奢侈品稀缺度定价算法基于限量数量的最优溢价区间求解一、实际应用场景描述在时尚产业的奢侈品管理Luxury Management 与 限量营销Limited Edition Marketing 实践中稀缺性Scarcity 是品牌控制价格弹性和维持品牌调性的核心杠杆。典型场景包括- 限量联名款品牌与艺术家/设计师联名全球限量500件编号发售如 Nike × Dior 联名球鞋。- 季节限定款品牌在特定季节推出的仅此一季系列如 LV 早春限定系列季末即销毁剩余库存以保持稀缺。- VIP 专属款仅对品牌最高等级会员开放的隐形产品线如 Hermès 的喜马拉雅铂金包等候名单制。- 数字稀缺NFT/数字藏品品牌发行限量数字藏品如 Nike Cryptokicks数量恒定二级市场可交易。这些策略的核心商业目标是通过人为制造稀缺Artificial Scarcity来提升产品溢价能力Pricing Power同时不损害品牌长期价值。然而品牌在实操中面临复杂的定价决策- 定多少量 限量100件 vs 1000件 vs 10000件——量太少饥饿营销被骂量太多稀缺感荡然无存。- 溢价定多少 限量款定价2999元还是4999元定低了对不起稀缺性定高了滞销又伤品牌。- 如何平衡 销量和档次Brand Equity天然冲突——卖得多利润高但品牌调性下降卖得少品牌高冷但收入不足覆盖成本。本程序旨在通过构建稀缺度-溢价优化模型Scarcity-Premium Optimization量化限量数量→稀缺感知→支付意愿→最优定价的传导链条求解给定限量数量下的最优溢价区间辅助品牌在销量与档次之间找到帕累托最优。二、行业痛点分析1. 拍脑袋定限量品牌往往凭经验定限量500件缺乏数据支撑——500件对球鞋品类是稀缺对T恤品类却是过剩。不同品类的稀缺感知阈值完全不同。2. 溢价与稀缺度脱节品牌知道限量款要贵但贵多少是成本×2、×3还是×10缺乏系统性框架将稀缺程度映射为价格溢价。3. Veblen效应盲区奢侈品存在凡勃伦效应Veblen Effect——价格越高需求越大因为贵本身就是购买理由。品牌不知道提价→需求上升的甜蜜区间在哪里常常提价过度导致断崖式下滑。4. 二级市场忽视限量款在得物、StockX等二级市场的转售溢价Resale Premium是稀缺度的真实市场温度计但品牌几乎不将此信号纳入首发定价模型。三、核心逻辑讲解核心目标构建稀缺度定价优化模型Scarcity-Based Pricing Optimization在给定限量数量 Q_{limit} 下求解最大化品牌长期价值函数的最优价格 P^* 。关键逻辑链限量数量 → 稀缺指数 → 品牌资产溢价 → 消费者支付意愿 → 需求曲线 → 利润函数 → 最优价格核心假设与模型1. 稀缺指数Scarcity Index, SISI \frac{D_{market}}{Q_{limit}} \cdot \ln(Q_{limit} 1) \cdot \gamma_{category}- D_{market} 目标市场规模品牌在该品类的潜在消费者总数。- Q_{limit} 限量数量。- \gamma_{category} 品类稀缺敏感度系数球鞋1.5T恤0.6包袋1.2珠宝2.0。- 直觉 Q 越小、 D 越大、 \gamma 越高 → SI越大 → 越稀缺。2. 稀缺感知与品牌资产提升BE_{scarce} BE_{base} \cdot (1 \alpha \cdot \ln(1 SI))- BE_{base} 品牌基准资产值。- \alpha 稀缺资产转化系数奢侈品品牌约0.15-0.30。- S型饱和 \ln(1SI) 保证稀缺度的边际效应递减——从100件降到50件感受强烈从50件降到10件感受有限。3. 支付意愿WTP与价格需求曲线WTP(P, SI) WTP_{base} \cdot (1 \beta \cdot \ln(1 SI)) \cdot (1 - \epsilon \cdot \frac{P - P_{base}}{P_{base}})- 第一项基准支付意愿。- 第二项稀缺溢价稀缺度越高愿意多付。- 第三项价格弹性凡勃伦效应下 \epsilon 可为负即价格越高需求越大。- 当 \epsilon 0 时存在价格-需求正相关区间凡勃伦效应。4. 需求函数Q_d(P) D_{market} \cdot \Phi\left(\frac{\ln(WTP) - \ln(P)}{\sigma}\right)- \Phi 标准正态累积分布函数Logit/Probit 模型。- \sigma 消费者异质性参数越大表示消费者WTP差异越大。- 直觉价格低于消费者WTP时购买高于时放弃。5. 利润函数与最优定价\pi(P) (P - C_{unit}) \cdot \min(Q_d(P), Q_{limit}) - C_{fixed}- C_{unit} 单位变动成本。- C_{fixed} 固定成本营销、渠道等。- 约束 Q_d(P) \leq Q_{limit} 供不应求时以限量为上限。6. 品牌长期价值函数Balanced Objective\max_{P} \quad V(P) \pi(P) \lambda \cdot BE_{scarce}(P)- \lambda 品牌资产权重奢侈品品牌通常 \lambda 0.3-0.5 即利润与品牌价值同等重要。- 当 \lambda 0 纯利润最大化可能过度透支品牌。- 当 \lambda 很大纯品牌价值最大化可能有价无市。四、代码模块化实现Python# -*- coding: utf-8 -*-奢侈品稀缺度定价算法功能基于限量数量计算单品合理溢价区间平衡销量与品牌档次版本1.0.0作者Fashion Tech Engineerimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy.optimize import minimize_scalar, brentqfrom scipy.stats import normfrom dataclasses import dataclass, fieldfrom typing import Dict, List, Tuple, Optional, Callableimport jsonimport matplotlibfrom matplotlib.colors import LinearSegmentedColormapmatplotlib.rcParams[font.sans-serif] [SimHei]matplotlib.rcParams[axes.unicode_minus] False# 配置与数据结构 dataclassclass LuxuryPricingConfig:奢侈品定价全局配置# --- 市场与成本参数 ---MARKET_DEMAND: int 500_000 # 目标市场规模潜在消费者数BASE_PRICE: float 1999.0 # 常规款基准售价元UNIT_COST: float 600.0 # 单位变动成本元FIXED_COST: float 2_000_000 # 固定成本营销渠道生产准备# --- 稀缺度参数 ---LIMIT_QUANTITY: int 500 # 限量数量CATEGORY_GAMMA: float 1.5 # 品类稀缺敏感度球鞋1.5, T恤0.6, 包袋1.2# --- 消费者参数 ---BASE_WTP: float 2500.0 # 基准支付意愿元PRICE_ELASTICITY: float -0.8 # 价格弹性负值正常品正值凡勃伦效应WTP_SIGMA: float 0.4 # 消费者WTP异质性标准差# --- 品牌资产参数 ---BASE_BRAND_EQUITY: float 1000.0 # 基准品牌资产值SCARCITY_ALPHA: float 0.20 # 稀缺→品牌资产转化系数BRAND_WEIGHT_LAMBDA: float 0.4 # 品牌资产在目标函数中的权重# --- 二级市场参数 ---RESALE_MARKUP: float 0.30 # 二级市场平均加价率30%RESALE_DATA_AVAILABLE: bool True # 是否有二级市场数据# --- 优化参数 ---PRICE_LOWER_BOUND: float 500.0 # 价格下限PRICE_UPPER_BOUND: float 20_000.0 # 价格上限PREMIUM_BOUND_LOWER: float 0.0 # 最低溢价率PREMIUM_BOUND_UPPER: float 5.0 # 最高溢价率5倍基准价# --- 品类预设 ---CATEGORY_PRESETS: Dict[str, Dict] field(default_factorylambda: {球鞋: {gamma: 1.5, elasticity: -0.5, alpha: 0.25},T恤: {gamma: 0.6, elasticity: -1.2, alpha: 0.10},包袋: {gamma: 1.2, elasticity: -0.3, alpha: 0.20},珠宝: {gamma: 2.0, elasticity: -0.1, alpha: 0.35},腕表: {gamma: 1.8, elasticity: -0.2, alpha: 0.30},})# 稀缺指数模型 class ScarcityIndexModel:稀缺指数SI计算引擎def __init__(self, config: LuxuryPricingConfig None):self.config config or LuxuryPricingConfig()def calculate_si(self, limit_quantity: int None,market_demand: int None,gamma: float None) - float:计算稀缺指数:param limit_quantity: 限量数量默认取配置值:param market_demand: 市场规模默认取配置值:param gamma: 品类敏感度默认取配置值:return: 稀缺指数SI值越大越稀缺Q limit_quantity or self.config.LIMIT_QUANTITYD market_demand or self.config.MARKET_DEMANDg gamma or self.config.CATEGORY_GAMMAif Q 0:return float(inf)# SI (D/Q) * ln(Q1) * gammasi (D / Q) * np.log(Q 1) * greturn sidef calculate_brand_equity_boost(self, si: float) - float:计算稀缺带来的品牌资产提升:param si: 稀缺指数:return: 提升后的品牌资产值base self.config.BASE_BRAND_EQUITYalpha self.config.SCARCITY_ALPHAreturn base * (1 alpha * np.log1p(si))def scarcity_tier(self, si: float) - Tuple[str, int]:将稀缺指数映射为稀缺等级:return: (等级名称, 建议溢价下限%, 建议溢价上限%)if si 5000:return (传奇级稀缺, 200, 500)elif si 2000:return (极度稀缺, 150, 300)elif si 800:return (高度稀缺, 100, 200)elif si 300:return (中度稀缺, 50, 100)elif si 100:return (轻度稀缺, 20, 50)else:return (普通限量, 0, 20)# 需求与WTP模型 class DemandModel:基于WTP的需求曲线模型def __init__(self, config: LuxuryPricingConfig None):self.config config or LuxuryPricingConfig()def calculate_wtp(self, si: float, price: float) - float:计算给定稀缺度下的消费者支付意愿:param si: 稀缺指数:param price: 产品定价:return: 支付意愿元base_wtp self.config.BASE_WTPbeta self.config.SCARCITY_ALPHAepsilon self.config.PRICE_ELASTICITY# WTP base * (1 beta * ln(1SI)) * (1 - epsilon * (P-P_base)/P_base)scarcity_premium 1 beta * np.log1p(si)price_effect 1 - epsilon * (price - self.config.BASE_PRICE) / self.config.BASE_PRICEwtp base_wtp * scarcity_premium * max(price_effect, 0.1)return wtpdef calculate_demand(self, price: float, si: float) - int:计算给定价格下的需求量Probit模型:param price: 产品定价:param si: 稀缺指数:return: 需求量人wtp self.calculate_wtp(si, price)sigma self.config.WTP_SIGMA# Probit: Q D * Φ((ln(WTP) - ln(P)) / sigma)if wtp 0 or price 0:return 0z (np.log(wtp) - np.log(price)) / sigmapurchase_prob norm.cdf(z)demand int(self.config.MARKET_DEMAND * purchase_prob)return demanddef demand_curve(self, si: float,n_points: int 50) - Tuple[np.ndarray, np.ndarray]:生成完整需求曲线:return: (价格数组, 需求量数组)prices np.linspace(self.config.PRICE_LOWER_BOUND,self.config.PRICE_UPPER_BOUND,n_points)demands np.array([self.calculate_demand(p, si) for p in prices])return prices, demands# 利润与优化引擎 class ProfitOptimizer:利润最大化与最优定价引擎def __init__(self, config: LuxuryPricingConfig None):self.config config or LuxuryPricingConfig()self.demand_model DemandModel(config)self.scarcity_model ScarcityIndexModel(config)def calculate_profit(self, price: float, si: float) - Dict:计算给定价格下的利润分解:return: 利润明细字典demand self.demand_model.calculate_demand(price, si)# 实际销量受限于限量actual_sales min(demand, self.config.LIMIT_QUANTITY)revenue price * actual_salesvariable_cost self.config.UNIT_COST * actual_salescontribution revenue - variable_costprofit contribution - self.config.FIXED_COST# 品牌资产brand_equity self.scarcity_model.calculate_brand_equity_boost(si)# 二级市场价格如果存在resale_price price * (1 self.config.RESALE_MARKUP)return {price: price,demand: demand,actual_sales: actual_sales,sell_out_rate: actual_sales / self.config.LIMIT_QUANTITY,revenue: revenue,variable_cost: variable_cost,contribution: contribution,profit: profit,brand_equity: brand_equity,resale_price: resale_price,premium_rate: (price - self.config.BASE_PRICE) / self.config.BASE_PRICE,is_scarce: demand actual_sales # 供不应求}def objective_function(self, price: float, si: float) - float:综合目标函数利润 λ * 品牌资产负值用于最小化result self.calculate_profit(price, si)profit result[profit]brand result[brand_equity]lam self.config.BRAND_WEIGHT_LAMBDA# 将品牌资产转化为货币等价按品牌资产评估的年度营销节省来折算brand_value brand * 1000 # 简化每单位品牌资产 ≈ 1000元营销价值return -(profit lam * brand_value)def find_optimal_price(self, si: float None) - Dict:求解最优定价:return: 最优定价结果si si or self.scarcity_model.calculate_si()result minimize_scalar(lambda p: self.objective_function(p, si),bounds(self.config.PRICE_LOWER_BOUND, self.config.PRICE_UPPER_BOUND),methodbounded)optimal_price result.xopt_result self.calculate_profit(optimal_price, si)# 计算盈亏平衡点breakeven_price self._find_breakeven(si)# 计算纯利润最大化价格λ0result_profit_only minimize_scalar(lambda p: -self.calculate_profit(p, si)[profit],bounds(self.config.PRICE_LOWER_BOUND, self.config.PRICE_UPPER_BOUND),methodbounded)profit_only_result self.calculate_profit(result_profit_only.x, si)# 计算纯品牌最大化价格极高λbrand_price self._find_brand_max_price(si)return {optimal_price: optimal_price,optimal_result: opt_result,breakeven_price: breakeven_price,profit_max_price: result_profit_only.x,profit_max_result: profit_only_result,brand_focus_price: brand_price,si: si,scarcity_tier: self.scarcity_model.scarcity_tier(si)}def _find_breakeven(self, si: float) - float:求解盈亏平衡价格try:return brentq(lambda p: self.calculate_profit(p, si)[profit],self.config.PRICE_LOWER_BOUND,self.config.PRICE_UPPER_BOUND,maxiter100)except ValueError:return self.config.BASE_PRICEdef _find_brand_max_price(self, si: float) - float:找到品牌资产最大化的最优价格忽略利润约束prices np.linspace(self.config.PRICE_LOWER_BOUND,self.config.PRICE_UPPER_BOUND,200)best_price self.config.BASE_PRICEbest_brand 0for p in prices:r self.calculate_profit(p, si)if r[brand_equity] best_brand and r[profit] 0:best_brand r[brand_equity]best_price preturn best_pricedef premium_interval(self, si: float) - Tuple[float, float]:计算合理溢价区间:return: (最低溢价率, 最高溢价率)opt self.find_optimal_price(si)base self.config.BASE_PRICE# 下限盈亏平衡价格lower max((opt[breakeven_price] - base) / base, 0)# 上限品牌聚焦价格但确保至少微利upper (opt[brand_focus_price] - base) / baseupper min(upper, self.config.PREMIUM_BOUND_UPPER)return lower, upper# 敏感性分析模块 class SensitivityAnalyzer:敏感性分析限量数量对最优定价的影响def __init__(self, config: LuxuryPricingConfig None):self.config config or LuxuryPricingConfig()self.optimizer ProfitOptimizer(config)def analyze_quantity_range(self,quantities: List[int] None) - pd.DataFrame:分析不同限量数量下的最优定价:param quantities: 限量数量列表默认自动生成:return: 分析结果DataFrameif quantities is None:quantities [50, 100, 200, 500, 1000, 2000, 5000, 10000]results []for q in quantities:# 临时修改限量original_q self.config.LIMIT_QUANTITYself.config.LIMIT_QUANTITY qself.optimizer.config.LIMIT_QUANTITY qsi self.optimizer.scarcity_model.calculate_si()opt self.optimizer.find_optimal_price(si)profit_result opt[optimal_result]results.append({quantity: q,si: si,optimal_price: opt[optimal_price],premium_rate: (opt[optimal_price] - self.config.BASE_PRICE) / self.config.BASE_PRICE,profit: profit_result[profit],revenue: profit_result[revenue],sell_out_rate: profit_result[sell_out_rate],brand_equity: profit_result[brand_equity],is_scarce: profit_result[is_scarce],scarcity_tier: opt[scarcity_tier][0]})# 恢复self.config.LIMIT_QUANTITY original_qself.optimizer.config.LIMIT_QUANTITY original_qreturn pd.DataFrame(results)def analyze_parameter_sensitivity(self, si: float) - pd.DataFrame:分析关键参数变化对最优价格的影响base_opt self.optimizer.find_optimal_price(si)base_price base_opt[optimal_price]params {BASE_WTP: (基准WTP, self.config.BASE_WTP),PRICE_ELASTICITY: (价格弹性, self.config.PRICE_ELASTICITY),SCARCITY_ALPHA: (稀缺转化系数, self.config.SCARCITY_ALPHA),UNIT_COST: (单位成本, self.config.UNIT_COST),MARKET_DEMAND: (市场规模, self.config.MARKET_DEMAND),}results []for param_name, (display_name, base_val) in params.items():for perturbation in [-0.2, -0.1, 0.1, 0.2]:# 保存原值original getattr(self.config, param_name)# 扰动setattr(self.config, param_name, original * (1 perturbation))self.optimizer.config self.configopt self.optimizer.find_optimal_price(si)new_price opt[optimal_price]price_change (new_price - base_price) / base_priceresults.append({parameter: display_name,perturbation: f{perturbation*100:.0f}%,new_price: new_price,price_change_pct: price_change * 100,abs_change: abs(price_change)})# 恢复原值setattr(self.config, param_name, original)self.optimizer.config self.configreturn pd.DataFrame(results)# 可视化模块 class LuxuryVisualizer:奢侈品定价可视化staticmethoddef plot_demand_curve(demand_model: DemandModel, si: float,save_path: str demand_curve.png):绘制需求曲线prices, demands demand_model.demand_curve(si)config demand_model.configfig, ax plt.subplots(figsize(12, 7))ax.plot(prices, demands / 1000, b-, linewidth2.5, label需求曲线)ax.axhline(yconfig.LIMIT_QUANTITY / 1000, colorred, linestyle--,labelf限量约束: {config.LIMIT_QUANTITY:,}件)# 标注凡勃伦效应区域if config.PRICE_ELASTICITY 0:ax.axvspan(config.BASE_PRICE * 0.5, config.BASE_PRICE * 1.5,alpha0.1, colorgreen, label凡勃伦效应区(价格↑需求↑))ax.set_xlabel(价格元, fontsize12)ax.set_ylabel(需求量千人, fontsize12)ax.set_title(f需求曲线SI{si:.0f}, fontsize14, fontweightbold)ax.legend(fontsize10)ax.grid(True, alpha0.3)ax.spines[top].set_visible(False)ax.spines[right].set_visible(False)plt.tight_layout()plt.savefig(save_path, dpi150, bbox_inchestight)plt.show()staticmethoddef plot_profit_landscape(optimizer: ProfitOptimizer, si: float,save_path: str profit_landscape.png):绘制利润-品牌资产权衡曲线config optimizer.configprices np.linspace(config.PRICE_LOWER_BOUND, config.PRICE_UPPER_BOUND, 100)profits []brand_values []for p in prices:r optimizer.calculate_profit(p, si)profits.append(r[profit] / 10000) # 转为万元brand_values.append(r[brand_equity] / 10000)fig, ax plt.subplots(figsize(12, 7))color tab:blueax.set_xlabel(价格元, fontsize12)ax.set_ylabel(利润万元, colorcolor, fontsize12)ax.plot(prices, profits, colorcolor, linewidth2.5, label利润)ax.tick_params(axisy, labelcolorcolor)ax.grid(True, alpha0.3)ax2 ax.twinx()color tab:redax2.set_ylabel(品牌资产万元, colorcolor, fontsize12)ax2.plot(prices, brand_values, colorcolor, linewidth2.5, linestyle--,label品牌资产)ax2.tick_params(axisy, labelcolorcolor)# 标注最优价格opt optimizer.find_optimal_price(si)opt_price opt[optimal_price]opt_profit opt[optimal_result][profit] / 10000ax.axvline(xopt_price, colorgreen, linestyle:, linewidth2,labelf最优价格: ¥{opt_price:,.0f})ax.plot(opt_price, opt_profit, go, markersize10, zorder5)lines1, labels1 ax.get_legend_handles_labels()lines2, labels2 ax2.get_legend_handles_labels()ax.legend(lines1 lines2, labels1 labels2, locupper left, fontsize9)ax.set_title(f利润-品牌资产权衡SI{si:.0f}, fontsize14, fontweightbold)ax.spines[top].set_visible(False)plt.tight_layout()plt.savefig(save_path, dpi150, bbox_inchestight)plt.show()staticmethoddef plot_quantity_sensitivity(sens_df: pd.DataFrame, base_price: float,save_path: str quantity_sensiti利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛