留存与变现：定价实验与优化

可视化演示

展示定价实验四维度：价格敏感度PSM分析、套餐锚定效应设计、计费方式对比、A/B测试统计显著性。切换模式查看各维度，拖动滑块调节价格点。

动态定价价值

夜市快收摊时，小李盯着小本本发愁：柠檬茶 10 元一杯，一晚只卖 60 杯；隔壁阿强的摊子卖 12 元，排队的人居然更多。他想降价到 8 元拉生意，又被成本 5 元拦住。改价就像拨动一架天秤——放低单价，捧起销量；抬高单价，又可能把顾客赶走。这架天秤的支点在哪里，小李不知道。

AI 产品团队也常站在同一架天秤前。模型再强、体验再好，价格错了，增长就是沙上建塔。很多团队把定价交给「老板拍板」或「参照竞品」，上线后再不敢动。可定价从来不是印在菜单上就完事的静态参数，而是一个连接产品价值与商业回报的增长变量。

收益模型可以写成最简单的公式：

小李趴在小本本上算了一笔账：10 元卖 60 杯是 600 元；若 12 元只卖 50 杯，也有 600 元；若 12 元能卖 55 杯，就是 660 元。原来「卖得贵还卖得多」不是玄学，而是需要被验证的假设。他决定从明天起，把价格当成实验变量来对待。

实验方案设计

说干就干，但小李很快发现一个坑：周五夜市人山人海，周一冷冷清清，拿周五卖的钱和周一比，比不出价格的真实影响。他给自己立下规矩：只挑周三周四两天，天气必须差不多，位置不变、招牌不变，唯一改的就是价格——10 元和 12 元轮流卖。这叫控制变量。

AI 产品做定价实验同理。不能拿「五一活动期」的数据和「平淡期」比，不能拿不同渠道的用户混着比；要先写下假设，再把用户随机分到对照组和测试组，保证两组除了价格外没有其他差异。

假设小李认为价位从 10 元调到 12 元会让转化率下降不超过 3 个百分点，他想验证这个猜想，就需要算清楚每组要放多少用户：

小李松了口气：一晚约 300 位顾客，连续测三晚就够了。他在小本本上写下三个字：慢慢来。

核心指标观测

实验开始了。小李每晚在摊前数三样东西：路过的人头、掏钱的手、以及三天内回头的熟脸。只看卖出多少杯远远不够——12 元一晚卖 48 杯，10 元一晚卖 60 杯，前者杯数少，但营业额一个是 576 元、一个是 600 元，差别并不像杯数看起来那么大。真正要盯的是三个指标：转化率、ARPU 和流失率。

在 AI 产品里，转化率回答「多少用户愿意为价值付钱」，ARPU 回答「每个用户平均贡献多少」，流失率回答「这个定价会不会把人吓跑」。三者常常彼此矛盾：价格涨了转化率降了，ARPU 却升了；价格低了用户来得勤，流失率反而好看。只看任何一个都会误判。

ARPU 的定义是总收入除以用户数：

小李发现：12 元档转化率略低，但因为单价高，ARPU 反而压过 10 元档；回头客的比例也没崩。他第一次体会到，定价实验不是「多卖几杯」的算术，而是「看清每一类顾客」的显微镜。

套餐组合优化

测试价位的第二周，小李发现两个有趣的现象：一来就是两个人的情侣常为「谁去买」犹豫；有顾客指着柠檬问「能多加两片吗，我愿意加钱」。小李顺势推出三档：单杯 12 元、双杯 22 元、加料 +3 元。双杯比两杯单买便宜 2 元，加料则成了利润的奶牛。

这就是套餐组合的魔法：捆绑让顾客觉得占了便宜，客单价却上去了；锚点让 12 元的单杯在 22 元的双杯旁边显得「合理」；分层则让预算不同的顾客各取所需。AI 产品里的个人版、团队版、企业版，本质上就是这三招的组合拳。

组合怎么配，不能靠直觉，要看价格弹性：

小李拿小本本一算：单杯的弹性约 0.8，双杯套餐的弹性却超过 1.5——便宜 2 元能让双杯销量翻番。于是他决定：单杯守住利润，双杯负责走量。

计费模式选择

十月的晚上开始转凉，小李担心老顾客被冷风吹走。他想，与其等人上门，不如把顾客「锁」住：推出 88 元月卡，每天一杯柠檬茶半价。第一周只卖出 3 张，他有点慌；可仔细一想，这 3 位顾客几乎天天来，单杯毛利变薄了，但总消费在飞速累积。

按杯卖是一次性买断，月卡是订阅制，还有一种「按量付费」——比如顾客充值 100 元，喝一杯扣一杯。AI 产品也在这三种模式间摇摆：买断回款快但后续收入靠版本更新，订阅现金流稳定但要求持续交付价值，按量门槛低但收入波动大。很多产品最终选择混合模式。

判断一种计费方式值不值，得看用户生命周期价值：

小李把 3 张月卡用户的消费记录拉出来，发现他们的 LTV 已经追平了 10 个散客。他决定下周把月卡宣传牌做得再大一点。

实验落地执行

测了两周价，小李总结出一条铁律：永远不要同时改两样东西。有一晚他心血来潮，把价格调到 12 元又加了「买一送一」，结果当晚卖爆，他却完全分不清是价格的作用还是赠品的作用。从那以后，他规定自己一次只动一个旋钮，先小范围试一天，流程跑顺再全量执行，并且设了止损线——如果某天营业额跌破 400 元，立刻切回原价。

这套纪律搬到 AI 产品里，就是成熟的小规模测试与 A/B 对比：先灰度 5% 流量，观察核心指标没有异常，再逐步放量；实验期间冻结其他营销活动，避免变量混杂；一旦指标跌破红线，立即回滚。

实验结束后，如何判断 12 元档的转化率差异不是随机波动？用双比例 z 检验：

小李盯着 z 值：0.8，远没到 1.96。这意味着「12 元更好」很可能只是运气，他乖乖把实验又延长了三天。

数据决策复盘

两周实验结束，小李把所有小票按方案分类，在手机备忘录里列了一张大表：10 元档营业额、12 元档营业额、双杯套餐占比、月卡续卡数。他逐项对比，发现 12 元档总收益多出约 8%，损耗的只有一点点杯量；双杯套餐贡献了 23% 的营业额；月卡用户流失率几乎是散客的一半。他拍板：菜单定格在 12 元单杯 + 22 元双杯 + 88 元月卡，下个月再试「大杯 +2 元」。

这一套做法，正是数据驱动决策的完整闭环：算出增量收益，确认统计显著性，上线后继续监控长期影响，再规划下一轮实验。定价优化没有「做完」的一天，只有「这轮做完，下轮再来」。

决策的标准可以浓缩成一个公式：

三个月后，小李的柠檬茶摊月收入翻了一倍。隔壁阿强来取经，小李指着小本本说：哪有什么神仙配方，就是价格一遍遍试出来的。

AI 应用场景

Python 演示

import mathimport random  def simulate_trial(price, true_rate, n):    """Simulate n visitors buying at a given price with a true conversion rate."""    buyers = 0    revenue = 0    for _ in range(n):        if random.random() < true_rate:            buyers += 1            revenue += price    return buyers, revenue  def z_test(a_buyers, a_n, b_buyers, b_n):    """Two-proportion z-test: is the conversion difference significant?"""    pa = a_buyers / a_n    pb = b_buyers / b_n    pooled = (a_buyers + b_buyers) / (a_n + b_n)    se = math.sqrt(pooled * (1 - pooled) * (1 / a_n + 1 / b_n))    return (pb - pa) / se  def main(seed=7, n_each=2000):    random.seed(seed)    price_a, price_b = 10, 12    rate_a, rate_b = 0.052, 0.047     a_buyers, a_rev = simulate_trial(price_a, rate_a, n_each)    b_buyers, b_rev = simulate_trial(price_b, rate_b, n_each)     conv_a = a_buyers / n_each    conv_b = b_buyers / n_each    arpu_a = a_rev / n_each    arpu_b = b_rev / n_each    z = z_test(a_buyers, n_each, b_buyers, n_each)     print("=== 定价A/B测试模拟 ===")    print("价格A(10元): 转化率 {:.3f} ARPU {:.2f}元".format(conv_a, arpu_a))    print("价格B(12元): 转化率 {:.3f} ARPU {:.2f}元".format(conv_b, arpu_b))    print("ARPU差异 {:.2f}元 | z值 {:.2f}".format(arpu_b - arpu_a, z))    if abs(z) > 1.96:        print("结论: 差异显著, 选ARPU更高的一组")    else:        print("结论: 差异不显著, 扩大样本再测")  if __name__ == "__main__":    main()

1. def simulate_trial(price, true_rate, n):定义一个模拟函数：给定价格和真实转化率，让 n 位顾客依次决定买不买。
2. if random.random() < true_rate:用随机数模拟一位顾客的购买决定，小数小于转化率就付款。
3. pooled = (a_buyers + b_buyers) / (a_n + b_n)把两组购买者合并，算统一的基线转化率，作为标准误的原料。
4. se = math.sqrt(pooled * (1 - pooled) * (1 / a_n + 1 / b_n))计算转化率差异的标准误：样本越大，这把「随机波动尺子」越短。
5. if abs(z) > 1.96:判断差异是否显著，1.96 对应 95% 置信水平的门槛，越过了才敢拍板。

常见误区

面试题