为AI产品构建定价模型
我最近完成了一家 B2B SaaS 公司 GTM/战略财务职位的案例研究。任务：构建定价模型，比较新 AI 增值产品的两种选项，然后给出推荐建议。
这是我的思考过程详解。原交付物包含我无法分享的公司特定细节，但思考过程都在这里。
0、任务背景
一家 B2B SaaS 公司正在推出一个 AI 包作为现有企业定价层的增值产品。桌面上有两个定价模型：
- 积分模型：每次 AI 操作 0.25 美元
- 包月模型：每月 500 美元不限次
提供的基准假设：
- 1,000 家现有企业层客户，每月净增 100 家
- 调查数据：约每客户每月 2,000 次 AI 操作
- 销货成本（COGS）：每次 AI 操作 0.16 美元
- 核心平台毛利率 80%
构建一个比较两种场景的 2 年月度模型。给出推荐建议。
1、将业务场景映射到电子表格逻辑
第一步总是将口头描述转化为我可以实际建模的内容。什么是输入、计算、输出？
核心逻辑：
- 客户：从 1,000 家开始，每月增加 100 家
- 采用率：购买 AI 增值产品的客户百分比
- 使用量：每个采用者每月的操作次数
- 收入：采用率 × 使用量 × 价格（积分）或 采用率 × 500 美元（包月）
- 销货成本：使用量 × 0.16 美元
- 毛利润：收入 - 销货成本
有了这个框架，我就可以填入假设了。
2、识别缺失的信息
任务给出了一些数字，但不是全部。如果我真的要做这个决策，我还需要什么？
采用率。没有提供，但这可能是模型最大的驱动因素。
我的思考：包月模式摩擦更低——客户确切知道自己要付多少钱。积分模式产生不确定性（"如果我的团队使用量超过预期怎么办？"），这会抑制采用。我估计包月的初始采用率为 45%，而积分模式为 35%。从方向上讲是合理的，标记为关键敏感性因素。
使用量增长。调查说每月 2,000 次操作，但这只是一个快照。随着客户发现更多用例，使用量可能会增长。我建模了 3% 的月度增长，上限为 3,000，以防止第二年预测不切实际。
采用率增长。早期采用者先行，然后通过口碑和产品成熟度逐步增加。建模 2% 的月度增长，上限为 60-70%。
目标不是得出确切的数字——而是做出合理的估计，清楚地记录它们，并构建模型，使它们易于调整。
3、构建和压力测试
为每种场景构建了 24 个月的预测。输出如下：
尽管采用率较低，积分模式在收入和利润上都获胜。利润率数学：无论客户使用 500 次还是 3,000 次操作，包月模式都收取 500 美元。随着使用量扩大，利润率被压缩。积分模式无论使用量如何都保持 36%。
但哪些假设实际上在驱动这个结果？我进行了敏感性分析——将每个变量调整 ±25%：
4、为决策构建框架
电子表格不是交付物。推荐建议才是。
我围绕实际有助于决策的内容构建了书面报告：
- 推荐：积分模式
- 原因：更好的单位经济学；随着使用量扩大，优势扩大
- 关键赌注：采用率和使用量假设尚未验证
- 风险：如果积分采用率远低于 35%，或者使用量焦虑导致早期流失，数学计算就会改变
- 降低风险：约 50 名客户的 60 天试点。如果采用率在 6 周前降至 28% 以下，或使用量降至 1,600 次以下，重新考虑
模型说"在这些条件下积分更好"。推荐建议包括如何测试这些条件以及何时改变方向。
5、结束语
回顾起来，有几点很突出：
我必须创造的假设（采用率、使用量增长）最终比给定的数字更重要。通常都是这样——模糊的输入比具体的输入更能驱动模型。
我还在敏感性分析上花了比最初计划更多的时间。但真正的洞察就在那里。推荐建议不是"积分获胜"。而是"如果采用率保持，积分就获胜，如果不保持，影响有多大。"
原文链接: How I Built a Pricing Model for an AI Add-On Product (A Case Study Walkthrough)
汇智网翻译整理，转载请标明出处