价格敏感度模拟与最优定价

定价决策中的数据断层

在新产品上市或调整现有价格体系时，团队常面临缺乏量化依据的困境。传统的定价调研周期长、成本高，而单纯依赖竞品价格或直觉决策极易导致利润流失或转化率崩盘。我们需要一种能够快速将历史 CRM 数据转化为定价参考的工程化测试手段。

技能核心机制与执行链路

该技能通过 audience-simulator.py 脚本将 marketing-strategist 与 crm-manager 的能力串联。首先，它从 ~/.claude-marketing/brands/ 读取品牌上下文并加载 CRM 细分客群；随后，针对输入的 3-8 个测试价格点，在合成面板上执行类似 Gabor-Granger 和 Van Westendorp 的敏感度测算。
核心输出包括：

• 可接受价格区间：识别质量感知崩塌的底价与购买意愿断崖下跌的顶价。
• 极值定价点：分别计算兼顾利润率与转化率的“收入最大化价格”和“销量最大化价格”。
• 细分客群差异：评估不同画像群体的支付意愿，为单一价格或阶梯定价提供数据支撑。

适用边界与置信度限制

必须明确，该技能生成的是方向性情报，而非最终定价决策。合成面板的购买意愿预测能有效反映敏感度趋势，但无法精确预测绝对转化率。对于高风险定价决策，输出结果强制附带置信度说明，并建议后续通过真实的 A/B 测试或联合分析进行线下验证。