《AI 产品的商业化·价值与定价》13.1 三案例定价矩阵与单位经济

把 LumenDesk、Verba API 与 ClausePilot 放回同一张矩阵:三种定价结构、三套收入公式、同一组毛利率、ARPA、CAC、回本、LTV 与 NRR 口径。逐一复算 82.7%、47.5%、73.3% 的毛利,拆开 6.7、3.8、1.4 个月的回本差异,并说明矩阵能回答与不能回答的问题。

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。

为什么要把三个案例放进同一张矩阵

前十二章分别拆开了价值单位、收费点、订阅与额度、用量计费、结果计费、版本包装、免费层、超额与涨价。每一章回答一个局部问题;到了卷一收口,需要回答一个整体问题:这三套定价方案放在一起看,哪些数字可以横着比,哪些不能。

最容易被误用的比较是收入。ClausePilot 的月收入是 785,400 美元,LumenDesk 是 103,296 美元,前者是后者的 7.6 倍。这个倍数说明不了谁更健康:ClausePilot 只有 85 家企业客户,LumenDesk 有 320 家;前者的 ARPA 是 9,240 美元,后者是 322.80 美元,相差 28.6 倍。收入差距主要来自客户规模与客单价,而不是定价能力。

矩阵的用途不是排名,而是把「结构、规模、效率、风险」四件事分开。收入回答规模,毛利率回答效率,ARPA 与 CAC 回答客户经济性,流失与 NRR 回答持续性。把四个维度混成一个总分,矩阵就退化成排行榜。

三种定价结构,三种收入公式

三个案例恰好对应三种常见结构:席位订阅加额度、纯用量、平台费加结果。结构不同,收入公式就不同,增长杠杆也不同。

案例定价结构收入公式代入月收入
LumenDesk席位订阅 + 额度席位数 × 席位价 + max(0, 用量 − 席位数 × 500) × 0.041,920 × 49 + 230,400 × 0.04103,296 美元
Verba API纯用量分钟数 × (0.006 + 0.002)42,000,000 × 0.008336,000 美元
ClausePilot平台费 + 案件客户数 × 2,400 + 案件数 × 18085 × 2,400 + 3,230 × 180785,400 美元

LumenDesk 的公式有两段。第一段是 1,920 × 49 = 94,080 美元的席位收入,第二段是超额收入:总包含额度 1,920 × 500 = 960,000 次,实际用量 1,190,400 次,净超额 230,400 次,乘以 0.04 美元等于 9,216 美元。两段相加正好是 103,296 美元。它的增长杠杆是「加席位」和「提高单席位用量」,前者稳定,后者会带来长尾成本。

Verba API 的公式只有一段:42,000,000 分钟 × 0.008 美元 = 336,000 美元。0.008 由转写 0.006 与说话人分离 0.002 组成。它的增长杠杆是「用量」,收入随分钟数线性变化,没有席位费托底,也没有额度缓冲。

ClausePilot 的公式是「底座 + 结果」:85 × 2,400 = 204,000 美元平台费,3,230 × 180 = 581,400 美元案件费,合计 785,400 美元。平均每家客户每月 38 件,85 × 38 = 3,230 件。它的增长杠杆是「客户数」与「单客户案件量」,但每件案件含一次人工复核,增长会直接消耗人力产能。

三案例基线矩阵

把事实表的数字按统一口径排成一张表,得到卷一的定价基线。

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 美元336,000 美元785,400 美元
ARR1,239,552 美元4,032,000 美元9,424,800 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%
最大成本项推理 80%推理 83%人工复核 54%
收入可预测性高低中高
主要风险长尾客户成本用量波动与流失人工复核规模化

这张表有三个读法。第一,横着读同一行,比较三个案例在同一指标上的差异;第二,竖着读同一列,看一个案例的指标之间是否自洽;第三,跳着读「最大成本项」与「主要风险」两行,判断毛利数字背后的脆弱点。

ARR 一行的口径要特别说明:它是月度收入 × 12,不是年化合同额。LumenDesk 的 103,296 × 12 = 1,239,552 美元,Verba 的 336,000 × 12 = 4,032,000 美元,ClausePilot 的 785,400 × 12 = 9,424,800 美元。三者的年付客户占比、合同期限与递延收入都不同,所以 ARR 只能用于同口径的规模比较,不能当成已签约的现金流。

毛利:同一个公式,三种成本结构

毛利率的公式只有一个:

毛利率 = (收入 - 变动成本) / 收入

代入三个案例:

LumenDesk:(103,296 - 17,856) / 103,296 = 85,440 / 103,296 = 82.7%
Verba API:(336,000 - 176,400) / 336,000 = 159,600 / 336,000 = 47.5%
ClausePilot:(785,400 - 209,950) / 785,400 = 575,450 / 785,400 = 73.3%

三个毛利率背后是三套成本结构。

LumenDesk 的单次变动成本是 0.015 美元,其中推理 0.012 美元、支付与第三方 0.003 美元。月度变动成本 17,856 美元里,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%。它的毛利高,是因为每次对话的收入远高于 0.015 美元;风险在于用量分布的尾部,而不是平均值。

Verba API 的单分钟变动成本是 0.0042 美元,其中推理 0.0035 美元、存储 0.0004 美元、支付与基础设施 0.0003 美元。月度 176,400 美元的变动成本里,推理占 83.3%、存储占 9.5%、支付与基础设施占 7.1%。它的毛利率只有 47.5%,因为单价 0.008 美元与成本 0.0042 美元之间的空间本来就窄;好处是成本与用量严格线性,没有额度池带来的方差。

ClausePilot 的单案件变动成本是 65 美元,其中推理 22 美元、人工复核 35 美元、平台 8 美元。月度 209,950 美元的变动成本里,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%。它的毛利率 73.3% 看起来接近 LumenDesk,但最大成本项是人工复核而不是推理。这意味着它的毛利不会随模型降价而自动改善,反而会随案件量增长被人力产能卡住。

把三个毛利率排在一起,得到的结论不是「LumenDesk 最好」。正确的结论是:LumenDesk 的毛利对用量分布敏感,Verba 的毛利对单价与采购成本敏感,ClausePilot 的毛利对人工效率敏感。三种敏感点对应三种完全不同的运营动作,这正是卷二要展开的内容。

ARPA:客户规模不同,不能直接比大小

ARPA 的公式是:

ARPA = 月度收入 / 付费客户数

代入:

LumenDesk:103,296 / 320 = 322.80 美元
Verba API:336,000 / 1,450 = 231.72 美元
ClausePilot:785,400 / 85 = 9,240 美元

ClausePilot 的 ARPA 是 LumenDesk 的 28.6 倍,是 Verba 的 39.9 倍。这个差距不是定价技巧造成的,而是客户类型造成的:LumenDesk 卖给人均 6 个席位的中小 SaaS 团队,Verba 卖给 1,450 个按量付费的开发者账户,ClausePilot 卖给 85 家保险经纪与律所。客户规模不同,ARPA 本来就该不同。

ARPA 的正确用法是「同客户层内比较」。拿 ClausePilot 的 9,240 美元去要求 LumenDesk,只会得出「LumenDesk 定价太低」的错误结论;反过来,拿 Verba 的 231.72 美元去判断 ClausePilot 太贵,也会忽略企业销售的成本与周期。

ARPA 还要和 CAC 一起看。ClausePilot 的 ARPA 是 LumenDesk 的 28.6 倍,CAC 是 9,500 美元,只有 LumenDesk 1,800 美元的 5.3 倍。客单价涨得比获客成本快,回本周期才会从 6.7 个月缩到 1.4 个月。单看 ARPA 高,不能说明生意好;单看 CAC 高,也不能说明效率差。

CAC 与回本:回本快不等于生意好

回本周期的公式是:

回本周期(月)= CAC / (ARPA × 毛利率)

代入:

LumenDesk:1,800 / (322.80 × 0.827) = 1,800 / 266.96 = 6.7 个月
Verba API:420 / (231.72 × 0.475) = 420 / 110.07 = 3.8 个月
ClausePilot:9,500 / (9,240 × 0.733) = 9,500 / 6,770 = 1.4 个月

三个回本周期都在一年以内,但含义不同。

ClausePilot 的 1.4 个月最漂亮,因为企业客户的客单价高、流失率低,且平台费提供了稳定底座。代价是销售周期长、POC 成本高,且 85 家客户里有 34% 的收入来自前 3 家。回本快不代表风险低,它只说明「单个客户的获客投入能很快收回」,没有说明「客户会不会继续续约」或「销售能不能持续找到同类客户」。

LumenDesk 的 6.7 个月处在中间。它的 CAC 1,800 美元不算高,ARPA 322.80 美元也不算低,回本慢主要是因为毛利率乘以 ARPA 后的月度毛利只有 266.96 美元。要缩短回本,可以提高席位价、提高每席位用量、降低获客成本,或者提高年付比例。四条路里,前两条会改变客户行为,后两条才是纯粹的效率改善。

Verba 的 3.8 个月最快,但它的月流失率是 2.1%,三个案例里最高。回本快、流失也快,说明它面对的是价格敏感、切换成本低的开发者市场。3.8 个月的回本周期意味着,一个客户只要留存超过 4 个月,获客投入就收回来了;但 LTV 只有 5,240 美元,扩张空间有限。

LTV 与流失:把两个数放在一起

LTV 的公式是:

LTV = ARPA × 毛利率 / 月流失率

代入:

LumenDesk:322.80 × 0.827 / 0.008 = 33,378 美元
Verba API:231.72 × 0.475 / 0.021 = 5,240 美元
ClausePilot:9,240 × 0.733 / 0.006 = 1,128,204 美元

LTV 与 CAC 的比值是判断客户经济性的常用指标:

LumenDesk:33,378 / 1,800 = 18.5
Verba API:5,240 / 420 = 12.5
ClausePilot:1,128,204 / 9,500 = 118.8

三个比值都远高于常见的 3 倍经验线,但这不意味着三个案例都「非常健康」。LTV 的分母是月流失率,流失率越低,LTV 被放大的倍数越大。ClausePilot 的 0.6% 月流失率把 LTV 推到 112.8 万美元,这个数字对单个企业客户是合理的,却不能直接乘以 85 去推算公司价值,因为客户之间的合同期限、用量与续约条件并不相同。

比 LTV 绝对值更有用的,是看 LTV 的构成。LumenDesk 的 LTV 来自「中等 ARPA + 高毛利 + 低流失」,Verba 来自「低 ARPA + 中毛利 + 高流失」,ClausePilot 来自「高 ARPA + 中高毛利 + 极低流失」。三种构成对应三种风险:LumenDesk 怕长尾成本,Verba 怕流失与降价,ClausePilot 怕大客户集中与人工产能。

NRR 与收入可预测性

NRR 的公式是:

NRR = (期初 MRR + 扩张 - 降级 - 流失) / 期初 MRR

三个案例的 NRR 分别是 112%、106% 与 118%,都高于 100%。但 NRR 的来源不同:LumenDesk 靠席位扩张与超额用量,Verba 靠存量客户用量增长,ClausePilot 靠客户增购案件量与平台升级。NRR 高只说明「存量客户的钱变多了」,不说明「新客户买得动」。

收入可预测性与定价结构直接相关。LumenDesk 的席位订阅提供了高可预测性,超额收入只占 MRR 的 8.9%;Verba 的纯用量结构可预测性低,用量随客户业务波动;ClausePilot 的平台费提供底座,案件费随业务量波动,整体处于中高水平。

集中度是另一个不能忽略的维度。LumenDesk 前 5 大客户收入占比 31%,Verba 前 10 大客户占 28%,ClausePilot 前 3 大客户占 34%。三个案例的集中度都不低,但含义不同:LumenDesk 的 320 家客户里前 5 家占 31%,说明大客户权重高;Verba 的 1,450 个账户里前 10 个占 28%,说明头部用量集中;ClausePilot 的 85 家里前 3 家占 34%,说明企业销售依赖少数大单。

Verba 还有一个别的案例没有的成本项:免费层。8,000 个免费账户,每户每月额度 60 分钟,实际平均用 42 分钟,月度成本 336,000 分钟 × 0.0042 = 1,411.20 美元,占收入 0.4%。这个比例很低,但它是按实际用量而不是额度上限算出来的;如果按 60 分钟算,成本会变成 2,016 美元,虽然仍不高,口径却错了。

用代码复算三案例基线

下面的实验把三个案例的收入、变动成本、客户数、CAC、流失率与 NRR 收进同一张表,用同一组函数复算毛利、毛利率、ARPA、LTV 与回本周期。金额用整数美分,比率用基点,避免浮点直接比较。

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

// 三案例定价基线:把收入、变动成本、客户数与流失率收进同一组单位经济指标。

import { divide, FULL } from "../core/rate.ts";

export type PricingBaseline = {
  name: string;
  revenueCents: number;
  variableCostCents: number;
  payingCustomers: number;
  cacCents: number;
  churnBps: number;
  nrrBps: number;
};

export type UnitEconomics = {
  name: string;
  grossProfitCents: number;
  grossMarginBps: number;
  arpaCents: number;
  ltvCents: number;
  paybackMonthsX100: number;
  nrrBps: number;
};

/** 同一套公式复算三案例:毛利、毛利率、ARPA、LTV 与回本周期。 */
export function unitEconomics(baseline: PricingBaseline): UnitEconomics {
  const grossProfitCents = baseline.revenueCents - baseline.variableCostCents;
  const grossMarginBps = divide(grossProfitCents, baseline.revenueCents);
  const arpaCents = Math.round(
    baseline.revenueCents / baseline.payingCustomers,
  );
  const monthlyGrossProfitCents = Math.round(
    (arpaCents * grossMarginBps) / FULL,
  );
  const ltvCents =
    baseline.churnBps === 0
      ? 0
      : Math.round((monthlyGrossProfitCents * FULL) / baseline.churnBps);
  const paybackMonthsX100 =
    monthlyGrossProfitCents === 0
      ? 0
      : Math.round((baseline.cacCents * 100) / monthlyGrossProfitCents);
  return {
    name: baseline.name,
    grossProfitCents,
    grossMarginBps,
    arpaCents,
    ltvCents,
    paybackMonthsX100,
    nrrBps: baseline.nrrBps,
  };
}

export const BASELINES: readonly PricingBaseline[] = [
  {
    name: "LumenDesk",
    revenueCents: 10_329_600,
    variableCostCents: 1_785_600,
    payingCustomers: 320,
    cacCents: 180_000,
    churnBps: 80,
    nrrBps: 11_200,
  },
  {
    name: "Verba API",
    revenueCents: 33_600_000,
    variableCostCents: 17_640_000,
    payingCustomers: 1_450,
    cacCents: 42_000,
    churnBps: 210,
    nrrBps: 10_600,
  },
  {
    name: "ClausePilot",
    revenueCents: 78_540_000,
    variableCostCents: 20_995_000,
    payingCustomers: 85,
    cacCents: 950_000,
    churnBps: 60,
    nrrBps: 11_800,
  },
];

export function buildMatrix(
  rows: readonly PricingBaseline[] = BASELINES,
): UnitEconomics[] {
  return rows.map(unitEconomics);
}

unitEconomics 的顺序很重要:先算毛利与毛利率,再用 ARPA 乘毛利率得到单客户月毛利,最后才用月毛利算 LTV 与回本。这个顺序保证了三个指标共享同一套毛利口径,不会出现「LTV 用收入算、回本用毛利算」的混用。

代码与事实表之间会有几美元的差异,原因不是公式不同,而是舍入顺序不同。代码先把 ARPA 四舍五入到分、把毛利率四舍五入到基点,再往下算;事实表直接登记最终值。例如 ClausePilot 的 LTV,代码按 9,240 × 73.27% ÷ 0.6% 算出约 1,128,358 美元,事实表登记 1,128,204 美元。评审时以事实表为准,代码用于检查趋势与做敏感性分析,不用来改写登记值。

回本周期的差异更小:代码算出 LumenDesk 674(即 6.74 个月)、Verba 382(3.82 个月)、ClausePilot 140(1.40 个月),分别对应事实表的 6.7、3.8、1.4 个月。这个精度足够做经营判断,不需要为了小数点后两位反复调参。

矩阵的读法:五个判断顺序

矩阵不是用来「一眼看出谁最好」的。建议按以下顺序读,每一步都只回答一个问题。

第一步,看定价结构与成本结构是否匹配。LumenDesk 用订阅管额度,因为它的成本随对话量变化;Verba 用纯用量,因为它的成本与分钟数严格线性;ClausePilot 用平台费加案件,因为它的产能瓶颈在人工复核。结构错配,后面的数字再漂亮也没有意义。

第二步,看毛利率与最大成本项。82.7% 的毛利如果主要来自推理,模型涨价会直接侵蚀;73.3% 的毛利如果主要来自人工,案件增长会先撞上产能。毛利率要连同成本结构一起读。

第三步,看 ARPA、CAC 与回本周期。这三个数回答「一个客户值不值得获取」。ClausePilot 的 1.4 个月回本来自高 ARPA 与低 CAC 比例;LumenDesk 的 6.7 个月回本需要靠留存与扩张来摊薄;Verba 的 3.8 个月回本快,但要靠留存把 LTV 撑住。

第四步,看 LTV、流失率与 NRR。LTV 是结果,流失率是原因,NRR 是存量客户的扩张。三者一起看,才能判断增长是「新客户买进来的」还是「老客户用出来的」。

第五步,看集中度、免费层与收入可预测性。这些是矩阵边缘的指标,却决定了基线的脆弱点。前 3 大客户占 34% 的生意,和一个客户分散在 1,450 个账户的生意,抗风险能力完全不同。

小结

  • 三案例的月收入分别是 103,296、336,000 与 785,400 美元,收入差距主要来自客户规模与客单价,不是定价能力。
  • 三种结构对应三套收入公式:席位订阅加额度、纯用量、平台费加案件;增长杠杆分别是席位、用量与案件量。
  • 毛利率统一用 (收入 − 变动成本) ÷ 收入,三者分别为 82.7%、47.5% 与 73.3%。
  • 最大成本项决定毛利脆弱点:LumenDesk 是推理 80%,Verba 是推理 83%,ClausePilot 是人工复核 54%。
  • ARPA 分别为 322.80、231.72 与 9,240 美元,不能跨客户层直接比较大小。
  • 回本周期分别为 6.7、3.8 与 1.4 个月;回本快不等于生意好,还要看流失、集中度与产能。
  • LTV 分别为 33,378、5,240 与 1,128,204 美元,LTV/CAC 分别为 18.5、12.5 与 118.8。
  • 矩阵的读法是结构、毛利、客户经济性、留存、脆弱点五步,不是给三个案例排一个总分。

阅读导航:上一节:12.3 价格歧视与区域定价的边界 · 下一节:13.2 定价评审清单 。

常见错误与边界

  • 用收入给三个案例排名。收入只反映规模,不反映毛利、回本或留存;ClausePilot 收入最高,但客户集中度也最高。
  • 把 ARR 当成已签约合同额。三案例的 ARR 都是月收入 × 12,与实际合同期限、年付比例和递延收入无关。
  • 用一个毛利率套所有客户层。LumenDesk 的 P99 客户在卷二会出现负毛利,平均值 82.7% 掩盖了长尾。
  • 把 LTV 当成公司价值。LTV 是单客户口径,受流失率放大;客户之间的合同条件不同,不能直接相乘。
  • 只看看回本周期做渠道决策。回本快但流失高的渠道,可能把获客投入收回来,却留不住客户。
  • 忽略免费层与集中度。Verba 的免费层成本只占收入 0.4%,但口径必须按实际用量算;前几大客户占比过高会让基线失真。

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