PSM模型在70年代被推出后就被广泛应用，这一模型基于受访者反应来进行产品价格测试，在一定程度上有效地兼顾了企业与受访者双方。本篇文章里，作者就结合自身经历，利用PSM模型进行实操，阐述了产品价格的制定过程。感兴趣的话就继续看下去吧。
一、业务背景
2019年8月份，因为一直对开盘啦的竞价打板很痴迷，正好产品线也缺少这一块，所以提出了要做类似竞价打板的产品，于是不断改进并回测算法，最终产出了zpxgb，主打竞价抓涨停的。
由于一开始对标的是开盘啦和换手率的高端竞价选股，所以对这个产品的定位就是高价产品，年版价格3000以上，月版388元。
10月18号上线的时候，市场很配合，好几天每天100%成功率，我还得瑟地发了朋友圈。上线一个月，自然用户存量就到2000个，用户的使用率达到85%，次日留存率达到88%，认可度很高。
但这个产品毕竟是高风险用于竞价打板的产品，用户群体偏向激进风格的。在市场行情转冷，打板的赚钱效应持续变差时，客户的续费就下降，且出货量也明显下降。虽然每年都有360万的收入，客户的认可度也不错，但
出货还是没有达到预期的目标，内部普遍认为这个产品的价格定过高了，经过一年多的纠结，终于决定对这个产品进行降价处理。但，价格要定多少呢?这个可不是随意定的啊，要保证降价的同时能保证收入不减反增，而且要最大化。
为了科学合理的确定最终价格，我们最终决定采用了PSM模型，通过问卷方式，去获取一个合理的理论价格。
以下我介绍下如何利用PSM来确定zpxgb合理估价的过程。讲之前，我简单介绍下PSM。
二、什么是PSM
PSM(Price Sensitivity Measurement)，价格敏感性测试，该模型是在70年代由Van Westendrop所创建，其目的在于衡量目标用户对不同价格的满意及接受程度，了解其认为合适的产品价格，从而得到产品价格的可接受范围。
PSM的定价是从消费者接受程度的角度来进行的，既考虑了消费者的主观意愿，又兼顾了企业追求最大利益的需求。
但，其价格测试过程完全基于所取购买对象的主观自然反应，没有涉及到任何竞争对手的信息。虽然缺少竞品信息是PSM的缺陷所在，但我们已经是该行业市场最大的C端APP了，其他APP对我们的定价其实影响不是很大。或者不要脸的说，我们的降价完全有实力去影响市场其他竞品的价格。
三、具体操作
1. 设计价格梯度表和问卷题目
设计出涵盖产品价格区间的价格梯度表，因为我们是降价处理，所以直接确定从最低10元到400设计以下四个问题：
便宜的价格：对您而言什么价格该产品是很划算，肯定会购买的?
太便宜的价格：低到什么价格，您觉得该产品会因为大家都可以随便用，而觉得这个产品会失效无用?
贵的价格：您觉得“有点高，但自己能接受”的价格是多少?
太贵的价格：价格高到什么程度，您肯定会放弃购买?
2. 清洗并整理数据，获取样本
清洗并整理数据，选出代表性的样本，取被访者在价格梯度表上做出四项选择：有点低但可以接受的价格，太低而不会接受的价格，有点高但可以接受的价格，太高而不会接受的价格。处理后的数据如下：
3. 绘制敏感测试图
对取出的样本数据绘制累计百分比曲线图，四条曲线的交点得出产品的合适价格区间以及最优定价点和次优定价点。
P1(太便宜×有点高)=(71.4元/月，46.3%)
P2(有点高×很划算)=(99.7元/月，62.1%)
P3(太贵了×很划算)=(111.1元/月，42.4%)
P4(太便宜×太贵了)=(92.8元/月，31.5%)
P1-P3区间内的价格(71.4元/月~111.1元/月)都是用户可以接受的价格，低于P1会因为太便宜而担心产品策略失效，高于P3用户会觉得太贵，P2为最优价格点。在该价格点位下，用户觉得价格既不会太贵也不会太便宜。
4. 绘制模拟收益图
根据以上的样本数据，绘制模拟收益图。
其中，潜在用户比例是每个价格档位下可能会愿意购买的用户占比，即：潜在用户比例 = (总体-觉得太贵不会买的用户人数)/总体。
另外，虚拟收益 = 对应档位价格 × 潜在用户比例。
从图了解到，价格在120和200元的收益最优。但结合之前的价格敏感测试曲线图，120元的价格更为合理。
从以上的图形可以看出，120元的模拟收益是360元的1.5倍，即120元的定价不仅不会带来收入的减少，反而会使得收入提升。
当然，由于档位不够多，模拟收益的曲线变化过大，计算时会比潜在用户曲线计算的误差大。我们从潜在用户的角度来测算。
价格在360元的转化比例为11.61%，(388元的转化比例≤11.61%)，我们暂定用11.61%来作为388元的转化比例。而120元的转化比例为52.26%，原来转化率是原来的4.4倍。
由此可以计算，价格降为原来的31%，而模拟出货量是原来的440%，整体的收益是原来的 31% * 440% = 136%。从理论上来说，本次降价带来的是收益正向增长，理论上预估可以带来 36%的收入增量。
风险提示：以上的测算是来源于理论模型，并且样本数只有200多条，并不是特别大，因此存在的误差会大一些。并且上诉的潜在用户比例，也是用户答卷说的，真正在付费的时候，转化率会低于上诉的潜在购买比例。