# Value-based pricing с AI: сначала данные, потом модель

> Практический pricing workflow: AI помогает собирать evidence и считать сценарии, но не выдумывает willingness to pay и не заменяет исследование клиентов.
> Author: Roman Belov · Published: 2026-04-19 · Source: https://futurecraft.pro/ru/blog/value-based-pricing-ai/

Опасный pricing prompt звучит так: «Вот мой продукт. Сколько за него брать?»

Модель ответит. Возможно, выдаст точный диапазон, «оптимальную» цену и аккуратный график Van Westendorp. Ни одна из этих цифр не пришла от покупателя.

AI полезен в pricing, когда сокращает исследовательскую работу: извлекает evidence из интервью, нормализует публичные тарифы, проверяет арифметику и сравнивает сценарии. Он мешает, когда правдоподобный текст принимают за willingness to pay.

Ниже эти роли разделены.

## Четыре величины, которые часто смешивают

Value-based pricing начинается с результата клиента, но value - не одна цифра.

1. **Delivered value** - экономическое изменение, которое способен создать продукт: сэкономленный труд, устранённые расходы, дополнительный revenue или снижение loss.
2. **Perceived value** - часть результата, которую buyer понимает и считает правдоподобной до покупки.
3. **Willingness to pay** - максимум, который buyer готов обменять на конкретный offer в конкретном контексте.
4. **Feasible price** должна покрывать cost-to-serve, продажи, поддержку, risk и необходимую бизнесу margin.

Продукт может создавать $20 000 годовой value, но buyer видит только $5 000, а доступный budget позволяет утвердить $1 200. Универсальное правило «забрать 10–25% value» скрывает реальное ограничение.

Актуальный [гайд Stripe по value-based pricing](https://stripe.com/resources/more/cost-based-and-value-based-pricing) предлагает полезное разделение: costs задают floor, perceived customer value помогает оценить ceiling. Между ними цена всё равно должна выдержать рынок и unit economics.

## Шаг 1. Выберите один segment и один job

Не устанавливайте цену «для SMB». Начните с [конкретного customer profile](/ru/blog/icp-definition-ai/) и понятного workflow:

```text
Segment: performance marketing agencies на 10–30 сотрудников
Buyer: head of client services
Job: подготовить и проверить ежемесячные client reports
Alternative: работа analyst плюс два существующих инструмента
Purchase context: годовая team subscription
```

Один reporting product создаёт разную value для solo consultant, agency и enterprise marketing team. Смешивание этих групп даёт среднее, не описывающее никого.

Зафиксируйте segment до сбора данных. Если интервью или competitor относится к другой группе, пометьте это, а не позволяйте ему незаметно влиять на модель.

## Шаг 2. Соберите evidence ledger

Одна строка таблицы - один заявленный outcome. Например:

| Outcome | Baseline | Изменение | Годовой impact | Evidence | Confidence |
|---|---:|---:|---:|---|---|
| Подготовка отчёта | 12 ч/мес | 5 ч/мес | 84 часа | 4 интервью + time logs | Medium |
| Удалённый tool | $80/мес | $0 | $960 | invoices | High |
| Переделки из-за ошибок | 3 ч/мес | неизвестно | неизвестно | pilot не измерял | Low |

Последняя строка остаётся неизвестной. Не просите LLM заполнить её «средним по индустрии», если нет названного релевантного источника и объяснения, почему его можно переносить.

Для time savings используйте loaded labor cost клиента и ту долю времени, которую можно реально перераспределить. Десять минут, разбросанных по мелким задачам, не всегда превращаются в десять минут экономической value. Revenue claims отделяйте от корреляций. В risk reduction показывайте отдельно вероятность события и размер loss, чтобы reviewer мог оспорить каждый параметр.

Ledger должен давать диапазон:

```text
conservative value = только подтверждённая экономия
base value         = подтверждённое + измеренный pilot effect
upside value       = base + явно отмеченные uncertain outcomes
```

Так AI помогает считать, но не становится источником фактов.

## Шаг 3. Ограничьте задачу AI переданными данными

В хорошем prompt разрешён ответ «unknown» и обязательна provenance:

```text
Ты систематизируешь pricing research, а не оцениваешь пропущенные факты.

Inputs:
- customer interview notes
- costs текущего workflow
- pilot measurements
- competitor pricing pages с датой получения

Tasks:
1. Извлеки заявленные customer outcomes.
2. Привяжи каждую цифру к source.
3. Раздели observed facts, customer estimates и assumptions.
4. Собери conservative, base и upside scenarios.
5. Покажи contradictions и missing inputs.
6. Не выдумывай benchmarks. Пиши "unknown", если evidence нет.

Output:
- evidence ledger
- assumptions register
- вопросы для следующих пяти интервью
```

Проверяйте каждую ссылку и формулу. Модель - быстрый analyst, а не authority. Для цен конкурентов сохраняйте URL и дату: packaging меняется.

AI также может объединить язык интервью. «Быстрее готовим отчёты», «меньше правок» и «не работаем в пятницу ночью» могут описывать один outcome. Но до объединения сохраните original quote и segment.

## Шаг 4. Разберите alternatives и pricing metric

Цена конкурента - context, а не ответ. Для каждой alternative нормализуйте:

- target segment;
- billing interval;
- included seats или usage;
- обязательные add-ons;
- implementation и service fees;
- overage rules;
- annual discount;
- workflow, который она заменяет.

Добавьте status quo. Spreadsheet плюс время analyst часто оказывается главным competitor.

Затем выберите unit, растущий вместе с customer value: account, seat, location, transaction, successful workflow, data volume или hybrid base fee плюс usage.

Оценивайте кандидатов по evidence:

| Criterion | Question |
|---|---|
| Value alignment | Растёт ли bill вместе с полученной value? |
| Predictability | Может ли buyer спрогнозировать invoice? |
| Verifiability | Одинаково ли обе стороны измеряют unit? |
| Cost alignment | Создаёт ли heavy usage заметный variable cost? |
| Gaming | Поощряет ли metric обходы и shared accounts? |
| Sales friction | Сможет ли buyer объяснить её procurement? |

Технически чистая metric может провалиться, если customer не умеет планировать расходы. Предсказуемый flat tier может провалиться, если один heavy account съедает margin инфраструктурой и support.

## Шаг 5. Используйте Van Westendorp только с respondents

Price Sensitivity Meter Van Westendorp спрашивает у релевантных respondents, когда offer становится:

- настолько дешёвым, что возникает сомнение в качестве;
- выгодным;
- дорогим, но ещё допустимым;
- слишком дорогим для рассмотрения.

Метод строит cumulative response distributions и считает их intersections. Это **survey instrument**, а не шаблон рассуждения. LLM, сама сгенерировавшая ответы, симулирует population из training data, а не измеряет ваш segment.

AI всё же полезен:

1. переписать offer так, чтобы все respondents оценивали одинаковый package;
2. проверить survey logic и currency formatting;
3. удалить invalid или inconsistent responses по заранее заданным rules;
4. построить curves и bootstrap uncertainty;
5. сравнить segments без преждевременного pooling.

У stated willingness to pay есть ограничения. Meta-analysis 77 исследований обнаружил существенный hypothetical bias в среднем, причём точность зависела от method и product context ([Schmidt & Bijmolt, 2020](https://doi.org/10.1007/s11747-019-00666-6)). Не «корректируйте» каждый survey одним процентом. Используйте вывод как основание сопоставлять слова с поведением.

## Шаг 6. Тестируйте offer, а не голую цену

Цена неотделима от package, term, guarantee, onboarding и buyer.

В founder-led B2B sales подготовьте два-три цельных offer cards. Сохраните сравнимый core outcome, меняйте price-package hypothesis и записывайте:

- segment и company size;
- quoted price и term;
- показанный package;
- перешёл ли buyer к следующему шагу;
- запрошенный discount и причину;
- procurement или budget constraint;
- realized contract value;
- activation и retention после продажи.

Не меняйте цену посреди call по впечатлению о состоятельности prospect. Assignment rule задаётся до разговора.

В self-serve product рандомизируйте подходящих visitors или accounts. Primary metric должна учитывать деньги: revenue per eligible visitor или contribution margin per account. CTR может выбрать дешёвый offer с меньшим revenue и худшим retention.

Sample size считают из baseline conversion, minimum detectable effect, желаемой power и количества variants. «Триста visits на страницу» - не правило significance. Low-volume B2B team часто быстрее учится на повторяемых sales proposals, чем на underpowered landing-page experiment.

Если product ещё недоступен, сообщите об этом до сбора lead. Прозрачный waitlist измеряет interest. Fake purchase flow с неожиданным «ещё не построено» портит trust и всё равно не измеряет retention или realized revenue.

## Шаг 7. Создавайте только реальные package differences

Три тарифа распространены, но не обязательны. Классическое исследование compromise effect показало, что option может увеличить share, став средним выбором в наборе ([Simonson, 1989](https://doi.org/10.1086/209205)). Из этого не следует универсальное соотношение `1x : 2.5x : 5x` или гарантия максимального revenue у среднего плана.

Добавляйте tier, только если он соответствует реальному различию:

- segment с другим workflow;
- threshold value metric;
- более высокий cost-to-serve;
- governance, security или service requirements;
- capability, действительно меняющая outcome.

Искусственное удаление features может ускорить upgrade сегодня и увеличить frustration завтра. Начните с минимального package set, который sales объясняет за минуту.

## Шаг 8. Ведите pricing decision record

Первая цена - hypothesis. Запишите её происхождение. Пример decision record:

```yaml
segment: agencies_10_30
offer_version: 2026-08-a
pricing_metric: client_workspace
price: 249_monthly
annual_term_price: 2490
evidence:
  interviews: 9
  paid_pilots: 3
  competitor_pages_checked: 6
assumptions:
  - 7 hours of report work saved per month
  - no implementation service included
review_when:
  - 20 qualified proposals
  - 10 activated accounts
  - material cost-to-serve change
```

Смотрите cohorts, а не один blended conversion rate. Вместе отслеживайте realized revenue, gross margin, discounting, activation, [retention behavior](/ru/blog/retention-curve-pmf/), expansion, support load и loss reasons. Высокая conversion не всегда означает заниженную цену: acquisition может быть хорошо таргетирован. Низкая conversion может указывать на слабое positioning, плохой traffic или неверный package.

Свяжите модель с [расчётом unit economics](/ru/blog/unit-economics-calculator-ai/), но оставьте assumptions видимыми. LTV из нескольких месяцев churn data не становится фактом только потому, что spreadsheet показал точное число.

## Короткий pricing workflow

1. Определите один segment, buyer, job и purchase context.
2. Соберите evidence ledger с sources и confidence.
3. Используйте AI для извлечения и сверки evidence, но не для генерации WTP.
4. Нормализуйте alternatives и выберите value-aligned metric.
5. При необходимости проведите Van Westendorp с реальными respondents.
6. Тестируйте цельные offers через sales proposals или randomized purchase behavior.
7. Оценивайте вместе revenue, margin, activation и retention.
8. Запишите решение и условия следующего review.

AI сокращает путь от разрозненных notes до проверяемой модели. Он не устраняет момент, когда customer видит offer и решает, что делать с реальными budget, временем и risk.

## Источники

- [Stripe: cost-based и value-based pricing](https://stripe.com/resources/more/cost-based-and-value-based-pricing)
- [Stripe: pricing strategies для новых продуктов](https://stripe.com/resources/more/pricing-strategies-for-new-products)
- [Schmidt & Bijmolt: meta-analysis hypothetical bias в willingness-to-pay research](https://doi.org/10.1007/s11747-019-00666-6)
- [Simonson: attraction и compromise effects](https://doi.org/10.1086/209205)
- [MIT OpenCourseWare: measuring customer reactions to prices](https://ocw.mit.edu/courses/15-818-pricing-spring-2010/resources/mit15_818s10_lec04/)