把主力产品价格下调15%销量涨了四成月底财务一算毛利比上月还少了八万——这话我在不同场合听过不止一次。降价换量看起来是最容易做的决策也是最容易后悔的决策。真正决定这笔账划不划算的不是销量涨了多少而是需求价格弹性价格动1%销量到底动多少以及这个动能不能覆盖掉单件利润的塌陷。绝大多数团队对需求价格弹性的理解停留在教科书那一句富有弹性降价增收、缺乏弹性提价增收可一落到自己业务上马上就会撞上三个问题弹性到底怎么算才靠谱、算出来的数能用到哪个层级、以及定价策略该怎么把它翻译成具体的价格和促销节奏。这篇内容我打算把这些年做定价分析时攒下来的判断方法、测算路径和踩过的坑完整写一遍适合正在做定价、做促销复盘、做产品线结构调整的人看也适合刚接触商业分析、想知道原来弹性不是考试题的读者。1. 降价换量之前先搞清楚弹性到底在量什么1.1 弹性的物理直觉一个比值不是一个结论需求价格弹性最朴素的写法就是销量变化率除以价格变化率。价格从100降到90跌了10%销量从1000涨到1150涨了15%两者一比弹性是1.5。这个数字的含义是价格每变动1%销量反向变动约1.5%。按绝对值来看大于1叫富有弹性小于1叫缺乏弹性等于1叫单位弹性。我在带新人的时候会强调一句话弹性是一个无量纲的比值它不告诉你赚不赚钱只告诉你量的反应强度。很多人把弹性当成收益指标这是第一个认知偏差。弹性1.5只说明销量反应比价格反应剧烈但销量涨上去之后单件还剩多少毛利那是另一套账。把弹性、贡献毛益、固定成本这三件事混在一起谈是最常见的分析事故来源。另一个要提前说清楚的点是方向。价格和销量天然反向所以算出来的弹性是负数行业里习惯取绝对值讨论。但做模型的时候千万别把所有负号都丢掉比如后面讲交叉弹性正负号本身就是结论——正值是替代品负值是互补品符号丢了等于把结论丢了。1.2 弧弹性和点弹性同一组数据能算出两个数这是实操里第一个会让人吵架的地方。接着上面那组数据用起点法算销量涨15%、价格跌10%弹性是1.5。但如果换成中点法弧弹性公式是销量变化量除以价格变化量再乘以两端价格均值与两端销量均值的比值销量变化量 150价格变化量 -10价格均值 95销量均值 1075弧弹性 (150 / -10) × (95 / 1075) ≈ -1.33同一个价格调整动作一个算出1.5一个算出1.33差了11%。如果这条产品线的毛利很薄这11%足以让该不该降的结论从可以做翻成别碰。为什么会有这个差异因为起点法把基准点当成了分母涨价和降价两条路径算出来的值不对称中点法用两端均值来回两个方向结果一致。我个人的选择是做跨期对比、跟别人对齐口径时用中点法做单一决策的快速估算时用起点法但必须在文档里标明用的是哪种。最忌讳的是一半数据用起点法、一半用中点法拼在一张表里做排名那种结论纯属自欺欺人。还有一种叫点弹性数学上是价格对销量求导后乘以价格除以销量。业务上它对应的其实是常弹性模型把销量和价格都取对数做回归价格项前面的系数就是弹性且假定这个弹性在一段价格区间内是常数。这个假定的好处是模型简单、解释直观坏处是它通常只在某个区间内成立——价格一旦跳出消费者的心理参照范围弹性会突然变陡。所以对数回归的结果务必只在你实际观测到的价格区间内使用外推要格外谨慎。1.3 单位弹性那条线总收入的分水岭但不是利润的分水岭弹性绝对值类型提价对总收入的影响降价对总收入的影响大于1富有弹性减少增加等于1单位弹性不变理论峰值不变理论峰值小于1缺乏弹性增加减少等于0完全无弹性线性增加线性减少这张表是每个做定价的人都背得出来的。但它管的是总收入不是利润。总收入里含着变动成本而变动成本不会因为降价而变少——恰恰相反卖得越多变动成本总额越高。举个具体例子说明这个陷阱有多深。某产品单价100元单位变动成本40元也就是每卖一件贡献60元月销1000件月度贡献毛益60000元这里刻意不谈固定成本因为固定成本在短期不随销量变动做单次决策时可以剥离。现在打八折价格变成80元单件贡献降到40元。要维持原来60000元的贡献毛益需要卖1500件也就是销量必须涨50%对应价格跌20%按起点法算需要的弹性是2.5按中点法算约1.8。如果实际销量只涨了35%也就是1350件贡献毛益是54000元比原来少了6000元——收入可能还涨了因为80乘1350等于108000比原来的100000还高。这就是典型的增收不增利财务报表上看着热闹实际上在做亏本买卖。所以正确的顺序是先用弹性判断量能不能起来再用贡献毛益判断量起来之后划不划算。只做第一步是分析师两步都做才是能拍板的人。2. 三类弹性自身价格、交叉价格、收入弹性各管一段2.1 自身价格弹性五个因素决定你这条线的软硬自身价格弹性问的是我自己的价格动我自己的销量动多少。它的高低不是运气而是由几个结构性因素决定的这些因素可以在没有数据的情况下先做一轮定性打分第一是替代品的可及性。同类产品越多、越容易找到、越容易被比较弹性越高。同一款商品在货架上旁边放三个竞品和在一个封闭场景里独家供应弹性完全不是一个量级。第二是支出占消费者预算的比例。占比越小越不敏感。同样是涨价5%一瓶几块钱的饮料和一台几万元的设备消费者的反应强度差着数量级。这也是为什么小额高频品类敢做小幅提价而大额低频品类一提价就得开会评估。第三是必需程度与使用场景刚性。注意必需不是产品属性是场景属性。同样一瓶水在写字楼便利店和在景区山顶弹性天差地别改变的不是产品是场景和替代品可及性。第四是转换成本。换掉你要付出多少代价——重新采购、重新培训、数据迁移、习惯重建。转换成本越高短期弹性越低。这一点在订阅制业务里尤其明显。第五是决策与比价的便利程度。比价越方便弹性越高。线上化程度高的品类消费者的比价成本接近于零所以价格战打起来特别惨烈而信息不透明的品类弹性会被显著低估。我通常会让团队按这五项各打1到5分加权得出一个定性的弹性预判档位再去和定量测算的结果对照。如果定量结果和定性预判严重冲突八成是数据或模型口径出了问题这个交叉验证能救回不少错误结论。2.2 交叉价格弹性谁在抢你的单谁在帮你卖货交叉价格弹性衡量的是别人的价格变动对你销量的影响。A涨价你销量涨交叉弹性为正说明A是你的替代品A涨价你销量跌交叉弹性为负说明A和你是互补品。这个指标在实操里的价值被严重低估了。大多数人拿它做竞品监控看到正数就完事了其实它能直接指导三件事一是提价窗口的判断。如果主要竞品的交叉弹性是0.4意味着竞品提价10%你能白捡4%的销量。这时候如果你跟进提价捡到的份额会打折扣如果不跟进份额能吃到更多。这就是跟随涨价和按兵不动的决策依据而不是靠感觉。二是捆绑与组合定价。互补品之间存在负的交叉弹性意味着把它们打包卖整体的价格敏感度会低于单卖之和。这个原理是套餐定价、会员权益组合、硬件加服务的底层逻辑。我见过一个团队把配件单独卖得挺好硬要拆开做裸机低价加配件高价结果发现用户对配件的价格感知被裸机价格锚定了交叉弹性完全不是他们估的那个方向。三是品类防御。如果你的产品对某个上游或下游品类的交叉弹性很高那个品类的波动会直接传导到你身上这时候需要提前做价格缓冲而不是等销量掉了再救火。算交叉弹性有一个坑必须提不能只看相关要看因果。竞品涨价和你销量上涨同时发生可能只是因为旺季到了。做回归时一定要把季节、促销、渠道变化这些控制变量塞进去否则算出来的交叉弹性可能只是把大盘趋势记在了竞品头上。2.3 收入弹性给你的产品线定个周期位置收入弹性是销量变化率除以消费者收入或宏观景气指标变化率。大于1的通常归为可选消费0到1之间是必需品小于0是低档品。做定价的人为什么要在意这个因为它决定了你的提价节奏该跟什么同步。收入弹性高的品类在经济扩张期提价阻力小因为消费者整体预算在涨对价格的容忍度同步上升而在收缩期这类品类往往是最先被砍掉的此时硬扛价格不降销量会断崖。收入弹性低的必需品抗周期能力强但反过来也意味着扩张期很难靠提价吃到超额收益因为消费者的预算增长没有转化成对你的支付意愿增长。这类业务的核心不是提价而是靠份额和效率。我一般会把这个指标和客单价、复购率放在一起看画出一个简单的四象限高收入弹性加高客单价的是典型的顺周期产品定价要留出下调空间低收入弹性加高复购的是现金牛定价要稳高收入弹性加低客单价的适合用促销做弹性测试低收入弹性加低复购的多半要靠捆绑提升单次价值。有一点要提醒收入弹性的测算对数据要求最高因为它需要外部的收入或景气数据做自变量而这些数据的口径往往和你自己的销售口径对不上。实操里我更多把它当成一个定性参考而不是精确参数。用它来判断我的品类在周期里处于什么位置是够的用它去算具体该提价几个点那就过度使用了。3. 弹性系数从哪来三条能落地的测算路径与它们各自的失真点3.1 历史数据回归成本最低坑也最多有历史销售数据的话回归是最快的路径。基本形式是把销量和价格都取对数再塞进控制变量import numpy as np import pandas as pd import statsmodels.api as sm df pd.read_csv(price_sales.csv) # 必要字段: qty, price, promo(0/1), month, channel, competitor_price df[ln_qty] np.log(df[qty]) df[ln_price] np.log(df[price]) df[ln_comp] np.log(df[competitor_price]) # 促销哑变量、月份固定效应、渠道哑变量 X pd.get_dummies(df[[ln_price, ln_comp, promo, channel, month]], columns[channel, month], drop_firstTrue) X sm.add_constant(X.astype(float)) model sm.OLS(df[ln_qty], X).fit(cov_typeHC1) print(model.params[ln_price]) # 这一项就是价格弹性 print(model.summary())ln_price的系数就是弹性估计值。但直接把这行数字拿去开会多半会出事。我在实操里遇到过的失真来源至少有四个第一是内生性。价格不是随机变的很多时候是运营看到销量好就提价、看到销量差就降价价格和销量互为因果。这样回归出来的弹性会被系统性地高估——因为价格变动里混着需求的变动。处理办法有两个方向一是找工具变量比如上游成本冲击、政策性的税率调整这些会推动价格变化但和当期需求关系较弱二是用面板数据加固定效应把产品个体差异和时间趋势剥掉。第二是缺失变量。促销、陈列位置、评价数、物流时效、竞品动作任何一个漏掉都会让系数偏。最常见的是漏掉促销促销期价格低、销量高回归会把促销的效果全算到价格头上得出一个虚高的弹性。所以促销哑变量几乎必须加。第三是聚合层级。用品类总销量和品类均价做回归得到的是品类弹性用单个SKU做回归得到的是SKU弹性。这两个数经常差很远。品类弹性往往更小因为品类内部存在替代效应——你把A降价A的销量涨了但B的销量掉了品类总量没怎么变。用品类弹性指导单品定价是最隐蔽也最致命的口径错误。第四是价格区间受限。如果你的历史价格一直集中在很窄的区间内回归出来的弹性只在那个区间内有效。想预测一次大幅调价的效果本质上是在做外推误差会放大。3.2 价格实验可信度最高成本也最高有条件的团队应该做实验。做法是把流量或门店随机分组给不同组不同的价格观察销量差异。它的好处是直接切断了内生性——价格是随机分配的不是被销量倒逼出来的。设计的几个要点我用踩坑经验换来的分组的随机性必须在用户层面不能在订单层面。同一个用户今天看到A价、明天看到B价会引发投诉也会污染数据。分组要锁定用户ID并且实验期间不要让同一用户跨组。样本量按最小可检测效应来倒推。想检测10%左右的价格带来的销量差异每组通常需要几百到几千量级的样本具体用在线工具算别拍脑袋。样本不够的时候随机波动会伪装成弹性差异你会得出一个看起来很显著但其实没意义的结论。实验周期要覆盖完整的购买周期。只跑三天的实验结果对月度采购或年订阅的产品几乎没用。周期太短还会被提前囤货和推迟购买两种行为污染。必须监控混淆变量。分组用的渠道、时间、地域如果和价格不独立实验就废了。上线前先做一次A/A测试看看同价的两组有没有显著差异这一步能筛掉大量设计缺陷。实验最大的问题是不能对所有产品做。价格实验本身有品牌风险对高价低频产品尤其难开展。所以我的做法是挑一到两个代表性强的SKU做实验用实验结果去校准回归模型的偏差方向再把回归结果推广到其他SKU。这个组合拳比单用一种方法靠谱得多。3.3 调研法新品和没有历史数据时的替代方案新品没有历史数据实验又不好做就只能靠调研。常用的两个工具是价格梯度测试给用户一串价格问在每个价位上愿不愿意买和价格敏感度测试问四个问题什么价格觉得贵但还能接受、什么价格觉得太贵不会买、什么价格觉得便宜、什么价格觉得便宜到怀疑质量。把答案汇总能画出购买意愿曲线和可接受价格区间。调研法的价值在于方向判断和区间定位不在精确数值。它的失真主要来自两处一是声明偏好和真实购买行为的差距用户在问卷里说会买真到付款页就跑了尤其对冲动型品类二是缺乏参照系新品没有可比价格用户回答的其实是你给的这个数字在我的心理账户里属于哪个档而不是真实的支付意愿。我自己的用法是调研结果只用来定价格区间的上下界比如低于80会被认为质量有问题高于150会被认为不值具体定在哪个点再靠小范围灰度测试验证。把调研结果直接当弹性系数用我不建议。方法数据要求周期可信度典型失真点适用场景历史回归有较完整的价格与销量序列1到2周中内生性、促销污染、聚合层级错误已有稳定销售的老品价格实验可分流量的线上场景或可分组门店2到6周高样本不足、周期不完整、分组污染主力SKU、线上渠道调研测试有可触达的目标用户1到2周低到中声明与行为背离、缺乏价格锚点新品定价、价格区间探索4. 把弹性代入模型从成本加成走到最优价格区间4.1 成本加成定价的天花板在哪成本加成是最普遍的定价方法算出成本乘一个加成率完事。它的优点是简单、可解释、财务好交代缺点是它完全无视需求侧——你的成本结构和消费者的支付意愿之间没有任何必然联系。举个具体的翻车场景。某产品单位成本60元按50%加成定价90元。这时候如果实际弹性是1.8最优价格应该在更高位置如果弹性是390元可能已经偏高了。同样的成本结构弹性不同最优价格能差出一倍多。成本加成等于把所有产品都当成同一个弹性来处理这在多品类经营里几乎必然造成结构性错误该贵的卖便宜了该便宜的卖贵了。我不是说成本加成不能用。它在两种情况下是合理的一是竞争极度充分、价格由市场决定、你只是价格接受者的品类二是内部结算、关联交易这类不需要考虑需求弹性的场景。真正做面向消费者的定价成本加成只能作为价格下限的校验不能作为定价依据。4.2 最优加价率与弹性的关系一个能背下来的公式经济学里有个很干净的结论利润最大化的价格满足价格减边际成本除以价格等于弹性绝对值的倒数。这个比值叫勒纳指数也可以理解成毛利率的理论上限与市场势力的度量。从边际收益的角度推更直观边际收益等于价格乘以1减去弹性绝对值的倒数。令边际收益等于边际成本解出价格价格 边际成本 / (1 - 1/弹性绝对值)拿数字感受一下。假设单位边际成本是60元弹性绝对值最优价格对应的毛利率3.09033%2.012050%1.518067%1.236083%这张表最有价值的地方不是让你去算那个数而是让你看清弹性越接近1理论最优价格越发散。弹性1.2时算出360元这显然不现实。现实中的约束来自三个方向竞品价格带、消费者的心理参照价、以及产能和渠道的承受能力。所以这个公式的正确定位是给出一个理论上界再用现实约束往下压而不是直接照搬。还有一个前提必须强调公式里的成本是边际成本也就是多卖一件增加的变动成本不是会计口径的完全成本。用完全成本代入会系统性低估最优价格因为固定成本被重复计算了——它不随销量变化不该进入边际决策。4.3 分级与捆绑用弹性差做价格区隔单一价格永远是一种妥协对价格敏感的人你觉得定高了对不敏感的人你觉得定低了。解法不是找一个中间价而是用弹性差异把人群分开。常见的三种做法版本分级。基础版、标准版、专业版。核心不是把功能砍成三份而是让不同弹性的人群自然落到不同档位。低弹性人群对功能刚需、转换成本高会选高配高弹性人群预算紧、可选替代多会选低配。分级的难点在于降级路径的设计——如果基础版太好用高配就卖不动如果基础版太差会伤口碑。我的经验是把差异放在使用强度相关的维度上席位数、调用量、并发数而不是砍核心功能这样既能区隔又不会毁掉体验。捆绑销售。互补品的组合能降低整体的价格敏感度因为用户很难对组合里的每一项单独定价。这也是套餐、年包、硬件加服务的共同逻辑。但捆绑有个反效果要注意如果其中某一项在用户心里有很强的独立价格锚点捆绑反而会让整体显得贵。判断方法是看这一项单独售卖时的销量占比——占比越高说明用户越在意它越不适合打包。群体定价。学生价、企业价、区域价。本质是用可验证的身份特征做区隔。它的风险是套利和舆情所以门槛设计要合理优惠幅度要控制在值得区隔但不值得钻空子的范围内。这三种做法背后是同一个逻辑弹性不是一个数是一组数。不同人群、不同场景、不同购买动机下的弹性不一样定价的任务就是把这些差异识别出来并变现而不是求一个全体平均。4.4 促销节奏短期弹性和长期弹性根本不是一回事促销是弹性最容易被误用的地方。做一次限时折扣销量数据很好看算出来的短期弹性可能高达3以上于是团队得出我们这个品类很敏感应该多做促销的结论。这个推论的问题在于它把需求的时间转移当成了需求的总量增加。促销期的销量里有相当一部分来自三种非增量老用户提前囤货、本来就要买的人等到了促销、以及竞品用户的临时切换。前两种是纯粹的时间转移促销结束就得还回去第三种才是真增量但能不能留住取决于产品本身不取决于折扣。更麻烦的是长期弹性会被促销训练出来。用户习惯了等打折正价期的转化率就会下降这时候你测出来的正价弹性会变得虚高——不是消费者真的不认可这个价格而是他们知道再等两周就有折扣。这个效应一旦形成很难逆转。我判断一次促销是否真的有效会看三个指标而不是一个促销期销量增幅、促销后四周的销量回撤幅度、以及正价期的转化率变化。如果促销期涨了50%促销后四周跌了30%正价转化率还掉了那这次促销大概率是在用未来的收入换当下的报表。5. 四类高频翻车场景的排查链路5.1 涨价之后销量没掉是不是弹性很低这是最容易被误读的信号。涨价10%一个月后销量几乎没变团队欢天喜地得出我们弹性极低还能继续涨的结论然后第二次涨价直接砸了。排查的时候我按这个顺序走第一看渠道库存。经销商或门店在涨价前会提前备货涨价后的出货数据自然好看但那是渠道库存转移不是终端消化。要看终端动销数据而不是发货数据。这个时间差在快消和硬件分销里普遍存在一般会滞后两到六周。第二看统计窗口。一个月的观察期太短。很多品类的采购周期是季度甚至半年的用户还没来得及重新比价。真正的弹性释放往往在两到三个采购周期之后。第三看竞品动作。如果竞品同期也涨了你看到的无反应其实是整个价格带平移消费者没有更便宜的选择。这种情况下你的弹性看着低实际上是被竞品的同步动作掩盖了。一旦有竞品不跟弹性立刻现形。第四看是不是有价格之外的因素在托底。缺货、补贴、新品效应、渠道独家协议任何一个都可能在短期内压制价格敏感度。这些因素一旦消失被压制的需求会集中释放。我的判断标准很朴素一次涨价后至少观察两个完整采购周期并且确认渠道库存没有异常累积才能对弹性下结论。急于下结论的代价通常在下一次调价时一次性还回来。5.2 促销增收不增利把账算到贡献毛益这一层前面已经给过一个数字例子这里补一个完整的排查链路因为它太常见了。原价100元单位变动成本40元月销1000件贡献毛益60000元。促销打八折价格80元单位贡献降到40元。第一步算保本销量。60000除以40等于1500件也就是销量必须涨50%才不亏。这个数字叫保本临界增幅应该在促销方案立项时就写进去而不是事后复盘才发现。第二步算保本临界弹性。价格跌20%销量需要涨50%按起点法算临界弹性是2.5按中点法算约1.8。把这两个数和你对该品类的弹性估计对上——如果你估的弹性只有1.2那这个促销从一开始就不该批。第三步区分增量与非增量。促销期卖出的1500件里有多少是本来就会买的如果复购周期是30天促销期七天那这七天里有相当比例本来就是计划内购买。剔除掉这部分真实增量可能只有三成。第四步算促销后的回撤。促销结束后两周的销量如果低于基线说明有囤货效应实际增量还要再打折。第五步看长期影响。正价期的转化率有没有下降用户的价格参照有没有被拉低。这套流程走下来很多看起来很成功的促销会露出真面目。我不反对做促销但促销必须有明确的目标是清库存、是拉新、还是打击竞品目标不同允许的贡献毛益损失幅度完全不同。清库存可以亏拉新要看获客成本对比纯粹为了冲GMV的促销通常是最不划算的那种。5.3 短期弹性和长期弹性差了三倍这个坑在订阅制和高转换成本业务里最典型。短期看用户被合同、习惯、迁移成本锁住涨价10%流失率只涨了1%弹性低得惊人。于是团队认为有很大提价空间连续几年提价直到某一年流失率突然跳升。原因是长期弹性在悄悄累积。用户第一次忍了第二次开始认真比价第三次就在续费节点集中流失。这个过程不是线性的更像是攒够了不满之后的一次性释放所以表现出来的形态是突然崩。我的处理办法是把弹性拆成两个口径分别跟踪存量用户的续费弹性在续费节点观测价格变动对续费率的影响和新用户的获取弹性在新客定价上观测转化率变化。这两个数的差距就是你未来两三年提价空间的真实上限。如果新客获取弹性远高于存量续费弹性说明你的提价空间正在被透支只是还没到期。5.4 直接套用行业平均弹性行业报告里的弹性数字看着权威但套到自己业务上经常完全不灵。原因有三个一是品类弹性和SKU弹性不是一回事。报告里多是品类层面的数据而你要定的是单个SKU的价格。品类内部替代性越强两者的差距越大。二是市场份额会影响弹性。份额小的品牌消费者换掉的成本低弹性更高份额大的品牌消费者有惯性弹性更低。用行业平均去指导一个小份额品牌会系统性低估风险。三是渠道结构会影响弹性。线上占比高的品牌比价方便弹性天然更高。同一个品类线上线下混着算出来的平均弹性对任何一个单一渠道都不适用。我的做法是把行业数据当成基准参照系用来判断我的弹性估计是不是离谱而不是当成输入参数。如果自己算出来是0.8行业报告是2.5那要先怀疑自己的模型如果自己算出来是2.3行业是2.5那可以相对放心地用。它的作用是校准不是替代。6. 不同行业的弹性画像同一套模型不同的参数手感6.1 快消品高频、低价、强可比弹性天然偏高快消品的典型特征是单价低、购买频次高、货架和电商页面上的可对比性强。这三个特征叠加导致消费者对价格的敏感度很高而且反应速度极快——价格标签一换当天的动销就能看出来。但快消品有个反直觉的现象品牌力会显著压低弹性而且是在不知不觉中起作用的。同样是涨价5%有认知基础的品牌可能只掉3%的销量没有认知基础的品牌可能掉20%。这个差异不体现在品类数据里只体现在品牌自己的历史数据里。所以快消品牌做弹性测算一定要分品牌认知层级来做把品牌溢价能力和价格敏感度分开看否则会把品牌资产的效果误算成消费者不敏感。另一个要注意的是促销的边际效应递减。同一个折扣力度第一次做和第五次做拉动的增量完全不同。这意味着用历史促销数据算出来的弹性本身就是个随时间变化的量用它做未来预测要打折扣。6.2 订阅制产品弹性藏在续费节点里订阅制的价格变动和销量变动之间有个时间差这是它和一次性交易最大的不同。你今天提价这个月的收入和用户数都没变真正的考验在下一个续费周期。所以订阅制的弹性测算必须绑定续费节点这个时间锚。我的做法是把用户按续费月份分层观察每个月的续费率变化画出提价后第N个月的续费率曲线。这条曲线通常不是平的而是先缓后陡——前期流失的是价格敏感型用户后期流失的是忍耐到极限的用户。还有个细节订阅制的价格变动往往不是单一维度。按席位计费和按用量计费弹性完全不同。席位是固定支出用户对涨价的感知更强烈用量是弹性支出用户可以通过控制使用量来对冲涨价短期弹性反而更低但长期会抑制用量增长。这两种计费方式混在一起做弹性分析结论一定是混乱的。6.3 电商渠道比价成本趋近于零但要算上流量成本电商的弹性普遍高于线下因为比价只需要一次点击。但这个高是有前提的消费者要能看到你的价格。如果流量成本高、曝光位有限很多消费者根本不会走到比价这一步这时候的弹性会被渠道结构人为压低。做电商弹性分析最容易犯的错是只算商品成本不算流量成本。一次降价带来的增量订单如果靠付费流量拉来的那获客成本必须计入边际成本。很多降价冲量在商品层面是赚的加上流量成本就是亏的。所以电商口径的边际成本应该包含商品变动成本、履约成本、支付手续费、以及可归因的流量成本。另外电商的价格变动经常是隐性的满减、优惠券、赠品、包邮门槛。这些形式对消费者来说感知强度不同但对模型来说都是价格变动。做回归的时候要把它们统一折算成实际成交价否则算出来的弹性会被各种促销形式的混杂效应污染。6.4 本地服务类信息不透明撑起了低弹性本地服务维修、家政、定制安装这类的弹性通常偏低原因不是需求刚性而是信息不对称。消费者很难判断一个报价合不合理比价的成本远高于商品。这种低弹性看起来是好事能撑住较高的价格但它有一个隐性的代价口碑的杠杆效应被放大了。商品涨价消费者不满意最多给个差评服务涨价消费者不满意会直接在你的评价区写长文。而这种口碑影响会改变长期的弹性——短期内你可以靠信息差维持高价长期看评价一旦扩散新客的获取弹性会显著上升。所以服务类的弹性分析我建议把存量客户和新增客户分开做。存量客户的弹性由服务质量决定新增客户的弹性由口碑和搜索曝光决定两者的驱动因素完全不同。用合并数据算出来的平均值对任何一个决策都没有指导意义。7. 我自己的弹性分析流程五步走到可以拍板前面讲了一堆方法和坑最后把我实际用的流程整理一下这套流程不复杂但每一步都不能省。第一步先做定性打分不做数据。按替代品可及性、支出占比、必需程度、转换成本、比价便利度五项各打1到5分得出一个预判档位。这一步的目的是给后面的定量结果设一个合理区间防止模型跑出一个离谱的数你还信了。第二步确定分析层级。是SKU、是品类、还是人群这个必须先定因为不同层级算出来的弹性不能混用。我一般建议至少做两层品类层看整体趋势SKU层做具体定价决策。第三步选择测算路径并交叉验证。有历史数据先跑回归同时用定性预判校准条件允许就做小范围价格实验验证新品用调研定区间。三种方法的结果如果互相矛盾先别急着选一个信去找矛盾的原因——通常能找到口径或数据问题。第四步算保本临界值。这一步是很多人跳过的。不管弹性估出来是多少都要算清楚价格变动多少、销量至少变多少才不亏。这个临界值是决策的底线比弹性本身更有用。因为它不需要你相信模型只需要你相信自己的成本结构。第五步小范围灰度再逐步推开。定价不是一次性动作是持续调整的过程。先在一个渠道、一个区域、一个用户分层里试观察两到三个完整周期再决定要不要全面推。这个节奏能让你在犯错的成本还很小时就发现错误。我还会维护一个弹性台账每次调价记录下来包括当时的假设、实际结果、偏差原因。做了两三年之后你会发现自己的弹性估计准确度在明显提升。这个台账的价值不在于积累数据而在于强迫你把假设写下来——不写下来事后复盘永远是当时情况特殊。最后分享一个我个人体会最深的地方弹性分析的最大价值往往不是告诉你该定什么价而是告诉你哪些价不能定。它能帮你排除掉那些一定会亏的选项剩下的空间里还有品牌、渠道、竞争、组织能力一堆因素在起作用。把弹性当成一个筛子而不是当成一个答案用起来会顺手很多。