价格弹性为何总被低估?有限注意力的定价陷阱

Yangyi#价格弹性#定价策略#行为经济学#数字化营销#营销测量

你以为顾客对涨价无所谓?很可能只是他没看见

顾客对价格的"无所谓",很多时候不是真的无所谓,而是没注意到你涨价了——而你的数据分不清这两者,还会一路把价格敏感度往小了算。这意味着:真实的顾客,几乎总是比你模型里的更敏感。这篇文章讲清这个藏在每一次定价决策背后的系统性偏误从何而来,以及营销人该怎么应对。

起点是一篇 2026 年 7 月的计量经济学论文——Tingmingke Lu 与 Zhenyi Wang 的《有限注意力与被衰减的弹性》(Bounded Attention and Attenuated Elasticities)。标题很拗口,但结论每个定价的人都该知道。

一个你一定遇到过的场景

你把一款卖了两年的产品悄悄提价 5%。上线一周,数据很漂亮:销量几乎没掉,营收涨了。老板拍板:"看,客户对价格根本不敏感,明年再提。"

半年后第二次提价,同样的逻辑、同样的模型预测——这次销量断崖式下滑,复购流失,客服被"你们怎么又涨价"淹没。

问题不在于模型算错了数,而在于它问错了问题。它一直在测"顾客对价格有多敏感",却没搞清一件更前置的事:顾客到底有没有注意到你涨价了。

被忽略的常识:顾客大部分时候没在认真看价格

经济学教科书里的顾客是"理性人":盯着每一次价格波动,精确计算,立刻调整购买。

现实里的顾客是你我:超市里凭习惯拿常买的牌子,订阅续费根本没看又涨了多少,外卖满减算不清干脆随便点。我们的注意力是有限的——它是稀缺资源,不会平均分给每一个价格标签。

学者给这件事一个刻画,叫**"注意力权重"**,可以理解成一个 0 到 1 之间的系数:

  • 权重 = 1:顾客火眼金睛,你动一分钱他都知道。
  • 权重 = 0.3:你涨了 10%,在他脑子里只留下"好像贵了一点点"的印象。

现实中绝大多数消费场景,这个权重都远小于 1

最危险的陷阱:分心的市场和精明的市场,数据上一模一样

这是论文最反直觉、也最要命的发现。

你可能会想:"没关系,我数据够多,总能看出顾客到底敏不敏感。"论文证明:看不出来。

一个"顾客都在分心"的市场,它跑出来的销量、价格、市场份额数据,和一个"顾客都很精明"的市场在数据上完全无法区分。你盯着报表看到天荒地老,也分不清眼前的平静到底是"顾客真的不在乎",还是"顾客根本没注意到"。

于是有了那个致命的等式:

你测到的价格敏感度 = 真实的价格敏感度 × 注意力权重

因为注意力权重小于 1,所以——你测出来的数字,永远比真相要小。 顾客不是不敏感,他只是没看见;而你的模型,把"没看见"错读成了"不在乎"。

为什么"多收集点数据"救不了你

这里要打破技术团队最常见的一个幻想。

一般的测量误差,数据科学家有的是办法修:加大样本、换更好的统计工具、做各种校正。但这篇论文冷酷地指出:这个偏差,以上手段全部无效。

原因在于,问题不出在"数据不够"或"噪声太大",而出在数据本身携带的信息就只够告诉你那个被缩小的数字。你的估计方法会稳稳地、自信地收敛到一个错误答案,而且它自己觉得完全正确。

打个比方:这就像用一把每一格都被拉长了的尺子量身高。你量一百次、一千次,取再精确的平均,得到的还是同一个错误读数——因为错的不是你的手,是尺子本身。数据再多,也只是把错误答案量得更精确而已。

唯一的好消息:你至少知道错在哪个方向

论文给了实践者一根救命稻草。既然注意力权重最多等于 1,那么:

你测到的敏感度,一定是真实敏感度的"下限"。

翻译成人话:真实的顾客,只会比你模型里的更敏感,绝不会更迟钝。 这句话看似简单,却能直接改变你的定价决策方式——它给了你一个明确的、永远偏保守的护栏。

那么,营销人到底该怎么办

把"低估"当成默认前提

下次模型告诉你"顾客对价格不敏感、还有提价空间"时,心里自动加一句:这是最乐观的情况,真实敏感度只会更高。提价风险,一律按"比模型说的更危险"来评估。

别再指望历史成交数据告诉你真相

再多的历史订单,也带着同一个盲区。想知道顾客真实的价格反应,只有一个办法:做实验。 小范围 A/B 定价测试、随机化的价格曝光、真金白银地让一部分顾客看到不同价格——只有主动制造"外生"的变化,才能绕开那把被拉长的尺子。

这和近年营销测量"从躺着看归因转向主动做增量实验"是同一个道理:观测数据有结构性盲区,实验才能补上。关于增量实验、PIE、MMM 这套测量方法,可以延伸阅读 增量实验、PIE、MMM 到底怎么理解

反过来想——注意力本身就是你的杠杆

既然"顾客有没有注意到价格"这么关键,那它其实是可以被运营的:

  • 想软化涨价冲击? 降低价格显著性——打包销售、订阅制、把涨价藏进尾款或运费、用"每天只要一块钱"替代年费总额。让注意力权重变小,顾客对涨价的反应就更钝。
  • 想打价格战抢心智? 反过来,把低价拍在顾客脸上——大字号、划线价、"全网最低"、直接对比。让注意力权重变大,你的价格优势才被真正感知到。

价格敏感度不是刻在顾客基因里的固定值,它有一半取决于你让顾客看见了多少

小结

顾客对价格的"无所谓",很多时候不是真的无所谓,而是没看见。你的数据分不清这两者,还会一路把价格敏感度往小了算——所以真实的顾客永远比你以为的更敏感。想看清真相,别再堆数据,去做定价实验;而"让顾客看见多少价格",本身就是你手里的营销武器。

参考链接

  1. Bounded Attention and Attenuated Elasticities (arXiv 2607.19929)

    本文所依据的计量经济学论文,Tingmingke Lu 与 Zhenyi Wang,2026 年 7 月

相关阅读

增量实验、PIE、MMM 到底怎么理解?营销测量入门

传统归因把「碰过就算功劳」的转化都记给广告,里面混着大量本来就会买的人。本文用奶茶店发券和小红书投放两个例子,把增量实验、PIE、MMM 三个营销测量核心概念讲透:增量实验靠对照组量出广告真正多带来多少转化,对照组为何只能由平台随机留出,PIE 如何把整体增量归因到具体人群,以及三者如何组成 2025-2026 的测量三角。

Yangyi#增量实验#归因模型#营销测量#MMM#数字化营销#iROAS

Reddit 冷门赚钱方法与信息差实录:20+ 个别人不爱说的路子

一位网友记账 2 年试遍所有「被动收入」点子后得出结论:真正躺赚几乎不存在,能落地的是找一个无聊到没人愿意做、但真有人付钱的小需求。本文从 Reddit 六大赚钱社区数百个高赞帖里,筛出信息差套利、冷门倒卖、本地服务、低维护数字产品四类共 20+ 个冷门路子,每条标注普通人适配度并附原帖,另附被验证是坑的热门方法。

Yangyi#副业#被动收入#信息差#赚钱方法#Reddit#冷门生意

Agent 够聪明后,FDE 会消失吗?

很多人判断,等 Agent 足够聪明,业务人员自己就能搭应用,FDE(前置部署工程师)这个热门角色会连同企业 AI 落地需求一起消亡。本文认同前半段,翻译层确实会被磨平,但指出推导漏了三处:真正的瓶颈是「不知道要什么」而非「不会描述」,门槛降低会让需求膨胀而非消失(Jevons 悖论),以及责任无法被自动化。结论是 FDE 不会消亡,只会向上迁移。

Yangyi#FDE#驻场工程师#AI落地#企业数字化#AI组织

让 NewMax 帮你把这些方法落地

下载 NewMax,让 AI 在你的电脑上真正动手干活——读写文件、操作软件、跑完整个工作流。