《AI 产品的商业化·价值与定价》11.1 订阅 + 用量的收入拆解

订阅与用量混在一起时,收入看起来是一个数,实际是两条曲线。本节用 LumenDesk 的 1,920 个席位拆出 94,080 美元底座与 9,216 美元超额,用 ClausePilot 拆出 204,000 美元平台费与 581,400 美元案件费,并给出期初 MRR 桥与四个对账校验。

以下三家公司与全部数字均为教学假设,用于演示商业化计算,不代表任何真实企业。

先拆结构,再做预测

收入预测最常见的错误,是拿一个总数乘以一个增长率。总数看起来稳定,增长率看起来平滑,预测报告因此很漂亮;但只要收入由两种性质不同的部分组成,这个乘法就会掩盖真正的风险。

订阅加用量就是这样一种结构。订阅部分是「客户为使用权付的钱」,只要客户还在、席位还在,它按月重复;用量部分是「客户为实际消耗付的钱」,它随使用强度波动,可能这个月很高、下个月归零。两者混在一个 MRR 里,增长可能来自席位扩张,也可能来自某几个客户临时冲量,这两种增长的续期概率完全不同。

拆解的目的不是把报表做复杂,而是回答三个问题:哪一部分收入是重复的,哪一部分收入是波动的,哪一部分收入集中在少数客户身上。这三个问题的答案,决定了预测应该用哪条曲线。

本章的三个案例刚好代表三种结构。LumenDesk 是席位订阅加超额,Verba API 是纯用量,ClausePilot 是平台费加案件费。把它们放在一起,可以看到「收入结构」如何决定「收入可预测性」。

三种定价结构,三种收入构成

先把三个案例的月度收入放进同一张表。数字全部来自事实表,不做二次假设。

维度LumenDeskVerba APIClausePilot
定价结构席位订阅 + 额度纯用量平台费 + 案件
月收入$103,296$336,000$785,400
底座收入$94,080$0$204,000
变量收入$9,216$336,000$581,400
变量收入占比8.9%100%74.0%
客户数320 家1,450 个账户85 家
ARPA$322.80$231.72$9,240

这张表最重要的不是金额,而是变量收入占比。LumenDesk 只有 8.9% 的收入随用量变化,Verba 是 100%,ClausePilot 是 74.0%。占比越低,收入越像订阅;占比越高,收入越像用量。

但「变量收入占比低」不等于「风险低」。LumenDesk 的 8.9% 超额收入虽然小,却是毛利最薄的部分;Verba 的 100% 变量收入虽然波动大,但成本也随用量线性变化,毛利率稳定在 47.5%。拆解要同时看收入的稳定性和成本的跟随性,不能只看一个比例。

底座与变量:LumenDesk 的 94,080 与 9,216

LumenDesk 的账可以先从席位算起。320 家付费客户,平均每家 6 个席位,总席位是:

总席位 = 320 × 6 = 1,920 个
席位收入 = 1,920 × 49 = 94,080 美元

每席位每月包含 500 次对话,总包含额度是:

总包含额度 = 1,920 × 500 = 960,000 次
实际用量 = 1,920 × 620 = 1,190,400 次
净超额 = 1,190,400 - 960,000 = 230,400 次
超额收入 = 230,400 × 0.04 = 9,216 美元

把两部分相加,MRR 是 94,080 + 9,216 = 103,296 美元。变量收入占比是 9,216 ÷ 103,296 = 8.9%,底座收入占 91.1%。

这组数字里有一个容易被忽略的细节:每席位 620 次是平均值。事实表明确写了 P95 席位是 1,450 次,P99 是 2,300 次。平均值 620 意味着 120 次超额,但 P95 席位意味着 950 次超额,P99 席位意味着 1,800 次超额。收入拆解如果只做到「总席位 × 平均用量」,就把分布压成了一个点,后面 11.2 会专门处理这个问题。

ARPA 也可以从拆解里得到。ARPA = 月度收入 ÷ 付费客户数 = 103,296 ÷ 320 = 322.80 美元。这个数字等于 6 个席位 × 53.80 美元,而 53.80 美元又等于 49 美元席位费加 4.80 美元超额费。拆解让 ARPA 的构成变得可解释:客户付的钱里,91.1% 是席位,8.9% 是超额。

平台费与案件费:ClausePilot 的 204,000 与 581,400

ClausePilot 的结构不同,它的底座不是席位,而是平台费。85 家企业客户,每家每月 2,400 美元平台费:

平台费收入 = 85 × 2,400 = 204,000 美元

案件收入按件计费。平均每家每月 38 件,总案件量是 85 × 38 = 3,230 件,每件 180 美元:

案件收入 = 3,230 × 180 = 581,400 美元
月度收入 = 204,000 + 581,400 = 785,400 美元

平台费占 204,000 ÷ 785,400 = 26.0%,案件费占 74.0%。与 LumenDesk 相比,ClausePilot 的变量收入占比高得多,但它的变量收入并不「轻」:每案件变动成本 65 美元,其中人工复核 35 美元、推理 22 美元、平台 8 美元。案件收入 180 美元减去 65 美元,单件毛利 115 美元,毛利率 63.9%;公司整体毛利率 73.3%,是因为平台费几乎不带来变动成本。

这里出现了一个拆解才能看见的结构:平台费收入 204,000 美元,对应变动成本很小;案件收入 581,400 美元,对应变动成本 209,950 美元中的绝大部分。把两部分混在一起算出的 73.3% 毛利率,既不代表平台费的毛利,也不代表案件费的毛利。做预测时,平台费可以按客户数续费概率推,案件费必须按案件量和人工产能推,两条曲线的驱动变量完全不同。

ARPA 同样可以拆:785,400 ÷ 85 = 9,240 美元。它等于 2,400 美元平台费加 38 × 180 = 6,840 美元案件费。客户看到的账单是两部分,供应商内部的预测也应该是两部分。

纯用量:Verba 的 336,000 全是变量

Verba API 没有席位费,也没有平台费。1,450 个付费账户,月度用量 42,000,000 分钟,每分钟 0.008 美元:

月度收入 = 42,000,000 × 0.008 = 336,000 美元

它的底座收入是 0,变量收入占比 100%。这不意味着它没有「可预测的部分」:如果客户的使用场景稳定,用量本身可以预测;但收入没有任何合同底座兜底,用量下降会立刻、全额地反映到收入上。

Verba 的另一个结构特征是成本严格线性。单分钟变动成本 0.0042 美元,毛利率 (0.008 - 0.0042) ÷ 0.008 = 47.5%。无论账户用 18,000 分钟还是 300,000 分钟,毛利率都是 47.5%。事实表的分位数据也验证了这一点:P50、P95、P99 的月毛利分别是 68.40、456.00、1,140.00 美元,毛利率全部是 47.5%。

所以 Verba 的收入拆解重点不在「底座与变量」,而在「客户集中度与流失」。前 10 大客户收入占比 28%,月流失率 2.1%,是三个案例里最高的。纯用量业务的预测,必须把「用量」和「留存」两条曲线分开建模:用量决定单客户收入,留存决定客户还在不在。

按合同与客户拆:55% 与 31% 说明什么

除了按收入性质拆,还要按合同期限和客户集中度拆。LumenDesk 的年付客户占比 55%,前 5 大客户收入占比 31%;ClausePilot 前 3 大客户收入占比 34%;Verba 前 10 大客户收入占比 28%。

年付占比影响现金流与续费节奏。55% 的客户按年付,意味着超过一半的收入在年初或签约时已经锁定,月度 MRR 里有一部分不是「本月新发生」,而是「年付合同按月摊」。预测时要把年付客户的续费日期单独列出,否则会在某个月突然看到一大块收入消失或出现。

客户集中度影响风险。LumenDesk 前 5 大客户占 31%,平均每家 6.2%,但平均值会掩盖差异:如果最大一家占 15%,失去它就等于失去 15% 的 MRR。ClausePilot 前 3 大客户占 34%,平均每家 11.3%,集中度更高。Verba 前 10 大占 28%,平均每家 2.8%,相对分散。

这三个比例不能直接比较「好坏」。B2B 大客户业务天然集中,只要合同期限长、切换成本高,集中度可以接受;纯用量 API 业务客户多、单价低,集中度低是常态。拆解的作用是让风险可见,而不是给出一个统一的阈值。

期初 MRR 桥:NRR 把变化拆成四类

收入拆解还要回答「这个月的 MRR 从上个月的 MRR 怎么变过来的」。标准做法是期初 MRR 桥:

期末 MRR = 期初 MRR + 新客 + 扩张 + 回流 - 降级 - 流失
NRR = (期初 MRR + 扩张 - 降级 - 流失) ÷ 期初 MRR

NRR 只看存量客户的收入变化,不包括新客。三个案例的 NRR 分别是 LumenDesk 112%、Verba 106%、ClausePilot 118%。三个都高于 100%,说明存量客户整体在扩张,扩张的幅度超过了降级与流失。

但 NRR 是一个净额,它把四种变化压成了一个数。事实表没有给出扩张、降级、流失的拆分,所以正文不替它编。产品团队真正需要的是把这四项分别埋点:哪个客户加了席位、哪个客户降了档、哪个客户流失、哪个客户从免费转付费。只有拆到这一层,才能判断 112% 是「少数大客户扩张」还是「普遍小幅扩张」。

对 LumenDesk 来说,超额收入会直接影响 NRR 的分子。如果客户用量上升,超额收入增加,NRR 会变好;如果共享额度或降价把超额收入压低,NRR 会机械性下降。这也是为什么 11.1 要先拆收入结构:NRR 的变化如果来自超额,和来自席位扩张,含义完全不同。

用代码把两条曲线拆开

下面的实验把「席位 + 超额」和「平台费 + 案件费」收进同一组函数。splitRevenue 负责算底座、变量与占比;mrrFromSeats 和 mrrFromCases 分别处理两种结构;所有金额用整数美分,占比用基点。

// file: src/pricing/11-1-revenue-decomposition.ts
// tier: L1
// verify: node --test test/pricing/11-1-revenue-decomposition.test.ts

// 订阅 + 用量:把一个月收入拆成底座、超额与结构占比。

export type RevenueSplit = {
  baseCents: number;
  usageCents: number;
  totalCents: number;
  usageShareBps: number;
};

export type PlanTerms = {
  seatPriceCents: number;
  includedPerSeat: number;
  overageCentsPerUnit: number;
};

export function splitRevenue(baseCents: number, usageCents: number): RevenueSplit {
  const totalCents = baseCents + usageCents;
  const usageShareBps =
    totalCents === 0 ? 0 : Math.round((usageCents * 10_000) / totalCents);
  return { baseCents, usageCents, totalCents, usageShareBps };
}

export function overageUnits(used: number, included: number): number {
  return Math.max(0, used - included);
}

export function mrrFromSeats(
  seats: number,
  usedPerSeat: number,
  terms: PlanTerms,
): RevenueSplit {
  const baseCents = seats * terms.seatPriceCents;
  const units = seats * overageUnits(usedPerSeat, terms.includedPerSeat);
  return splitRevenue(baseCents, units * terms.overageCentsPerUnit);
}

export function mrrFromCases(
  customers: number,
  platformCents: number,
  casesPerCustomer: number,
  caseCents: number,
): RevenueSplit {
  return splitRevenue(
    customers * platformCents,
    customers * casesPerCustomer * caseCents,
  );
}

export function arrFromMrr(mrrCents: number): number {
  return mrrCents * 12;
}

export const LUMENDESK: PlanTerms = {
  seatPriceCents: 4_900,
  includedPerSeat: 500,
  overageCentsPerUnit: 4,
};

export const CLAUSEPILOT = {
  customers: 85,
  platformCents: 240_000,
  casesPerCustomer: 38,
  caseCents: 18_000,
} as const;

代码里有两个设计选择值得说明。第一,splitRevenue 统一返回 usageShareBps,占比在函数内部一次算清,避免每个调用方各写一遍除法、各用一种舍入方式。第二,mrrFromSeats 先算总超额再乘单价,而不是逐席位累加;这与事实表的组织级口径一致,也避免了逐席位舍入带来的几分钱误差。

用这组函数复算两个案例:LumenDesk 的 mrrFromSeats(1_920, 620, LUMENDESK) 返回底座 9,408,000 美分、变量 921,600 美分、合计 10,329,600 美分,占比 892 个基点;ClausePilot 的 mrrFromCases 返回底座 20,400,000 美分、变量 58,140,000 美分、合计 78,540,000 美分,占比 7,403 个基点。数字与正文表格逐项对上。

拆解结果的四个校验

拆解不是写完就算,必须能被校验。四个校验按顺序做:

第一,底座加变量等于总额。LumenDesk 的 94,080 + 9,216 = 103,296;ClausePilot 的 204,000 + 581,400 = 785,400。任何一分钱对不上,先查口径。

第二,占比加总等于 100%。LumenDesk 的 91.1% + 8.9% = 100.0%;ClausePilot 的 26.0% + 74.0% = 100.0%。占比用四舍五入后可能差 0.1 个百分点,但不应差更多。

第三,ARPA 乘客户数等于 MRR。LumenDesk 的 322.80 × 320 = 103,296;ClausePilot 的 9,240 × 85 = 785,400;Verba 的 231.72 × 1,450 = 336,000(231.72 × 1,450 = 335,994,差 6 美元来自 ARPA 四舍五入)。这个校验能抓住客户数或 ARPA 的口径漂移。

第四,ARR 等于 MRR 乘 12。103,296 × 12 = 1,239,552;336,000 × 12 = 4,032,000;785,400 × 12 = 9,424,800。ARR 是月度收入的年化,不是合同额,不能混用。

四个校验都通过,拆解结果才能进入预测。任何一个不通过,先修拆解,不要带着错误的结构去做增长假设。

拆解之后,预测才有输入

拆解完成后,预测的输入就清楚了。LumenDesk 需要三条曲线:席位数、每席位用量、超额单价;ClausePilot 需要三条曲线:客户数、每客户案件量、案件单价;Verba 需要两条曲线:账户数、每账户分钟数。每条曲线对应一个驱动变量,而不是一个笼统的「增长率」。

这也是本章后续两节的分工。11.2 处理额度消耗与超额收入预测,重点是「用量分布」而不是「平均用量」;11.3 处理三情景与敏感性,重点是「驱动变量动多少,收入动多少」。11.1 的拆解是这两节的地基:地基里如果只有一个总数,后面的情景分析就只能拍脑袋。

小结

  • 收入拆解先于收入预测:不拆结构就乘增长率,会把重复收入和波动收入混为一谈。
  • LumenDesk 的 MRR 103,296 美元 = 席位收入 94,080 美元 + 超额收入 9,216 美元,变量收入占 8.9%。
  • ClausePilot 的 MRR 785,400 美元 = 平台费 204,000 美元 + 案件费 581,400 美元,变量收入占 74.0%。
  • Verba 的 336,000 美元全部是变量收入,成本严格线性,毛利率稳定在 47.5%,风险在流失与集中度。
  • 变量收入占比低不等于风险低;还要看这部分收入的毛利率和成本是否随用量变化。
  • 年付占比与客户集中度是收入结构的另外两个维度:LumenDesk 年付 55%、前 5 大占 31%,ClausePilot 前 3 大占 34%。
  • NRR 把扩张、降级、流失压成一个净额;要判断 NRR 的来源,必须把四项分别埋点。
  • 四个校验:底座加变量等于总额、占比加总 100%、ARPA 乘客户数等于 MRR、ARR 等于 MRR 乘 12。

阅读导航:上一节:10.3 价格下限与亏损订单 · 下一节:11.2 额度消耗与超额收入预测 。

常见错误与边界

  • 把 MRR 当成一个同质的总数。订阅收入和超额收入的续期概率、毛利率、成本跟随性都不同,混在一起无法预测。
  • 用 ARPA 乘客户数倒推 MRR 却不校验。ARPA 四舍五入会带来小额误差,差额超过几美元就说明口径有问题。
  • 把 ARR 当成合同额。三个案例的 ARR 都是月度收入乘 12,不是已签约的年化合同金额。
  • 只拆到「平均每席位 620 次」。平均值掩盖了 P95 的 1,450 次与 P99 的 2,300 次,会低估超额收入的分布风险。
  • 看到 NRR 高于 100% 就认为增长健康。NRR 是净额,可能由少数大客户扩张撑起,必须拆开扩张、降级与流失。
  • 把客户集中度当成单纯的风险指标。B2B 大客户业务天然集中,关键看合同期限、切换成本与续约记录。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图