《AI 产品的商业化·成本、毛利与收入运营》13.1 三案例毛利矩阵与成本结构

把 LumenDesk、Verba API、ClausePilot 放进同一张毛利矩阵:收入、变动成本、毛利率、ARPA、CAC、LTV、回本与 NRR 逐列对照,并拆开三套成本结构,说明为什么 82.7% 的毛利仍会藏住负毛利客户、47.5% 的线性结构反而最容易核算,以及成本集中度如何决定第一优化杠杆。

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。

收口章要把局部答案放回一张表

卷二从成本口径开始,经过单次成本、成本分布、客户毛利、供应商、计量、账单、免费层、仪表盘与留存,最后到诊断、处置与复盘。每一节都在回答一个局部问题:这一项成本算得对不对,这个客户亏不亏,这次涨价传没传导,这个月的毛利有没有回退。

收口章的任务不是再讲一个新方法,而是把局部答案放回同一张表。三家公司的毛利基线到底长什么样,差异来自定价结构还是成本结构,哪些数字可以直接比较,哪些数字必须换算口径。没有这张表,前面的章节是散的;有了这张表,卷二才算真正结束。

基线不是排名。毛利率高的公司不一定更健康,毛利率低的公司不一定更危险。只有把收入、变动成本、单位经济与成本集中度放在一起,才能判断一家公司的毛利是结构性的,还是偶然的。

先统一口径

三家公司的定价结构不同,但毛利公式相同。比较之前先把五个公式写清楚:

毛利率 = (收入 - 变动成本) / 收入
ARPA = 月度收入 / 付费客户数
LTV = ARPA * 毛利率 / 月流失率
回本周期 = CAC / (ARPA * 毛利率)
NRR = (期初 MRR + 扩张 - 降级 - 流失) / 期初 MRR

三个口径边界必须同时成立。第一,变动成本只包含随用量变化的项目,固定成本不进入毛利率。第二,ARR 是月度收入乘 12,不是年化合同额,也不是合同负债。第三,月流失率是月度 logo churn,不是收入流失;NRR 单独计算,不能拿 100% 减流失率代替。

按这个口径复算三案例。

LumenDesk 的毛利率是:

(103,296 - 17,856) / 103,296 = 85,440 / 103,296 = 82.7%
ARPA = 103,296 / 320 = 322.80 美元
回本周期 = 1,800 / (322.80 * 0.8271) = 6.7 个月
LTV = 33,378 美元

Verba API 的毛利率是:

(336,000 - 176,400) / 336,000 = 159,600 / 336,000 = 47.5%
ARPA = 336,000 / 1,450 = 231.72 美元
回本周期 = 420 / (231.72 * 0.4750) = 420 / 110.07 = 3.8 个月
LTV = 5,240 美元

ClausePilot 的毛利率是:

(785,400 - 209,950) / 785,400 = 575,450 / 785,400 = 73.3%
ARPA = 785,400 / 85 = 9,240 美元
回本周期 = 9,500 / (9,240 * 0.7327) = 9,500 / 6,770 = 1.4 个月
LTV = 1,128,204 美元

82.7%、47.5%、73.3% 都是展示值。代码里用基点保存精确值,分别是 8,271、4,750、7,327 个基点。展示值用于阅读,基点用于比较和复算,两者不能在同一次计算里混用。把 ARPA、毛利率与月流失率代入 LTV 公式,三案例的 LTV 分别是 33,378、5,240、1,128,204 美元;回本周期分别是 6.7、3.8、1.4 个月。

三案例毛利矩阵

把三家公司放在同一张表里,差异会比单看任何一家都清楚。

指标LumenDeskVerba APIClausePilot
定价结构席位 + 额度纯用量平台费 + 案件
月收入103,296 美元336,000 美元785,400 美元
月度变动成本17,856 美元176,400 美元209,950 美元
月度毛利85,440 美元159,600 美元575,450 美元
毛利率82.7%47.5%73.3%
ARPA322.80 美元231.72 美元9,240 美元
CAC1,800 美元420 美元9,500 美元
月流失率0.8%2.1%0.6%
LTV33,378 美元5,240 美元1,128,204 美元
回本周期6.7 个月3.8 个月1.4 个月
NRR112%106%118%

矩阵里有两组排序是相反的。毛利率从高到低是 LumenDesk、ClausePilot、Verba API;回本周期从短到长是 ClausePilot、Verba API、LumenDesk。如果只看毛利率,会把 Verba 判为最差;如果只看回本,会把 LumenDesk 判为最慢。两个判断都不完整,因为它们各自只用了矩阵的一列。

LumenDesk 的毛利率最高,回本却最慢。原因是 CAC 1,800 美元,而每席位月毛利约 267.02 美元;获客投入需要 6.7 个月才能收回。它的 LTV 是 33,378 美元,靠的是 0.8% 的低流失率,不是靠高单价。高毛利、低流失、长回本,这三个特征同时出现时,最该管的是获客效率,不是继续提价。

Verba API 的毛利率最低,回本却是 3.8 个月。原因是 CAC 只有 420 美元,而每账户月毛利是 110.07 美元。它的 LTV 只有 5,240 美元,因为月流失率 2.1% 把未来毛利折掉了大半。低毛利、低 CAC、短回本、短 LTV,这是一门靠周转而不是靠留存的生意。

ClausePilot 的回本最短,LTV 最高,但它的风险不在矩阵的这两列。85 家企业客户、前 3 大客户收入占 34%、单案件 65 美元里有 35 美元是人工复核。矩阵能告诉你它现在很赚钱,不能告诉你它能不能复制到 200 家客户。复制能力要在卷三讨论。

成本结构:百分比背后的风险地图

毛利率说明每美元收入留下多少,成本结构说明这些成本花在哪里。三家公司的变动成本拆开之后,最大成本项完全不同。

成本项LumenDeskVerba APIClausePilot
最大成本项推理 60.0%推理 83.3%人工复核 53.8%
第二项支付与第三方 20.0%存储 9.5%推理 33.8%
第三项检索 13.3%支付与基础设施 7.1%平台 12.3%
模型侧合计80.0%92.9%33.8%

LumenDesk 的 17,856 美元变动成本里,推理 10,713.60 美元占 60.0%,检索 2,380.80 美元占 13.3%,存储 1,190.40 美元占 6.7%,模型侧合计 14,284.80 美元占 80.0%;支付与第三方 3,571.20 美元占 20.0%。模型侧是大头,但推理单项只有 60.0%。这两个数不能混用:说「模型侧 80.0%」时包含检索与存储,说「推理 60.0%」时只指 token 成本。上下文长度变化时,推理按 token 比例上升,检索与存储基本不变,所以长上下文客户的推理占比会继续抬高。

Verba API 的 176,400 美元变动成本里,推理 147,000 美元占 83.3%,存储 16,800 美元占 9.5%,支付与基础设施 12,600 美元占 7.1%。模型侧合计 92.9%。这是一条几乎完全由推理驱动的成本曲线,成本随分钟数线性变化,没有长尾突变。它的第一优化杠杆是推理单价,不是客户筛选;单价降 10%,变动成本降 14,700 美元,毛利率从 47.5% 升到 51.9%。

ClausePilot 的 209,950 美元变动成本里,人工复核 113,050 美元占 53.8%,推理 71,046 美元占 33.8%,平台 25,840 美元占 12.3%。单案件 65 美元由推理 22 美元、人工复核 35 美元、平台 8 美元组成;推理 22 美元里包含 80 次调用合计 15.20 美元与 OCR/文档存储 6.80 美元。把 65 美元说成「纯 AI 成本」是错的,其中一半以上是人工。它的第一优化杠杆是复核工时与自动化率,不是模型单价。

三家公司最大成本项的占比都超过 50%,但毛利率分别是 82.7%、47.5%、73.3%。这说明成本集中度本身不决定毛利高低,它决定的是「哪个动作最快改变毛利」。LumenDesk 动推理路由,Verba 动供应商单价,ClausePilot 动人工产能。动作选错,优化会在错误的地方花时间。

三个指标不能混着看

毛利率、回本周期、LTV 经常被放在同一张仪表盘上,但它们回答的是三个不同问题。

毛利率回答「每美元收入的成本效率」。它不包含 CAC,也不包含固定成本。一个毛利率 82.7% 的产品,可能因为获客太贵而永远回不了本。毛利率回答不了这个问题。

回本周期回答「获客投入多久能收回」。它把 CAC 放进分子,把 ARPA 与毛利率放进分母。回本 1.4 个月的生意,就算毛利率只有 73.3%,也比回本 6.7 个月、毛利率 82.7% 的生意更容易扩张。现金流不等人。

LTV 回答「一个客户终身能带来多少毛利」。它把留存放进分母,把毛利率放进分子。LTV 高不等于安全:ClausePilot 的 LTV 是 1,128,204 美元,但前 3 大客户收入占 34%,一个客户离开就会改变整张表。LTV 是一个期望值,集中度是它的方差。

矩阵的正确读法是三列一起看,再补上集中度。LumenDesk 前 5 大客户收入占 31%,Verba API 前 10 大客户占 28%,ClausePilot 前 3 大客户占 34%。三家的集中度都不低,但含义不同:LumenDesk 是长尾中的大客户,Verba 是平台与生态客户,ClausePilot 是企业大单。同样的 30% 左右,处置动作完全不同。

用代码固定矩阵

下面的代码把三案例的基线压成结构化常量,并提供三个函数:计算毛利行、计算成本项占比、找出最大成本项。金额用整数美分,比率用基点,测试可以直接锁定复算结果。

// file: src/ops/13-1-margin-baseline.ts
// tier: L1
// verify: node --test test/ops/13-1-margin-baseline.test.ts

// 卷二收口:把三案例的收入、变动成本与单位经济压成一张可复算的毛利矩阵。

import { type Cents } from "../core/money.ts";
import { type Bps, divide } from "../core/rate.ts";

export type CaseBaseline = {
  id: string;
  pricing: string;
  revenueCents: Cents;
  variableCostCents: Cents;
  payingCustomers: number;
  cacCents: Cents;
  churnBps: Bps;
  nrrBps: Bps;
  ltvCents: Cents;
  paybackTenths: number;
};

export type MarginRow = CaseBaseline & {
  grossProfitCents: Cents;
  marginBps: Bps;
  arpaCents: Cents;
};

export type CostItem = { label: string; cents: Cents };

export function marginRow(c: CaseBaseline): MarginRow {
  const grossProfitCents = c.revenueCents - c.variableCostCents;
  return {
    ...c,
    grossProfitCents,
    marginBps: divide(grossProfitCents, c.revenueCents),
    arpaCents: Math.round(c.revenueCents / c.payingCustomers),
  };
}

/** 成本项占变动成本总额的比例,以基点表示。 */
export function costShareBps(itemCents: Cents, totalCents: Cents): Bps {
  return divide(itemCents, totalCents);
}

/** 最大成本项占比:决定这家公司的第一优化杠杆。 */
export function dominantCostBps(items: readonly CostItem[], totalCents: Cents): Bps {
  if (items.length === 0) return 0;
  return items.reduce((max, item) => Math.max(max, costShareBps(item.cents, totalCents)), 0);
}

export const CASES: readonly CaseBaseline[] = [
  { id: "LumenDesk", pricing: "席位 + 额度", revenueCents: 10_329_600, variableCostCents: 1_785_600, payingCustomers: 320, cacCents: 180_000, churnBps: 80, nrrBps: 11_200, ltvCents: 3_337_800, paybackTenths: 67 },
  { id: "Verba API", pricing: "纯用量", revenueCents: 33_600_000, variableCostCents: 17_640_000, payingCustomers: 1_450, cacCents: 42_000, churnBps: 210, nrrBps: 10_600, ltvCents: 524_000, paybackTenths: 38 },
  { id: "ClausePilot", pricing: "平台费 + 案件", revenueCents: 78_540_000, variableCostCents: 20_995_000, payingCustomers: 85, cacCents: 950_000, churnBps: 60, nrrBps: 11_800, ltvCents: 112_820_400, paybackTenths: 14 },
];

export const COST_ITEMS: Readonly<Record<string, readonly CostItem[]>> = {
  LumenDesk: [
    { label: "推理", cents: 1_071_360 },
    { label: "检索", cents: 238_080 },
    { label: "存储", cents: 119_040 },
    { label: "支付与第三方", cents: 357_120 },
  ],
  "Verba API": [
    { label: "推理", cents: 14_700_000 },
    { label: "存储", cents: 1_680_000 },
    { label: "支付与基础设施", cents: 1_260_000 },
  ],
  ClausePilot: [
    { label: "人工复核", cents: 11_305_000 },
    { label: "推理", cents: 7_104_600 },
    { label: "平台", cents: 2_584_000 },
  ],
};

marginRow 把收入与变动成本换成毛利额、毛利率与 ARPA。输入是美分,输出也是美分与基点,不在中间步骤引入浮点美元。costShareBps 与 dominantCostBps 回答「最大成本项是谁」,返回值是基点,不返回百分比字符串,避免展示层与计算层混在一起。

测试锁定三组数:毛利率 8,271、4,750、7,327 个基点;ARPA 32,280、23,172、924,000 美分;最大成本项 6,000、8,333、5,385 个基点。最后一个 5,385 对应 ClausePilot 的人工复核 53.8%,它比推理的 33.8% 更靠近第一优化杠杆。代码不判断哪家公司更好,只把矩阵固定下来,判断仍然是人的工作。

基线的使用边界

这张矩阵是名义毛利基线,不是公司完整损益。使用前要确认四个边界。

第一,不含固定成本。 毛利率只减变动成本。合规认证、办公、研发、销售基础盘都不在里面。LumenDesk 的合规认证年成本是 85,000 美元,占收入 6.9%;这笔钱不进毛利率,但进经营利润与现金流。

第二,不含渠道成本。 矩阵里的毛利率是未扣渠道的口径。一旦走渠道分销或平台市场,要换成渠道后毛利率。LumenDesk 渠道收入占 40%、综合费率 31%,渠道后毛利率是 70.3%;Verba API 渠道收入占 50%、综合费率 22.5%,渠道后只有 36.3%。这两个数不能和未扣渠道的 82.7%、47.5% 混用。卷三第 4 章会展开渠道结构。

第三,不含重试成本。 名义单次成本只算成功调用。LumenDesk 月度重试率 8%,有效单次成本是 0.015 ÷ (1 − 0.08) = 0.0163 美元;ClausePilot 重试率 11%,有效单案件成本是 65 ÷ (1 − 0.11) = 73.03 美元。按有效成本重算,毛利会比矩阵低。矩阵用名义口径,是因为它要和历史章节的成本口径对齐;做现金预测时要换成有效口径。

第四,不含免费层成本。 Verba API 有 8,000 个免费账户,平均每月 42 分钟,免费层月度成本 1,411.20 美元,占收入 0.4%。免费层不进入付费客户毛利,但它进入公司整体成本。矩阵比较的是付费客户单位经济,不是公司总账。

四个边界都对齐之后,矩阵才能用于同口径比较。跨口径比较会得到看起来精确、实际不可比的结论,比如拿含渠道的毛利率去比不含渠道的毛利率,或者拿含重试的成本去比名义成本。

小结

  • 收口章把卷二各节的局部答案放回一张毛利矩阵,矩阵不是排名,是结构对照。
  • 三案例毛利率分别是 82.7%、47.5%、73.3%,对应 8,271、4,750、7,327 个基点。
  • 回本周期分别是 6.7、3.8、1.4 个月;毛利率排序与回本排序相反,因为 CAC 与流失率不同。
  • LumenDesk 模型侧成本占 80.0%,Verba API 推理占 83.3%,ClausePilot 人工复核占 53.8%,最大成本项决定第一优化杠杆。
  • 成本集中度不决定毛利高低,ClausePilot 人工占 53.8% 仍有 73.3%,因为 180 美元案件单价覆盖了 65 美元成本。
  • 矩阵是名义毛利基线,不含固定成本、渠道成本、重试成本与免费层成本,比较前必须对齐口径。
  • 代码用整数美分与基点复算,测试锁定毛利率、ARPA 与最大成本项,避免展示值与计算值混用。

阅读导航:上一节:12.3 复盘:转正后的运营节奏 · 下一节:13.2 收入运营评审清单 。

常见错误与边界

  • 用毛利率单独给三案例排名,不看回本、LTV 与客户集中度,把结构差异误判成经营好坏。
  • 把「模型侧成本」与「推理成本」混用:LumenDesk 模型侧 80.0%,推理单项只有 60.0%。
  • 把 ClausePilot 的 65 美元/案件当成纯 AI 成本,忽略其中 35 美元是人工复核。
  • 把 ARR 当成合同额,或把月流失率当成收入流失,导致 LTV 与 NRR 的口径互相污染。
  • 比较含渠道与不含渠道、含重试与不含重试、含免费层与不含免费层的毛利率,得到不可比的结论。
  • 用浮点数直接累加金额,或用均值代替 P95/P99 分布,掩盖长尾客户的负毛利。

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