marketingskills 定价策略技能（pricing）完全指南：从价值定价、层级打包到 AI 可读的定价页审计

• AI 技能
• 人工智能

导读

本文围绕开源仓库 marketingskills 中的 pricing 技能（skills/pricing/SKILL.md） 展开，系统讲解其沉淀的 SaaS 定价与变现方法论：三大定价轴、价值指标选择、Good-Better-Best 层级设计、Van Westendorp 等定价研究方法、涨价节奏，以及一套独特的"双轴"定价页拆解（人类买家体验 + AI Agent 就绪度）。读完本文，你不仅能独立完成"定价多少、怎么打包、何时涨价"的完整决策，还能对现有定价页做一次可打分的审计，并让定价信息真正被 ChatGPT、Perplexity 等 AI 检索与引用。

一、技能定位：pricing 在 marketingskills 中的角色

marketingskills 是一套面向 Claude Code 等 AI Agent 的营销技能库（详见 README.md），每个技能都是带 frontmatter 的 Markdown 文件，通过name与description字段让 Agent 识别任务并自动触发。pricing 技能的description覆盖面非常广，凡涉及以下关键词都会触发它：pricing、pricing tiers、freemium、free trial、packaging、price increase、value metric、Van Westendorp、willingness to pay、monetization、how much should I charge、pricing page teardown、pricing page audit，以及"is my pricing page AI-readable / can AI read my pricing"这类新型问题。

值得注意的是，技能边界划得很清楚（这一点在 evals.json 的第 6 条评估用例中有明确验证）：

• 定价策略决策（定多少、怎么打包）→ 归 pricing 技能；
• 应用内升级页 / 付费墙（in-app upgrade screens）→ 归 paywalls 技能；
• 优惠构造（bonus、保证、价值话术、命名，面向服务/课程/高客单 B2B）→ 归 offers 技能；
• 定价页转化率优化（CRO）→ 归 cro 技能，pricing 不越界做页面 CRO 审计。

启动前的上下文收集

技能要求 Agent 在开始提问前先检查产品营销上下文文件：若存在.agents/product-marketing.md（或.claude/product-marketing.md、旧版product-marketing-context.md），必须先读取，再只询问未被覆盖的信息。随后按四类补齐上下文：

二、定价基石：三大定价轴与价值定价

2.1 三大定价轴（The Three Pricing Axes）

技能将定价拆解为三个正交的决策维度，任何定价问题都可以归入其中一轴：

1. Packaging（打包）——每个层级包含什么：功能、用量上限、支持等级，以及层级之间的差异方式；
2. Pricing Metric（计价指标）——按什么收费：按用户、按用量、一口价，价格如何随价值缩放；
3. Price Point（价格点）——实际收多少美元：具体数字、感知价值与成本的对比。

这三个概念在 pricing-models.md 中被进一步严格区分：定价模型（8 种）回答"怎么收费"的结构问题，价值指标回答"按什么单位收"的问题，层级结构回答"如何打包"的问题——三者不可混淆。

2.2 价值定价（Value-Based Pricing）

定价的依据是交付的价值，而非服务成本：

客户的感知价值 —— 价格上限（ceiling） 你的价格 —— 介于替代品与感知价值之间 次优替代品（next best alternative）—— 差异化的地板（floor） 你的服务成本 —— 仅作底线，绝不作为定价依据

核心洞察：把价格定在"次优替代品"与"感知价值"之间。并明确两件事不能作为锚点：

• 不能对标竞品——模仿对手的价格复制的是他们的策略，而不是他们的经济学。竞品价格是一个数据点，不是定价目标；
• 不能成本定价——成本是地板，永远不是依据。价值 + 差异化决定价格。

三、初始定价："选一个你能从中学习的价格"

技能反复强调：上述价值指标、层级、Van Westendorp 等方法都是用来优化一个已有价格的；而第一天你没有可优化的价格，只有一个要下的注（a bet to place）。首个价格的目标是学习，不是精确。定个数、上线，让真实买家告诉你对不对。

3.1 $10 / $100 / $1,000 经验法则

没有参照时，按服务对象的量级起步：

选择逻辑是"客户是谁 + 你交付多少价值"，然后从接近整数的价位起步；拿到信号后可以在档内快速移动。

3.2 避开 $9 陷阱

抵制用超低价（如$9/月）降低摩擦的冲动。超低价的三个代价：

• 虚假牵引力（false traction）——注册量看起来像验证，实则来自永远不会付真价的人；
• 套牢自己——事后把价格提高 5–10 倍远比一开始就定高更难，而且最便宜的客户流失率最高、抱怨声最大（低留存反论详见 pricing-models.md）。

"取整且略高"胜过"精巧且便宜"。

3.3 "就定 $50 看看会发生什么"

早期 Intercom 为定价纠结时，Jason Fried 的建议本质是：just charge $50 and see what happens。停止建模，去拿真实信号。人们不眨眼地付钱就涨价；没人买，你只是花了一周（而不是一个季度）学会了一件事。

四、八大定价模型：如何收费的结构性选择

pricing-models.md 完整收录了8 种定价模型（回答"怎么收费"），真实产品大多组合使用多种：

4.1 各模型的选用时机

• 一口价——能选就优先选：最好卖、最好懂、最好预测。代价是在最大客户身上留下钱；
• 按用量——消费与价值吻合时最公平，但收入可预测性差、买家怕意外账单，需配消费上限或提醒；
• 层级——自助 SaaS 的默认项，一页同时服务 SMB 到 mid-market；
• 按用户——仅当价值真的随人数上升。否则席位会惩罚采用（团队会共享账号逃避付费）；
• 按功能——强于分层，但不要门控交付核心价值的功能，门控的是区分休闲用户与重度用户的功能；
• 按积分——适合每个动作都有成本的 AI 产品，把价格从单一单位解耦，预付显得自然；
• 按结果——AI Agent 的新兴模型（按已解决工单、按自动化运行收费），信任度最高，但仅在结果可测、可明确归因时可行；
• 混合——成熟产品的归宿：基础平台费保可预测，加用量/结果组件吃上行空间。

4.2 模型组合的常见配方

• 层级 + 按用户——每个套餐内放席位（多数 B2B SaaS）；
• 平台费 + 用量——可预测底座 + 可变上行（Twilio 式）；
• 席位 + 积分——按人付费，再充值积分买重度动作；
• 功能层级 + 结果——按层级解锁能力，再按结果叠加收费。

原则：从价值指标选出主模型，只有当单一模型对某个真实客群明显误定价时，才叠加第二层。

4.3 价值/价格比（10:1）与低定价留存反论

• 价值/价格比：目标约10:1（Ryan Kulp）——客户感知到的价值约为所付价格的 10 倍。这是让购买显得"理所当然"而非"需要讨价还价"的缓冲，也为日后加值涨价留出空间。如果讲不出 10 倍价值，问题通常是 offer 或定位，而不是价格点；
• 低价伤留存（Patrick Campbell / ProfitWell 数据，SpyFu 的 Josh Pigford 等运营者佐证）：定价过低不仅不是安全选择，反而会让付费不足的客户流失更多——低价暗示低价值，吸引来的是最不投入、最价格敏感的人；
• 折扣索求者信号：谈判要折扣的客户，流失率约为全价客户的2 倍。靠打折成交，往往买来的是一个迟早要走的客户；
• 结论：拿不准时，定高一点。往下让利（grandfather）比往上提价容易，更高价格筛选出更匹配、留存更久的客户。

五、价值指标（Value Metric）：按什么单位收费

价值指标就是你收费的依据，它应该随客户获得的价值而缩放。

好指标的四条标准：价格与交付价值对齐、容易理解、随客户成长而缩放、难以钻空子。

选择检验问题："客户用得越多 [该指标]，获得的价值是否越多？"是 → 好指标；否 → 价格与价值不匹配。

价值指标决定定价模型：一旦知道什么随价值缩放，就选择如何据此收费——一口价、用量、层级、用户、功能、积分、结果或混合（详见 pricing-models.md）。

六、层级结构设计：Good-Better-Best 与打包

6.1 层级数量怎么定

6.2 Good-Better-Best 框架

• Good 层（Entry）：核心功能、有限用量、低价、低门槛；目标是小团队"先试后买"；
• Better 层（Recommended）：完整功能、合理上限、你的"锚定价格"；目标是大多数客户的落点；
• Best 层（Premium）：全部功能、高级特性、更高上限；价格常为 Better 的2–3 倍；目标是大型团队与高价值客户。

6.3 四种层级差异化手段

1. 功能门控——基础功能全层级都有，高级功能放更高层；适用于功能价值差异清晰时；
2. 用量上限——同样的功能、不同的量（用户、存储、API 调用）；适用于价值随用量缩放时；
3. 支持等级——Email → Priority → Dedicated Success；适用于实施复杂度高的产品；
4. 访问与定制——API、SSO、自定义品牌；适用于企业差异化。

完整的示例层级结构（Starter $29 / Pro $79 / Business $199，含用户数、项目数、存储、集成、分析、支持、API、SSO、审计日志的逐项对比）见 tier-structure.md 中的 ASCII 表格。

6.4 Persona 化打包

识别定价 persona（按公司规模、使用场景、成熟度、行业分层），然后三步走：

1. 定义 persona——如 Freelancer（1 人，$19/mo）、Small Team（2–10 人，$49/mo）、Growing Co（10–50 人，$149/mo）、Enterprise（50+，Custom）；
2. 把功能映射到 persona——核心功能人人有，协作、集成、API、SSO/SAML、审计日志、自定义合同逐级解锁；
3. 按 persona 定价到价值——每个细分独立做支付意愿研究，定价既要捕获价值又不能阻挡采用，可考虑细分专属落地页。

6.5 Freemium vs Free Trial

• Freemium 适合：有病毒/网络效应；免费用户提供价值（内容、数据、推荐）；市场大、百分比转化即规模；服务免费用户的边际成本低；有清晰的功能/用量上限作为升级触发。风险：免费用户永不转化、贬低产品感知、非付费用户产生支持成本、日后更难涨价；
• Free Trial 适合：产品需要时间展示价值；有 onboarding/配置投入；B2B 采购委员会；高价格点；产品配置后粘性强。最佳实践：简单产品 7–14 天、复杂产品 14–30 天、全功能开放（而非功能阉割）、清晰的倒计时与提醒、信用卡可选 vs 必填需权衡；
• 信用卡前置：试用转付费 40–50%（vs 无卡 15–25%），但试用量更小、线索更优质；
• 混合方案：Freemium + Trial（如 Zoom 的 40 分钟免费 + Pro 试用）；反向试用（reverse trial）——先全量体验，试用结束后降级到免费层，让客户先看到高级价值、再带着限制生活，直到准备好付费。

6.6 企业定价

满足以下条件时上"Contact Sales"定制：客单超 $10k+ ARR、需要定制合同、需要实施/onboarding、有安全/合规要求、涉及采购流程。

• 入场门槛（table stakes）：SSO/SAML、审计日志、管理控制、可用性 SLA、安全认证；
• 增值项：专属支持/成功经理、定制 onboarding、培训、定制集成、路线图优先输入；
• 三种企业定价策略：按席位的规模折扣（如 $15/用户 → $10/用户 100+）、平台费+用量（如 $500/月基础 + $0.01/API 调用）、价值型合同（价格绑定客户收入/结果，如按交易抽成、收入分成）。

七、定价研究：搞清楚客户真的愿意付多少

7.1 Van Westendorp 价格敏感度测量（PSM）

四问法圈定可接受价格区间：

1. "价格高到你不会考虑购买？"（Too expensive）
2. "价格低到让你怀疑质量？"（Too cheap）
3. "开始觉得贵，但可能仍会考虑？"（Expensive）
4. "便宜到像捡到宝？"（Bargain）

分析四步：绘制每个问题的累计分布 → 找交点：

• PMC（边际便宜点）：Too cheap 与 Expensive 相交；
• PME（边际昂贵点）：Too expensive 与 Cheap 相交；
• OPP（最优价格点）：Too cheap 与 Too expensive 相交；
• IDP（无差异价格点）：Expensive 与 Cheap 相交。

可接受价格区间 = PMC 到 PME；最优定价区间 = OPP 与 IDP 之间。

调研要点：需要100–300 名受访者才有可靠数据；按 persona 分层（支付意愿不同）；用真实的产品描述；可加入购买意愿问题。完整示例输出（含 PMC $29 → PME $79、推荐区间 $49–59、当前价低于最优价、提价机会 25–50%）见 research-methods.md。

7.2 MaxDiff 分析（最佳-最差标度）

用于识别客户最看重哪些功能，指导打包：

1. 列出 8–15 个候选功能；
2. 每次展示 4–5 个功能一组；
3. 问"哪个最重要？哪个最不重要？"；
4. 多组重复直至全部比较完成；
5. 统计分析产出重要度分数。

结果按效用分数排序：高效用 = 必备（进基础层）、中效用 = 差异化（用于层级分离）、低效用 = 锦上添花（进高级层或砍掉）。具体打包规则：

7.3 支付意愿（WTP）调查进阶

• 直接问法（简单但有偏）："你愿意为 [产品] 付多少？"；
• 更好的 Gabor-Granger 法："[¥X] 你会买吗？"（是/否），在不同受访者间变动价格，构建需求曲线；
• 更优的联合分析（Conjoint）：展示不同价格的产品组合，受访者选偏好项，统计分析揭示每个功能的价格敏感度。

7.4 使用-价值相关性分析

1. 埋点使用数据：功能使用频率、量级指标（用户、记录、API 调用）、结果指标（产生收入、节省时间）；
2. 与客户成功关联：哪些使用模式预测留存？哪些预测扩张？哪些客户付费最高、为什么？
3. 识别价值阈值：什么用量水平客户"懂了"？什么水平开始扩张？什么水平应该涨价？

示例分析表明：价值与**团队采用度（用户数）和使用深度（集成数）**相关 → 建议按用户收费、把集成门控到更高层（详见 research-methods.md）。

八、何时涨价：信号、策略与分阶段投放

8.1 该涨价的信号

• 市场信号：竞品已涨价；潜在客户对价格不眨眼；收到"这太便宜了！"的反馈；
• 业务信号：转化率极高（>40%）；月度流失极低（<3%）；单位经济健康；
• 产品信号：上次定价以来交付了大量新价值；产品更成熟稳定。

8.2 四种涨价策略

1. Grandfather 现有客户——只对新客户用新价；
2. 延迟生效——提前 3–6 个月公告；
3. 绑定价值——涨价同时加功能；
4. 重构套餐——完全改变计划结构。

8.3 分阶段投放方法论（Rollout）

价格变更是一次投放，不是拨动开关。按顺序去风险：

1. 先只对新客户测试——只对新注册涨价并观察转化。新客户没有锚点、没有关系包袱，能给你最干净的"市场是否接受这个数字"读数——在你动任何存量账户之前；
2. 不要无条件永久 grandfather——它感觉仁慈，但可能把巨额收入留在桌上。算笔账：一个该付$250/月却只付$50/月的客户，是每年$2,400的缺口，而你在全量客户基础上无限期补贴每月 $200。Grandfather 应作为过渡（宽限期），而非永久豁免；
3. 小步、分波投放——先让5–10%的存量客户迁到新价，观察一个周期的流失与支持量，再分批扩大。错峰投放能把爆炸半径控制住，流失飙升时也有退出通道；
4. 提前数月沟通"为什么"，并给出慷慨的选项——提前告知涨价原因（通常是"交付了更多价值"）；用"现在转年付可锁定旧价"、延长宽限期、一次性 credit 来缓冲。提前通知 + 慷慨选项，能把"怨恨时刻"转化为"忠诚时刻"。

预期并接受一定流失：因合理涨价而离开的，通常正是最不赚钱、支持成本最高、最价格敏感的那批账户。

九、定价页最佳实践与定价心理学

9.1 首屏（Above the Fold）

• 清晰的层级对比表；
• 推荐层级高亮；
• 月付/年付切换器；
• 每个层级有主 CTA。

9.2 常见构成要素

• 功能对比表；每个层级"适合谁"；FAQ 区；年付折扣提示（17–20%）；退款保证；客户 Logo/信任信号。

9.3 定价心理学四件套

• 锚定（Anchoring）：先展示更高价选项；
• 诱饵效应（Decoy）：中间层应是最划算的；
• 魅力定价（Charm pricing）：$49 vs $50（适合价值敏感型）；
• 整数定价（Round pricing）：$50 vs $49（适合高端定位）。

十、定价页 Teardown：双轴审计（人类买家 × AI Agent）

这是 pricing 技能最具时代特色的部分。当用户想审计现有定价页的清晰度、透明度与 AI 可读性（而非定价策略本身，也非 CRO）时，执行 teardown，沿两条轴打分并输出按优先级排序的修复清单：

• 轴 1：人类买家体验（Human buyer experience）——价值主张清晰度、套餐区分度、认知负荷、信任信号、定价心理学、价格透明度；
• 轴 2：AI Agent 就绪度（AI-agent readiness）——LLM 和 Agent 是否真的能读取、引用并推荐你的定价：机器可读的价格（不能锁在图片里或"Contact us"后面）、可抽取的 FAQ/异议覆盖、以文本陈述的逐层细节、结构化数据。买家现在会在访问网站之前就问 ChatGPT/Perplexity/Claude"最好的 X 是什么、多少钱"——一个 Agent 无法解析的定价页，会让你丢掉那些你永远看不到的订单。

框架致谢：该双轴结构尤其 AI-Agent 就绪度视角改编自 Kyle Poyar（Growth Unhinged）的定价页拆解。本文档的 rubric 为独立编写，框架归属 Poyar（见 pricing-page-teardown.md）。

10.1 快速自检："粘贴测试（paste test）"

把定价页 URL 交给一个具备浏览能力的 AI（Perplexity、带搜索的 ChatGPT、Claude with web）——或直接把页面渲染后的文本粘进去——问它"有哪些套餐和价格？"。干净利落地答错，意味着以同样方式抓取你页面的 Agent 也会挣扎（这是启发式，不代表每个 Agent 都会失败，因为有些会渲染 JS 或用视觉）。

10.2 十维度评分 Rubric

打分维度：Pass / Partial / Gap（或 1–5 数值）。交付物是两条轴的子分数 + 按优先级排序的修复清单，而不是一个虚荣总分。

轴 1：人类买家体验

轴 2：AI Agent 就绪度（新视角）

维度 7 与 10 交由 schema 技能（Product/Offer JSON-LD）与 ai-seo 技能（可抽取性、AI 爬虫访问、llms.txt）落地实现。

10.3 执行流程

1. 加载上下文——读取.agents/product-marketing.md（ICP、定位），确保"清晰度"是对着正确的买家评判的；
2. 像 Agent 一样抓取页面——拿渲染后的文本/HTML，而不是截图；立刻注意价格是否出现在文本中（即维度 7）；
3. 跑粘贴测试——让 LLM 从 URL 回答套餐与价格，记录它答错/漏掉什么；
4. 逐维度打分——10 个维度各给 Pass/Partial/Gap 并附一行理由；
5. 按影响 × 努力度排序修复——AI 就绪度缺口往往是高影响、低努力（加文本价格、加 Offer schema），优先暴露这些。

10.4 输出模板

# Pricing Page Teardown — [url] — [date] ## Scores - Human buyer experience: [X/6 passing] - AI-agent readiness: [X/4 passing] ## Paste test [LLM 对 "plans and prices" 的返回——以及它答错/漏掉的内容] ## Dimension-by-dimension | # | Dimension | Verdict | Note | |---|-----------|---------|------| | 1 | Value-prop clarity | Pass/Partial/Gap | ... | | … | … | … | … | ## Prioritized fixes (impact × effort) 1. [High/low] — [fix] — [why it matters] — [→ schema / ai-seo / cro if handing off] 2. ... ## The one thing [单一最高杠杆修复——通常是"把真实价格放进文本 + 加 Offer schema 让 AI 能引用你"]

10.5 常见失败模式

• 图片价格（image-price）——数字烘焙进漂亮图片里。人喜欢，文本抓取 Agent（和屏幕阅读器）通常读不了。价格放文本，图片可以保留作装饰；
• 到处"Contact us"——对真正的企业销售有时是对的，但所有层级都藏价时，人类和 Agent 都会流向有数字的竞品。至少展示一个起步价或代表性区间；
• 纯 ✓/✗ 表格——功能差异只以勾/叉列出现在图片或图标字体里。用文字写明实际上限与包含项；
• 仅 JS 渲染 / 认证墙——价格只在交互或登录后才出现，多数抓取器看不到（只有会渲染 JS 的 Agent 可能看到）；
• 屏蔽 AI搜索爬虫——喂养 AI答案的爬虫是搜索 Agent，不是训练爬虫：OpenAI 的OAI-SearchBot、Anthropic 的Claude-SearchBot/Claude-User、Perplexity 的PerplexityBot。屏蔽GPTBot只是退出了模型训练，并不影响 ChatGPT Search——所以要检查 robots.txt 实际屏蔽的是哪些爬虫（爬虫访问属于 ai-seo 技能 的领地，移交过去）。

十一、定价检查清单

定价之前：

• 定义目标客户 persona
• 调研竞品定价
• 确定你的价值指标
• 完成支付意愿研究
• 把功能映射到各层级

定价结构：

• 选定层级数量
• 层级差异清晰
• 基于研究设定价格点
• 制定年付折扣策略
• 规划企业/定制层

十二、任务型提问模板

进入定价咨询时，技能会优先确认这六问：

1. 你做过哪些定价研究？
2. 当前 ARPU 与转化率是多少？
3. 你的首要价值指标是什么？
4. 主要的定价 persona 是谁？
5. 你是自助、销售主导还是混合？
6. 你在考虑什么定价变更？

十三、与其他技能的协同边界

pricing 技能的"Related Skills"明确给出了协作与移交地图：

• churn-prevention 技能：取消流程、挽留 offer、降低收入流失；
• cro 技能：定价页转化率优化；
• ai-seo 技能：让定价页可被 AI 抽取/引用（teardown 的 AI 就绪度轴）；
• schema 技能：Product/Offer 结构化数据，让机器读取你的层级与价格；
• copywriting 技能：定价页文案；
• marketing-psychology 技能：定价心理学原理；
• ab-testing 技能：测试定价变更；
• revops 技能：deal desk 流程与管道定价；
• sales-enablement 技能：提案模板与定价演示材料。

从 evals.json 的 8 条评估用例可以反推该技能在真实场景中的行为边界：新 SaaS 定价（三轴框架 + 指标评估 + Good-Better-Best）、涨价 30%（grandfather/宽限 + 绑定新价值 + 提前沟通 + 年付缓冲）、无参照定价（$10/$100/$1,000 + $9 陷阱 + $50 法则）、第四层是否值得加（Hick's Law 选择瘫痪）、让 $79 套餐成为主力（锚定 + 诱饵 + 视觉强调 + 魅力定价）、定价页 CRO（移交给 cro 技能）、定价页 teardown（双轴 + 粘贴测试 + 移交 schema/ai-seo）、AI 写作工具的初始定价（积分制/用量制 + 10:1 价值比 + 低价伤留存）。

十四、在 Claude Code / AI Agent 中使用本技能

pricing 技能随 marketingskills 整体安装使用。推荐用npx skillsCLI 安装（详细安装方式见 README.md）：

# 安装全部技能（含 pricing） npx skills add coreyhaines31/marketingskills # 只安装 pricing npx skills add coreyhaines31/marketingskills --skill pricing # 在 Claude Code 会话内安装时显式指定 Agent npx skills add coreyhaines31/marketingskills -a claude-code

安装后直接向 Agent 提出自然语言请求即可自动触发该技能，例如：

"Help me figure out pricing for our new SaaS product..." "我们想把价格提高 30%，怎么不丢客户？" "如何知道人们到底愿意付多少钱？" "Can you tear down our pricing page for clarity and AI-readability?"

技能内部文件布局：SKILL.md 为决策主框架，pricing-models.md、tier-structure.md、research-methods.md、pricing-page-teardown.md 四份引用文档分别承载模型库、层级打包、研究方法与双轴审计 rubric，evals.json 则是技能质量的行为契约。

结语

定价从来不是"定一个数字"，而是一连串可决策、可测试、可迭代的选择：先定一个能学习的价格，再用价值指标锁定收费单位，用Good-Better-Best完成打包，用Van Westendorp / MaxDiff验证支付意愿，用分阶段投放管理涨价风险，最后用双轴 teardown确保定价页既征服人类买家，也征服正在帮你"货比三家"的 AI Agent。把 pricing 技能交给你的 AI 助手，等于把这一整套经过验证的定价方法论内置进了工作流。

• AI 技能
• 人工智能