《AI 产品的商业化·价值与定价》11.2 额度消耗与超额收入预测

超额收入不是平均用量乘出来的。本节用 LumenDesk 每席位 620 次的均值、P50/P95/P99 的 540/1,450/2,300 次,说明 max(0, U−Q) 的凸性为何让均值预测系统性低估,并给出分段加权、渗透率与逐客户预测三种口径。

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。

超额收入不是平均用量乘出来的

11.1 把 LumenDesk 的 MRR 拆成 94,080 美元席位收入和 9,216 美元超额收入。9,216 这个数是怎么来的?最直接的算法是:总用量 1,190,400 次减去总包含额度 960,000 次,得到 230,400 次净超额,再乘 0.04 美元。

这个算法在组织级是正确的,但它依赖一个很强的假设:所有席位的额度汇成一个池,未用完的额度可以抵扣其他席位的超额。如果按席位独立结算,每个席位先用掉自己的 500 次,再对剩余部分收费,结果会不同。差距的大小,取决于席位之间的用量分布。

所以,「预测超额收入」和「预测总用量」是两个不同的问题。总用量可以用平均值,超额收入不能。原因是超额收入的公式里有一个 max(0, U - Q):只有超过额度的那一部分才收费,额度以下的部分不产生收入。这个折线函数是凸的,凸函数在分布上的期望,不等于期望处的函数值。

均值口径:620 次、120 次超额、4.80 美元

先看均值口径。LumenDesk 每席位每月包含 500 次,实际平均用量 620 次:

每席位超额 = 620 - 500 = 120 次
每席位超额收入 = 120 × 0.04 = 4.80 美元
每席位月收入 = 49 + 4.80 = 53.80 美元
组织超额收入 = 1,920 × 4.80 = 9,216 美元

这条链路每一步都对,但它的输入是「平均用量 620 次」。平均值是一个统计量,不是任何一个真实席位的用量。事实表已经提醒过:620 次是平均值,P95 席位是 1,450 次,P99 是 2,300 次,P99 的上下文长度是均值的 16.7 倍。

如果 1,920 个席位真的都恰好用 620 次,均值口径完全准确。但真实分布不会这么整齐。只要有席位低于 500 次,它未用完的额度在独立结算下就浪费了;只要有席位高于 620 次,它的超额就比均值多。两种偏离同时存在时,均值口径会低估超额收入。

分位口径:三个席位的账单

事实表给出了三个分位的单席位数据,可以直接算出每种席位的账单:

分位月对话量/席位单次成本单席位月收入其中超额收入
P505400.015 美元50.60 美元1.60 美元
P951,4500.035 美元87.00 美元38.00 美元
P992,3000.120 美元121.00 美元72.00 美元

算法是同一个:单席位月收入 = 49 + (用量 - 500) × 0.04。P50 是 49 + 40 × 0.04 = 50.60;P95 是 49 + 950 × 0.04 = 87.00;P99 是 49 + 1,800 × 0.04 = 121.00。

这张表说明了什么?用量从 540 涨到 1,450,涨了 910 次,收入从 50.60 涨到 87.00,涨了 36.40 美元;用量从 1,450 涨到 2,300,再涨 850 次,收入从 87.00 涨到 121.00,涨了 34.00 美元。收入增长几乎与超额增长同步,因为座位费 49 美元是固定的。

更重要的是成本。P50 的单次成本是 0.015 美元,P95 是 0.035 美元,P99 是 0.120 美元。P99 席位的单席位月成本是 276.00 美元,月收入只有 121.00 美元,毛利是负 155.00 美元。这就是卷二第 3 章要处理的长尾客户:超额单价 0.04 美元低于 P99 的单次成本 0.12 美元,用量越大,亏得越多。

对超额收入预测来说,P99 是一个特殊的存在:它贡献的收入不少(121.00 美元,是 P50 的 2.4 倍),但它同时是亏损来源。预测时如果只加总收入、不看成本,会把「高用量客户」误判为优质客户。

凸性:为什么均值一定低估

把超额函数写成 f(U) = max(0, U - Q) × p,其中 U 是用量,Q 是额度,p 是超额单价。max(0, x) 是凸函数,乘以正常数 p 仍然是凸函数。对凸函数,Jensen 不等式给出:

E[max(0, U - Q)] ≥ max(0, E[U] - Q)

左边是按真实分布算出的期望超额,右边是用平均用量算出的超额。只要 U 存在方差,左边就大于或等于右边;只有所有席位的用量完全相同,等号才成立。

用一个最小的例子把差距算出来。假设两个席位,一个用 300 次,一个用 940 次,平均是 (300 + 940) ÷ 2 = 620 次,正好等于 LumenDesk 的平均值。按席位独立结算:

席位 A:300 次,额度 500 次,超额 0 次
席位 B:940 次,额度 500 次,超额 440 次
平均超额 = (0 + 440) ÷ 2 = 220 次
平均超额收入 = 220 × 0.04 = 8.80 美元

而均值口径算出来的是 120 次、4.80 美元。差距是 220 - 120 = 100 次,折合每席位 4.00 美元。如果把这两个席位的比例放大到 1,920 个席位(仅为演示,假设一半 300 次、一半 940 次),超额收入是:

1,920 × 8.80 = 16,896 美元

比均值口径的 9,216 美元高 7,680 美元,高出 83.3%。这不是计算误差,而是结构误差:均值口径把「300 次席位的未用额度」和「940 次席位的超额」相互抵消了,但独立结算下,未用额度不会流向超额席位。

当然,LumenDesk 的实际结算可能采用组织池,未用额度可以抵扣。这时 9,216 美元是对的,因为池子把方差吸收了。但这是 7.3 讨论过的共享假设,不是「平均用量」这个算法本身带来的。预测时必须先声明结算口径:组织池、部门池还是席位独立。口径不同,同一个平均用量对应的超额收入不同。

分位不是分布

看到 P50、P95、P99,很容易想「把三个分位加权平均一下,就是分布」。这是错的。分位点描述的是「有多少比例的观测低于这个值」,不是「每个值占多少权重」。P50 = 540 意味着有一半席位低于 540 次,但不知道这一半具体分布在哪里;P95 = 1,450 意味着 5% 的席位高于 1,450 次,但不知道是 1,500 还是 3,000。

所以,不能直接把 540、1,450、2,300 各给三分之一权重,算出「平均超额」。那样得到的数字没有统计含义,既不是均值,也不是任何真实客户群的平均。

分位表能提供的是两个有用的判断。第一,P50 = 540 已经高于 500 次额度,说明超过一半的席位会产生超额。第二,P95 与 P99 的用量远高于均值,说明分布右偏,长尾很重。这两个判断足以决定预测口径,但不足以直接算出超额收入。

要算超额收入,需要的是「用量分布」或「分段占比」:每个用量区间有多少席位。这个数据必须从账单系统或用量日志里取,不能从分位表反推。如果拿不到逐席位数据,退而求其次是按客户分层,用每层的平均用量和客户数加权,并明确标注这是近似。

超额渗透率:一个比均值更有用的指标

在拿到分布之前,可以先算一个简单指标:超额渗透率,即超过包含额度的席位占比。

超额渗透率 = 超过额度的席位数 ÷ 总席位数

这个指标回答的是「有多少席位会收到超额账单」,而不是「超额收入是多少」。它对预测很重要,因为超额收入的增长来自两个方向:更多席位进入超额,或者已超额席位用得更狠。两者的运营含义不同:前者是额度设计或客户结构问题,后者是单客户用量增长。

LumenDesk 的 P50 = 540 次,已经高于 500 次额度,所以渗透率超过 50%。这是一个从事实表可以直接推出的结论,不需要额外假设。但具体是 55% 还是 80%,事实表没有给出,不能编。

渗透率高不等于超额收入高。如果超额席位只超出几十次,收入仍然有限;如果少数席位超出上千次,收入会集中在长尾。预测时把「渗透率」和「超额深度」分开看,比只看一个平均数更接近真实。

三种预测口径,按数据可得性选择

实际工作中,超额收入预测有三种口径,精度和成本依次上升。

第一种是均值口径:总用量 ÷ 席位数得到平均用量,再套 max(0, 平均用量 - 额度) × 单价。它最快,但在有方差时系统性低估,只适合作为下限或快速估算。

第二种是分段口径:把席位按用量分成若干段,每段给一个平均用量和占比,再按段加权。它比均值准确,能反映右偏分布,但分段本身是人为的,段数太多会过拟合,段数太少会重新退化成均值。

第三种是逐席位口径:对每个席位单独算超额,再求和。它最准确,也最贵:需要逐席位的用量数据、额度参数和历史窗口,还要处理新席位不足月、额度调整、共享池等特殊情况。

选择哪一种,取决于预测的用途。做年度预算,分段口径通常够用;做月度收入确认或超额账单预估,逐席位口径更稳妥;做快速敏感性分析,均值口径可以作为起点,但必须注明它是下限。

时间维度:额度消耗不是一个静态分布

上面的讨论都是「一个月内」的分布。真实预测还要处理时间。

新席位有爬坡期。一个客户月初签约、月中开始用,第一个月的用量通常低于稳态;如果直接用稳态均值预测,会高估第一个月的超额,低估后续月份。

用量有季节性。客服类产品在促销季、节假日前后用量上升;合同审查类产品在季末、年末案件集中。季节性会让某个月的超额收入突然跳高,不能把这个月当成新的基线。

还有一次性事件。某个客户导入了历史数据、跑了批量任务、做了一次压力测试,当月用量可能是平时的几倍。这类用量会带来一次性超额收入,但不会重复。预测时要把一次性事件从基线里剔出来,否则会把偶然当成趋势。

对 LumenDesk 来说,月对话量 1,190,400 次是月度总量,没有给出月度波动。正文不能编一个季节性系数,但可以要求产品团队按周采集用量,至少保留 8 到 12 周的历史,才能看出基线与异常。

用代码把均值、分段与渗透率算清楚

下面的实验把三种口径收进同一组函数:meanBasedOverageCents 是均值口径,segmentedOverageCents 是按用量分段加权,overagePenetrationBps 算渗透率。所有金额用整数美分,权重用基点。

// file: src/pricing/11-2-quota-forecast.ts
// tier: L1
// verify: node --test test/pricing/11-2-quota-forecast.test.ts

// 额度消耗预测:max(0, U - Q) 是凸函数,均值预测会系统性地低估超额收入。

export type UsageSegment = {
  label: string;
  usagePerSeat: number;
  weightBps: number;
};

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

/** 用平均用量乘席位:最容易做,也最容易低估。 */
export function meanBasedOverageCents(
  seats: number,
  meanUsagePerSeat: number,
  includedPerSeat: number,
  overageCentsPerUnit: number,
): number {
  return seats * overageUnits(meanUsagePerSeat, includedPerSeat) * overageCentsPerUnit;
}

/** 按用量分段加权:权重用基点,总权重不必等于 10,000。 */
export function segmentedOverageCents(
  seats: number,
  segments: readonly UsageSegment[],
  includedPerSeat: number,
  overageCentsPerUnit: number,
): number {
  const totalWeight = segments.reduce((acc, item) => acc + item.weightBps, 0);
  if (totalWeight === 0) return 0;
  const weightedUnits = segments.reduce(
    (acc, item) => acc + overageUnits(item.usagePerSeat, includedPerSeat) * item.weightBps,
    0,
  );
  return Math.round((weightedUnits * seats * overageCentsPerUnit) / totalWeight);
}

/** 超额渗透率:超过包含额度的席位占比,用基点表示。 */
export function overagePenetrationBps(
  segments: readonly UsageSegment[],
  includedPerSeat: number,
): number {
  const totalWeight = segments.reduce((acc, item) => acc + item.weightBps, 0);
  if (totalWeight === 0) return 0;
  const overWeight = segments.reduce(
    (acc, item) => acc + (item.usagePerSeat > includedPerSeat ? item.weightBps : 0),
    0,
  );
  return Math.round((overWeight * 10_000) / totalWeight);
}

export const TWO_SEATS: readonly UsageSegment[] = [
  { label: "low", usagePerSeat: 300, weightBps: 5_000 },
  { label: "high", usagePerSeat: 940, weightBps: 5_000 },
];

export const LUMENDESK_QUOTA = {
  seats: 1_920,
  meanUsagePerSeat: 620,
  includedPerSeat: 500,
  overageCentsPerUnit: 4,
} as const;

代码里最值得注意的是 segmentedOverageCents 的归一化:它先对 weightBps 求和,再用总权重做分母。这样调用方可以传「各占三分之一」这样的相对权重,也可以传真实的客户数占比,不必手工凑成 10,000。overagePenetrationBps 则只看用量是否严格大于额度,等于额度不算超额。

用 300 与 940 两个分段复算:均值口径返回 921,600 美分,分段口径返回 1,689,600 美分,后者比前者高 768,000 美分,正好是 7,680 美元。这个差额就是「方差没有被均值吸收」的部分。

预测与对账:把结构误差和随机误差分开

预测做出来之后,要和实际对账。对账时最重要的,是区分两类误差。

第一类是结构误差,比如用均值口径预测一个有方差的分布。这类误差有方向,通常表现为持续低估,不会因为样本变多而消失。修法不是调参数,而是换口径。

第二类是随机误差,比如某个月的一次性批量任务、某个客户的临时冲量。这类误差没有固定方向,会随月份波动。修法是拉长窗口、剔除异常值,而不是改模型结构。

把两类误差混在一起,会导致错误的动作:明明是结构误差,却去调增长假设;明明是随机误差,却去改额度规则。对账表至少要分三列:预测值、实际值、差异原因。差异原因里再分「口径」「一次性事件」「基线漂移」三类。

对 LumenDesk 来说,如果连续几个月实际超额都高于均值预测,先检查是不是按席位独立结算、且席位之间存在方差;如果只是某一个月高,先检查有没有一次性事件。这个顺序不能反。

小结

  • 超额收入的公式是 max(0, U - Q) × p,它在分布上的期望不等于平均用量处的值。
  • 均值口径:每席位 620 次减 500 次额度,得到 120 次超额、4.80 美元,组织级 9,216 美元。
  • 分位口径:P50 的 540 次对应 50.60 美元,P95 的 1,450 次对应 87.00 美元,P99 的 2,300 次对应 121.00 美元。
  • max(0, x) 是凸函数,Jensen 不等式保证有方差时真实超额不低于均值口径;300 与 940 的例子中,均值口径低估 7,680 美元。
  • 分位点不是分布,不能把 P50/P95/P99 各给三分之一权重直接算平均超额。
  • 超额渗透率 = 超过额度的席位数 ÷ 总席位数;P50 已高于 500 次,说明渗透率超过 50%。
  • 三种口径按数据可得性选择:均值口径是下限,分段口径适合预算,逐席位口径适合账单与收入确认。
  • 对账时把结构误差和随机误差分开;持续低估换口径,单月跳高查一次性事件。

阅读导航:上一节:11.1 订阅 + 用量的收入拆解 · 下一节:11.3 三情景与敏感性 。

常见错误与边界

  • 用平均用量乘席位算超额收入。有方差时这是结构性低估,不是随机误差,调参数修不好。
  • 把 P50/P95/P99 当成三个客户群各占三分之一。分位点描述的是累积比例,不是权重。
  • 忽略结算口径。组织池和席位独立结算下,同一个平均用量对应的超额收入不同。
  • 只看超额收入不看超额成本。P99 席位收入 121.00 美元、成本 276.00 美元,是负毛利客户。
  • 把一次性批量任务当成新的用量基线。下个月回落时,会误判为流失或产品问题。
  • 用不足一个完整账单周期的数据做预测。新席位爬坡期会压低首月用量,也会压低首月超额。

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