《AI 产品的商业化·价值与定价》11.3 三情景与敏感性

三情景不是三个拍脑袋的数字,而是三组驱动变量。本节以 LumenDesk 的 103,296 美元 MRR 为基准,用席位与用量的基点变化算出保守 93,607.68、乐观 113,460.48 美元,并对比三案例的收入弹性:4.6%、10.0% 与 7.4%。

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。

三情景不是三个数字,是三个故事

很多收入预测的「三情景」,是在基准数字上分别乘 0.9、1.0、1.1,然后写一句「保守、基准、乐观」。这不是情景分析,是给同一个假设换三件衣服。真正的三情景,每一档都要说清楚:哪个驱动变量变了、为什么变、变了多少、对收入的影响通过哪条路径传导。

对订阅加用量的产品,驱动变量至少有三个:席位数、每席位用量、超额单价。对平台费加案件费的产品,驱动变量是客户数、每客户案件量、案件单价。对纯用量产品,驱动变量是账户数、每账户用量、单价。情景不是直接改收入,而是改这些变量,让收入作为结果出现。

这样做的好处是可比。保守情景和乐观情景的差异,可以拆成「席位差多少」「用量差多少」「单价差多少」,而不是一个笼统的「收入差 20%」。团队讨论时,可以针对每个变量问「这个假设成立吗」,而不是对着一个总数争论。

下面的情景全部是演示假设,不是事实表数字。事实表给的是基准值:LumenDesk 1,920 个席位、每席位 620 次、席位价 49 美元、包含额度 500 次、超额单价 0.04 美元、MRR 103,296 美元。情景只改变席位与用量,不改单价与额度。

基准情景:先把 103,296 美元钉住

基准情景不改变任何驱动变量,直接用事实表的数字:

席位收入 = 1,920 × 49 = 94,080 美元
总包含额度 = 1,920 × 500 = 960,000 次
总用量 = 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
MRR = 94,080 + 9,216 = 103,296 美元

基准情景的作用不是「预测未来」,而是「校准模型」。任何情景算出来的数,都要能回到这张表:把驱动变量设回基准值,结果必须等于 103,296 美元。如果回不去,说明模型里混进了额外的假设,比如偷偷加了涨价、改了额度,或者用了另一套客户数。

校准通过之后,再动变量。下面所有情景都以这张表为起点。

三个情景:保守、基准、乐观

为了演示,给三个情景设定如下假设:

情景席位数变化每席位用量变化席位数每席位用量
保守-5%-10%1,824558
基准0%0%1,920620
乐观+5%+10%2,016682

保守情景假设席位小幅流失、用量明显下降:客户缩减席位,同时使用强度回落。乐观情景假设席位扩张、用量上升:客户加席位,同时用得更深。两个假设都不是「收入乘 0.9 或 1.1」,而是分别作用在两条曲线上。

先算保守情景:

席位收入 = 1,824 × 49 = 89,376 美元
每席位超额 = 558 - 500 = 58 次
超额收入 = 1,824 × 58 × 0.04 = 4,231.68 美元
MRR = 89,376 + 4,231.68 = 93,607.68 美元

再算乐观情景:

席位收入 = 2,016 × 49 = 98,784 美元
每席位超额 = 682 - 500 = 182 次
超额收入 = 2,016 × 182 × 0.04 = 14,676.48 美元
MRR = 98,784 + 14,676.48 = 113,460.48 美元

三个情景放在一起:保守 93,607.68 美元、基准 103,296 美元、乐观 113,460.48 美元。相对基准,保守低 9.6%,乐观高 9.8%。

注意保守与乐观并不对称。保守情景的席位 -5%、用量 -10%,收入只低 9.6%;乐观情景的席位 +5%、用量 +10%,收入高 9.8%。差异来自超额:用量下降时,超额从 120 次降到 58 次,降幅 51.7%;用量上升时,超额从 120 次升到 182 次,升幅 51.7%。超额的变化幅度远大于用量,但因为超额只占收入的 8.9%,它对总收入的放大作用有限。

用基点描述变化,避免浮点误差

情景分析里到处都是百分比。用浮点数直接乘,容易出现 103296.00000001 这样的结果,对账时很烦。更稳妥的做法是用基点:1 个基点等于 0.01%,10,000 个基点等于 100%。

新值 = 旧值 × (10,000 + 变化基点) ÷ 10,000

席位 +5% 是 +500 个基点,用量 -10% 是 -1,000 个基点。所有变化先转成基点,金额用整数美分,最后只在展示时转成美元。这样每一步都可复现,也不会因为浮点舍入差几分钱。

基点的另一个好处是可比较。说「用量下降 1,000 个基点」,比说「用量下降 10%」更适合放进表格和代码;说「收入弹性是 461 个基点」,比说「收入增长 4.6%」更精确。

单变量敏感性:谁对收入影响最大

三情景同时动了两个变量。要看清每个变量的影响,需要做单变量敏感性:一次只动一个,其他保持基准。

变化MRR相对基准
用量 +10%108,057.60 美元+4.6%
用量 -10%98,534.40 美元-4.6%
席位 +10%113,625.60 美元+10.0%
席位 -10%92,966.40 美元-10.0%
席位与用量同时 +10%118,863.36 美元+15.1%
席位与用量同时 -10%88,680.96 美元-14.1%

先看用量 ±10%。用量从 620 变到 682,超额从 120 变到 182,超额收入从 9,216 变到 13,977.60 美元,增加 4,761.60 美元;席位收入 94,080 美元不变,所以 MRR 增加 4,761.60 美元,增幅 4.6%。用量下降 10% 时对称,MRR 降到 98,534.40 美元。

再看席位 ±10%。席位从 1,920 变到 2,112,席位收入和超额收入同时按比例增加:席位收入增加 9,408 美元,超额收入增加 921.60 美元,合计增加 10,329.60 美元,正好是基准 MRR 的 10.0%。席位是「乘法变量」,它按比例放大整个收入结构。

最后看两者同时 +10%。直觉上会以为收入增加 21%(1.1 × 1.1 - 1),实际只增加 15.1%。原因是超额不是按总用量线性计算的,而是按「总用量减去总包含额度」计算:席位和用量都增加 10%,总用量增加 21%,但总包含额度只增加 10%,所以净超额的增幅是 66.8%,不是 21%。超额收入从 9,216 涨到 15,374.40 美元,加上席位收入的 10% 增长,合计 118,863.36 美元。

这个例子说明:有额度门槛的收入模型,不能把多个百分比直接相乘。门槛之前的收入按一个比例走,门槛之后的收入按另一个比例走,两者叠加不是简单的乘法。

收入弹性:一个公式解释三个案例

把上面的观察抽象成一个公式:

收入变化率 ≈ 变量收入占比 × 变量收入变化率

对 LumenDesk,变量收入是超额,占比 8.9%。用量 +10% 时,超额收入变化率是 (182 - 120) ÷ 120 = 51.7%。所以收入变化率 ≈ 8.9% × 51.7% = 4.6%,与上面的精确计算一致。

对 Verba API,变量收入占比 100%,用量 +10% 时收入变化率就是 10.0%:42,000,000 分钟变到 46,200,000 分钟,收入从 336,000 美元变到 369,600 美元。

对 ClausePilot,变量收入是案件费,占比 74.0%。案件量 +10% 时,案件收入从 581,400 美元变到 639,540 美元,增加 58,140 美元;平台费 204,000 美元不变,MRR 从 785,400 美元变到 843,540 美元,增幅 7.4%。

三个案例的弹性放在一起:

案例变量收入占比驱动变量 +10%收入弹性
LumenDesk8.9%每席位用量+4.6%
Verba API100%分钟数+10.0%
ClausePilot74.0%案件量+7.4%

这张表解释了「收入可预测性」的差异。Verba 的弹性最高,用量一动收入就动,预测难度最大;LumenDesk 的弹性最低,收入主要靠席位底座,短期用量波动对总收入影响有限;ClausePilot 居中,案件量是主要驱动,但平台费提供了一层缓冲。

弹性低不全是好事。LumenDesk 的 4.6% 意味着用量增长很难转化为收入增长,因为大部分用量已经被包含在席位费里。如果客户用量持续上升,而超额单价不变,供应商的成本会上升、收入却不涨,毛利率会被压缩。这正是 11.1 提到的「变量收入占比低但毛利薄」的问题。

流失情景:0.8% 的月流失在一年后是多少

三情景只动了席位和用量,没有动流失。流失是另一个独立变量,必须单独做情景。

事实表给出的月流失率是 logo churn:LumenDesk 0.8%、Verba 2.1%、ClausePilot 0.6%。如果假设没有新客、没有回流,只按月流失率衰减,12 个月后的客户留存率是:

LumenDesk:0.992^12 = 90.8%
Verba API:0.979^12 = 77.5%
ClausePilot:0.994^12 = 93.0%

LumenDesk 的 320 家客户,若一年没有新客,约剩 320 × 0.908 = 291 家;Verba 的 1,450 个账户约剩 1,124 个;ClausePilot 的 85 家客户约剩 79 家。这些数字不是预测,而是「只考虑流失、不考虑获客」的基线。真实预测要把新客加回来。

流失情景的意义,是给三情景加一个下限。如果保守情景假设席位 -5%,但流失率是 0.8% 每月,那么一年累计流失 9.2% 的客户,席位 -5% 可能还偏乐观,除非同时假设留存客户加席位。情景之间必须自洽:不能一边假设月流失 0.8%,一边假设全年席位只掉 5%。

对 Verba 来说,2.1% 的月流失意味着一年只剩 77.5% 的客户,获客压力远大于另外两个案例。它的三情景应该把「新增账户数」作为显式变量,否则收入预测会系统性偏高。

情景怎么用:触发条件比数字更重要

三情景算出来之后,最常见的用法是取中间值做预算。这没错,但不够。情景的真正用途,是预先约定「看到什么信号,切换到哪一档」。

一个可操作的做法,是给每个情景配一组触发条件:

  • 保守情景触发:连续两个月席位净增为负,或月流失率超过基准的 1.5 倍。
  • 基准情景维持:席位净增与用量都在基准的 ±5% 以内。
  • 乐观情景触发:连续两个月席位净增超过 5%,且用量同步上升。

触发条件要在月初就写下来,不能等月底看完数字再解释。否则情景分析会退化成「事后归因」:数字好就说是乐观情景,数字差就说是保守情景。

触发条件还要绑定动作。保守情景对应什么?冻结招聘、推迟非核心功能、重新谈供应商承诺量。乐观情景对应什么?提前扩容、增加客户成功人手、锁定供应商折扣。没有动作的情景,只是一张表。

用代码跑三情景与敏感性

下面的实验把情景计算收进三个函数:applyBps 做基点变化,runScenario 跑一个情景,sensitivityBps 算相对基准的变化。金额全部用整数美分,避免浮点误差。

// file: src/pricing/11-3-scenarios.ts
// tier: L1
// verify: node --test test/pricing/11-3-scenarios.test.ts

// 三情景与敏感性:席位与用量用基点变化,金额全部用整数美分。

export type PlanBase = {
  seats: number;
  usagePerSeat: number;
  seatPriceCents: number;
  includedPerSeat: number;
  overageCentsPerUnit: number;
};

export type ScenarioInput = {
  label: string;
  seatsDeltaBps: number;
  usageDeltaBps: number;
};

export type ScenarioResult = {
  label: string;
  seats: number;
  usagePerSeat: number;
  mrrCents: number;
};

export function applyBps(value: number, deltaBps: number): number {
  return Math.round((value * (10_000 + deltaBps)) / 10_000);
}

export function mrrCents(
  seats: number,
  usagePerSeat: number,
  plan: PlanBase,
): number {
  const baseCents = seats * plan.seatPriceCents;
  const overage = Math.max(
    0,
    seats * usagePerSeat - seats * plan.includedPerSeat,
  );
  return baseCents + overage * plan.overageCentsPerUnit;
}

export function runScenario(plan: PlanBase, input: ScenarioInput): ScenarioResult {
  const seats = applyBps(plan.seats, input.seatsDeltaBps);
  const usagePerSeat = applyBps(plan.usagePerSeat, input.usageDeltaBps);
  return {
    label: input.label,
    seats,
    usagePerSeat,
    mrrCents: mrrCents(seats, usagePerSeat, plan),
  };
}

export function sensitivityBps(baseCents: number, nextCents: number): number {
  if (baseCents === 0) return 0;
  return Math.round(((nextCents - baseCents) * 10_000) / baseCents);
}

export const LUMENDESK_BASE: PlanBase = {
  seats: 1_920,
  usagePerSeat: 620,
  seatPriceCents: 4_900,
  includedPerSeat: 500,
  overageCentsPerUnit: 4,
};

export const THREE_SCENARIOS: readonly ScenarioInput[] = [
  { label: "保守", seatsDeltaBps: -500, usageDeltaBps: -1_000 },
  { label: "基准", seatsDeltaBps: 0, usageDeltaBps: 0 },
  { label: "乐观", seatsDeltaBps: 500, usageDeltaBps: 1_000 },
];

代码里有两个细节。第一,mrrCents 先在组织级算总用量和总包含额度,再算净超额,这与事实表的口径一致;如果逐席位算再求和,结果会受舍入影响。第二,THREE_SCENARIOS 只定义变化,不定义结果,结果由 runScenario 算出来,这样基准值改了,三个情景会自动跟着变。

用这组函数复算:基准 10,329,600 美分;保守 9,360,768 美分;乐观 11,346,048 美分。用量 +10% 的敏感性是 461 个基点,席位 +10% 是 1,000 个基点,两者同时 +10% 是 1,507 个基点。每个数字都能回到正文的表格。

小结

  • 三情景要改驱动变量,不要直接改收入;LumenDesk 的驱动变量是席位、每席位用量、超额单价。
  • 基准情景先用事实表钉住 103,296 美元,任何模型设回基准值都必须回到这个数。
  • 演示情景:保守为席位 -5%、用量 -10%,MRR 93,607.68 美元;乐观为席位 +5%、用量 +10%,MRR 113,460.48 美元。
  • 单变量敏感性:用量 ±10% 对应收入 ±4.6%,席位 ±10% 对应收入 ±10.0%,两者同时 +10% 对应 +15.1%。
  • 有额度门槛时,多个百分比不能直接相乘;总用量 +21% 只带来净超额 +66.8%、总收入 +15.1%。
  • 收入弹性 ≈ 变量收入占比 × 变量收入变化率:LumenDesk 4.6%、Verba 10.0%、ClausePilot 7.4%。
  • 流失要单独做情景:月流失 0.8%、2.1%、0.6% 对应 12 个月留存 90.8%、77.5%、93.0%。
  • 情景要配触发条件和动作;没有触发条件的三情景,只是三张事后解释表。

阅读导航:上一节:11.2 额度消耗与超额收入预测 · 下一节:12.1 自动续费与用量披露 。

常见错误与边界

  • 把三情景做成收入乘 0.9、1.0、1.1。没有驱动变量的情景,无法讨论假设是否成立。
  • 多个百分比直接相乘。有额度门槛时,用量 +10% 与席位 +10% 叠加不是 +21%,而是 +15.1%。
  • 情景之间不自洽。一边假设月流失 0.8%,一边假设全年席位只掉 5%,两套假设互相矛盾。
  • 只算收入不算成本。用量上升会同时推高推理成本,P99 席位的超额单价甚至低于单次成本。
  • 用流失后的客户数乘基准 ARPA 当预测。留存客户可能加席位、也可能降级,ARPA 不是常数。
  • 情景没有触发条件和动作。数字好看时说是乐观,数字难看时说是保守,情景分析失去意义。

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