Lec 4 测量客户对价格的反应（Measuring Customer Reactions to Prices）

MIT 15.818 · Pricing · 主讲 Prof. Catherine Tucker

TL;DR

• 测量价格反应有一张二维矩阵：为新产品定价该用调查（简单问卷或联合分析），改进存量产品定价该用历史数据（价格弹性）或田野实验，而非在错误的工具类别里打转。
• 直接问客户"愿意付多少钱"的开放式问卷普遍不可靠，客户会因场景依赖、判断力不足或印象管理而答非所愿；单一情形（Monadic）测试和联合分析（Conjoint Analysis）通过让客户"选择"而非"报价"来获得更可信的数据。
• 价格弹性 $E_d = \frac{\%\Delta Q_d}{\%\Delta P_d}$ 衡量销量对价格变化的敏感度，可用对数线性回归稳健估计，并可反推出利润最大化加成公式 $P = MC \times \frac{1}{1 - 1/|E_d|}$。
• 历史定价数据分析受限于数据质量、价格缺乏变动、数据过时和混杂因素；田野实验能控制这些问题，但要警惕价格变动幅度不足、客户反弹和多重实验相互干扰。

一张矩阵：为新产品定价还是改进存量定价

本讲同时回答两类问题：如何用调查工具为新产品定价，以及如何通过测量价格弹性改进存量产品的定价。这两类问题分别对应"不受控"与"实验性改进"两种方法：

测量对象	不受控方法	实验性改进方法
首次为产品定价	问卷调查	联合分析（Conjoint）
改进存量产品定价	历史销售数据（扫码/门店数据）	田野实验

一、不受控的价格调查

开放式提问的问题

最直接的做法是问客户"这罐可乐应该卖多少钱？"，但这类问题从一开始就有问题：它并不要求客户真的掏钱购买，因而把"价格认知"和"支付意愿"混为一谈。

开放式提问的普遍问题包括：

• 客户几乎总会回答"看情况"。可乐的支付意愿本身就随场景剧烈波动——赶时间又家里囤了很多可乐时可能只值 0.20 美元，被困酒店客房、唯一选择是迷你吧时则可能值 5 美元。
• 人们不擅长做这类开放式判断。这类似于让人猜一只手提箱有多重——人们普遍猜不准；但如果给两只箱子让人判断哪个更重，几乎人人都能答对。这说明比较判断远比绝对判断可靠。
• Lyon (2002) 的研究发现，20% 的受访者所说的"合适价格"竟然低于他们自己所说的"太便宜"的价格，暴露出这类问答内部逻辑并不自洽。
• 过大的价格区间只会给客户一个凭直觉拍板的借口。

单情形定价研究（Monadic Pricing Studies）

Monadic 研究只向受访者提出一个关于产品的具体问题，例如"如果一罐可乐定价 0.99 美元，你有多大可能购买？"或更接近真实决策的"如果可乐 0.99 美元、百事可乐 1.09 美元，假设你今天还没喝过汽水，你会买哪个？"

这类措辞让受访者只需做选择而非报价，更不容易造成混淆，能在特定场景下获得更准确的回答；如果测试的价格范围足够宽，甚至可以据此重建出一条需求曲线。

实施步骤

1. 选定一组有限的产品特性用于组合排列，价格应是其中一项特性。
2. 软件向受访者呈现不同产品组合之间的选择，并务必保留"不购买"这一选项。
3. 软件通过 logit 回归分析给出回归输出。
4. 客户对各项产品特性的估值，可以通过除以价格系数的比例换算成具体金额，从而得到 EVC 估算值（参见 Lec 2 的 EVC 框架）。

优点

• 通过引入特性信息，缓解了传统调查中价格被人为过度关注的问题。
• 输出的"效用值"（utility-values）能帮助研究者更准确地测算 EVC。
• 速度快、成本相对低。

估计一个稳定的价格弹性

标准公式 $\Delta Q_d/Q_d$ 除以 $\Delta P_d/P_d$ 的问题在于，取初始值还是最终值会导致结果不同。只要在比较不同细分市场弹性时保持口径一致（例如分母取哪个值，分子就取对应的值），这一点通常不影响结论。这种不一致源于该公式假设价格与销量之间是线性关系；更聪明的做法是改为假设需求曲线具有恒定弹性：

$Sales = aP^b$

两边取对数：

$\log Sales = \log a + b \log P$

其中常数 $b$ 就是价格弹性，可以通过电子表格分析求出。

电子表格分析

用 Excel 等工具从历史数据中计算价格弹性相当直接：

1. 新建"销量对数"与"价格对数"两列，用 =LOG() 函数把原始销售数据转换为对数形式。
2. 在新单元格中插入函数 =SLOPE(已知 y 值, 已知 x 值)。
3. 已知 y 取销量对数，已知 x 取价格对数。
4. 得到的负数即为价格弹性。

价格弹性有何用处？

• 作为经验定价法则：尤其适用于 SKU 数量庞大的零售行业，但需附带严重的健康警告——它实际上假设了竞争对手不存在、企业已经在做最优定价，并且边际成本递增。

推导利润最大化加成公式：企业收入 $Revenue = P \times Q$，对销量求边际收入：

$MarginalRevenue = P\frac{\delta Q}{\delta Q} + Q\frac{\delta P}{\delta Q} = P\Big[1 + \frac{\delta P}{\delta Q}\times\frac{Q}{P}\Big]$

由价格弹性定义 $E_d = -1 \big/ \big(\frac{\delta P}{\delta Q}\times\frac{Q}{P}\big)$ 代入，得：

$MarginalRevenue = P\Big[1 - \frac{1}{E_d}\Big]$

利润最大化企业设定 $MR = MC$，即 $MarginalCost = P\big[1 - \frac{1}{E_d}\big]$，两边整理后得到加成公式：

$P = MarginalCost \times \frac{1}{1 - |1/E_d|}$

田野实验面临的挑战

::: pitfall 田野实验的常见陷阱

1. 确保有足够的价格变动幅度：曾有一个实验把所有价格统一下调 15%，这种设计只有在你真的打算把所有价格都降 15% 时才有意义。
2. 实验过于显眼会激怒客户：Amazon 曾因 DVD 定价实验被发现，被迫向愤怒的客户退款 7,000 美元。
3. 缺货或实验组本身出问题（如邮寄环节故障）会破坏结论的可靠性。
4. 多个价格实验并行会让单个实验难以解读：Fingerhut 每年运行 30,000 场定价实验，互补品和替代品之间的相互影响让结果解读变得困难。 :::

附：数学附录

中点弹性公式

如果担心简单弹性公式的近似误差，又不打算做适合对数变换的详细历史分析，可以改用中点弹性公式：

$E_d = \frac{(Q_2-Q_1)/[(Q_1+Q_2)/2]}{(P_2-P_1)/[(P_1+P_2)/2]} = \frac{(Q_2-Q_1)(P_1+P_2)}{(P_2-P_1)(Q_1+Q_2)}$

从对数形式推导价格弹性的微积分推导

恒定弹性需求函数为 $Q = aP^b$。令 $u=\ln Q$，$v=\ln P$，则：

$E_d = -\frac{d\ln Q}{d\ln P} = -\frac{du}{dv}$

通过链式法则将其展开为关于 $Q$、$P$ 的微分形式，即可从对数线性回归的斜率系数 $b$ 直接读出价格弹性的估计值。