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

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 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 и понятного workflow:

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:

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:

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:

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:

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). 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). 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:

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, 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, 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
• Stripe: pricing strategies для новых продуктов
• Schmidt & Bijmolt: meta-analysis hypothetical bias в willingness-to-pay research
• Simonson: attraction и compromise effects
• MIT OpenCourseWare: measuring customer reactions to prices