这个数都适用，直接套用就行。

正解弹性是价格点附近的“局部性质”，不是全局常数。同一筐苹果，在 8 元附近的弹性可能是 -1.3，涨到 12 元时弹性可能变成 -2.5，因为价格越高顾客越犹豫。动态定价要做分段估计或引入非线性项，不能拿一个数走天下。

为何常见：教科书常把需求曲线画成直线、弹性写成常数，这种简化让人误以为弹性是个固定属性，忽略了真实需求曲线的非线性。

误区顾客说 10 块能接受，那就定 10 块，一定卖得动；顾客说太贵了，那就赶紧降价。

正解问卷里问出来的叫“陈述偏好”，真实掏钱的行为才叫“显示偏好”。顾客可能出于面子说“能接受”，也可能怕你涨价故意报低。所以 PSM 调查结果必须与交易数据回归交叉验证：问卷给方向和区间，数据给精度和确认，两者对不上时以真实成交数据为主。

为何常见：人们默认顾客是诚实且理性的，却忘了调研场景和真实购物场景的心理状态完全不同——嘴上说说的承诺，永远没有掏钱的动作诚实。

误区苹果的降价经验直接搬到车厘子上，再把车厘子的结论套到牛奶、牙膏上，反正都是商品，敏感度应该差不多。

正解必需品的弹性低，可选品的弹性高；替代品多的品类敏感度高，独门商品敏感度低；高频低价商品比低频高价商品更敏感。不区分品类和人群建模，平均出来的“全局弹性”对任何单品都没有指导意义。正确的做法是分品类、分人群、分场景分别建模，再用交叉弹性分析品类间的替代与互补关系。

为何常见：用全局平均是最省事的路，但品类结构差异巨大，平均数值恰恰抹平了所有有价值的差异，导致策略在哪个品类上都不精准。

面试题

Q1. 某商品需求价格弹性 |Ed|=2.5，这说明什么？

单选题 · easy

  • A.价格上涨 1%，销量下降 2.5%← 正确答案
  • B.价格上涨 2.5%，销量下降 1%
  • C.价格越高销量越大，呈正相关
  • D.销量对价格不敏感，弹性偏低

答案：A。弹性绝对值 2.5 大于 1，意味着销量变动幅度是价格变动幅度的 2.5 倍——价格每涨 1%，销量掉 2.5%，属于高敏感商品。B 把分子分母颠倒了，C 与需求规律相悖，D 说低敏感与 2.5 的矛盾。

Q2. PSM 模型四个问题中，哪个问题用来捕捉顾客“便宜到怀疑质量”的心理底线？

单选题 · easy

  • A.太贵到不想买的那档
  • B.太便宜到怀疑质量的那档← 正确答案
  • C.便宜到开心捡漏的那档
  • D.略贵但还能接受的那档

答案：B。PSM 四问分别对应太贵、贵但可接受、便宜、太便宜到怀疑质量。“太便宜到怀疑质量”是信任下限，低于这个价格顾客不敢买。A 是价格上限，C 是实惠感，D 是“贵但可接受”档。

Q3. 对数线性模型 lnQ=β₀+β₁lnP 中，β₁=-0.8 的经济学含义是什么？

单选题 · mid

  • A.价格涨 1%，销量约降 0.8%← 正确答案
  • B.价格涨 0.8%，销量约降 1%
  • C.销量涨 1%，价格约涨 0.8%
  • D.销量涨 0.8%，价格约涨 1%

答案：A。对数—对数模型的斜率直接就是弹性，因为对数的差等于百分比变化。β₁=-0.8 表示价格每上升 1%，销量下降约 0.8%，属于缺乏弹性。B 混淆了变量关系，C、D 把因果方向搞反了。

Q4. PSM 分析中，“最优价格点”是哪两条累积曲线的交点？

单选题 · mid

  • A.太贵与太便宜两条累积曲线← 正确答案
  • B.贵但可接受与太便宜两条曲线
  • C.太便宜与便宜两条累积曲线
  • D.太贵与贵但可接受两条曲线

答案：A。最优价格点（OPP）是“太贵”线与“太便宜”线的交点——在这个价位上，嫌贵的人和嫌太便宜的人比例相等，心理最平衡。B 用于确定可接受区间下限，C、D 不构成有业务含义的决策交点。

Q5. 哪些特征会让一个品类的价格敏感度变高？

多选题 · mid

  • A.同品类替代品选择很多← 正确答案
  • B.商品属于生活必需品
  • C.购买频率高且单价较低← 正确答案
  • D.顾客品牌忠诚度极高

答案：AC。替代品多，顾客一涨价就换别家，敏感度高；高频低价商品价格感知强，敏感度也高。必需品（B）无论贵贱都得买，敏感度低；品牌忠诚度高（D）的顾客不会因小幅调价转投别家，敏感度也低。

Q6. 用历史交易数据估计需求价格弹性时，以下哪种做法最合适？

单选题 · mid

  • A.对价格和销量取对数再做线性回归← 正确答案
  • B.直接用原始价格和销量做线性回归
  • C.只用促销期间的样本进行估计
  • D.剔除促销季数据后取简单均值

答案：A。对数—对数回归的斜率直接等于弹性，且能压缩长尾、缓解异方差，是标准做法。B 的原始线性回归解释不了弹性。C 只用促销样本会有选择性偏差，D 取均值完全丢失了价格变化与销量响应的对应关系。

Q7. 用日常交易数据估计价格弹性时，可能遇到哪些数据质量问题？

多选题 · hard

  • A.促销与价格变动存在内生性← 正确答案
  • B.历史价格区间覆盖范围太窄← 正确答案
  • C.样本量越大误差反而越大
  • D.未控制季节与竞品价格变化← 正确答案

答案：ABD。促销往往是商家主动选择的，与销量构成内生性（A）；历史价格只在一个狭窄范围波动时，外推弹性不可靠（B）；季节和竞品价格是重要混淆变量，不控制会污染系数（D）。C 说反了——正常建模下样本量越大误差越小。

Q8. 高价格敏感度品类做促销时，以下哪种策略更划算？

单选题 · easy

  • A.小幅降价长期持续进行
  • B.大幅降价限时抢购冲量← 正确答案
  • C.不做促销保持原价即可
  • D.提价后宣称质量升级

答案：B。高敏感品类降价能显著撬动销量，限时大幅降价可以集中冲量且避免长期低价损害价格形象。小幅长期降价（A）会持续侵蚀利润，不做促销（C）浪费了敏感度优势，提价（D）与高敏感人群的诉求相悖。

Q9. 两个品类的交叉价格弹性 E_ab=0.6，下列解读正确的是？

单选题 · extreme

  • A.A 涨价 1% 则 B 销量增 0.6%
  • B.A 降价 1% 则 B 销量增 0.6%
  • C.B 涨价 1% 则 A 销量增 0.6%← 正确答案
  • D.B 降价 1% 则 A 销量降 0.6%

答案：C。交叉弹性的定义是 E_ab = (ΔQ_a/Q_a)/(ΔP_b/P_b)，即 B 价格变动引起 A 销量变动。E_ab=0.6 表示 B 涨价 1% 时 A 销量增 0.6%，两者是替代品。A、B 把下标方向搞反了，D 的符号与业务逻辑不符。

Q10. 动态定价中，利用价格敏感度分析可以支撑哪些决策？

多选题 · mid

  • A.确定新品的初始价格区间← 正确答案
  • B.设计品类差异化的促销折扣← 正确答案
  • C.预测竞品下一次调价时机
  • D.为弹性低商品设置提价空间← 正确答案

答案：ABD。PSM 得到可接受价格区间，可用于新品定价（A）；弹性差异决定不同品类的折扣力度（B）；低弹性商品涨价损失小，存在提价空间（D）。C 预测竞品调价时机属于竞争情报与博弈建模，不属于价格敏感度分析范畴。