R-1781​

社交平台 (如微博/小红书)

用户、内容创作者、平台

运营/激励与互动规则

社交“量化虚荣心与认同感”模型

将用户的社交影响力（如内容受欢迎度、个人魅力）量化为公开可见的数字指标（点赞数、粉丝数、阅读量）。这些指标作为即时反馈和社交资本，直接刺激用户的虚荣心和寻求认同的心理，从而激励用户持续创作内容、互动和活跃。

显性社交资本量化与虚荣激励模型

提升用户活跃度（UGC）和粘性；构建平台内容生态；通过用户对社交地位的追求驱动平台增长。

1. 指标需真实、防刷。
2. 需平衡“头部效应”，给予新用户曝光机会。
3. 避免过度攀比导致负面情绪。
4. 指标设计需直观易懂。

输入：用户User，发布内容Content，其他用户互动行为Action（点赞Like，关注Follow）。
输出：内容点赞数LikeCount，用户粉丝数FollowerCount，内容阅读量ViewCount。
流程：1. 用户发布内容，初始计数为0。
2. 其他用户浏览内容，产生阅读量ViewCount++。
3. 其他用户点赞，LikeCount++，并可能触发通知给发布者。
4. 其他用户关注发布者，FollowerCount++。
5. 所有计数公开显示在用户主页和内容页面，形成社交证明。

低

设用户u在时间t的粉丝数为F_u(t)，其发布内容c的点赞数为L_c(t)，阅读量为V_c(t)。
这些计数是累积函数：F_u(t) = F_u(t0) + sum_{τ} I(follow event at τ)，其中I为指示函数。

常量：无。
变量：各类计数F, L, V，随时间t变化。

计数，累加。

1. 用户资料与计数。
2. 内容发布与互动记录。
3. 粉丝关系图谱。

社交资本，虚荣心，UGC，影响力指标，微博。

1. 发布：用户A发布一条动态，初始L=0, V=0。
2. 曝光：动态进入信息流，被100人看到，V=100。
3. 互动：其中20人点赞，L=20。用户A收到20次点赞通知，获得满足感。
4. 关注：5个新用户因此关注A，A的F增加5。A看到粉丝增长，激励其发布更多内容。

R-1782​

电商平台 (如淘宝/京东)

消费者、商家、平台

价格/促销与心理规则

电商“制造稀缺与紧迫感”模型

通过严格限制特价商品的购买时间（倒计时）和库存数量（限量），人为制造稀缺性和紧迫感。利用消费者的损失厌恶心理（害怕错过）和从众心理（大家都在抢），促使其在短时间内做出非计划性的冲动购买决策。

限时秒杀与库存压迫模型

快速清理库存；提升特定时段交易额和流量；刺激消费者冲动消费，提高转化率。

1. 倒计时需准确、醒目。
2. 库存数量需真实，禁止虚假营销。
3. 秒杀价格需有足够吸引力。
4. 需有技术手段防止机器人抢购。

输入：秒杀活动FlashSale，商品Item，秒杀价SalePrice，原价OriginalPrice，总库存TotalStock，活动开始时间StartTime，持续时间Duration。
输出：剩余库存RemainingStock，剩余时间RemainingTime，是否已售罄SoldOut。
流程：1. 活动开始前，展示倒计时和秒杀价，营造期待。
2. 活动开始，库存RemainingStock从TotalStock开始递减，RemainingTime从Duration开始递减。
3. 消费者下单购买，锁定库存，RemainingStock--。
4. 库存售罄或时间截止，活动结束。

中

设活动开始时间为T0，持续时间为D，则在时间t，剩余时间R_t = max(0, D - (t - T0))。
设初始库存为S0，在t时刻已售数量为N(t)，则剩余库存S_t = max(0, S0 - N(t))。
活动有效条件：R_t > 0且S_t > 0。

常量：开始时间T0，时长D，总库存S0，秒杀价P_sale。
变量：当前时间t，已售数量N(t)，剩余库存S_t，剩余时间R_t。

最大值，减法，时间函数。

1. 秒杀活动配置表。
2. 商品库存实时数据。
3. 用户秒杀订单记录。
4. 活动期间流量与转化数据。

限时秒杀，稀缺性，损失厌恶，冲动消费，京东秒杀。

1. 预热：商品原价100元，秒杀价59元，库存100件，活动10:00开始，持续1小时。页面显示倒计时。
2. 开始：10:00，库存100件，倒计时60分钟。用户涌入抢购。
3. 抢购：每秒有数笔订单，N(t)快速增加，S_t快速减少，页面显示“仅剩XX件”。
4. 结束：10:05，库存售罄，S_t=0，活动提前结束，显示“已售罄”。未抢到的用户产生“错过”的懊悔感。

R-1783​

知识付费平台 (如得到/知乎盐选)

消费者（学员）、创作者、平台

销售/转化与体验规则

知识付费“降低决策门槛与惯性消费”模型

提供课程的精华部分作为免费试听/试读，消除用户对内容质量的疑虑（厌恶不确定性）。随后以“连续订阅”形式销售，利用首月优惠或免费试用期让用户轻松开启。一旦订阅，自动续费机制和内容连续性（下一集）利用用户的行为惯性和惰性，提高留存率。

免费试听引导与订阅惯性模型

提高课程转化率；降低用户付费决策的心理阻力；通过自动续费提高用户生命周期价值(LTV)。

1. 试听内容需有足够吸引力，体现课程价值。
2. 订阅价格和自动续费条款需明确提示。
3. 提供便捷的取消续费渠道。
4. 后续内容需保持质量，避免用户流失。

输入：课程Course，免费试听章节集合FreeChapters，订阅套餐SubscriptionPlan（首月价FirstMonthPrice，后续月价RegularPrice），用户行为UserAction（试听、订阅）。
输出：用户订阅状态SubscriptionStatus，下次扣费日期NextBillingDate。
流程：1. 用户免费试听前几节课程。
2. 试听结束后，平台提示订阅以观看完整内容，突出首月优惠。
3. 用户选择订阅，支付首月费用，并默认开启自动续费。
4. 订阅生效，用户可以观看所有内容。
5. 首月到期前，平台按RegularPrice自动扣费，进入下个月周期，除非用户手动取消。

中

设课程总价为P_total（若买断），订阅月价为P_month。首月优惠价为P_first（P_first ≤ P_month）。
用户决策：试听后，若感知价值V > P_first，则可能订阅。后续每月，若继续观看的效用U_t > P_month，或因惰性未取消，则续费。

常量：首月价P_first，后续月价P_month，试听章节数N_free。
变量：用户感知价值V，每月效用U_t，订阅状态S。

比较，不等式。

1. 课程内容与试听章节配置。
2. 用户试听行为记录。
3. 订阅订单与续费记录。
4. 用户留存与流失数据。

知识付费，免费试听，订阅，自动续费，得到。

1. 试听：用户免费试听《经济学入门》前3讲，觉得不错。
2. 促销：页面提示“订阅后观看全部100讲，首月仅需9.9元（原价25元）”。
3. 订阅：用户支付9.9元，订阅并默认开启自动续费。
4. 消费：用户观看后续内容，觉得有用。
5. 续费：一个月后，平台自动扣费25元。用户可能因觉得有用或忘记取消而持续付费。

R-1784​

健康/学习类App (如Keep/扇贝单词)

用户、平台

运营/游戏化与坚持规则

习惯养成“打卡与虚拟成就”模型

将长期目标（健身、学习）分解为每日可完成的微任务（打卡）。每完成一次打卡，给予即时视觉反馈（如打卡成功动画）并累积连续天数。设置里程碑（如7天、21天），达成后授予虚拟勋章或称号，利用人的成就感和对中断连续记录的厌恶（损失厌恶）来促进习惯养成。

每日微任务与连续成就激励模型

提升用户日活跃度(DAU)和留存率；帮助用户建立习惯，增强产品价值；通过游戏化元素增加趣味性。

1. 打卡任务需简单易完成，降低启动门槛。
2. 连续记录机制需稳定，防止误判。
3. 虚拟奖励需有设计感，让用户有获得感。
4. 可引入社交分享，强化成就感。

输入：用户User，每日任务DailyTask，打卡动作CheckIn，当前连续天数CurrentStreak，勋章规则BadgeRules。
输出：更新后的连续天数NewStreak，是否获得新勋章NewBadge。
流程：1. 用户每日登录App，完成预设任务（如跑步3公里、背单词20个）。
2. 用户点击“打卡”确认完成。
3. 系统记录打卡日期，NewStreak = CurrentStreak + 1（若昨日已打卡，否则NewStreak = 1）。
4. 检查NewStreak是否达到勋章阈值（如7天），若是，则授予对应勋章。
5. 在个人主页展示连续天数和勋章墙。

低

设用户打卡日期序列为{d1, d2, ..., dn}，其中d_i是日期。连续天数S定义为：若d_n - d_{n-1} = 1天，则S++；否则S=1。
勋章授予条件：S >= T_j时，授予勋章B_j，其中T_j为阈值。

常量：勋章阈值{T_j}。
变量：打卡日期序列{d_i}，连续天数S。

日期差，计数，条件判断。

1. 用户每日打卡记录。
2. 用户勋章获得记录。
3. 任务完成情况数据。

游戏化，打卡，习惯养成，损失厌恶，Keep。

1. 任务：用户今日完成跑步3公里。
2. 打卡：点击“打卡”，系统记录今日日期d_today。
3. 计算：昨日日期d_yesterday存在且d_today - d_yesterday = 1，所以S_new = S_old + 1 = 6。
4. 奖励：S_new=6未达7天阈值，无勋章。明日若再打卡，S=7，将获得“坚持一周”勋章。用户为不中断记录，会努力完成明日任务。

R-1785​

直播平台 (如抖音/斗鱼)

观众（打赏者）、主播、平台

交易/激励与身份规则

直播“虚荣消费与阶级展示”模型

设立实时更新的打赏贡献榜单（日榜、周榜），公开显示打赏金额最高的用户。同时建立付费“贵族”等级体系（如骑士、公爵、国王），通过持续充值维持等级。高等级用户享有专属进场特效、发言标识、管理特权等。该模型利用人的攀比心、虚荣心和身份象征需求，将打赏行为从支持主播异化为观众之间的地位竞争和社交展示。

实时榜单竞争与付费身份特权模型

最大化刺激观众打赏消费；创造高ARPU值用户群体；增强直播间的互动氛围和粘性。

1. 榜单数据需实时、公正。
2. 贵族等级与特权需清晰对应。
3. 需防止恶意刷榜行为。
4. 特权设计需让普通观众也能感知到差异。

输入：观众Viewer，打赏金额GiftAmount，当前时间T_now，榜单周期RankingPeriod（日/周），贵族等级规则NobleLevelRules（等级L，对应累计充值CumulativeRecharge(L)）。
输出：观众在榜单上的排名Rank，贵族等级NobleLevel，贵族特权生效状态PrivilegeActive。
流程：1. 观众购买虚拟礼物并打赏给主播，GiftAmount计入该观众在周期内的贡献值。
2. 系统实时计算所有观众的贡献值，排序生成榜单Ranking。
3. 同时，累计观众的总充值金额，根据NobleLevelRules确定其当前贵族等级L。
4. 在直播间内，高排名用户和高等级贵族会获得特殊显示和特权。

高

设观众v在周期[T_start, T_end]内的打赏贡献值为G_v = sum_{t} gift_value(t)。
榜单排名：按G_v降序排列，`Rank_v = 1 +

{u: G_u > G_v}

。<br>**贵族等级**：设观众累计充值R_v，等级L_v = max{ l

R_v >= CumulativeRecharge(l) }`。

常量：贵族等级阈值{CumulativeRecharge(l)}。
变量：周期贡献值G_v，累计充值R_v，排名Rank_v，等级L_v。

求和，排序，查找（满足条件的最大值）。

R-1786​

消费金融/电商平台 (如花呗/京东白条)

消费者、商家、金融机构、平台

金融/支付与心理规则

消费金融“分期免息与支付痛感钝化”模型

将大额商品的总价P平摊为n期小额支付，每期支付P/n，并免除分期利息。由于“心理账户”效应和“时间折现”，消费者将感知为多次小额消费而非一次大额支出，显著降低了支付痛感和决策门槛，从而提升购买意愿和客单价。

大额支付拆分与心理账户调节模型

刺激高客单价商品销售；提升平台交易总额(GMV)；通过免息分期吸引价格敏感用户。

1. 免息分期通常有期数限制（如3、6、12期）。
2. 需明确告知用户总价不变、无其他费用。
3. 可能对用户信用进行评估。
4. 商户需承担部分分期手续费。

输入：商品总价TotalPrice，可选分期期数InstallmentTerms（如[3,6,12]），分期免息标识InterestFree。
输出：每期应还金额MonthlyPayment，总支付金额TotalPayment（应等于TotalPrice）。
流程：1. 在商品支付页面，提供“分期付款”选项。
2. 用户选择分期期数n。
3. 系统计算MonthlyPayment = TotalPrice / n（四舍五入）。
4. 明确显示“共n期，每期MonthlyPayment元，免息”。
5. 用户确认，支付首期（或首期+后续自动扣费）。

低

设商品总价为P，分期期数为n（n ≥ 2）。
每期金额：M = ceil(P / n)或 round(P / n, 2)，确保sum(M_i) = P。
心理价值函数：用户感知的“痛苦”U(P) > sum_{i=1}^{n} U(M_i)，其中U是凸函数（损失厌恶）。

常量：总价P，期数n。
变量：每期金额M。

除法，求和，取整。

1. 商品价格信息。
2. 分期支付配置（支持期数、是否免息）。
3. 用户分期订单与还款计划。

分期付款，免息，心理账户，支付痛感，花呗。

1. 商品：手机售价P=5999元。
2. 分期：平台提供“12期免息分期”选项。
3. 计算：M = 5999 / 12 ≈ 499.92，显示为“每期499.92元”。
4. 决策：用户觉得一次性付5999元压力大，但每月500元可以接受，从而选择分期购买。
5. 结果：平台成交一笔高客单价订单，用户获得商品，金融机构或平台获得商户端的分期服务费。

R-1787​

各类订阅服务平台 (如腾讯视频/网易云音乐)

用户、平台

销售/定价与留存规则

订阅服务“现状偏见与自动续费”模型

提供“连续包月”套餐，其月费P_continuous显著低于单月购买价P_monthly。用户在订阅时，默认勾选“自动续费”并需绑定支付方式。利用现状偏见（不愿改变当前状态）和惰性，以及优惠价格的吸引力，让用户轻松开始订阅。后续，用户因忘记、觉得麻烦或已形成消费习惯，而持续支付，平台获得稳定现金流。

连续包月优惠与惰性留存模型

提高用户订阅转化率；大幅降低用户流失率，提升留存；锁定用户长期价值，获得稳定收入。

1. 价格差异需明显，有吸引力。
2. 自动续费条款需在订阅时明确提示。
3. 必须提供便捷的取消自动续费渠道。
4. 续费前应通过适当方式（如邮件、短信）提醒用户。

输入：用户User，订阅套餐选择PlanChoice（连续包月Continuous/单月Monthly），连续包月价P_continuous，单月价P_monthly，自动续费状态AutoRenewal（默认True）。
输出：用户支付金额ChargeAmount，下次扣费日期NextBillingDate，订阅状态Status。
流程：1. 用户选择“连续包月首月优惠X元”套餐，页面显示P_continuous < P_monthly，且“自动续费”已默认勾选。
2. 用户绑定支付方式并支付首期费用。
3. 订阅生效，服务周期为一个月。
4. 在周期结束前X天，平台按P_continuous自动扣费，进入下一周期，除非用户提前取消自动续费。

中

设单月价为P_m，连续包月价为P_c，且P_c < P_m。
用户决策模型：初始选择连续包月的概率随(P_m - P_c)增大而增加。
留存模型：用户在第t个月续费的概率p_t受惰性因子λ影响：p_t ≈ p_{t-1} * λ，λ接近1，表示高惯性。

常量：单月价P_m，连续包月价P_c，惰性因子λ。
变量：用户选择choice，续费概率p_t。

比较，概率衰减。

1. 用户订阅套餐记录。
2. 自动续费状态与支付方式。
3. 扣费历史与续费成功记录。
4. 用户取消行为数据。

连续包月，自动续费，现状偏见，惰性，订阅经济。

1. 展示：腾讯视频单月价P_m=25元，连续包月价P_c=19元，首月仅1元。默认勾选自动续费。
2. 订阅：用户支付1元，开通服务。
3. 续费：一个月后，平台自动从用户账户扣19元。用户收到扣费通知，可能因觉得划算、懒得取消或仍在观看而接受。
4. 持续：此过程每月重复，用户可能连续付费数年，平台获得稳定收入。

R-1788​

游戏/工具类App (如原神/番茄TODO)

用户、平台

运营/活跃与习惯规则

用户活跃“即时奖励与损失厌恶”模型

设置每日登录奖励，奖励价值通常逐日递增（如第1天100金币，第2天200金币...），或在连续登录特定天数（如第7天）设置高价值奖励。用户为了不中断连续记录和错过高额奖励，会养成每日登录的习惯。利用即时奖励（登录即得）和损失厌恶（中断则从头开始）双重心理驱动。

逐日递增登录奖励与连续记录保持模型

提升日活跃用户数(DAU)；培养用户每日使用习惯；通过奖励成本锁定用户长期活跃。

1. 奖励序列需有吸引力，最终大奖足够诱人。
2. 连续计数规则需清晰（如午夜重置）。
3. 允许一定的补签机制（付费或看广告）。
4. 奖励需在游戏/应用内有实际价值。

输入：用户User，登录日期LoginDate，当前连续登录天数CurrentStreak，每日奖励表DailyRewards（第d天奖励Reward_d）。
输出：本次登录获得的奖励RewardEarned，更新后的连续天数NewStreak。
流程：1. 用户每日打开App，系统检测到登录行为。
2. 检查上次登录日期LastLoginDate。
3. 若LoginDate - LastLoginDate = 1天，则NewStreak = CurrentStreak + 1；否则NewStreak = 1（中断）。
4. 根据NewStreak从DailyRewards表中领取对应奖励RewardEarned。
5. 展示奖励并更新用户数据。

低

设连续登录天数为s，每日奖励函数为R(s)，通常R(s)非递减，且存在s0使得R(s0)显著大于R(s0-1)（如第7天）。
用户效用：U_login(s) = R(s) - C（C为登录成本），且中断导致s=1，损失R(s)-R(1)。

常量：奖励函数R(s)，登录成本C。
变量：连续天数s，效用U。

条件判断，函数映射。

1. 用户登录日志。
2. 连续登录天数记录。
3. 每日奖励领取记录。
4. 奖励配置表。

每日登录，习惯养成，损失厌恶，游戏化，原神。

1. 登录：用户已连续登录6天，领取了第6天奖励。
2. 第7天：用户再次登录，系统检测到昨日已登录，s_new=7。
3. 奖励：根据表，第7天奖励为“稀有抽卡道具*1”，价值远高于前6天。用户领取。
4. 激励：用户为了明天能领第8天奖励（及未来的周期奖励），会尽量保持每日登录，避免中断损失稀有道具。

R-1789​

社区/论坛平台 (如贴吧/NGA)

用户、平台

运营/等级与特权规则

社区“身份体系与特权激励”模型

根据用户的活跃度、贡献值（发帖、回复、被赞）累积成长值，划分多个等级（如Lv1-Lv12）。高等级用户解锁更多特权，如发帖免审核、专属头像框、进入特定版块、更高权重投票、更多管理权限等。这种体系创造了一个内部身份阶级，利用人的归属感、地位追求和特权意识，激励用户通过持续贡献来提升等级，获得社区内的尊重和权力。

贡献度成长与等级特权映射模型

激励用户创造内容和参与互动；构建稳定的社区核心用户层；通过等级制度实现用户自我管理和社区治理。

1. 成长值获取规则需公平、透明。
2. 等级特权需有实际价值，且高等级特权稀缺。
3. 防止刷等级行为。
4. 需有等级下降或特权回收机制（针对违规）。

输入：用户User，用户行为Action（发帖Post，回帖Reply，获赞LikeReceived），行为对应成长值GrowthPoints(Action)，等级阈值表LevelThresholds（等级L需成长值G_L），等级特权表Privileges(L)。
输出：用户获得成长值EarnedGP，更新后总成长值TotalGP，更新后等级NewLevel，解锁特权集合UnlockedPrivileges。
流程：1. 用户发生贡献行为，系统根据GrowthPoints(Action)计算EarnedGP。
2. 更新TotalGP。
3. 根据LevelThresholds，找到满足TotalGP >= G_L的最大L，作为NewLevel。
4. 若NewLevel高于原等级，则解锁Privileges(NewLevel)中的新特权。

中

设用户总成长值为G，等级阈值向量为T = [t_1, t_2, ..., t_L]，t_l为达到等级l所需最小成长值，且t_1 < t_2 < ... < t_L。
当前等级：`L = max{ l

G >= t_l }。<br>**特权集合**：P = ∪_{l=1}^{L} Privileges(l)`。

常量：等级阈值{t_l}，各等级特权集合{Privileges(l)}。
变量：总成长值G，当前等级L。

查找（满足条件的最大值），集合并集。

1. 用户行为日志与成长值流水。
2. 用户等级与成长值快照。
3. 等级阈值与特权配置表。
4. 用户特权行使记录。

社区等级，特权，身份体系，用户激励，贴吧。

R-1790​

社交电商平台 (如拼多多)

消费者、发起者、参与者、平台

销售/裂变与信任规则

拼团“熟人社交与从众压力”模型

对商品设置拼团价P_group（低于单独购买价P_single）。用户发起拼团后，需邀请指定数量（如2人）的好友参与。只有当规定时间内参团人数达标时，拼团才成功，所有参与者以P_group购买。利用熟人社交关系链中的信任背书和从众心理，以及“帮朋友省钱”的利他主义，驱动用户主动分享，实现低成本获客和快速成单。

基于社交关系的限时拼单模型

通过低价刺激和社交裂变快速获取新用户；提升订单转化率和客单价；利用社交信任降低购买决策风险。

1. 拼团价需有足够吸引力。
2. 成团人数和时限设置需合理，保证一定成团率。
3. 分享机制需便捷。
4. 需处理未成团订单的退款。

输入：拼团活动GroupBuy，商品Item，拼团价P_group，单独购买价P_single，成团所需人数N_required（含发起者），拼团有效期T_valid。
输出：拼团状态GroupStatus（进行中Ongoing/成功Success/失败Fail），参与用户列表Participants。
流程：1. 用户A发起拼团，支付P_group，拼团进入“进行中”状态，开始倒计时T_valid。
2. A将拼团链接分享给好友B、C等。
3. B、C通过链接进入，若在有效期内且未满员，可选择支付P_group参团。
4. 若在T_valid内参团人数达到N_required，则拼团成功，平台发货。
5. 若超时未达人数，则拼团失败，自动退款给所有参与者。

中

设成团所需人数为N，有效期为T。在时间t（从发起开始），已参团人数为n(t)。
拼团成功条件：∃ t ≤ T, n(t) = N。
拼团失败条件：∀ t ≤ T, n(t) < N。
价格差：ΔP = P_single - P_group > 0，是用户分享的动力。

常量：成团人数N，有效期T，价格P_group, P_single。
变量：时间t，已参团人数n(t)。

存在性判断，不等式。

1. 拼团活动配置表。
2. 拼团实例记录与参与流水。
3. 用户分享与参团关系链数据。
4. 成团与退款处理记录。

社交电商，拼团，裂变，从众心理，拼多多。

1. 发起：用户A看中一个水杯，单独买P_single=30元，拼团价P_group=20元，需2人成团。A发起拼团，支付20元。
2. 分享：A将链接发给好友B和C，说“帮我砍一刀，一起买更便宜”。
3. 参团：B信任A，且觉得20元很划算，支付参团。此时n=2，已达N=2。
4. 成功：拼团立即成功，A和B各获得水杯，支付20元。C若再点链接，会提示“团已满”。平台以低价快速卖出2件商品，并可能获得新用户B。

R-1791​

二手交易平台 (如闲鱼/转转)

买家、卖家、平台

定价/估价与心理规则

二手商品“智能化估价与一键发布”模型

平台提供基于大数据和算法的智能化估价工具。用户输入商品信息（品牌、型号、新旧程度、使用情况），AI模型参考海量历史成交数据给出一个预估价格区间[P_low, P_high]。卖家可将此价格一键发布，或微调。这利用“锚定效应”，将卖家的价格预期锚定在合理范围，降低因个人“禀赋效应”（高估自有物品）产生的定价虚高，从而提高商品流通效率。

基于历史数据锚定的智能估价模型

降低卖家定价门槛和决策成本；引导卖家设置更易成交的合理价格；提升平台商品流转率和撮合效率。

1. 估价模型需准确反映市场行情，并定期更新。
2. 估价结果应是参考区间，而非强制价格。
3. 需向卖家解释估价依据（如历史成交、相似商品）。
4. 应允许卖家根据实际情况（如配件齐全）进行微调。

输入：商品信息ItemInfo（品类Category，品牌Brand，型号Model，新旧程度Condition（如1-10级），使用描述Description），历史成交数据HistoricalTransactions。
输出：推荐价格区间[P_recommend_low, P_recommend_high]。
流程：1. 卖家在发布页选择商品品类、填写属性、上传图片。
2. 平台调用估价模型，基于商品属性和历史相似商品的成交价分布，生成推荐价格区间。
3. 平台展示“推荐价X元-X元”，并可能显示“XX%的类似商品在此区间成交”。
4. 卖家接受、修改或忽略此价格，完成发布。

中

设商品特征向量为x（包含品类、品牌、新旧等）。历史数据集中相似商品集合为S(x)。
推荐价格区间：取S(x)中商品成交价的α分位数Q_α和β分位数Q_β作为区间端点，如α=0.25, β=0.75。
即：`P_low = Q_α({Price_i

i in S(x)}),P_high = Q_β({Price_i

i in S(x)})`。

常量：分位数α, β。
变量：商品特征x，相似商品集S(x)，成交价集{Price_i}，推荐区间[P_low, P_high]。

分位数计算，集合运算。

1. 商品发布属性信息。
2. 历史商品成交价格与属性数据。
3. 智能估价模型参数与版本。
4. 卖家最终定价与推荐价差异。

R-1792​

社区/内容平台 (如知乎/B站)

用户、内容创作者、平台

运营/反馈与社区规则

内容“踩与拉黑”负面调节模型

除了“赞”等正面反馈，平台提供“踩”（反对）和“拉黑/屏蔽用户”功能。“踩”让用户表达对低质、无关或反感内容的否定，其数据用于调整内容排序（降低曝光）。“拉黑”允许用户主动切断与特定用户的内容交互（看不到对方内容或无法接收其互动）。这利用了用户的“厌恶情绪”和“控制欲”，赋予其塑造个人信息环境的权力，从而提升留存。

负向反馈与主动内容过滤模型

通过众包方式识别和抑制低质内容；赋予用户个性化内容控制权，改善体验；通过释放负面情绪（投票）增加用户参与。

1. “踩”的权重需谨慎设计，避免滥用（如恶意踩）影响优质内容。
2. “拉黑”功能需双向有效，且被拉黑方应得到适当提示（如“对方已屏蔽你”）。
3. 需有申诉和反滥用机制。

输入：用户U，对内容C的“踩”行为DownVote，对用户U2的“拉黑”行为Block，当前内容排序分数Score(C)。
输出：内容C的新排序分数NewScore(C)，用户U的黑名单更新Blacklist_U。
流程：1. 用户看到不认可的内容，点击“踩”。
2. 系统记录DownVote(U, C)，并可能根据“踩”数调整Score(C)，影响其在公共流和推荐中的排序。
3. 用户对骚扰或反感用户U2，执行“拉黑”。
4. 系统将U2加入U的黑名单Blacklist_U，此后U的信息流将过滤掉U2发布的内容和互动。

中

设内容的“赞”数为L，“踩”数为D，时间衰减因子为f(t)。
带“踩”的排序分数：一种简化模型为Score = (L - ω*D) * f(t)，其中ω是“踩”的权重（0<ω<1）。
拉黑：用户u的黑名单是一个用户ID集合B_u。信息流过滤条件：内容C的发布者Author(C) ∉ B_u。

常量：“踩”的权重ω，时间衰减函数f(t)。
变量：赞数L，踩数D，时间t，分数Score，黑名单集合B_u。

线性组合，集合操作（不属于）。

1. 用户对内容的赞/踩记录。
2. 用户黑名单关系数据。
3. 内容排序分数计算日志。
4. 用户举报与屏蔽行为记录。

负向反馈，拉黑，内容排序，社区治理，B站。

1. 内容：一条内容获得L=100个赞，D=20个踩，发布时长t=1天，f(1)=0.9。
2. 计算分数：设ω=0.5，Score = (100 - 0.5 * 20) * 0.9 = 90 * 0.9 = 81。
3. 排序：另一条内容赞踩为(80, 0)，Score=80 * 0.9=72。虽然赞数少，但第一条因“踩”多，分数更高（81>72），但仍会被“踩”影响。若ω=1，则分数为(100-20)*0.9=72，与第二条持平，体现了“踩”的抑制作用。
4. 拉黑：用户A拉黑了用户B，此后A的首页不再显示B发布的视频和动态。

R-1793​

SaaS/工具类软件 (如Notion/Zoom)

用户（个人/团队）、平台

价格/分层与功能规则

SaaS“免费增值 (Freemium) 与功能阉割”模型

提供功能完备的免费版本，但限制核心功能的使用量（如协作人数、文件数量、高级功能）。当用户使用深度增加，触达这些限制时，会强烈感受到不便，从而产生升级到付费版的动力。付费版按功能或用量分层（如个人版、团队版、企业版）。这利用了“损失厌恶”（已形成的使用习惯不愿放弃）和“功能刚需”，实现用户从免费到付费的自然转化。

用量限制驱动升级的分层定价模型

以免费版作为获客和用户体验渠道；通过用量/功能限制制造痛点，推动付费转化；满足不同规模用户的需求。

1. 免费版功能需足够有用，能吸引用户。
2. 限制点需设置在用户产生依赖后必然触及的位置。
3. 付费版价格分层需清晰，价值感知明确。
4. 免费用户向付费用户的转化路径需顺畅。

输入：用户/团队User，当前使用版本Plan（免费Free/付费Paid），资源使用量Usage（如项目数ProjectCount，成员数MemberCount），当前计划的限制Limit(Plan)。
输出：是否达到限制LimitReached，升级推荐UpgradePrompt，推荐付费计划RecommendedPaidPlan。
流程：1. 用户注册即使用免费版，拥有基础功能，但有明确限制（如最多3个项目，最多10个协作者）。
2. 用户使用产品，Usage增加。
3. 当Usage接近或达到Limit(Free)时，系统提示限制，并展示付费计划（如“升级至个人版，解锁无限项目”）。
4. 用户选择付费计划，解除限制，获得更多功能。

中

设免费计划对资源i的限制为L_i_free，付费计划p的限制为L_i_p（通常L_i_p >> L_i_free或无限）。用户当前用量为U_i。
触发升级条件：∃ i, s.t. U_i >= θ * L_i_free，其中θ是阈值（如0.8或1）。
推荐付费计划：选择满足∀ i, L_i_p >= U_i且价格最低的计划p*。

常量：各计划资源限制{L_i_plan}，触发阈值θ。
变量：用户用量{U_i}，当前计划Plan。

存在性判断，不等式，优化（最小化价格）。

1. 用户账户版本信息。
2. 用户资源使用量统计。
3. 产品版本功能与限制配置表。
4. 免费用户转化付费记录。

免费增值，Freemium，分层定价，功能限制，SaaS。

1. 免费使用：用户使用免费版Notion，创建了3个项目（已达免费上限）。
2. 触发限制：当尝试创建第4个项目时，系统提示“免费版最多3个项目，请升级”。
3. 推荐升级：系统推荐“个人版”（月费$4，无限项目）。
4. 决策：用户已依赖Notion管理工作和生活，无法接受项目数限制，选择升级付费。平台成功将用户从免费转化为付费。

R-1794​

知识问答/付费咨询平台 (如知乎/在行)

提问者、答主（专家）、平台

交易/定价与注意力量化规则

付费问答“定价与名人效应”模型

答主（通常是各领域专家、名人）为自己的回答设置一个价格P。提问者支付P后，可以向答主提出一个限定字数的问题，并获得一次性的独家文字/语音回复。价格P量化了答主的时间和知识价值，也作为筛选机制，过滤低质量或随意的问题。高价格往往与答主的名气、专业度正相关，形成“名人效应”，满足提问者获取稀缺注意力和权威答案的需求。

一对一问答的卖方定价与注意力量化模型

为知识/经验变现提供直接渠道；利用价格匹配供需，保障答主回答的积极性与质量；平台通过抽成获利。

1. 答主定价自由，但平台可提供建议区间。
2. 需明确问答的形式、字数、响应时间等规则。
3. 平台需担保交易，确保答主回答问题后提问者才能收到答案并完成支付。
4. 可设置退款或申诉机制。

输入：答主Expert，其设定的回答价格Price，提问者Asker的问题Question，问题长度Length，平台佣金比例CommissionRate。
输出：提问者支付金额Payment，平台佣金PlatformFee，答主收入ExpertIncome，回答状态AnswerStatus。
流程：1. 提问者浏览答主页，看到其设定的价格（如“向我提问，￥199/次”）。
2. 提问者支付Price，提交问题。
3. 答主在约定时间内（如72小时）给出回答。
4. 提问者收到回答，交易完成。平台从Price中抽取佣金Commission，剩余部分支付给答主。

低

设答主定价为P，平台佣金率为c。
提问者支付：Payment = P。
平台收入：PlatformFee = P * c。
答主收入：ExpertIncome = P - PlatformFee = P * (1 - c)。

常量：答主定价P，平台佣金率c。
变量：支付Payment，平台收入PlatformFee，答主收入ExpertIncome。

乘法，减法。

1. 答主主页与定价信息。
2. 付费提问订单记录。
3. 问答内容与交付状态。
4. 平台佣金结算记录。

付费问答，知识变现，卖方定价，名人效应，在行。

1. 定价：某知名投资人设定提问价格为P=2000元/次。
2. 提问：一位创业者想获得建议，支付2000元提问：“如何评估我的初创公司估值？”
3. 回答：投资人在24小时内给出了详细的文字回复，约500字。
4. 结算：平台佣金率c=10%，PlatformFee=200元，ExpertIncome=1800元。创业者获得针对性建议，投资人将知识变现，平台获得佣金。

R-1795​

电商/内容平台 (如亚马逊/得到)

用户、平台

销售/绑定与折扣规则

组合销售“虚拟礼包与单买错觉”模型

将相关联的多个商品（如书籍、课程、配件）打包成一个“礼包”或“套装”出售，套装总价P_bundle显著低于各商品单独购买价之和ΣP_individual。平台会同时展示套装价和“单独购买”的参考总价，制造强烈的“节省了XX元”的感知。这利用了“捆绑折扣”的心理和“完整性需求”（收集一套），促使用户购买更多原本可能不打算买的商品，提升客单价和清仓效率。

互补商品捆绑与参考价格对比模型

提升关联商品的交叉销售；提高客单价和平均订单价值(AOV)；清理库存或推广新品。

1. 捆绑商品需具有相关性或互补性。
2. 折扣需真实、有吸引力。
3. 需清晰展示节省金额，增强感知价值。
4. 允许用户查看套装内商品详情。

输入：商品集合Items = {I1, I2, ..., In}，各商品单独售价{P1, P2, ..., Pn}，捆绑套装Bundle，套装售价P_bundle。
输出：套装总价P_bundle，单独购买总价P_individual_sum，节省金额Savings，用户购买决策Decision（买套装/单买）。
流程：1. 平台识别具有关联性的商品，创建虚拟商品Bundle。
2. 设置套装价格P_bundle，使其满足P_bundle < ΣP_i。
3. 在套装销售页显著展示：套装价：P_bundle，单独购买：ΣP_i，立省：Savings = ΣP_i - P_bundle。
4. 用户选择购买套装，一次性获得所有商品。

低

设套装含n个商品，单独售价为p_i。
单独购买总价：P_ind = sum_{i=1}^{n} p_i。
套装价：P_bundle，且满足P_bundle < P_ind。
节省感知：ΔP = P_ind - P_bundle。
折扣力度：DiscountRate = ΔP / P_ind。

常量：单品价格{p_i}，套装价P_bundle。
变量：单独购买总价P_ind，节省金额ΔP，折扣率DiscountRate。

求和，减法，除法。

1. 商品信息与单独售价。
2. 套装组合配置与套装售价。
3. 套装销售订单记录。
4. 用户浏览与购买转化数据。

捆绑销售，虚拟礼包，参考价格，交叉销售，亚马逊。

1. 商品：书籍A单价50元，书籍B单价40元，书籍C单价30元。
2. 套装：平台将A、B、C打包为“经济学入门三部曲”套装。
3. 定价：单独购买总价P_ind=50+40+30=120元。套装价P_bundle=89元。
4. 展示：页面显示“套装价89元，单独购买120元，立省31元（约26% off）”。
5. 决策：用户原本只想买A（50元），但看到套装仅加39元就能获得B和C（价值70元），感觉非常划算，从而购买套装。平台提升了客单价。

R-1796​

内容推荐平台 (如抖音/今日头条)

用户、内容创作者、平台

运营/分发与成瘾规则

信息流“无限刷新与成瘾性推荐”模型

平台采用“单列沉浸式”信息流，用户只需上下滑动即可切换内容。推荐算法基于用户实时兴趣（点击、停留、点赞、分享）进行毫秒级优化，持续推送高度相关或具有强吸引力的内容。结合“可变奖励”机制（下一个视频未知但可能带来惊喜），利用人类的好奇心和寻求新鲜感的本能，使用户陷入“再刷一个”的循环，极大延长使用时长。

基于实时反馈的沉浸式信息流推荐模型

最大化用户停留时长和互动；通过精准推荐提升用户满意度；利用行为心理学设计成瘾性产品交互。

1. 推荐算法需兼顾兴趣匹配和多样性探索。
2. 需有防沉迷机制（如时间提醒）。
3. 内容需符合法律法规和社区规范。
4. 需保护用户隐私，数据使用需透明。

输入：用户U，当前内容C_t，用户实时行为Action（停留时长DwellTime，点赞Like，分享Share等），用户历史兴趣向量InterestVector，内容特征向量ContentVector。
输出：下一个推荐内容C_{t+1}。
流程：1. 用户启动App，进入信息流，展示第一个推荐内容C_1。
2. 用户对C_t产生行为（如快速划过、长时间停留），系统实时记录并更新InterestVector。
3. 推荐系统根据更新后的InterestVector，从内容池中计算与用户最可能感兴趣的内容C_{t+1}。
4. 用户滑动，C_{t+1}展示，循环步骤2-3。

高

设用户u在时间t的兴趣向量为I_u(t)，内容c的特征向量为F_c。
兴趣更新：I_u(t+1) = α * I_u(t) + β * f(Action_t, F_{c_t})，其中α是遗忘因子，β是学习率，f是将行为映射为兴趣增量的函数。
推荐分数：Score(u, c) = similarity(I_u(t), F_c)。
选择c* = argmax_c Score(u, c)，并加入多样性扰动。

常量：遗忘因子α，学习率β，相似度函数sim。
变量：用户兴趣向量I_u(t)，内容特征F_c，行为Action_t，推荐分数Score。

向量运算，加权平均，相似度计算，优化（最大化）。

1. 用户实时行为流数据。
2. 用户长期兴趣画像。
3. 内容特征向量库。
4. 推荐模型参数与AB测试数据。

推荐系统，信息流，成瘾设计，可变奖励，抖音。

1. 初始状态：用户兴趣向量I_u(0)基于历史数据。
2. 行为反馈：用户看到萌宠视频（F_c1），停留30秒并点赞。系统计算行为反馈向量ΔI = f(‘like', F_c1)。
3. 兴趣更新：I_u(1) = 0.9*I_u(0) + 0.1*ΔI，兴趣向萌宠方向偏移。
4. 下次推荐：计算内容池中所有视频与I_u(1)的相似度，萌宠类视频得分最高，C_2被选中推荐。用户获得满足，继续滑动，循环继续。

R-1797​

信用/租赁平台 (如芝麻信用/共享充电宝)

用户、服务提供商、平台

金融/风控与准入规则

信用分“免押金与特权分级”模型

平台根据用户的历史行为数据（支付履约、租赁记录、身份信息等）计算信用分Score。信用分达到一定阈值T的用户，在享受租赁、住宿、出行等服务时，可免除押金Deposit。更高的信用分还解锁更多特权（如更快退款、专属客服）。这利用“声誉资本”心理，将信用数字化并赋予经济价值，激励用户维持良好信用记录以享受便利和特权。

基于信用分的风险定价与特权准入模型

降低交易摩擦（免押金），提升用户体验；通过信用约束用户行为，降低平台风险；构建信用生态，激励守信。

1. 信用分计算模型需相对公平、透明。
2. 免押金阈值T需基于风险模型动态调整。
3. 用户应有查询和了解信用分构成的权利。
4. 需有信用修复机制。

输入：用户U，信用分CreditScore，服务所需押金Deposit，免押金阈值T，特权分级阈值{T1, T2, ...}。
输出：是否免押金IsDepositFree，用户特权等级PrivilegeLevel。
流程：1. 用户申请使用需押金的服务（如租借充电宝）。
2. 平台查询用户CreditScore。
3. 若CreditScore >= T，则IsDepositFree = True，用户直接使用；否则需支付押金Deposit。
4. 同时，根据CreditScore落入的区间[T_k, T_{k+1})，确定PrivilegeLevel = k，享受相应特权。

中

设信用分为S，免押金阈值为T_d，特权等级阈值为T_1 < T_2 < ... < T_n。
免押金条件：IsDepositFree = 1 if S >= T_d else 0。
特权等级：Level = k, if T_k <= S < T_{k+1}。

常量：阈值T_d, {T_k}。
变量：信用分S，是否免押金IsDepositFree，等级Level。

比较，区间判断。

1. 用户信用分及明细。
2. 各服务免押金阈值配置。
3. 用户履约与违约记录。
4. 信用分变动日志。

信用分，免押金，风险定价，芝麻信用。

1. 查询：用户租借共享充电宝，通常需押金100元。平台查询其芝麻信用分S=650。
2. 判断：该服务免押金阈值T_d=600，S=650 >= 600，因此IsDepositFree = True。
3. 执行：用户直接扫码借用，无需支付100元押金。
4. 特权：用户信用分在650分，还享有“酒店免押金入住”、“租车免押金”等更高等级特权。用户为维持这些便利，会注意按时还款、守约。

R-1798​

电商/服务订阅平台 (如亚马逊Prime/京东Plus)

消费者、平台、合作商家

销售/会员与沉没成本规则

付费会员“前置收费与消费锁定”模型

用户预先支付一笔固定的会员年费P_membership，以换取在会员期内的一系列权益，如免运费、商品折扣、专属服务等。一旦付费，用户会产生“沉没成本”心理，为了“赚回会费”而倾向于在该平台进行更多消费。同时，会员身份带来的专属感和优越感，也提高了用户的粘性和复购率。

预付会费驱动的消费锁定与特权激励模型

提前锁定用户未来一段时间的消费；提升用户忠诚度和生命周期价值(LTV)；通过会员费获得稳定现金流。

1. 会员权益需有足够吸引力，让用户感知价值超过会费。
2. 需清晰展示会员节省金额，强化“回本”感知。
3. 会员期结束后应有便捷的续费提醒和流程。
4. 可提供试用期让用户体验权益。

输入：用户U，会员年费P_membership，会员权益集合Benefits，用户会员期内累计节省金额AccumulatedSavings。
输出：用户会员状态MembershipStatus（是否在籍），会员有效期ExpiryDate。
流程：1. 用户支付P_membership，开通会员，有效期1年。
2. 在会员期内，用户享受免运费、折扣等权益。平台计算并展示用户已节省AccumulatedSavings。
3. 用户为最大化利用权益（赚回会费），更频繁地在平台购物。
4. 会员到期前，平台提醒续费。用户若AccumulatedSavings > P_membership，续费意愿高。

中

设会员费为P，会员期为T（如365天）。在时间t(0<=t<=T)，用户累计节省额为S(t)。
用户心理价值：感知价值V(t) = S(t) + E[FutureSavings(t)]，其中E[FutureSavings]是对剩余时间节省额的预期。
续费决策：在t=T时，若V(T) > P，则用户可能续费。

常量：会员费P，会员期T。
变量：累计节省S(t)，感知价值V(t)。

求和，期望值。

1. 用户会员开通与续费记录。
2. 会员权益使用与节省明细。
3. 会员用户与非会员用户消费对比数据。
4. 会员到期与续费转化数据。

付费会员，沉没成本，消费锁定，亚马逊Prime。

1. 开通：用户支付P=299元开通京东Plus年卡。
2. 权益：享受每月运费券、商品折扣等。第一次购物免运费省15元，购买打折商品省30元，S(t)=45元。
3. 心理：用户心想“已经省了45元，再省254元就回本了”，因此后续购物会优先选择京东。
4. 续费：一年后，S(365)=400元，V=400>299，用户觉得划算，选择续费。平台提前锁定用户一年消费，并获得299元会费。

R-1799​

社交/私密分享平台 (如微信朋友圈/Snapchat)

用户、平台

功能/隐私与发布规则

内容“阅后即焚与限时可见”模型

用户发布的内容（图片、视频、消息）在被接收者查看一次（或一段时间）后自动销毁，或仅在发布后的限定时间（如24小时）内对好友可见，过后自动隐藏。这极大地降低了用户的发布心理压力（担心内容被永久记录和审视），满足了分享瞬间状态和隐私保护的需求，从而鼓励更频繁、更随性的分享行为。

基于时间或次数的内容自毁与限时可见模型

鼓励更轻松、高频的内容分享；满足用户对隐私和内容控制权的需求；创造独特的、具有紧迫感的互动体验。

1. 自毁机制需可靠，确保内容被彻底删除。
2. 需明确告知接收者内容的临时性。
3. 防止截屏等行为可能破坏隐私预期（部分平台会通知截屏）。
4. 服务器应在内容销毁后不留存。

输入：用户发布的内容Content，可见性设置Visibility（如“24小时可见”、“仅一次查看”），发布时间PublishTime，首次查看时间FirstViewTime。
输出：内容当前可见状态VisibleStatus（可见/已销毁），剩余可见时间/次数Remaining。
流程：1. 用户发布内容，选择“限时可见”或“阅后即焚”。
2. 好友在动态中看到该内容，并开始查看。
3. 限时可见：系统检查当前时间T_now，若T_now - PublishTime < 24h，则内容可见；否则自动隐藏。
4. 阅后即焚：接收者打开内容后，系统开始倒计时（如10秒），结束后内容销毁且不可再次查看。

低

限时可见：设发布时间为T_p，可见时长为D。在时间t，内容可见当且仅当t - T_p < D。
阅后即焚：设内容被首次查看的时间为T_v，查看后存活时长为L。在时间t，内容可见当且仅当T_v存在且t - T_v < L。

常量：可见时长D，查看后存活时长L。
变量：当前时间t，发布时间T_p，首次查看时间T_v。

时间差比较，条件判断。

1. 用户发布内容与隐私设置记录。
2. 内容被查看的时间日志。
3. 内容状态（可见/已销毁）记录。
4. 用户发布频率与内容类型数据。

阅后即焚，限时动态，隐私保护，Snapchat，微信朋友圈。

1. 发布：用户在朋友圈发布一张聚会照片，设置“24小时可见”。T_p为发布时刻。
2. 可见期：24小时内，好友可以看到此动态。t - T_p < 24h条件满足。
3. 自动隐藏：24小时后，t - T_p >= 24h，条件不满足，动态自动对所有人不可见。用户不用担心照片长期留存带来的社交压力。

R-1800​

游戏/虚拟世界平台 (如Roblox/原神)

玩家、开发者、平台

经济/交易与稀缺规则

虚拟经济“限量发行与二级市场炒作”模型

平台或开发者发行限定数量N的虚拟物品（如皮肤、道具、数字藏品），并声明永不增发。由于供给固定且稀缺，而需求可能因物品美观、稀有度或文化价值而增长，物品在玩家间的二级交易市场中价格P_market可能远高于发行价P_issue。这模仿了现实世界的收藏品市场，利用玩家的收藏欲、投资投机心理和身份炫耀需求，驱动购买和交易活跃度。

固定供给虚拟资产的发行与二级市场定价模型

创造稀缺性以提升虚拟物品的感知价值和收藏欲望；激励玩家参与活动或付费购买；通过二级市场交易抽成获得持续收入。

1. 发行数量N和永不增发的承诺必须可信且透明。
2. 二级市场需有安全的交易和产权转移机制。
3. 需防范欺诈和炒作风险。
4. 可能涉及合规问题（如是否被视为证券）。

输入：虚拟物品Item，发行总量TotalSupply，发行价格IssuePrice，当前二级市场挂单集合MarketOrders（卖单Ask，买单Bid）。
输出：物品当前市场价MarketPrice（如最新成交价或买卖盘中间价），历史价格走势PriceHistory。
流程：1. 平台以IssuePrice发行TotalSupply份物品，通常通过抽奖、活动或直售，售完即止。
2. 玩家在二级市场（平台内或链上）挂出买卖单，形成订单簿。
3. 市场价MarketPrice由买卖双方供需决定，随交易波动。
4. 平台可能对每笔交易收取手续费。

高

设物品固定总供给为S。在时间t，市场需求函数为D_t(P)，即价格为P时愿意购买的数量。
市场均衡价​ P_t*满足 D_t(P_t*) = S（假设所有供给都在市场流通）。由于S固定，价格完全由需求D_t驱动：P_t* = D_t^{-1}(S)。
价格波动：dP/dt ∝ dD/dt，需求增长则价格上涨。

常量：总供给S。
变量：市场需求函数D_t(P)，市场价P_t*，时间t。

反函数，供需均衡，微分。

1. 虚拟物品发行记录（总量、发行价）。
2. 二级市场订单簿与成交记录。
3. 物品持有者分布数据。
4. 市场交易手续费流水。

虚拟经济，限量发行，稀缺性，二级市场，数字藏品，Roblox。

1. 发行：游戏发行一款限定皮肤，总量S=10000份，发行价P_issue=100元，通过抽奖放出。
2. 初始需求：由于设计精美，有5万名玩家想要，需求远大于供给。
3. 二级市场：获得皮肤的玩家在市场上以P_market=500元挂单，仍有玩家购买。
4. 价格上涨：随着游戏热度上升和新玩家涌入，需求D_t增加，但S不变，导致均衡价P_t*上涨至1000元。早期购买者获利，平台从每次交易中抽成。

R-1801​

视频/直播平台 (如B站/抖音)

观众、创作者、平台

互动/内容与氛围规则

视频“弹幕伪同步社交”模型

允许观众在视频播放时间轴上发送实时评论（弹幕），所有弹幕在对应时间点叠加显示在视频画面上。不同时间进入的观众看到的弹幕是同一时间轴的，创造了“许多人同时观看和评论”的临场感。这解决了异步观看的孤独感，利用从众心理和共鸣需求，将单向观看转化为带有强烈情绪感染和集体仪式感的互动体验。

时间轴对齐的实时评论叠加与氛围营造模型

提升用户互动率和停留时长；营造社区氛围和内容二次创作场景；通过弹幕数据优化内容理解和推荐。

1. 弹幕需有速度、颜色、位置等可控选项，避免完全遮挡画面。
2. 需有弹幕过滤和管理机制（如屏蔽关键词、等级限制）。
3. 弹幕系统需支持高并发和低延迟。
4. 需平衡弹幕数量和观看体验。

输入：视频Video，播放时间点PlaybackTime，用户U发送的弹幕文本Msg，弹幕设置Settings（颜色Color，位置Position）。
输出：在视频时间轴PlaybackTime处叠加显示弹幕Msg，对所有正在观看该时间点的观众可见。
流程：1. 用户A在时间点t发送弹幕Msg_A。
2. 系统将(Msg_A, t, Settings_A)与视频绑定存储。
3. 用户B观看视频，当播放到时间点t时，系统取出所有在t附近时间发送的弹幕并渲染显示。
4. 用户B看到弹幕，可能产生共鸣，也发送弹幕，形成互动循环。

中

设视频总时长为T。在时间点t(0 ≤ t ≤ T)，屏幕上显示的弹幕集合D(t)为：
`D(t) = { (Msg_i, Settings_i)

abs(ts_i - t) < δ }，其中ts_i是弹幕i的发送时间戳，δ是一个小的时间窗口（如0.5秒）。弹幕按其ts_i`顺序渲染。

常量：时间窗口δ，视频时长T。
变量：播放时间t，弹幕发送时间戳ts_i，弹幕集合D(t)。

集合运算，时间窗口判断。

1. 视频播放进度与弹幕发送记录。
2. 弹幕内容、样式与时间戳。
3. 弹幕互动数据（点赞、举报）。
4. 热门弹幕时间点分析。

弹幕，伪同步，临场感，集体仪式，B站。

R-1802​

工具/效率软件 (如石墨文档/ProcessOn)

用户、平台

功能/数据与协作规则

云端“实时保存与历史追溯”模型

用户所有操作（输入、删除、格式修改）均实时同步至云端服务器，无需手动保存。同时，系统自动保存完整的历史版本V1, V2, ... Vn。用户可以查看任一历史版本的内容，并可一键恢复。这解决了因意外（断电、误删）导致工作丢失的焦虑，并支持多人协作时的版本管理和追溯。利用了人类对“失控”的恐惧和对“后悔药”的需求，建立了极强的安全感和信任感。

操作日志的实时同步与版本快照模型

消除用户对数据丢失的焦虑，提升使用安全感；支持多人协作的版本控制与回溯；提升产品可靠性和用户粘性。

1. 实时同步需保证低延迟和高一致性。
2. 历史版本存储需高效，可选择仅保存差异以节省空间。
3. 版本回溯功能需直观易用。
4. 需有明确的版本清理策略（如只保留最近N个版本）。

输入：用户U在文档Doc上的操作序列Ops = {op1, op2, ...}，操作时间戳{t1, t2, ...}。
输出：文档当前内容CurrentContent，历史版本列表VersionList，每个版本对应内容快照Snapshot(V_k)和创建时间t_k。
流程：1. 用户进行任何编辑操作op（如键入字符）。
2. 操作op立即通过网络发送到服务器，服务器应用op到文档状态，并广播给其他协作者（如有）。
3. 服务器定期（如每5分钟）或根据条件（如操作次数）自动创建版本快照Snapshot，并加入VersionList。
4. 用户可浏览VersionList，查看或恢复至任一历史版本。

高

设文档初始状态为S0。每次操作op_i将状态从S_{i-1}转换为S_i，即S_i = apply(op_i, S_{i-1})。
实时状态：经过n次操作后，当前状态S_n = apply(op_n, S_{n-1})。
版本快照：在操作次数k（如每m次操作）或时间间隔Δt，系统保存状态S_k作为一个版本V_j。
历史版本集：`{V_j

V_j = S_{k_j}, k_j 是快照时刻的操作序号}`。

常量：快照触发条件（操作数m或时间间隔Δt）。
变量：文档状态S_i，操作op_i，快照索引k_j，版本V_j。

状态转换函数，条件触发。

1. 文档操作日志（操作类型、内容、位置、作者）。
2. 文档当前完整内容。
3. 历史版本快照与元数据（时间、创建者）。
4. 用户版本查看与恢复记录。

实时协同，版本控制，操作日志，自动保存，石墨文档。

R-1803​

电商/众筹平台 (如淘宝众筹/Kickstarter)

支持者、发起人、平台

销售/预售与生产规则

众筹“目标达成与风险共担”模型

创作者（发起人）设定一个筹资目标G和筹款期限T。在T内，支持者承诺出资P以预购产品或支持项目。规则是：若到期时总筹款额Total ≥ G，则项目成功，平台将资金（扣除手续费）给发起人用于生产，支持者获得回报；若Total < G，则项目失败，所有资金退回支持者。这利用“目标导向”心理和“风险共担”机制，将市场需求验证和生产风险前置于筹资阶段。

全有或全无的阈值筹资与风险管控模型

帮助创新者验证市场需求并获得启动资金；保护支持者资金安全（达不到目标则退款）；平台从成功项目中抽成获利。

1. 筹资目标G和期限T需合理设置。
2. 项目描述和回报承诺需清晰、真实。
3. 资金需由第三方托管，保障安全。
4. 发起人需定期更新项目进展。

输入：项目Project，筹资目标Goal，筹款截止时间Deadline，当前总筹款额TotalFunds，支持者承诺Pledge。
输出：项目状态Status（进行中Ongoing/成功Success/失败Fail），资金处理结果FundsStatus（转给发起人/退回支持者）。
流程：1. 发起人创建项目，设置Goal和Deadline。
2. 在Deadline前，支持者进行支持（支付或承诺支付Pledge）。TotalFunds累加。
3. 到达Deadline，判断：若TotalFunds >= Goal，则项目成功，平台划款给发起人；若TotalFunds < Goal，则项目失败，退款给所有支持者。

中

设目标为G，期限为T，在时间t(0≤t≤T)的累计筹资额为F(t)。
项目成功条件：F(T) ≥ G。
项目失败条件：F(T) < G。
支持者支付函数：在成功条件下，支持者i的支付p_i在t=T后转给发起人；在失败条件下，p_i退回。

常量：目标G，期限T。
变量：累计筹资额F(t)，时间t，支持者支付p_i。

阈值比较，条件逻辑。

1. 项目基本信息与筹资目标。
2. 支持记录与筹款总额时间序列。
3. 项目状态与结果记录。
4. 资金托管与划转记录。

众筹，预售，风险共担，Kickstarter。

1. 发起：某智能硬件项目设G=10万元，T=30天。
2. 筹资：第15天，F(15)=6万元；第25天，F(25)=9.5万元。
3. 冲刺：最后几天，发起人宣传，支持者增加，F(30)=10.5万元。
4. 成功：F(30)=10.5万 > G=10万，项目成功。支持者支付的资金扣除平台费后转给发起人用于生产。若F(30)=9.9万元，则失败退款。

R-1804​

社交媒体/音乐平台 (如网易云音乐/QQ音乐)

用户、平台

运营/个性化与情感规则

音乐“个性化歌单与情感共鸣”模型

基于用户的听歌历史、收藏、搜索、跳过等行为，算法生成高度个性化的歌单，如“每日推荐”、“私人FM”、“年度听歌报告”。这些歌单不仅匹配音乐口味，还常被赋予拟人化名称和文案（如“这是你的夏天记忆”、“深夜治愈歌单”），营造出“懂你”的情感体验。利用“自我相关性”和“情感投射”，使用户对产品产生强烈的情感依赖和归属感。

基于行为的个性化内容聚合与情感化包装模型

提升用户发现音乐的效率和满意度；增强用户对平台的情感粘性和认同感；通过分享个性化报告进行社交传播。

1. 推荐算法需准确捕捉用户音乐偏好。
2. 歌单命名和文案需有创意，能引发情感共鸣。
3. 需平衡推荐的热门度和多样性。
4. 尊重用户隐私，允许用户管理数据和使用偏好。

输入：用户U的历史行为数据History（播放Play，收藏Like，跳过Skip），音乐特征库MusicFeatures，当前上下文Context（时间、心情标签）。
输出：个性化歌单Playlist = {song1, song2, ...}，歌单名称PlaylistName，描述文案Description。
流程：1. 系统分析History，提取用户偏好向量PreferenceVector。
2. 从音乐库中计算每首歌与PreferenceVector的匹配度MatchScore，结合多样性、新鲜度等因素，生成候选歌曲集。
3. 对候选歌曲集进行排序和过滤，生成最终歌单列表。
4. 根据歌单中歌曲的共同特征（如年代、风格、情绪）和Context，生成拟人化的PlaylistName和Description。

高

设用户u的偏好向量为P_u，歌曲s的特征向量为F_s。
基础匹配分：M_base(u, s) = similarity(P_u, F_s)。
上下文与多样性调整：M_final(u, s, C, D) = w1*M_base + w2*ContextMatch(s, C) + w3*Diversity(s, Playlist)，其中C为上下文，D为多样性因子。
歌单生成：选取M_final最高的N首歌，并确保风格/艺术家等有一定分散度。

常量：权重w1, w2, w3，歌单长度N。
变量：用户偏好P_u，歌曲特征F_s，上下文C，匹配分M_final。

向量相似度，加权求和，排序，多样化约束。

1. 用户历史行为数据。
2. 音乐特征向量库。
3. 个性化歌单生成日志。
4. 歌单播放完成率、收藏率等反馈数据。

音乐推荐，个性化，情感化设计，用户画像，网易云音乐。

1. 分析：用户常听90年代华语流行、收藏多首“治愈”标签歌曲，深夜活跃度高。P_u向量在对应维度有高权重。
2. 匹配：计算所有歌曲与P_u的相似度，一批90年代治愈系歌曲得分高。
3. 生成：结合当前时间是“夜晚”，生成名为“深夜书房

R-1805​

内容平台/阅读App (如知乎/微信读书)

读者、作者、平台

运营/激励与注意力规则

内容“打赏与即时情感反馈”模型

在文章、回答、音视频的末尾或任意位置，设置“打赏”按钮。读者可自愿支付任意金额（通常有固定档位，如2元、5元、10元）以赞赏创作者。打赏时可选填公开的祝福语。这为读者提供了一种超越“点赞”的、更强烈的情感表达和经济支持渠道。创作者获得直接的金钱回报和认可，利用“互惠原理”和“支持所爱”的心理，激励其持续创作优质内容。

读者自愿付费与创作者即时激励模型

为创作者提供除广告、订阅外的直接变现方式；增强读者与创作者之间的情感连接；激励社区产生更多高质量原创内容。

1. 打赏金额应完全自愿，且设置合理的档位引导。
2. 平台需明确打赏资金的分成规则（通常平台抽成较低）。
3. 打赏记录和祝福语可公开（可匿名），以形成示范效应。
4. 需防范恶意打赏和洗钱风险。

输入：读者Reader，被赞赏内容Content，打赏金额TipAmount（可选档位或自定义），祝福语Message（可选）。
输出：打赏记录TipRecord，创作者收到通知Notification，实际到账金额CreatorIncome（扣除平台手续费）。
流程：1. 读者阅读内容后，点击“赞赏”按钮。
2. 选择或输入打赏金额TipAmount，可填写Message。
3. 读者确认支付（从账户余额或第三方支付）。
4. 支付成功，系统创建TipRecord，通知创作者，并将CreatorIncome = TipAmount * (1 - CommissionRate)计入创作者账户。

低

设打赏金额为T，平台手续费率为c。
读者支付：Payment = T。
平台收入：PlatformFee = T * c。
创作者收入：CreatorIncome = T - PlatformFee = T * (1 - c)。

常量：平台手续费率c。
变量：打赏金额T，平台收入PlatformFee，创作者收入CreatorIncome。

乘法，减法。

1. 打赏订单记录（打赏者、内容、金额、时间、祝福语）。
2. 创作者收入明细与结算记录。
3. 打赏功能开启的内容列表。
4. 打赏金额分布统计。

打赏，知识付费，情感反馈，创作者经济，微信公众号。

1. 阅读：读者阅读一篇深度分析文章，深受启发。
2. 打赏：文章末尾有“赞赏”按钮，显示“喜欢这篇文章？请作者喝杯咖啡”。读者点击，选择5元档，留言“写得真好！”。
3. 支付：读者确认，支付5元。
4. 结算：平台手续费率c=1%，CreatorIncome = 5 * (1-0.01) = 4.95元。创作者收到4.95元收入和留言通知，获得强烈的正向反馈。

R-1806​

电商/零售平台 (如淘宝/盒马)

消费者、平台、物流

履约/交付与体验规则

生鲜电商“准时达与超时赔付”模型

在用户指定的送达时间段[T_start, T_end]内（如“9:00-11:00”）承诺送达订单。若实际送达时间T_actual晚于承诺最晚时间T_end，则平台提供补偿（如现金券、退款部分金额）。这利用了对“确定性”和“守时”的服务预期，将物流体验从“模糊等待”提升为“精准预期”，并通过赔付承诺建立信任。超时赔付则是对平台自身履约能力的强约束和信誉保证。

基于时间窗口的履约承诺与违约补偿模型

提升用户体验和对配送服务的信任感；倒逼平台优化仓配物流效率；通过高确定性服务形成差异化竞争优势。

1. 时间窗口需合理可选，且具有可操作性。
2. 赔付规则需清晰、自动触发，无需用户申请。
3. 需有准确的物流追踪和实时预估系统。
4. 极端天气等不可抗力因素需有豁免条款。

输入：订单Order，用户选择的送达时间段[T_start, T_end]，订单实际送达时间T_actual，超时赔付规则CompensationRule（如“超时30分钟赔X元”）。
输出：订单履约状态DeliveryStatus（准时OnTime/超时Late），若超时则输出赔付金额Compensation。
流程：1. 用户下单时，在可选时间段中选择一个（如“今天 14:00-16:00”）。
2. 平台调度系统分配运力，承诺在该时间段内送达。
3. 物流配送，系统跟踪预计送达时间。
4. 订单送达，记录T_actual。判断：若T_actual > T_end，则触发赔付，自动发放补偿（如无门槛券）。

中

设承诺时间窗口为[T_s, T_e]，实际送达时间为T_a。
准时条件：T_a ≤ T_e（通常不要求早于T_s）。
超时条件：T_a > T_e。
赔付金额：Comp = f(T_a - T_e)，通常为分段函数，例如：
if 0 < T_a - T_e <= 30min: Comp = 10元
if T_a - T_e > 30min: Comp = 20元。

常量：时间窗口T_s, T_e，赔付函数f。
变量：实际送达时间T_a，超时时长Δt = T_a - T_e，赔付金额Comp。

时间比较，分段函数。

1. 订单与选择的配送时间窗口。
2. 订单实际配送完成时间戳。
3. 超时订单记录与赔付发放记录。
4. 各时间段履约准时率统计。

准时达，服务承诺，超时赔付，确定性物流，盒马。

1. 下单：用户下单选择配送时段[T_s=14:00, T_e=16:00]。
2. 承诺：平台承诺在此时间段送达。
3. 配送：因交通拥堵，订单实际在T_a=16:25送达。
4. 判定与赔付：T_a=16:25 > T_e=16:00，超时Δt=25分钟。根据规则f(25min)=10元，平台自动向用户账户发放10元现金券作为补偿。用户对超时略有不满，但因获得补偿而缓解。

R-1807​

游戏/在线社区 (如《魔兽世界》/Discord)

玩家/用户、公会/社群管理者、平台

组织/管理与激励规则

公会“DKP贡献分配与团队激励”模型

在团队协作玩法（如副本）中，设立一套贡献积分系统（DKP, Dragon Kill Points）。成员通过参与活动、达成目标获得DKP。当稀有掉落物品出现时，成员用自己积累的DKP出价竞拍，价高者得。DKP是团队内部的硬通货，将个人贡献（时间、努力）量化为可交易的“信用”，用于公平分配有限资源，激励持续参与，并建立稳定的团队合作文化。

基于贡献积分的内部竞价与资源分配模型

公平、透明地分配团队合作产出的稀缺资源；激励成员长期、稳定地参与团队活动；构建公会的内部经济体系和凝聚力。

1. DKP获取规则需清晰、公平，与贡献度挂钩。
2. 竞拍规则需透明，防止恶意抬价或“分霸”。
3. DKP系统需有管理工具，记录准确。
4. 需考虑新老成员的DKP平衡问题。

输入：团队成员集合Members，活动/副本Raid，活动产出物品Item，各成员当前DKP余额DKP_balance[m]，成员出价Bid[m]（Bid[m] ≤ DKP_balance[m]）。
输出：物品分配结果Winner，扣除的DKPDKP_cost，成员DKP余额更新。
流程：1. 团队完成活动，产出物品Item。
2. 开启团队内竞拍，有需求的成员在DKP额度内出价Bid。
3. 出价截止，出价最高者Winner获得物品。
4. 从Winner的DKP余额中扣除其出价DKP_cost = Bid[Winner]。
5. 所有参与活动的成员根据规则获得基础DKP奖励。

中

设物品I，参与竞拍的成员集合M。成员m的出价为b_m，其DKP余额为d_m，出价需满足0 ≤ b_m ≤ d_m。
胜出者：w = argmax_{m in M} b_m。若最高出价并列，则按预设规则（如roll点）决定。
DKP扣除：胜出者w的新DKP余额为d_w' = d_w - b_w。
DKP奖励：参与活动成员j获得基础奖励Δd，d_j' = d_j + Δd。

常量：基础DKP奖励Δd。
变量：成员DKP余额{d_m}，出价{b_m}，胜出者w。

最大化函数，条件约束（b_m ≤ d_m），算术运算。

1. 团队成员名单与DKP余额表。
2. 活动记录与产出物品日志。
3. DKP变动流水（获取、消费）。
4. 物品竞拍记录与分配结果。

DKP，贡献积分，团队激励，资源分配，MMORPG。

1. 活动与产出：团队击败Boss，掉落稀有武器。
2. 出价：成员A（DKP余额150）出价100，B（余额120）出价80，C（余额200）出价120。
3. 裁决：最高出价为C的120。w = C。
4. 分配与扣除：C获得武器，其DKP更新为d_C' = 200 - 120 = 80。
5. 奖励：所有参与活动的20名成员各获得Δd=10点DKP。A的余额变为150+10=160，B变为120+10=130。系统奖励了参与，并消耗了C的积累来分配稀缺品。

R-1808​

内容平台/社区 (如小红书/大众点评)

用户（内容消费者）、用户（内容创作者）、平台

运营/分发与质量规则

内容“去中心化流量与长尾曝光”模型

平台不将所有流量集中于头部创作者，而是通过算法，在用户首次发布内容后，先给予一个较小的、基于标签和位置的初始推荐流量池Flow_initial（如100-500曝光）。根据内容在该初始池中的互动数据（点赞率、收藏率、完播率等）决定是否进入更大的推荐池。这给了新创作者和优质长尾内容“冷启动”的机会，激励普通用户创作，利用“公平感”和“希望”来维持内容生态的多样性。

基于初始流量池表现的阶梯式推荐模型

激励新用户和普通用户进行内容创作，降低冷启动门槛；通过数据反馈筛选优质长尾内容；维持内容生态的多样性和健康度。

1. 初始流量池的大小和用户匹配需合理。
2. 晋升到更大流量池的阈值（互动率）需科学设定。
3. 需防止黑产通过互刷互动数据骗取流量。
4. 算法需考虑内容多样性，避免同质化。

输入：新发布内容Content，其标签Tags，位置Location，初始推荐流量池大小N_initial，内容在初始池中的互动数据Metrics_initial（点赞率LR，收藏率CR等）。
输出：内容是否晋级Promote，下一级流量池大小N_next。
流程：1. 内容发布后，系统根据Tags和Location，将其推荐给N_initial个可能感兴趣的用户。
2. 统计在初始曝光下的Metrics_initial。
3. 若Metrics_initial超过预设阈值Threshold，则算法判定内容优质，将其推荐给更大的流量池N_next（如数千人），并可能进入更高层级推荐。
4. 若未达标，则推荐量逐渐衰减。

高

设内容c的初始曝光量为E0，获得的互动数（点赞、收藏等）为I0。
初始互动率：R0 = I0 / E0。
晋级条件：R0 > θ且 绝对互动数I0 > I_min。θ为互动率阈值，I_min为最小互动数阈值，防止低曝光下的偶然高比率。
若满足条件，则下一级曝光量E1 = α * E0，α > 1。

常量：初始曝光E0，互动率阈值θ，最小互动数I_min，放大因子α。
变量：初始互动数I0，初始互动率R0，下一级曝光E1。

比率计算，阈值比较，条件判断。

1. 内容发布元数据（标签、位置、时间）。
2. 内容在各级流量池的曝光与互动数据。
3. 流量池晋级规则与阈值配置。
4. 内容生命周期表现分析。

去中心化，流量池，冷启动，长尾内容，小红书。

1. 发布：用户发布一篇探店笔记，标签“美食、上海”，系统给予E0=200次初始曝光。
2. 初始数据：在200次曝光中，获得20个点赞，5个收藏。I0=25，R0=25/200=12.5%。
3. 判断：假设晋级条件为R0>10%且I0>15。12.5%>10%且25>15，条件满足。
4. 晋级：系统将内容推荐到更大的流量池，E1=5 * 200=1000次曝光。优质内容获得了继续传播的机会。

R-1809​

出行/服务平台 (如滴滴/美团)

乘客/客户、司机/服务者、平台

交易/匹配与动态规则

网约车“动态加价与供需调节”模型

在用车高峰期（如雨天、早晚高峰）或车辆稀缺区域，平台基于实时供需关系计算一个“动态加价倍数Multiplier”（如1.5倍、2.0倍）。加价部分SurgePrice = BasePrice * (Multiplier - 1)。高价一方面抑制部分非紧急需求，另一方面激励更多司机上线或前往该区域，从而更快地恢复供需平衡。这模仿了市场的价格调节机制，但由算法实时控制。

基于实时供需比的动态价格调节模型

在供需失衡时，通过价格杠杆快速调节需求、激励供给；提升订单成交率，减少乘客等待时间；在高峰期为平台和司机创造更高收益。

1. 动态加价倍数应有上限，避免过高引发用户反感。
2. 加价规则和实时供需情况应尽可能透明展示给用户。
3. 需有效识别和防止司机恶意不出车等待加价。
4. 加价收益应在平台和司机间合理分配。

输入：区域Zone，当前时间T_now，该区域实时需求Demand(t)（下单乘客数），实时供给Supply(t)（可用司机数），基础价格BasePrice，加价算法SurgeAlgorithm。
输出：当前动态加价倍数Multiplier，乘客端预估价格EstimatedPrice = BasePrice * Multiplier。
流程：1. 系统实时监控各区域Demand(t)和Supply(t)。
2. 计算供需比R(t) = Demand(t) / Supply(t)。
3. 根据R(t)和算法SurgeAlgorithm，确定该区域的Multiplier(t)。R(t)越大，Multiplier(t)通常越高。
4. 乘客下单时，按Multiplier(t)计算实时价格并明确提示。

高

设供需比为R(t) = D(t)/S(t)。
动态加价倍数：M(t) = f(R(t))，其中f是一个单调非减函数。常见形式为分段函数或连续函数，例如：
if R(t) < 1.5: M(t) = 1.0
if 1.5 ≤ R(t) < 3.0: M(t) = 1.0 + (R(t)-1.5) * k
if R(t) ≥ 3.0: M(t) = M_max。
其中k为斜率，M_max为最高加价倍数上限。

常量：供需比阈值R_low, R_high，斜率k，上限M_max，基础价P_base。
变量：实时需求D(t)，实时供给S(t)，供需比R(t)，加价倍数M(t)。

比率计算，分段函数，单调性。

1. 区域网格实时供需数据。
2. 历史供需与价格数据。
3. 动态加价算法参数与版本。
4. 订单成交率、应答率与价格敏感度分析。

动态定价，加价，供需调节，网约车，滴滴。

1. 监测：晚高峰市中心区域，需求D(t)=100人，供给S(t)=30辆车，R(t)=100/30≈3.33。
2. 计算：根据算法f，R(t)=3.33≥3.0，故M(t)=M_max=2.0（假设上限2倍）。
3. 报价：行程基础价P_base=30元，乘客端显示“当前需求旺盛，价格上浮至2.0倍，预估车费60元”。
4. 调节：部分乘客因高价放弃或改乘地铁，D(t)下降；部分司机看到高溢价前往该区域，S(t)上升。R(t)逐渐向1靠近，M(t)回落。

R-1810​

游戏/应用商店 (如Steam/App Store)

玩家/用户、开发者、平台

销售/促销与发现规则

游戏平台“试玩版与愿望单”模型

提供游戏的限时或限内容免费试玩版（Demo）。玩家试玩后，若感兴趣可将其加入“愿望单”。愿望单是玩家的个性化收藏列表。游戏正式发售、打折或推出重大更新时，平台会向愿望单用户推送通知。这降低了玩家的决策门槛（先试后买），并为开发者提供了精准的潜在客户列表和预售热度参考，利用“体验营销”和“提醒唤醒”促进销售转化。

降低门槛的体验式营销与需求蓄水池模型

降低玩家购买决策风险，提升转化率；为开发者提供有效的预售营销和需求预测渠道；增加用户粘性和平台活跃度。

1. 试玩版需能展现游戏核心乐趣，但内容量或功能有限制。
2. 愿望单添加和通知功能需便捷、无干扰。
3. 开发者可查看愿望单数据，但需保护用户隐私。
4. 试玩版存档可继承至正式版为佳。

输入：游戏Game，试玩版Demo，用户U，用户行为Action（下载试玩PlayDemo，添加愿望单AddToWishlist），游戏状态GameStatus（发售Release，打折OnSale）。
输出：用户的愿望单列表Wishlist_U，通知消息Notification（当愿望单中游戏状态变化时）。
流程：1. 用户浏览游戏商店，可下载或在线试玩Demo。
2. 试玩后，用户若感兴趣可点击“添加至愿望单”，游戏进入Wishlist_U。
3. 当游戏Game状态变为Release或OnSale时，系统向所有Wishlist_U中包含Game的用户推送Notification。
4. 用户收到通知，可能点击进入商店页面完成购买。

中

设游戏g，用户u。用户愿望单W_u是一个游戏集合。
愿望单添加：W_u' = W_u ∪ {g}。
通知触发：当g的状态发生变化（如发售、打折），对集合`{u

g ∈ W_u}`中的所有用户发送通知。

常量：游戏g，状态变化事件Event。
变量：用户愿望单集合W_u，目标用户集合`{u

g ∈ W_u}`。

集合运算（并集，属于），事件触发。

1. 游戏试玩版下载与游玩数据。
2. 用户愿望单列表数据。
3. 游戏状态更新（发售、打折）记录。
4. 愿望单通知的点击与购买转化数据。

R-1811​

社交网络平台 (如Facebook/微信)

用户、平台

连接/推荐与增长规则

好友“你可能认识的人”推荐模型

基于多种信号（共同好友数N_common、社交图谱距离D_graph、资料相似度Sim_profile、同城/同公司/同学校等）计算用户U与陌生人S的连接推荐分数Score。高分者被推荐为“你可能认识的人”。这利用“三元闭包”原理（朋友的朋友更可能成为朋友）和“同质性”原理，降低用户建立社交关系的成本，促进网络扩张。

基于多维度相似度的社交关系推荐模型

帮助用户快速发现和建立现实社交关系的线上连接；增加用户粘性和社交图谱密度；促进平台活跃度和网络效应。

1. 推荐需有较高准确性，避免推荐完全不相关的人。
2. 需尊重用户隐私，不能泄露敏感信息。
3. 用户应有控制权（如屏蔽推荐来源）。
4. 需考虑推荐频率，避免骚扰。

输入：用户U，候选陌生人集合Candidates，特征信号：共同好友数N_common(U,S)，社交距离D_graph(U,S)（如最短路径长度），资料相似度Sim_profile(U,S)，背景重叠Overlap_background(U,S)（公司、学校等）。
输出：推荐列表Recommendations，按推荐分数Score(U,S)降序排列。
流程：1. 从用户U的社交图谱（二度、三度人脉）和背景信息中提取候选集Candidates。
2. 对每个候选S，计算各项特征信号。
3. 加权求和得到推荐分数：Score(U,S) = w1*N_common + w2*(1/D_graph) + w3*Sim_profile + w4*Overlap_background。
4. 按Score排序，取Top N作为推荐。

高

Score(U,S) = Σ (w_i * f_i(U,S))，其中f_i是第i个特征信号函数，w_i是其权重。
特征函数示例：
f1 = N_common(共同好友数)
f2 = 1 / D_graph(社交距离的倒数)
f3 = cosine_similarity(ProfileVector_U, ProfileVector_S)
f4 = I(company_U == company_S) + I(school_U == school_S) + ...(背景重叠指示函数)。

常量：特征权重{w_i}，推荐列表长度N。
变量：用户U，候选S，特征值f_i(U,S)，推荐分数Score。

加权求和，相似度计算（余弦相似度），倒数函数，指示函数。

1. 用户社交关系图谱（好友列表）。
2. 用户个人资料信息。
3. 好友推荐计算日志与分数。
4. 推荐点击/添加好友转化率。

社交推荐，三元闭包，同质性，Facebook。

1. 候选生成：用户A的好友有B、C。B的好友有D（A不认识）。D被纳入候选集。
2. 特征计算：A与D的共同好友是B，N_common=1。社交距离D_graph=2（A->B->D）。资料相似度Sim_profile=0.6。同公司，Overlap_background=1。
3. 分数计算：Score = 0.5 * 1 + 0.3*(1/2) + 0.1 * 0.6 + 0.1 * 1 = 0.5 + 0.15 + 0.06 + 0.1 = 0.81。
4. 推荐：分数较高，D出现在A的“你可能认识的人”列表中。

R-1812​

电商平台 (如淘宝/京东)

消费者、平台

营销/转化与挽回规则

购物车“降价与优惠券提醒”挽回模型

监控用户加入购物车但未购买的商品。当这些商品降价ΔP，或平台发放了适用于该商品的优惠券Coupon时，通过推送通知、短信或App消息提醒用户。这利用了用户对商品的已有兴趣（已加入购物车）和“损失厌恶”（害怕错过优惠）心理，刺激犹豫用户完成购买，提升购物车转化率。

基于购物车行为的精准营销与挽回模型

挽回即将流失的潜在订单；提升购物车到订单的转化率；清理库存或推广特定商品。

1. 降价或优惠信息需真实、有吸引力。
2. 提醒频率需适度，避免过度骚扰。
3. 优惠需有时效性，制造紧迫感。
4. 需精准匹配用户兴趣和商品。

输入：用户U，购物车商品列表CartItems，商品当前价格Price_current(t)，历史加入购物车时价格Price_added(t0)，可用优惠券列表ApplicableCoupons。
输出：是否触发提醒TriggerAlert，提醒内容AlertContent（如“您购物车中的XX商品降价X元！”）。
流程：1. 系统定期扫描用户购物车中未购买的商品。
2. 对比商品当前价Price_current和加入时价Price_added，若Price_current < Price_added，则计算降价幅度ΔP。
3. 检查是否有该商品可用的新优惠券。
4. 若满足降价或发券条件，则生成提醒消息，通过合适渠道发送给用户。

中

设商品i，用户加入购物车时价格为P_i0，当前价格为P_i(t)。
降价触发：Trigger_PriceDrop = 1 if P_i(t) < P_i0 else 0。
优惠券触发：Trigger_Coupon = 1 if ∃ coupon c applicable to item i and c is new else 0。
总触发：TriggerAlert = Trigger_PriceDrop OR Trigger_Coupon。
提醒内容：若Trigger_PriceDrop，则AlertContent = f"商品{i}降价{P_i0 - P_i(t)}元"。

常量：价格比较阈值（通常为P_i(t) < P_i0）。
变量：历史价P_i0，现价P_i(t)，优惠券可用性Trigger_Coupon。

比较运算，逻辑或。

1. 用户购物车商品与加入时间、加入时价格。
2. 商品实时价格与历史价格。
3. 优惠券发放与适用商品规则。
4. 购物车降价提醒发送与转化记录。

购物车营销，降价提醒，用户挽回，转化率。

1. 监控：用户将商品G加入购物车，加入时价格P0=100元。
2. 检测：三天后，商品G参与促销，P(t)=85元。系统检测到P(t)=85 < P0=100，Trigger_PriceDrop=1。
3. 生成提醒：降价幅度ΔP=15元。生成提醒“您购物车中的商品G已降价15元！”。
4. 发送与转化：推送通知给用户。用户点击通知，看到降价，决定下单购买。

R-1813​

新闻/内容聚合平台 (如微博/今日头条)

用户、内容创作者、平台

运营/排序与热度规则

热点“实时热搜榜”生成模型

基于短时间内（如1小时）内容（博文、文章、视频）的互动数据（阅读量Reads，讨论量Discussions，搜索量Searches）的加权综合热度值H(t)，并考虑时间衰减Decay(t)。按H(t)实时排序生成榜单（如热搜榜）。这利用“从众心理”和“信息饥渴”，将公众注意力快速聚焦于当前最受关注的事件，提升平台时效性和用户参与度。

基于多指标加权和时间衰减的热度实时计算与排序模型

快速捕捉和呈现当前最受关注的话题；引导公众讨论，提升平台活跃度；为内容创作者提供流量风向标。

1. 热度计算需兼顾速度（实时性）和公平性（防刷榜）。
2. 需有敏感词过滤和人工审核机制。
3. 榜单更新频率需合理（如每分钟更新）。
4. 可展示热度变化趋势（如“新”、“上升”标签）。

输入：内容项Item（如话题），在时间窗口Δt内的互动数据：阅读量R，讨论量D（转发+评论），搜索量S。时间衰减因子f(τ)，τ为距离当前的时间差。
输出：内容项实时热度值H(t)，热搜榜单HotList（按H(t)降序排列）。
流程：1. 系统实时收集各内容项在最近Δt（如1小时）内的R, D, S数据。
2. 计算原始热度H_raw = w1*R + w2*D + w3*S。
3. 应用时间衰减：H(t) = H_raw * f(τ)，τ为数据时间距现在的差值。
4. 对所有内容项按H(t)排序，取Top N生成HotList。

高

设内容项i，在时间窗口[t-Δt, t]内，其阅读、讨论、搜索量分别为R_i, D_i, S_i。时间衰减函数为f(τ)，通常f(τ)=exp(-λτ)，λ为衰减系数。
实时热度：H_i(t) = (α*R_i + β*D_i + γ*S_i) * f(τ_i)，其中τ_i是i的最新互动时间距t的差值，α,β,γ为权重。

常量：时间窗口Δt，权重α,β,γ，衰减系数λ，榜单长度N。
变量：互动量R_i, D_i, S_i，时间差τ_i，热度H_i(t)。

加权求和，指数衰减，排序。

1. 内容项实时互动数据流。
2. 热搜榜单历史快照。
3. 热度计算参数与权重配置。
4. 防刷榜异常检测日志。

热搜榜，热度算法，时间衰减，微博热搜。

1. 数据收集：话题“#新电影上映#”在过去1小时内，R=50万，D=5万，S=2万。最新一条相关博文在10分钟前发布，τ=10分钟。
2. 计算原始热度：设权重α=1, β=3, γ=2（讨论权重高），H_raw = 1 * 50 + 3 * 5 + 2 * 2 = 50+15+4=69（单位：万）。
3. 时间衰减：设λ=0.05每分钟，f(10)=exp(-0.05 * 10)=0.6065。H(t)=69 * 0.6065≈41.85。
4. 排序：计算所有话题的H(t)，此话题得分41.85，若排名前10则进入热搜榜。

R-1814​

SaaS/软件服务 (如Photoshop/Figma)

用户、平台

销售/转化与体验规则

软件“免费试用期”转化模型

提供产品的全功能版本，让用户免费试用一段固定时间T_trial（如7天、30天）。试用期结束后，若用户未付费订阅，则自动降级为功能受限的免费版或完全无法使用。这降低了用户的初始使用门槛，让其充分体验产品价值，利用“禀赋效应”（试用后产生依赖）和“损失厌恶”（不想失去已习惯的功能）促进付费转化。

限时全功能体验与到期降级模型

降低用户决策风险，提供深度体验机会；在用户产生依赖后通过功能限制制造付费动机；获取潜在付费用户线索。

1. 试用期长度T_trial需足够用户体验核心价值。
2. 试用期结束前需有明确提醒。
3. 免费版与付费版功能差异需清晰且有吸引力。
4. 试用期注册流程需简化。

输入：用户U，试用开始时间T_start，试用期长度T_trial，当前时间T_now，用户付费状态PaymentStatus。
输出：用户当前软件权限AccessLevel（试用Trial/付费Paid/免费Free）。
流程：1. 用户注册，选择开始试用，记录T_start。
2. 在[T_start, T_start+T_trial]内，用户拥有全功能权限AccessLevel=Trial。
3. 当T_now > T_start + T_trial且PaymentStatus=未付费时，系统自动将AccessLevel降为Free（功能受限）。
4. 用户付费后，AccessLevel升级为Paid。

低

设试用期长度为L，试用开始时间为T0，当前时间为t，付费状态为P（P=1付费，P=0未付费）。
权限函数：
AccessLevel(t) =
"Trial" if (t - T0 ≤ L) and P=0
"Paid" if P=1
"Free" if (t - T0 > L) and P=0。

常量：试用期长度L。
变量：试用开始时间T0，当前时间t，付费状态P。

时间差比较，条件判断。

1. 用户试用开始时间记录。
2. 用户付费状态与时间记录。
3. 软件版本与功能权限配置。
4. 试用用户转化付费数据。

免费试用，转化漏斗，损失厌恶，SaaS。

1. 开始试用：用户1月1日注册，T0=2025-01-01，试用期L=7天。
2. 试用期：1月1日至1月7日，AccessLevel="Trial"，用户可使用所有高级功能。
3. 到期检查：1月8日，t - T0 = 7天，等于L。系统检查P=0（未付费）。
4. 降级：t - T0 > L条件满足，AccessLevel自动变为"Free"，高级功能被禁用。用户若想继续使用，需付费订阅。

R-1815​

金融科技/消费分期平台 (如花呗/信用卡)

消费者、商家、平台/银行

金融/支付与平滑消费规则

消费“分期付款与手续费”模型

用户进行大额消费Amount时，可选择将总金额分成N期（如3、6、12期）支付，每期支付本金Amount/N加上手续费Fee_per_period（或利息）。手续费率r可能随期数N变化。这通过将大额支出转化为小额定期支付，降低了单次支付压力，利用“心理账户”和“支付痛苦”平滑，刺激了用户的大额消费意愿。

本金等额分期与手续费附加模型

降低大额消费的支付门槛，刺激消费；通过收取手续费/利息获得金融收入；提升用户粘性和支付工具使用频率。

1. 分期期数N和手续费率r需清晰公示。
2. 需计算并展示每期应还总额(Amount/N + Fee)。
3. 用户需有稳定的还款能力评估。
4. 需遵守相关金融监管规定。

输入：消费总金额Amount，分期期数N，年化手续费率r_annual（或每期费率r_period）。
输出：每期还款金额Payment_per_period，总手续费TotalFee，总还款额TotalPayment。
流程：1. 用户支付时选择分期，期数N。
2. 系统根据N和Amount，按照费率规则计算每期手续费Fee_per_period或总手续费TotalFee。
3. 计算Payment_per_period = Amount/N + Fee_per_period。
4. 用户确认后，交易完成，后续每月按期还款。

中

设总金额为A，期数为N，每期手续费率为r_p（或总手续费率为R）。
等额本金分期：每期本金P = A / N。
手续费计算（常见两种）：
1. 每期固定手续费：Fee_per = A * r_p，总手续费TotalFee = N * A * r_p。
2. 总手续费平摊：TotalFee = A * R，则Fee_per = TotalFee / N。
每期还款额：Payment_per = P + Fee_per。
总还款额：TotalPayment = A + TotalFee。

常量：总金额A，期数N，费率r_p或R。
变量：每期本金P，每期手续费Fee_per，总手续费TotalFee，每期还款Payment_per，总还款TotalPayment。

除法，乘法，加法。

1. 分期交易订单记录（金额、期数、费率）。
2. 每期还款计划与实收记录。
3. 用户分期手续费收入统计。
4. 不同期数费率配置表。

分期付款，手续费，等额本金，消费金融。

1. 选择分期：用户消费A=12000元，选择N=12期，每期手续费率r_p=0.5%。
2. 计算：每期本金P=12000/12=1000元。每期手续费Fee_per=12000 * 0.5%=60元。
3. 还款计划：Payment_per=1000+60=1060元。TotalFee=12 * 60=720元。TotalPayment=12000+720=12720元。
4. 支付：用户首期支付1060元，之后每月支付1060元，共12期。感觉每月压力小，更愿意消费。

R-1816​

在线教育/学习平台 (如扇贝单词/多邻国)

学习者、平台

运营/激励与习惯规则

学习“连续打卡与奖励”模型

要求用户每天完成一定学习任务（如背单词、上课）并手动点击“打卡”。连续打卡天数Streak会被记录并展示。连续打卡可获得虚拟奖励（积分、徽章），打卡中断则Streak重置为0。这利用“承诺一致性”和“损失厌恶”（不想断掉连续记录），以及“游戏化”的即时反馈，帮助用户建立稳定的学习习惯。

基于连续天数的行为激励与习惯养成模型

激励用户每日登录和完成学习任务，提升用户粘性和活跃度；通过积累成就感促进习惯养成；增加产品使用频率。

1. 打卡任务需难度适中，易于每日完成。
2. 连续打卡奖励需有吸引力，且随天数增加而增加。
3. 需有明确的打卡时间界定（如每日0点重置）。
4. 可提供“补打卡卡”等容错机制（需付费或做任务获得）。

输入：用户U，上次打卡日期LastCheckinDate，当前日期Today，连续打卡天数CurrentStreak。
输出：今日是否可打卡CanCheckin，打卡后新的连续天数NewStreak，应获奖励Reward。
流程：1. 用户完成当日学习任务。
2. 用户点击“打卡”按钮。系统检查Today与LastCheckinDate。
3. 若Today - LastCheckinDate = 1天，则NewStreak = CurrentStreak + 1；若Today - LastCheckinDate > 1天，则NewStreak = 1（中断重置）。
4. 根据NewStreak发放对应Reward（如第7天奖励大）。更新LastCheckinDate = Today。

低

设上次打卡日期为L，当前日期为C，当前连续天数为S。
连续判断：Δ = C - L（以天为单位）。
新连续天数：
S' = S + 1 if Δ == 1
S' = 1 if Δ > 1。
奖励函数：Reward = f(S')，通常f是S'的非递减函数，在特定里程碑（如7, 30, 100天）有跳跃。

常量：日期差Δ，奖励函数f。
变量：上次打卡日L，当前日C，当前连续天数S，新连续天数S'，奖励Reward。

日期差计算，条件判断，函数映射。

1. 用户每日打卡记录。
2. 用户当前连续打卡天数。
3. 打卡奖励发放记录。
4. 用户活跃度与打卡坚持相关性分析。

打卡，习惯养成，游戏化，连续奖励，多邻国。

1. 历史：用户连续打卡S=5天，上次打卡L=1月5日。
2. 今日打卡：1月6日，用户完成任务点击打卡。C=1月6日，Δ = C - L = 1天。
3. 更新：Δ == 1，因此S' = 5+1 = 6天。根据规则，连续6天奖励10积分，Reward=10。
4. 中断：若用户1月7日未打卡，1月8日才打卡，则Δ = 8日-5日=3天 >1，S'重置为1。用户损失了连续记录，激励其明日继续以免再次中断。

R-1817​

本地生活/服务预约平台 (如美团/大众点评)

消费者、商家、平台

履约/排队与体验规则

餐厅“线上取号与虚拟排队”模型

用户可在到店前通过App远程获取排队号码QueueNumber，并实时查看当前叫号进度CurrentServing和预估等待时间EstimatedWaitTime。过号后需重新排队或顺延几位。这将物理排队数字化，节省用户现场等待时间，提升体验；同时为商家提供客流预测和管理工具。利用“时间确定性”和“远程参与感”减少等待焦虑。

基于先到先服务的数字排队与进度同步模型

优化用户到店体验，减少无效等待时间；帮助商家管理排队，提高翻台率预测准确性；提升平台服务价值。

1. 排队号码发放需公平（先到先得）。
2. 等待时间预估需相对准确，并动态调整。
3. 过号处理规则需明确（如过号后顺延3桌）。
4. 需防止黄牛恶意占号。

输入：用户取号请求Request，商家当前叫号CurrentServing，各桌位状态TableStatus，历史用餐时间数据。
输出：排队号码QueueNumber，前方等待人数Ahead，预估等待时间EWT。
流程：1. 用户选择商家、人数，点击“线上取号”。
2. 系统生成递增的QueueNumber，并放入该商家的虚拟排队队列。
3. 系统根据CurrentServing和QueueNumber计算Ahead = QueueNumber - CurrentServing。
4. 根据Ahead、桌位数、平均用餐时间，估算EWT并展示给用户。
5. 用户可远程查看进度，在快轮到时前往。

中

设当前叫号为C，用户号码为Q，前方等待桌数为A = Q - C（假设Q>C）。
设商家有T个桌位，平均每桌用餐时间为M分钟。
预估等待时间：EWT = A * M / T。这是理想情况，实际需根据桌位大小匹配、过号等调整。

常量：桌位数T，平均用餐时间M。
变量：当前叫号C，用户号码Q，前方等待桌数A，预估等待时间EWT。

减法，乘法，除法。

1. 商家排队队列实时数据。
2. 用户取号记录与号码。
3. 桌位状态与翻台时间历史数据。
4. 预估等待时间与实际等待时间对比。

线上排队，虚拟排队，等待时间预估，大众点评。

1. 取号：用户线上取号，Q=25号。商家当前叫号C=18号。
2. 计算等待：A = 25-18 = 7桌在前方。
3. 预估时间：商家有T=10桌，平均用餐时间M=40分钟。EWT = 7 * 40 / 10 = 28分钟。
4. 进度同步：用户看到还需等待约28分钟，可在附近逛街，通过App查看叫号进度（如“当前叫到20号”），适时前往。

R-1818​

游戏/移动应用 (如各类手游)

玩家、平台

运营/留存与活跃规则

登录“每日签到与累计奖励”模型

玩家每日登录游戏后，可手动点击“签到”领取当日奖励Reward_day。奖励通常逐日递增或按周期（如7天）循环。连续签到N天后可获得额外的大奖Reward_bonus。中断签到则从周期第一天重新开始。这利用“损失厌恶”（不想断签损失累计奖励）和“即时反馈”（每日小奖励）激励玩家每日上线，提升日活跃用户数(DAU)。

基于连续登录天数的周期性奖励发放模型

提升玩家每日登录率和游戏活跃度；培养玩家每日上线的习惯；通过奖励反馈增加玩家正向体验。

1. 每日奖励需有吸引力，且周期奖励价值更高。
2. 签到操作需简单快捷（一键领取）。
3. 签到进度需清晰展示（日历形式）。
4. 可设置补签机制（消耗游戏内货币）。

输入：玩家P，上次签到日期LastCheckinDate，连续签到天数CurrentStreak，当前日期Today，签到奖励表RewardCalendar（第d天奖励R_d）。
输出：今日是否可签到CanCheckin，签到后获得奖励Reward_today，新的连续天数NewStreak。
流程：1. 玩家登录游戏，进入签到界面。
2. 系统检查Today与LastCheckinDate，判断是否为新的一天且未签到。
3. 若可签到，根据CurrentStreak计算NewStreak（连续则+1，中断则重置为1）。根据NewStreak从RewardCalendar中读取Reward_today并发给玩家。
4. 更新LastCheckinDate = Today，CurrentStreak = NewStreak。

低

设上次签到日为L，当前日为C，当前连续天数为S，奖励日历为映射R: day -> reward。
连续判断：Δ = C - L。
新连续天数：
S' = (S mod 7) + 1 if Δ == 1（7天循环）
或 S' = S + 1 if Δ == 1（无限累加）
S' = 1 if Δ > 1（中断重置）。
今日奖励：Reward_today = R(S')。

常量：奖励日历映射R，周期长度（如7）。
变量：上次签到日L，当前日C，当前连续天数S，新连续天数S'，今日奖励Reward_today。

日期差计算，取模运算，条件判断，映射查询。

1. 玩家每日签到记录。
2. 签到奖励配置表。
3. 玩家连续签到天数。
4. 签到活动参与率与留存分析。

每日签到，累计奖励，用户留存，游戏化，手游。

1. 状态：玩家连续签到S=3天，上次签到L=1月5日。
2. 今日签到：1月6日登录，C=1月6日，Δ=1天。可签到。
3. 计算：采用7天循环，S' = (3 mod 7) + 1 = 4。查奖励表R(4)=20金币。
4. 发放：玩家获得20金币，S更新为4。若1月7日未登录，1月8日签到则Δ=2>1，S'重置为1，领取第1天奖励。

R-1819​

即时通讯软件 (如微信/iMessage)

消息发送方、接收方、平台

功能/反馈与沟通规则

消息“已读回执”状态同步模型

当接收方R查看（打开）了发送方S发送的消息M后，平台自动向S发送一个“已读”状态通知，并在S的界面将M标记为“已读”。这提供了消息送达后的确认反馈，减少了发送方对消息是否被看到的焦虑，但也可能带来“必须回复”的压力。利用“确定性需求”和“社交压力”，塑造不同的沟通礼仪。

基于消息查看事件的阅读状态同步模型

为发送方提供消息已被接收方阅读的确认；减少沟通中的不确定性；塑造清晰的沟通状态流（已发送->已送达->已读）。

1. 功能需可配置（如用户可选择关闭已读回执）。
2. “已读”状态的定义需明确（如消息在聊天窗口显示即算已读）。
3. 状态同步需实时可靠。
4. 需考虑群聊中的已读状态（如“已读人数”）。

输入：消息M，发送方S，接收方R，消息查看事件ViewEvent（R打开包含M的聊天界面）。
输出：消息M的阅读状态更新为Read，并向S发送状态通知Notification。
流程：1. S发送消息M给R，消息状态为Sent。
2. M送达R的设备，状态变为Delivered。
3. 当R打开与S的聊天窗口，M在屏幕上可见时，触发ViewEvent。
4. 系统将M的状态更新为Read，并通知S（在S的界面更新状态标识）。

低

设消息m的状态为Status(m) ∈ {Sent, Delivered, Read}。
状态转换：
Status(m) = Sentafter sending.
Status(m) = Deliveredafter successful push to receiver's device.
Status(m) = Readafter ViewEventis triggered.
触发条件：ViewEventoccurs when the chat window containing mis opened and mis visible.

常量：状态集合{Sent, Delivered, Read}。
变量：消息m，状态Status(m)，查看事件ViewEvent。

状态机，事件触发。

1. 消息发送、送达、已读状态日志。
2. 用户已读回执功能开关设置。
3. 消息状态同步信令记录。
4. 用户对已读状态的互动行为分析。

已读回执，阅读状态，即时通讯，社交压力。

1. 发送：A给B发消息“晚上一起吃饭？”。消息状态为Sent。
2. 送达：消息推送到B的手机，状态变为Delivered。A看到“已送达”。
3. 查看：B打开微信，点开与A的聊天窗口，看到了这条消息。系统检测到ViewEvent。
4. 已读：系统将消息状态更新为Read，并通知A。A看到消息变为“已读”。A知道B已看到消息，等待回复。

R-1820​

搜索引擎/广告平台 (如Google/百度)

广告主、搜索用户、平台

广告/拍卖与排名规则

搜索广告“竞价排名与按点击付费”模型

广告主Advertiser对关键词Keyword出价Bid，表示其愿意为一次点击支付的最大金额。当用户搜索Keyword时，系统根据广告质量分QualityScore（相关性、落地页体验等）和出价Bid计算综合排名分数RankScore = QualityScore * Bid，按RankScore降序展示广告。广告主仅在用户点击广告时才付费，付费价格为维持其排名所需的最低费用（广义第二价格拍卖）。

基于质量分和出价的广义第二价格拍卖模型

在保证用户体验（广告相关性）的前提下，最大化平台的广告收入；为广告主提供公平的竞争环境；实现流量价值的商业化变现。

1. 质量分QualityScore的计算需透明、公正。
2. 排名和计费机制需稳定可靠。
3. 需防止恶意点击和广告欺诈。
4. 广告需明确标识，与自然结果区分。

输入：搜索查询Query，参与竞价的广告集合Ads，每个广告i的出价Bid_i，质量分QS_i。
输出：广告排名Ranking，广告展示顺序，点击后实际扣费CostPerClick_i。
流程：1. 用户搜索Query，系统匹配相关广告Ads。
2. 对每个广告i，计算RankScore_i = QS_i * Bid_i。
3. 按RankScore_i降序排列，确定展示顺序Ranking。
4. 当广告i被点击时，其实际扣费CPC_i为保持其当前排名所需的最低出价，通常为(RankScore_{i+1} / QS_i) + 0.01（或其他微小增量）。

高

设广告i的质量分为QS_i，出价为Bid_i。
排名分数：RS_i = QS_i * Bid_i。
排名：按RS_i降序排列，得到排名位置pos_i（pos=1为第一名）。
实际点击扣费（GSP）：广告i被点击时，支付价格CPC_i为：
CPC_i = max( RS_{i+1} / QS_i, MinPrice ) + δ，其中RS_{i+1}是下一名广告的排名分数，MinPrice是平台最低价，δ是一个极小增量（如0.01）。

常量：最低价格MinPrice，增量δ。
变量：质量分QS_i，出价Bid_i，排名分数RS_i，排名pos_i，下一名分数RS_{i+1}，实际扣费CPC_i。

乘法，排序，最大值函数。

1. 广告关键词出价与质量分数据。
2. 搜索广告展示排名日志。
3. 广告点击与扣费记录。
4. 广告主投放效果报告。

竞价排名，质量分，广义第二价格，按点击付费，搜索引擎广告。

1. 竞价：关键词“保险”，广告主A出价Bid_A=5元，质量分QS_A=8；广告主B出价Bid_B=8元，质量分QS_B=5。
2. 排名计算：RS_A=5 * 8=40，RS_B=8 * 5=40，分数相同，可能按其他规则或出价高者优先，假设A排第1，B排第2。
3. 扣费：A排第1，其CPC_A = RS_B / QS_A + 0.01 = 40/8 + 0.01 = 5.01元。即A只需支付5.01元（略高于B的等效出价RS_B/QS_A=5）即可保持第一。B被点击时，按第三名的分数计算。

R-1821​

销售/定价部门

客户、竞争对手、市场

定价/动态调整

基于供需与竞争的实时动态定价模型

根据实时市场需求Demand(t)、库存水平Inventory(t)、竞争对手价格P_comp(t)、客户价值CustomerValue等因素，通过算法动态调整商品售价P(t)。价格P(t)可随时间t波动，以实现收入最大化或库存清理等目标。利用价格弹性原理和市场信号，实现收益管理。

多因素实时动态定价模型

最大化销售收入或利润；快速响应市场变化；清理库存或抢占市场份额。

1. 价格调整需有上下限，避免剧烈波动引起客户不满。
2. 需考虑品牌定位，避免损害品牌价值。
3. 算法决策需可解释，必要时可人工干预。
4. 需遵守价格法规，避免价格欺诈或共谋。

输入：时间t，当前库存I(t)，市场需求预测D(t)，竞争对手价格P_c(t)，商品成本Cost，目标利润率TargetMargin，价格弹性ε。
输出：建议售价P(t)，或自动调整后的售价。
流程：1. 实时收集I(t)，D(t)，P_c(t)等数据。
2. 根据预设目标（如收入最大化）和约束，利用定价模型计算最优价格P*(t)。
3. 若P*(t)与当前价差超过阈值ΔP_th，则触发调价。
4. 执行价格更新，并监控后续销售表现。

高

设基础价格为P0，需求函数为D(P) = a - b*P（线性简化）。收入R(P) = P * D(P)。
考虑竞争：P(t)需接近P_c(t)，但可因产品差异而不同。
考虑库存：当I(t)高时，可降价促销：P(t) = f(I(t))，f为减函数。
综合模型：P(t) = argmax_{P} [ (P - Cost) * D(P) ]，受约束于 P_min ≤ P ≤ P_max和 `

P - P_c(t)

≤ δ`。

常量：成本Cost，价格弹性参数a,b，价格上下限P_min, P_max，竞争容忍度δ。
变量：时间t，库存I(t)，竞争价格P_c(t)，需求D(t)，最优价格P*(t)。

优化问题（求极值），线性函数，约束条件。

1. 商品实时库存数据。
2. 历史销售数据与价格弹性分析。
3. 竞争对手价格监控数据。
4. 动态定价决策与结果日志。

R-1822​

销售/渠道部门

渠道商、终端客户、公司

渠道/价格管控

渠道最低广告价格（MAP）政策执行模型

制造商/品牌方规定其产品在渠道（零售商、电商）进行广告宣传时的最低展示价格P_map。渠道商公开标注的售价不得低于P_map，但实际成交价可低于P_map。品牌方监控渠道广告价格，对违反者进行处罚（如罚款、停止供货）。旨在维护品牌价格形象，防止渠道间恶性价格战。

广告价格底线监控与违规处罚模型

维护品牌价格定位和渠道利润空间；防止渠道因价格战导致服务质量下降；统一品牌市场形象。

1. MAP价格P_map需明确传达给所有渠道商。
2. 监控需覆盖主要广告渠道（官网、电商页面、宣传册）。
3. 处罚措施需有明确的阶梯（警告、罚款、终止合作）。
4. 需区分广告价和实际成交价。

输入：品牌方设定的MAP价格P_map，渠道商i对产品j的广告标价P_adv(i,j)，监控时间t。
输出：违规判定Violation(i,j)，处罚措施Penalty。
流程：1. 品牌方定期（如每日）爬取或接收渠道商广告价格数据P_adv(i,j)。
2. 对比P_adv(i,j)与P_map：若P_adv(i,j) < P_map，则判定违规Violation(i,j)=True。
3. 根据违规次数和严重程度，依据政策决定Penalty（如首次警告，第二次罚款X元）。
4. 通知渠道商并执行处罚。

中

违规判定：Violation(i,j) = 1 if P_adv(i,j) < P_map else 0。
累计违规：Count_viol(i) = Σ_j Violation(i,j)over a period.
处罚函数：Penalty(i) =
"Warning" if Count_viol(i) = 1
"Fine = F1" if Count_viol(i) = 2
"Suspension" if Count_viol(i) >= 3。

常量：MAP价格P_map，处罚阈值与金额F1。
变量：渠道商广告价P_adv(i,j)，违规标识Violation(i,j)，累计违规次数Count_viol(i)。

比较运算，求和，分段函数。

1. 产品MAP价格清单。
2. 各渠道商广告价格监控记录。
3. 渠道商违规历史记录。
4. 处罚执行记录。

MAP政策，渠道管理，价格管控，零售。

1. 设定：品牌对某手机设定P_map=2999元。
2. 监控：监控发现渠道商A在其官网广告标价P_adv=2899元。
3. 判定：2899 < 2999，Violation(A,手机)=1。A首次违规。
4. 处罚：根据政策，首次违规发送警告函。若A再次违规，则处以罚款。

R-1823​

销售/财务部门

销售代表、公司

激励/佣金计算

基于销售额与利润的阶梯式销售佣金计算模型

销售代表佣金Commission由销售额Sales和利润Profit共同决定，采用阶梯累进计算。设置销售额门槛T_k和对应佣金率r_k，以及利润提成比例p。佣金Commission = Σ (落在该阶梯的销售额 * 对应佣金率) + Profit * p。激励销售代表既追求销量也关注利润。

多维度阶梯累进佣金计算模型

激励销售团队完成销售目标；引导销售代表关注高利润产品；实现公司收入与利润目标平衡。

1. 阶梯门槛T_k和佣金率r_k需清晰明确。
2. 销售额和利润数据需准确、及时。
3. 佣金计算周期需固定（如月度）。
4. 需考虑退款、坏账等调整。

输入：销售代表Rep，计算周期内总销售额S_total，总利润P_total，销售额阶梯{T1,T2,...}，对应佣金率{r1,r2,...}，利润提成比例p。
输出：应得佣金Commission。
流程：1. 统计销售代表在周期内的所有订单，计算S_total和P_total。
2. 将S_total按阶梯拆分：S1 = min(S_total, T1)，S2 = min(max(0, S_total-T1), T2-T1)，...
3. 计算销售额佣金部分：C_sales = Σ (S_k * r_k)。
4. 计算利润佣金部分：C_profit = P_total * p。
5. 总佣金Commission = C_sales + C_profit。

中

设销售额阶梯点为0=T0 < T1 < T2 < ... < Tn，对应佣金率为r1, r2, ..., rn（r_k适用于(T_{k-1}, T_k]区间）。总销售额S，总利润P。
销售额佣金：C_sales = Σ_{k=1}^{n} [ min(max(0, S - T_{k-1}), T_k - T_{k-1}) * r_k ]。
利润佣金：C_profit = P * p。
总佣金：Commission = C_sales + C_profit。

常量：阶梯点{T_k}，佣金率{r_k}，利润提成比例p。
变量：总销售额S，总利润P，销售额佣金C_sales，利润佣金C_profit，总佣金Commission。

分段函数，最小值/最大值运算，求和，乘法。

1. 销售代表订单明细（销售额、成本、利润）。
2. 佣金阶梯规则配置表。
3. 销售代表月度/季度佣金计算表。
4. 佣金发放记录。

销售佣金，阶梯提成，利润提成，激励制度。

1. 数据：销售代表本月S=150,000元，P=30,000元。阶梯：T1=100,000，r1=5%；T2=200,000，r2=7%。利润提成p=1%。
2. 销售额佣金：第一段S1=min(150000,100000)=100000，C1=100000 * 5%=5000。第二段S2=min(max(0,150000-100000), 100000)=50000，C2=50000 * 7%=3500。C_sales=5000+3500=8500元。
3. 利润佣金：C_profit=30000 * 1%=300元。
4. 总佣金：Commission=8500+300=8800元。

R-1824​

销售/渠道部门

渠道商、品牌方

渠道/返点激励

基于季度销售额目标的渠道返点计算模型

品牌方为渠道商设定季度销售额目标Target。季度结束后，根据实际完成额Actual与Target的比例，按阶梯比例r_k计算返点金额Rebate = Actual * r(Actual/Target)。返点通常以货款抵扣或现金形式返还，激励渠道商冲刺更高销售目标。

目标达成率阶梯返点模型

激励渠道商努力完成并超越销售目标；加强品牌方与渠道商的利益绑定；提升渠道销售动力。

1. 销售目标Target需合理，经双方协商确认。
2. 返点阶梯比例r_k和计算方式需透明。
3. 返点结算周期需明确（如季度结束后30天内）。
4. 需考虑退货、净销售额计算口径。

输入：渠道商i，季度销售额目标Target_i，季度实际净销售额Actual_i，返点阶梯函数r(x)，其中x = Actual_i / Target_i。
输出：返点比例r_i，返点金额Rebate_i。
流程：1. 季度初设定Target_i并告知渠道商。
2. 季度结束后，计算实际净销售额Actual_i（扣除退货等）。
3. 计算达成率x = Actual_i / Target_i。
4. 根据r(x)确定返点比例。例：若x∈[100%,120%)，则r=2%；若x≥120%，则r=3%。
5. 计算Rebate_i = Actual_i * r_i。

中

设目标为T，实际为A，达成率x = A/T。
返点比例函数为分段函数：
r(x) = r1 if x < 0.8(未达标无返点或低比例)
r(x) = r2 if 0.8 ≤ x < 1.0
r(x) = r3 if 1.0 ≤ x < 1.2
r(x) = r4 if x ≥ 1.2，其中r1 ≤ r2 ≤ r3 ≤ r4。
返点金额：Rebate = A * r(x)。

常量：目标T，阶梯阈值0.8, 1.0, 1.2，返点比例r1, r2, r3, r4。
变量：实际销售额A，达成率x，返点比例r(x)，返点金额Rebate。

除法，分段函数，乘法。

1. 渠道商季度销售目标协议。
2. 渠道商季度实际净销售额数据。
3. 返点阶梯规则配置表。
4. 渠道商返点计算与发放记录。

渠道返点，销售目标，阶梯奖励，渠道激励。

1. 目标设定：Q1目标T=1,000,000元。
2. 实际完成：季度结束，A=1,150,000元。
3. 达成率：x=1,150,000/1,000,000=1.15（115%）。
4. 确定比例：规则：x∈[100%,120%)时r=2%。故r=2%。
5. 计算返点：Rebate=1,150,000 * 2%=23,000元。品牌方将23000元以抵扣货款形式返还给渠道商。

R-1825​

销售/运营部门

客户、销售代表

报价/审批流程

基于金额与客户等级的销售报价审批流模型

销售代表创建报价单Quote，其总金额Amount和客户等级CustomerTier决定所需的审批路径。低金额或高等级客户可能只需经理审批，高金额或新客户可能需要总监甚至更高层审批。审批流ApprovalFlow是Amount和CustomerTier的函数，确保风险可控。

多维度条件触发的分级审批工作流模型

控制销售风险，确保大额或高风险报价经过适当审核；规范销售流程，提高决策效率与合规性。

1. 审批金额阈值T_k和客户等级分类需明确。
2. 审批人需有明确的权限定义和委托机制。
3. 审批流程需有时效性要求。
4. 报价单在审批通过前不可正式发出。

输入：报价单Q，包含总金额Amount，客户Customer及其等级Tier，销售代表Rep。
输出：所需审批路径ApprovalPath = [Approver1, Approver2, ...]，审批状态Status。
流程：1. 销售代表创建报价单Q，提交系统。
2. 系统根据规则引擎，基于Amount和Tier确定ApprovalPath。
3. 报价单按路径依次流转给审批人审批。
4. 所有审批人通过后，Status=Approved，报价单可发送客户；任一拒绝则Status=Rejected。

中

设金额阈值为A1 < A2 < A3，客户等级Tier ∈ {Gold, Silver, Bronze, New}。
审批路径函数：
ApprovalPath(Amount, Tier) =
[Manager] if Amount ≤ A1
[Manager, Director] if A1 < Amount ≤ A2
[Manager, Director, VP] if Amount > A2 OR Tier = New(示例)。

常量：金额阈值A1, A2, A3，客户等级集合，审批路径映射规则。
变量：报价金额Amount，客户等级Tier，审批路径ApprovalPath。

条件判断，逻辑或。

1. 报价单基本信息（金额、客户、产品）。
2. 客户等级信息表。
3. 审批规则配置表。
4. 审批流程实例与状态日志。

销售报价，审批流程，工作流，风险控制。

1. 创建报价：销售代表为“新客户”创建报价，金额Amount=120,000元。规则：A1=50,000，A2=100,000。
2. 确定路径：条件1：Amount=120,000 > A2=100,000，触发[Manager, Director, VP]。条件2：Tier=New，也触发[Manager, Director, VP]。
3. 流转审批：报价单依次提交给经理、总监、副总裁审批。
4. 结果：三人均批准后，报价单状态变为“已批准”，可发送给客户。

R-1826​

销售/市场部门

客户、渠道

促销/折扣应用

多促销活动叠加与互斥规则引擎模型

客户下单时可能同时满足多个促销活动条件（如满减Promo_A、折扣券Promo_B、会员价Promo_C）。系统需根据预设优先级Priority和互斥关系Exclusion，计算最优或指定的优惠组合FinalDiscount，确保逻辑正确且公司成本可控。

多促销规则冲突检测与最优解计算模型

确保促销活动叠加的合理性与公平性；避免促销漏洞导致损失；提升客户体验（享受最大优惠）。

1. 各促销活动的适用条件、优先级、互斥关系需明确定义。
2. 计算逻辑需透明，结果可解释。
3. 需支持“最优优惠”和“指定优惠”两种模式。
4. 需考虑促销库存或预算限制。

输入：订单Order（商品列表Items，总金额Subtotal），客户拥有的可用促销活动集合AvailablePromos，各促销规则Rule_i（条件Condition_i，优惠Discount_i，优先级P_i，互斥组Group_i）。
输出：最终应用的促销活动子集AppliedPromos，订单最终优惠金额TotalDiscount，实付金额FinalAmount。
流程：1. 遍历AvailablePromos，检查订单是否满足其Condition_i，得到满足的活动集S。
2. 根据互斥规则（同组互斥），从S中筛选出可共存的子集。
3. 根据优先级P_i和优惠力度，选择最优组合（如总折扣最大）。
4. 计算TotalDiscount，FinalAmount = Subtotal - TotalDiscount。

高

设满足条件的促销活动集合为S = {p1, p2, ..., pn}，每个活动pi的折扣金额为d_i，优先级为pri_i，互斥组为g_i。
互斥约束：若g_i = g_j且i≠j，则pi和pj不能同时被选。
选择问题：从S中选择子集A ⊆ S，使得A中任意两个活动不互斥，且最大化总折扣Σ_{pi in A} d_i（或按优先级选择）。这是一个带约束的优化问题。

常量：促销规则集合（条件、折扣、优先级、互斥组）。
变量：满足条件的活动集S，可选子集A，总折扣TotalDiscount。

集合运算，约束优化，最大值求解。

1. 促销活动规则定义表。
2. 用户可用促销活动列表。
3. 订单明细与促销匹配记录。
4. 促销叠加计算结果日志。

促销叠加，规则引擎，冲突解决，最优折扣。

1. 订单与活动：订单金额300元。可用活动：满200减30(P1)，8折券(P2，折扣60元)，会员95折(P3，折扣15元)。P1和P2互斥。
2. 筛选：订单满足所有三个活动条件。但P1和P2互斥，不能同时用。
3. 组合计算：组合1：用P1和P3，折扣=30+15=45元。组合2：用P2和P3，折扣=60+15=75元。组合3：仅用P1，折扣30元；仅用P2，折扣60元；仅用P3，折扣15元。
4. 最优选择：组合2折扣最大（75元），且P2和P3不互斥。故AppliedPromos={P2, P3}，TotalDiscount=75，FinalAmount=225元。

R-1827​

渠道/销售部门

渠道商、销售区域、公司

渠道/区域保护

销售区域独家授权与窜货检测模型

品牌方将地理区域Region独家授权给特定渠道商Distributor。规定渠道商只能在其授权区域内销售。系统通过订单收货地址ShipAddr检测是否发生窜货（跨区域销售）。对窜货行为进行处罚。旨在维护区域价格体系和渠道商利益。

基于地理区域的销售授权与违规检测模型

保护区域渠道商的独家经营权；维护不同区域的价格稳定；防止渠道冲突和恶性竞争。

1. 区域划分需清晰明确（如省、市）。
2. 渠道商授权区域需在系统中准确记录。
3. 检测需基于实际发货或收货地址。
4. 处罚措施需有威慑力（如罚款、取消授权）。

输入：订单Order，渠道商Dist，订单收货地址ShipAddr，渠道商授权区域列表AuthRegions(Dist)。
输出：窜货判定Violation（是/否），违规区域ViolatedRegion。
流程：1. 订单产生时，获取渠道商Dist和ShipAddr。
2. 将ShipAddr解析为地理区域R（如省份）。
3. 查询AuthRegions(Dist)，检查R ∈ AuthRegions(Dist)是否成立。
4. 若不成立，则判定窜货Violation=True，记录ViolatedRegion=R，触发处罚流程。

中

设渠道商D的授权区域集合为A_D = {R1, R2, ...}。订单收货地址对应的区域为R_order。
窜货判定：Violation = 1 if R_order ∉ A_D else 0。
处罚：根据窜货次数和严重性，Penalty = f(count_violations)。

常量：渠道商授权区域映射A_D。
变量：订单区域R_order，违规标识Violation，窜货次数count_violations。

集合成员判断，计数。

1. 渠道商区域授权合同与映射表。
2. 订单数据（渠道商、收货地址）。
3. 地理区域编码库。
4. 窜货检测记录与处罚历史。

区域保护，独家授权，窜货，渠道冲突。

1. 授权：渠道商A被授权在“浙江省”销售。
2. 订单：渠道商A下了一个订单，收货地址在“江苏省南京市”。
3. 解析与检查：R_order = “江苏省”。A_A = {“浙江省”}。“江苏省” ∉ {“浙江省”}。
4. 判定：Violation=True。系统记录一次窜货，并根据政策对A进行处罚。

R-1828​

销售/产品部门

客户、销售代表

报价/产品配置

可配置产品（如软件套餐）的自动化报价模型

对于由多个模块Module和选项Option组成的可配置产品（如SaaS套餐），客户可自定义选择。系统根据所选配置Config，基于基础价格BasePrice和各模块/选项的附加价格AddOnPrice，自动计算总价TotalPrice。并可应用折扣规则。实现复杂产品的快速、准确报价。

基于配置清单的模块化价格累加模型

支持复杂产品的灵活配置与实时报价；减少人工计算错误；提升报价效率和客户体验。

1. 产品模块和选项的定价需清晰定义。
2. 配置间的依赖和互斥关系需校验（如A模块需先选B模块）。
3. 折扣需能基于配置或总价应用。
4. 报价单需清晰展示价格构成。

输入：客户选择的产品配置Config = {Module1: Option1, Module2: Option2, ...}，基础产品价格P_base，各模块/选项的附加价格列表AddOnPrices，适用的折扣规则DiscountRules。
输出：配置总价Subtotal，折扣金额Discount，最终价格TotalPrice，详细报价单Quote。
流程：1. 客户通过配置器选择模块和选项，生成Config。
2. 系统验证Config的合理性（依赖、互斥）。
3. 计算Subtotal = P_base + Σ AddOnPrice(Module_i, Option_i)。
4. 应用满足条件的DiscountRules，计算Discount。
5. TotalPrice = Subtotal - Discount。生成报价单。

中

设基础价格为B。配置包含n个模块，每个模块i的选择为o_i，其附加价格为p_i(o_i)。
小计：S = B + Σ_{i=1}^{n} p_i(o_i)。
折扣：设折扣规则为函数D(S, Config)，例如：满减D = floor(S / 1000) * 50，或基于配置的百分比折扣。
总价：T = S - D(S, Config)。

常量：基础价B，各模块选项价格p_i(o_i)，折扣函数D。
变量：配置选项{o_i}，小计S，折扣D，总价T。

求和，函数应用，条件折扣计算。

1. 可配置产品的模块与选项价格表。
2. 产品配置依赖与互斥规则表。
3. 折扣规则定义表。
4. 历史报价单与配置记录。

产品配置，模块化定价，自动化报价，SaaS。

1. 配置：客户选择基础套餐B=1000元，增加模块A（选项高级，p_A=300），模块B（选项标准，p_B=200）。
2. 计算小计：S = 1000 + 300 + 200 = 1500元。
3. 应用折扣：规则：满1500减100。D=100元。
4. 总价：T = 1500 - 100 = 1400元。报价单显示明细。

R-1829​

销售/运营部门

销售团队、管理层

目标/配额分配

基于历史数据与市场潜力的销售配额分配模型

将公司年度销售总目标TotalTarget分解到各销售区域Region或代表Rep。考虑因素包括：历史销售额History、市场潜力Potential（如GDP、人口）、销售能力Capability等。分配模型Quota_i = f(History_i, Potential_i, Capability_i, TotalTarget)，力求公平且具挑战性。

多因素加权的销售目标分解模型

公平合理地分配销售目标，激励团队；确保总目标得以落实；考虑区域差异，使目标可达且有挑战。

1. 分配模型需透明，参数可调整。
2. 需与销售代表沟通确认配额。
3. 市场潜力数据需可靠。
4. 可设置季度回顾和调整机制。

输入：公司总目标TotalTarget，各区域/代表的历史销售额H_i，市场潜力指数P_i，销售能力系数C_i，权重w_h, w_p, w_c。
输出：各区域/代表的分配配额Quota_i。
流程：1. 收集各区域H_i, P_i, C_i数据。
2. 计算各区域的综合得分Score_i = w_h*H_i + w_p*P_i + w_c*C_i（需归一化）。
3. 按Score_i的比例分配总目标：Quota_i = TotalTarget * (Score_i / Σ Score_i)。
4. 与区域负责人沟通，微调后最终确定。

中

设区域数量为n。对区域i，历史销售额H_i，市场潜力P_i，能力系数C_i。先归一化：H'_i = H_i / Σ H_i，P'_i = P_i / Σ P_i，C'_i = C_i / Σ C_i。
综合得分：S_i = w_h * H'_i + w_p * P'_i + w_c * C'_i，其中w_h + w_p + w_c = 1。
配额分配：Q_i = T * (S_i / Σ S_i)，T为总目标。

常量：总目标T，权重w_h, w_p, w_c。
变量：历史数据H_i，潜力P_i，能力C_i，归一化值H'_i, P'_i, C'_i，综合得分S_i，配额Q_i。

归一化，加权求和，比例分配。

1. 各区域历史销售数据。
2. 区域市场潜力评估数据。
3. 销售代表能力评估数据。
4. 销售配额分配方案与达成情况。

销售配额，目标分解，市场潜力，绩效管理。

1. 数据：总目标T=1000万。区域A：H_A=300万，P_A=0.4，C_A=0.9。区域B：H_B=200万，P_B=0.3，C_B=0.8。区域C：H_C=100万，P_C=0.3，C_C=0.7。权重w_h=0.5, w_p=0.3, w_c=0.2。
2. 归一化：总历史ΣH=600万，H'_A=0.5, H'_B≈0.333, H'_C≈0.167。潜力总和ΣP=1，P'_A=0.4, P'_B=0.3, P'_C=0.3。能力总和ΣC=2.4，C'_A=0.375, C'_B≈0.333, C'_C≈0.292。
3. 综合得分：S_A=0.5 * 0.5+0.3 * 0.4+0.2 * 0.375=0.25+0.12+0.075=0.445。同理S_B≈0.333, S_C≈0.222。ΣS≈1。
4. 分配：Q_A=1000 * 0.445=445万，Q_B≈333万，Q_C≈222万。

R-1830​

销售/财务部门

客户、销售代表

合同/付款条款

基于账期的销售回款与信用管控模型

与客户约定付款账期PaymentTerm（如Net 30）。系统根据发票日期InvoiceDate计算应付款日期DueDate。根据客户历史付款行为计算信用评分CreditScore，并设置信用额度CreditLimit和账期。对超期未付款Overdue的客户，自动触发提醒、停止发货等管控措施。

基于账期与信用评级的应收账款管理模型

加速资金回笼，控制坏账风险；规范客户付款行为；实现自动化的信用管控。

1. 账期条款需在合同中明确。
2. 信用评分模型需客观，基于付款历史、财务状况等。
3. 管控措施需有明确的触发条件和升级路径。
4. 需支持部分付款、预付款等场景。

输入：客户Customer，信用额度CreditLimit，信用评分Score，发票Invoice（金额Amount，日期InvoiceDate，账期Term），客户当前未付发票列表UnpaidInvoices。
输出：发票到期日DueDate，当前应收账款AR，信用状态CreditStatus（正常/警告/冻结），管控动作Action（如提醒、停货）。
流程：1. 开票时，DueDate = InvoiceDate + Term。
2. 实时计算客户AR = Σ Amount of UnpaidInvoices where DueDate < Today。
3. 若AR > CreditLimit或存在超期发票，则信用状态降级。
4. 根据状态触发对应Action，如发送催款邮件、冻结订单等。

中

设发票i的金额为A_i，开票日为D_i，账期为T_i天。
到期日：Due_i = D_i + T_i。
超期判断：Overdue_i = 1 if Today > Due_i else 0。
应收账款：AR = Σ A_i for all i where Overdue_i = 1。
信用检查：若AR > CreditLimit或 存在超期超过M天的发票，则CreditStatus = "Blocked"。

常量：账期T_i，信用额度CreditLimit，超期严重天数M。
变量：开票日D_i，到期日Due_i，当前日期Today，超期标识Overdue_i，应收账款AR，信用状态CreditStatus。

日期加法，比较，求和，条件判断。

1. 客户主数据（信用额度、评分）。
2. 销售发票与付款记录。
3. 应收账款账龄分析表。
4. 信用管控动作执行日志。

信用管理，应收账款，账期，催款。

1. 开票：1月1日给客户开票10000元，账期Net 30，DueDate=1月31日。
2. 监控：2月5日，Today=2月5日 > DueDate，该发票超期。客户AR=10000。
3. 信用检查：该客户CreditLimit=15000元，AR=10000 < 15000，但已超期。若规则为“超期>7天则警告”，则2月5日超期5天，状态仍正常；2月8日超期8天，状态变为“警告”，系统自动发送催款邮件。

R-1831​

渠道/销售部门

渠道商、终端客户

价格/客户分级

基于客户类型的差异化定价模型

将客户分为不同等级Tier（如VIP、战略、普通），不同等级享受不同的基础折扣BaseDiscount(Tier)或价格表PriceList(Tier)。客户等级由采购额、合作关系、战略重要性等因素决定。旨在维护重要客户关系，实现价格歧视以最大化利润。

客户细分与差异化定价模型

对高价值客户提供更优价格以维持关系；根据不同客户价格敏感度实现利润最大化；实施灵活的价格策略。

1. 客户分级标准需清晰、公平。
2. 不同等级的价格/折扣需有明确授权。
3. 需防止价格信息在不同等级客户间泄露引发不满。
4. 客户等级应定期复审和调整。

输入：客户Customer，其等级Tier，产品Product，标准价格StdPrice，各等级对应的折扣Discount(Tier)或价格Price(Tier)。
输出：对该客户的报价QuotePrice。
流程：1. 系统根据客户ID或属性确定其Tier。
2. 查询该Tier对应的折扣率d或价格P。
3. 若为折扣模式：QuotePrice = StdPrice * (1 - d)。
4. 若为独立价格表模式：QuotePrice = Price(Tier, Product)。
5. 生成报价单时自动应用该价格。

低

设标准价为P_std，客户等级为T，对应折扣率为d(T)（0≤d(T)≤1）。
折扣模式：QuotePrice = P_std * (1 - d(T))。
价格表模式：存在映射Price(T, Product)，直接查表。
客户等级T可由历史采购额V决定：T = f(V)，例如：
T="VIP" if V > 1M
T="Gold" if 500K < V ≤ 1M
T="Silver" if V ≤ 500K。

常量：标准价P_std，折扣映射d(T)或价格表Price(T, Product)，等级阈值。
变量：客户等级T，历史采购额V，

R-1832​

销售/运营部门

客户、销售代表

报价/时效管理

基于创建时间的报价有效期自动管理模型

销售报价单Quote创建时，系统自动为其赋予一个有效期ValidityPeriod（如30天），并记录过期时间ExpiryDate。超过ExpiryDate后，报价单状态自动变更为“过期”，需重新审批或修改后方可生效。旨在确保价格时效性，促进客户尽快决策，并避免使用过时价格。

基于时间戳的报价单生命周期状态机模型

管理报价单生命周期，确保价格和条款的时效性；自动清理过期报价，保持系统数据清洁；推动销售流程。

1. 有效期ValidityPeriod可因产品、客户类型而异。
2. 过期前应自动提醒销售代表和客户。
3. 过期的报价单应可被克隆以快速创建新报价。
4. 需记录报价单的所有状态变更历史。

输入：报价单Q，创建时间CreateTime，预设有效期ValidityPeriod，当前时间Now。
输出：报价单过期时间ExpiryDate，当前状态Status。
流程：1. 创建报价单时，Status = "Draft"。
2. 提交审批后，Status = "Pending Approval"。
3. 审批通过后，Status = "Valid"，计算ExpiryDate = CreateTime + ValidityPeriod。
4. 系统定时任务检查：若Now > ExpiryDate且Status = "Valid"，则自动将Status更新为“Expired”。
5. 客户接受报价后，Status变为“Accepted”，不再受有效期限制。

低

设创建时间为T_create，有效期为ΔT（天数）。
过期时间：T_expire = T_create + ΔT。
状态转换条件：
若 Status(t) = "Valid"且 t > T_expire，则 Status(t+) = "Expired"。
若报价被接受，则 Status(t+) = "Accepted"，且T_expire约束失效。

常量：有效期ΔT。
变量：创建时间T_create，过期时间T_expire，当前时间t，状态Status(t)。

日期加法，比较运算，状态机。

1. 报价单主数据（ID， 创建时间， 状态）。
2. 报价单有效期配置（按产品/客户类型）。
3. 报价单状态变更历史日志。
4. 过期报价单自动处理任务日志。

报价有效期， 生命周期管理， 状态机。

1. 创建：1月1日为某客户创建报价，T_create=2025-01-01，ΔT=30天。
2. 生效：1月3日审批通过，Status="Valid"，T_expire=2025-01-31。
3. 检查：2月1日系统定时任务运行，Now=2025-02-01 > T_expire=2025-01-31，且Status="Valid"。
4. 过期：系统自动将报价单状态更新为“Expired”。销售代表需与客户确认，或克隆此报价单创建新报价。

R-1833​

销售/产品部门

客户、财务

报价/捆绑销售

多产品捆绑销售（套餐）的定价与折扣模型

将多个产品Product_A, Product_B, ...组合成一个套餐包Bundle进行销售。套餐价格BundlePrice低于各产品单独售价之和Σ IndividualPrice，以折扣形式体现。套餐价格P_bundle = f(P_a, P_b, ...)，通常为P_bundle = (1 - d) * Σ P_i，其中d为套餐折扣率。旨在提升客单价，推广新品或清理库存。

产品组合价格求和与整体折扣应用模型

通过价格优惠激励客户购买更多产品或高利润组合；简化复杂产品的销售流程；实现交叉销售和向上销售。

1. 套餐包含的产品及数量需明确定义。
2. 套餐折扣需有吸引力，且需计算毛利率是否达标。
3. 套餐可固定，也可允许客户在一定范围内自选（创建型捆绑）。
4. 需考虑套餐内部分产品退货时的价格分摊。

输入：套餐包含的产品列表Items = {(P1, Q1), (P2, Q2), ...}，各产品单独售价Price_i，套餐折扣率d。
输出：套餐原价OriginalPrice，套餐优惠价BundlePrice，节省金额Savings。
流程：1. 定义套餐SKU，并配置包含的产品、数量及折扣率d。
2. 客户选择套餐时，系统计算OriginalPrice = Σ (Price_i * Q_i)。
3. 计算BundlePrice = OriginalPrice * (1 - d)。
4. 展示Savings = OriginalPrice - BundlePrice，突出优惠。

低

设套餐包含n个产品，产品i的单价为p_i，数量为q_i，折扣率为d（0<d<1）。
原价：P_orig = Σ_{i=1}^{n} (p_i * q_i)。
套餐价：P_bundle = P_orig * (1 - d)。
节省：Saving = P_orig * d。

常量：产品单价p_i，套餐内数量q_i，折扣率d。
变量：原价P_orig，套餐价P_bundle，节省Saving。

加权求和，乘法。

1. 产品主数据与标准价格。
2. 套餐定义表（包含产品、数量、价格）。
3. 套餐销售记录与折扣效果分析。

捆绑销售， 套餐定价， 交叉销售。

1. 套餐定义：办公软件套餐包含：Word (p1=100)，Excel (p2=100)，PPT (p3=100)，各1份。折扣率d=0.2。
2. 计算原价：P_orig = 100+100+100=300元。
3. 计算套餐价：P_bundle = 300 * (1-0.2) = 240元。
4. 展示：套餐价240元，立省60元。客户更可能购买套餐而非单个产品。

R-1834​

渠道/市场部门

线上渠道、线下渠道、公司

渠道/价格协调

线上线下渠道同品同价（或差异化）策略执行模型

品牌方为维护价格体系，可能要求不同渠道（如线上官方店、线下门店、第三方电商）对同一产品Product采用统一零售价MSRP。或为区隔渠道，允许在一定范围内差异化。系统需监控各渠道实际售价P_channel，并对违反政策的渠道进行预警或处罚。

多渠道价格监控与策略一致性模型

维护品牌价格形象，防止渠道间因价格竞争导致利润受损；根据渠道特性实施差异化定价策略。

1. 价格策略（统一定价或差异化范围）需明确。
2. 需有高效的价格监控机制，获取各渠道实时价格。
3. 对违规行为有明确的处理流程和梯度处罚措施。
4. 需考虑促销活动期间的临时价格差异。

输入：产品P的建议零售价MSRP，允许的渠道价格浮动范围[P_min, P_max]，各渠道C_i的监测价格P_i。
输出：渠道价格合规状态Compliance_i（合规/预警/违规）。
流程：1. 设定产品的渠道价格策略：统一价MSRP或区间[P_min, P_max]。
2. 通过爬虫或数据接口，定期获取各渠道C_i的实际售价P_i。
3. 对比P_i与策略：若为统一价，则检查P_i == MSRP；若为区间，则检查P_min ≤ P_i ≤ P_max。
4. 对违规渠道，根据规则发送预警或启动处罚流程。

中

设策略类型为Type（Type=0为统一定价，Type=1为区间定价）。建议零售价为R，价格区间为[L, U]。
合规判断：
if Type == 0: Compliance_i = 1 if P_i == R else 0.
if Type == 1: Compliance_i = 1 if L ≤ P_i ≤ U else 0.

常量：策略类型Type，建议零售价R，价格下限L，上限U。
变量：渠道价格P_i，合规状态Compliance_i。

等式判断，区间判断。

1. 产品渠道价格策略配置表。
2. 各渠道价格监控数据（时间序列）。
3. 渠道价格违规记录与处理日志。

价格协调， 渠道管控， 价格监控， 全渠道零售。

1. 策略设定：产品A，MSRP=2999元，要求所有线上渠道统一价为2999元（Type=0）。
2. 价格监控：监测到渠道X（某电商平台第三方店）售价P_x=2799元。
3. 合规判断：Type=0，P_x(2799) != MSRP(2999)，Compliance_x=0（违规）。
4. 处理：系统标记违规，通知渠道经理进行沟通和处理。

R-1835​

销售/供应链部门

客户、供应链、销售代表

销售/库存分配

基于订单优先级与库存水平的自动分配与承诺模型

接收客户订单时，系统需根据库存水平Inventory、订单优先级Priority（如VIP客户、加急订单）、订单时间OrderTime等，决定是否接单以及分配哪个仓库Warehouse发货。实现库存的高效利用和客户服务水平的平衡。

多约束条件下的库存分配优化模型

最大化订单履行率，优化客户满意度；合理分配有限库存，优先保障高价值客户或高优先级订单；实现库存周转最优化。

1. 库存数据需实时准确。
2. 订单优先级规则需清晰定义（基于客户等级、订单金额、物流要求等）。
3. 分配逻辑需考虑履约成本（如运费、时间）。
4. 需支持人工修改分配结果。

输入：新订单O（客户C，送货地址Addr，商品列表Items，优先级Prio），各仓库W_j的实时库存Inv_jk（商品k），各仓库到Addr的履约成本Cost_j和时效Time_j。
输出：订单分配决策Allocation（由哪个/哪些仓库履行，以及各仓库的发货量ShipQty_jk），承诺发货日期PromiseDate。
流程：1. 检查总库存是否满足订单总需求，若否则标记缺货。
2. 根据优先级Prio，将其插入订单履行队列的相应位置。
3. 根据库存、成本、时效，运行分配算法（如优先从最近且有货的仓库发货）。
4. 计算PromiseDate（当前时间+仓库处理时间+物流时间）。

高

设订单对商品k的需求为D_k。仓库j对商品k的库存为I_{jk}。目标是最小化总履约成本C_total = Σ_j Σ_k (c_{jk} * x_{jk})，其中c_{jk}是单位商品履约成本，x_{jk}是从仓库j发运商品k的数量。
约束：
1. Σ_j x_{jk} = D_kfor all k. （满足需求）
2. x_{jk} ≤ I_{jk}for all j, k. （库存约束）
3. x_{jk} ≥ 0and integer. （非负整数）
这是一个线性规划（或整数规划）问题。

常量：需求D_k，库存I_{jk}，单位履约成本c_{jk}。
变量：分配量x_{jk}，总成本C_total。

线性规划/整数规划，约束优化。

1. 实时库存快照（分仓库、SKU）。
2. 订单详情（客户、商品、优先级）。
3. 仓库-地址的运费与时效矩阵。
4. 订单分配结果与履行状态。

库存分配， 订单承诺， 供应链优化， ATP（可用量承诺）。

1. 订单：客户订单需商品A 5件，商品B 3件。客户地址在上海。
2. 库存检查：上海仓有A 3件，B 3件；北京仓有A 10件，B 5件。
3. 分配优化：目标最小化总成本和时效。上海仓到客户成本低，但A缺2件。方案1：全部从北京仓发，成本高，时效慢。方案2：上海仓发A3+B3，北京仓发A2，总成本可能更低。
4. 决策：系统计算后采用方案2，并从上海仓和北京仓分别生成发货单，承诺发货日期基于北京仓到上海的物流时间。

R-1836​

销售/财务部门

销售团队、管理层

激励/奖金计算

基于多指标（销售额、利润、回款）的复合销售奖金模型

销售奖金Bonus不仅基于销售额Sales，还与毛利Profit、回款率CollectionRate等指标挂钩。奖金Bonus = f(Sales, Profit, CollectionRate)，可能为各指标奖金的加权和或乘积。例如Bonus = a * Commission(Sales) + b * Commission(Profit) + Penalty(CollectionRate)。旨在引导销售关注利润和现金流。

多维度关键绩效指标的奖金复合计算模型

引导销售行为，使其不仅关注销售额，也关注利润质量和资金回笼；实现公司收入、利润、现金流的平衡。

1. 各指标的权重或计算公式需清晰透明。
2. 利润、回款等数据需准确且核算周期一致。
3. 奖金计算通常有封顶（上限）和保底（下限）。
4. 计算过程需可审计。

输入：销售代表Rep，考核周期内销售额S，毛利P，回款额Collected，销售额Sales_Amount，销售额奖金率r_s，利润奖金率r_p，回款率目标CR_target。
输出：总奖金Bonus。
流程：1. 计算销售额奖金部分：B_s = S * r_s。
2. 计算利润奖金部分：B_p = P * r_p。
3. 计算回款率CR = Collected / Sales_Amount。若CR < CR_target，则按比例扣除奖金：Penalty = (1 - CR/CR_target) * (B_s + B_p)。
4. 总奖金Bonus = B_s + B_p - Penalty。确保Bonus ≥ 0。

中

设销售额为S，销售额提成比例为α；毛利为P，毛利提成比例为β；回款率目标为γ，实际回款率为r = Collected / Sales_Amount。
基础奖金：B_base = α * S + β * P。
回款惩罚：若r < γ，则Penalty = (1 - r/γ) * B_base，否则Penalty = 0。
总奖金：Bonus = max(0, B_base - Penalty)。
可再加封顶Bonus_cap：Bonus = min(Bonus_cap, max(0, B_base - Penalty))。

常量：提成比例α, β，回款率目标γ，奖金上限Bonus_cap。
变量：销售额S，毛利P，实际回款率r，基础奖金B_base，惩罚Penalty，总奖金Bonus。

加权求和，比例计算，最大值/最小值函数。

1. 销售代表的销售额、毛利、回款明细数据。
2. 奖金计算规则配置（比例、目标）。
3. 销售奖金计算结果与发放记录。

销售奖金， 绩效管理， 多指标考核， 回款率。

1. 数据：某销售S=1,000,000元，P=200,000元，Collected=950,000元，Sales_Amount=1,000,000元。α=1%, β=5%, γ=95%。
2. 基础奖金：B_base = 1%*1,000,000 + 5%*200,000 = 10,000 + 10,000 = 20,000元。
3. 回款率：r = 950,000/1,000,000=95%，等于目标γ=95%，Penalty=0。
4. 总奖金：Bonus = 20,000元。若回款率只有90%，则Penalty=(1-0.9/0.95)*20,000 ≈ 0.0526 * 20,000=1,052元，Bonus=20,000-1,052=18,948元。

R-1837​

销售/管理层

销售代表、财务、法务

合同/特殊审批

低于标准价格销售的“特价审批”流程模型

当销售代表因竞争需要等原因，申请以低于标准价格StdPrice或最低限价FloorPrice的价格AppliedPrice与客户签约时，需触发多级“特价审批”流程。审批路径和审批额度ApprovalLimit由申请折扣幅度Discount、订单金额Amount、客户重要性等因素决定。旨在控制利润率，授权与风控平衡。

基于金额与折扣幅度的分级特批工作流模型

在保持价格灵活性的同时，确保特价销售决策经过适当审核，避免利润损失和价格体系混乱。

1. 标准价格StdPrice和最低限价FloorPrice需明确。
2. 审批路径和额度需与职级挂钩。
3. 申请需提供充分理由（如竞争报价）。
4. 特价审批需记录归档，用于后续分析。

输入：标准价格StdPrice，申请价格AppliedPrice，订单总额Amount，客户等级Tier，申请人Applicant。
输出：所需审批人列表Approvers，审批结果ApprovalResult。
流程：1. 计算折扣率d = 1 - AppliedPrice/StdPrice。
2. 根据d和Amount，结合审批矩阵确定需要哪几级审批（如销售经理、总监、VP）。
3. 系统将特价申请单按路径依次提交给审批人。
4. 所有必需审批人同意后，申请通过，价格生效；任一拒绝则驳回。

中

设标准价为P_std，申请价为P_app，订单总额为A。
折扣率：d = 1 - P_app / P_std。
审批路径函数：Approvers = f(d, A, Tier)。例如：
if d < 0.1: Approvers = [Manager]
else if 0.1 ≤ d < 0.2or A > 100K: Approvers = [Manager, Director]
else if d ≥ 0.2or A > 500K: Approvers = [Manager, Director, VP].

常量：审批规则矩阵（折扣阈值d1, d2, ...，金额阈值A1, A2, ...）。
变量：申请价P_app，订单额A，折扣率d，审批人列表Approvers。

除法，减法，分段函数，逻辑或。

1. 产品标准价格与最低限价表。
2. 特价审批规则配置表。
3. 历史特价申请记录与审批日志。
4. 特价销售对利润率的影响分析。

特价审批， 价格例外管理， 授权矩阵。

1. 申请：标准价P_std=1000元，销售申请P_app=850元给某大客户，订单总额A=85000元。
2. 计算折扣：d=1-850/1000=0.15（15%）。
3. 确定审批路径：规则：折扣≥10%或金额>5万需总监批。d=0.15≥0.1，A=8.5万>5万，两者都触发。审批路径Approvers = [Manager, Director]。
4. 审批：申请单依次提交给经理和总监审批，两者均同意后，价格生效。

R-1838​

销售/运营部门

销售代表、管理层

销售/预测管理

基于销售阶段与历史数据的赢单率预测模型

将销售流程划分为若干阶段Stage（如初步接触、需求分析、方案报价、谈判、赢单）。为每个阶段赋予一个基准赢单率WinRate(Stage)。结合客户特征CustomerProfile、竞争对手情况Competition等因素调整，预测当前商机Opportunity的最终赢单概率P_win。用于销售预测和资源分配。

销售管道阶段转化率与概率预测模型

量化销售机会，提高销售预测准确性；帮助销售代表聚焦高概率商机；为管理层提供可视化的销售漏斗。

1. 销售阶段划分需符合实际销售流程。
2. 各阶段基准赢单率需基于历史数据统计。
3. 预测模型需简单易用，并允许销售代表主观调整。
4. 需定期用实际结果校准预测模型。

输入：商机Opp，当前所处阶段CurrentStage，各阶段基准赢单率BaseWinRate[Stage]，调整因素Factors（客户预算、决策时间、竞争对手等）。
输出：预测赢单率P_win，预测销售额ForecastAmount = DealSize * P_win。
流程：1. 获取商机当前阶段S，对应的基准概率P_base = BaseWinRate[S]。
2. 根据调整因素Factors计算调整系数k（k>1表示概率上调，k<1下调）。
3. 计算调整后概率P_win = min(1, P_base * k)。
4. 将P_win与商机金额相乘，得到加权预测额，汇入销售漏斗报告。

中

设商机当前阶段为i，其基准赢单率为p_i（0 ≤ p_i ≤ 1）。
设调整系数为k，由m个因素f_j加权得到：k = Σ_{j=1}^{m} w_j * factor_score(f_j)，其中factor_score(f_j)将因素转化为数值影响（如竞争激烈为0.8，预算充足为1.2）。
预测赢单率：P_win = min(1, p_i * k)。
加权预测额：Forecast = DealSize * P_win。

常量：各阶段基准赢单率p_i，因素权重w_j。
变量：当前阶段i，调整因素值f_j，调整系数k，预测概率P_win，交易规模DealSize，预测额Forecast。

加权平均，乘法，最小值函数。

1. 销售商机信息（阶段、金额、客户、因素）。
2. 历史商机阶段转化率数据。
3. 赢单率预测模型参数（权重、因素评分）。
4. 销售预测与实际赢单对比分析。

销售预测， 销售漏斗， 赢单率， CRM。

1. 商机：某商机金额DealSize=10万，当前阶段为“方案报价”，基准赢单率p_i=0.4。
2. 因素调整：两个因素：客户预算充足（factor_score=1.2, w=0.6），有强竞争对手（factor_score=0.8, w=0.4）。k = 1.2 * 0.6 + 0.8 * 0.4 = 0.72+0.32=1.04。
3. 计算概率：P_win = min(1, 0.4 * 1.04)=0.416。
4. 预测金额：Forecast = 100,000 * 0.416 = 41,600元。此金额会计入本季度的销售预测中。

R-1839​

销售/客户成功

客户、销售代表

合同/续约管理

基于客户使用情况与生命周期的订阅服务续约定价模型

对于订阅制服务，在合同到期前预测客户续约意向，并根据历史使用数据UsageData、客户价值Value、满意度CSAT等因素，制定续约报价RenewalPrice。可提供激励折扣Discount以促进续约，或根据增值使用提价。旨在提高客户留存率（Retention Rate）和生命周期价值（LTV）。

客户续约意向预测与动态定价模型

提高订阅服务的客户留存率；基于客户价值和使用情况优化续约价格，最大化长期收入；识别有流失风险的客户并提前干预。

1. 需提前（如到期前60天）启动续约流程。
2. 续约价格需考虑通胀、产品功能升级等因素。
3. 折扣激励需有针对性，避免对所有客户无差别打折。
4. 需有清晰的续约沟通和操作流程。

输入：客户C，当前合同Contract（价格P_current，到期日EndDate），历史使用数据Usage，客户健康度评分HealthScore，距离到期日天数DaysToExpire。
输出：续约建议价格P_renew，续约折扣d，续约优先级Priority。
流程：1. 系统在到期前X天触发续约任务。
2. 根据Usage、HealthScore等预测续约意向Intent（高/中/低）。
3. 根据Intent和客户价值，计算基础续约价格P_base（通常为P_current * (1+通胀率)或新定价）。
4. 若Intent为“低”，可应用激励折扣d，P_renew = P_base * (1-d)。若Intent为“高”且使用量超限，可提价。
5. 将客户和P_renew分配给客户成功经理跟进。

高

设当前价格为P_cur，通胀/提价系数为a（a≥1），基础续约价P_base = a * P_cur。
设续约意向预测得分为s（0~1，值低表示可能流失），客户健康度得分为h，使用增长率为g。
折扣决策：d = f(s, h, g)。例如，若s < threshold，则d = d0（基础折扣）；若h也低，则d = d1（更大折扣）。
续约价：P_renew = P_base * (1 - d)。若g很高，可能P_renew = P_base * (1 + uplift)。

常量：通胀系数a，意向阈值threshold，折扣d0, d1，提价系数uplift。
变量：当前价P_cur，意向分s，健康度h，使用增长率g，折扣d，续约价P_renew。

函数映射，条件判断，乘法。

1. 客户合同与订阅信息。
2. 客户产品使用量数据。
3. 客户健康度与满意度评分。
4. 历史续约率与价格数据。
5. 续约任务分配与跟进记录。

客户续约， 留存管理， 动态定价， 订阅经济。

1. 触发：客户合同60天后到期，系统创建续约任务。P_cur=10,000元/年，a=1.05（考虑5%涨价）。P_base=10,000 * 1.05=10,500元。
2. 预测：该客户使用活跃度下降(h较低)，预测续约意向s=0.3（低）。
3. 定价：因s<0.5（可能流失），提供激励折扣d=0.1（10%）。P_renew=10,500*(1-0.1)=9,450元。
4. 跟进：客户成功经理以9450元的价格与客户沟通续约，强调优惠。

R-1840​

销售/运营部门

客户、销售代表

销售/样品管理

样品免费申请、付费与回收策略模型

为潜在客户提供产品样品Sample以促进销售。样品可免费Free、收费Charge（象征性收费或成本价）或借出Loan。策略取决于客户潜力Potential、样品成本Cost、历史转化率ConversionRate。对高潜力客户提供免费样品，对一般客户收取押金或成本费，并要求在一定期限内归还或购买。

基于客户价值的样品发放决策与成本控制模型

通过样品促进销售，同时控制样品成本；筛选高质量潜在客户；管理样品库存和物流。

1. 样品申请需有审核流程，评估客户潜力。
2. 样品成本需可控，设置每月预算上限。
3. 收费样品的支付流程需便捷。
4. 借出样品需有明确的归还或转销售期限和跟踪机制。

输入：样品申请Request（客户C，申请样品S，数量Q），客户潜力评分PotentialScore，样品成本Cost，样品类型SampleType（免费/收费/借出）。
输出：审批结果Approval（通过/拒绝），样品处理方式Disposition（免费寄送/收费/借出），应收费用Fee。
流程：1. 销售代表提交样品申请，填写客户信息和用途。
2. 系统或审批人根据PotentialScore、样品库存Stock、当月样品预算Budget决定是否批准。
3. 若批准，根据规则决定Disposition：若PotentialScore > threshold1，则免费；若threshold1 ≥ PotentialScore > threshold2，则收费Fee = Cost * Q；否则借出，收取押金Deposit。
4. 生成样品寄送单，并跟踪后续转化或归还。

中

设客户潜力得分为P（0-100），样品单位成本为C，申请数量为Q，免费阈值为T1，收费阈值为T2（T1 > T2）。
决策函数：
if P ≥ T1and within budget: Disposition = "Free", Fee = 0.
else if T2 ≤ P < T1: Disposition = "Charge", Fee = C * Q.
else: Disposition = "Loan", Fee = Deposit(押金，通常> C*Q).
预算约束：每月免费样品总成本Σ(C*Q) ≤ MonthlyBudget。

常量：潜力阈值T1, T2，样品成本C，月度预算MonthlyBudget，押金Deposit。
变量：客户潜力分P，申请数量Q，处置方式Disposition，费用Fee，累计免费成本AccumulatedCost。

分段函数，求和，预算约束。

1. 样品申请记录（客户、样品、数量、结果）。
2. 客户潜力评分数据。
3. 样品库存与成本信息。
4. 样品转化跟踪记录（是否成单）。

样品管理， 销售支持， 潜在客户培育。

1. 申请：销售代表为潜力分P=85的客户申请样品A，Q=1，C=200元。规则：T1=80，T2=60。
2. 决策：P=85 ≥ T1=80，且本月免费样品预算剩余>200元，因此Disposition="Free"，Fee=0。
3. 处理：审批通过，系统生成免费样品寄送单，并从免费样品预算中扣除200元。若P=70，则T2≤P<T1，Disposition="Charge"，Fee=200元，需客户支付。

R-1841​

销售/财务部门

客户、法务、财务

价格/国际定价

全球市场的区域定价与汇率风险管理模型

为不同国家或地区Region设定本地货币价格LocalPrice。价格基于基础价格BasePrice(USD)、目标成本加成Margin、当地税率TaxRate、汇率ExchangeRate、购买力PPP及竞争格局确定。LocalPrice = f(BasePrice, ExchangeRate, Tax, Margin, LocalFactor)。需管理汇率波动风险，可能通过定期调价或价格条款（如价格与汇率挂钩）实现。

多因素驱动的跨国市场动态定价与汇率风险对冲模型

在全球市场实现利润最大化，同时保持本地竞争力；管理汇率波动带来的成本和价格风险；确保各区域价格符合当地法规和市场竞争环境。

1. 基础价格（如美元价）需稳定，作为锚点。
2. 汇率数据需实时或定期更新。
3. 本地税费、进口关税等成本需准确计入。
4. 价格调整需考虑市场接受度和竞争反应。

输入：产品基础美元价P_base_usd，目标毛利率M，目标区域汇率ER（本币/USD），当地税率T，本地市场调整系数α（基于竞争、购买力）。
输出：本地市场标价P_local（本币）。
流程：1. 计算成本加成价格：P_costplus_usd = Cost / (1 - M)或 P_base_usd已含利润。
2. 转换为本币：P_local_before_tax = P_base_usd * ER * α。
3. 加税：P_local = P_local_before_tax * (1 + T)。
4. 根据市场策略（如心理定价）取整，并监控汇率变动，触发调价。

高

设基础美元价为P_usd，目标汇率为E（本币/USD），当地税率为τ，市场调整系数为α。
税前本币价：P_local_excl = P_usd * E * α。
含税本币价：P_local = P_local_excl * (1 + τ)。
汇率风险管理：可设定汇率波动阈值δ。当实际汇率E_real满足`

E_real - E

/ E > δ`时，触发价格评审。

常量：基础美元价P_usd，目标汇率E，税率τ，调整系数α，汇率波动阈值δ。
变量：实时汇率E_real，本地价格P_local。

乘法， 汇率换算， 阈值比较。

1. 产品全球基础价格表（USD）。
2. 各目标国家/地区的汇率历史与当前数据。
3. 各国税率、关税数据。
4. 各地区市场价格监测与竞争情报。
5. 全球价格清单与发布记录。

R-1842​

销售/客户成功

客户、市场

定价/客户价值

基于客户全生命周期价值（LTV）的定价策略模型

不基于单次交易成本，而是基于预估的客户全生命周期价值LTV来制定获取客户（Customer Acquisition Cost, CAC）和服务的价格策略。LTV = (Average Revenue per Account per Period * Gross Margin %) / Churn Rate。针对高LTV潜力的客户群，可提供更具竞争力的入门价格P_onboarding，以换取长期关系。

以客户长期价值为导向的获取与留存定价模型

最大化客户的长期利润，而非单次交易利润；通过有竞争力的入门价格获取高价值客户；根据客户潜在价值进行差异化服务和定价。

1. LTV的预测需要可靠的历史数据（ARPA、毛利率、流失率）。
2. 需能有效识别高LTV潜力客户群的特征。
3. 入门优惠需与长期合同绑定。
4. 需持续监控客户实际LTV与预测的差异。

输入：客户细分Segment的特征数据，该细分的历史平均每账户收入ARPA，毛利率GM，月流失率Churn，获取成本预算CAC_budget。
输出：针对该客户细分的推荐入门价格P_onboarding，推荐合同期限Term。
流程：1. 计算该细分客户的预估LTV：LTV = (ARPA * GM) / Churn。
2. 设定获取成本上限，例如CAC < LTV/3。
3. 结合产品成本和市场竞争，确定一个P_onboarding，使得在合同Term内，客户贡献的累计毛利润接近或超过CAC_budget。
4. 为高LTV细分设计更具吸引力的P_onboarding和长期权益。

高

LTV计算公式（简化）：LTV = (ARPA * GM) / ChurnRate。
其中，ARPA：平均每账户月收入，GM：毛利率，ChurnRate：月流失率。
CAC约束：CAC ≤ LTV / k，k为战略系数（常取3）。
入门定价：设合同期为N月，每月价格为P（可能前M月为优惠价P_onboarding，后N-M月为标准价P_std）。需满足获取成本CAC下的回收期要求：Σ (预期利润 over N months) ≥ CAC。

常量：历史ARPA， GM， ChurnRate，战略系数k，标准价P_std。
变量：预估LTV，允许的CAC，入门价P_onboarding，合同期N，优惠月数M。

除法， 求和， 不等式约束。

1. 客户细分数据与历史行为分析。
2. 各细分客户的ARPA、毛利率、流失率数据。
3. 客户获取成本（CAC）历史数据。
4. 基于LTV的定价实验与结果分析。

客户生命周期价值， CAC， 定价策略， 客户细分。

1. 细分分析：针对“中小企业-科技行业”细分，历史数据：ARPA=500元，GM=80%，月ChurnRate=2%。
2. 计算LTV：LTV = (500 * 0.8) / 0.02 = 400 / 0.02 = 20,000元。
3. 设定CAC预算：CAC_budget ≤ LTV/3 ≈ 6,667元。
4. 设计入门价：为快速获取，设计12个月合同，前3个月优惠价P_onboarding=300元/月，后9个月P_std=600元/月。预估客户总毛利润贡献：(300 * 0.8 * 3)+(600 * 0.8 * 9)=720+4320=5040元。此值小于LTV但大于CAC_budget，在可接受范围，可吸引客户签约。

R-1843​

销售/财务部门

销售代表、财务、管理层

费用/报销审核

销售费用报销与业务关联性审核模型

销售代表报销费用Expense（如招待费、差旅费）时，需关联到具体的客户Client、商机Opportunity或项目Project。报销额度Amount需在预算Budget内，且费用类型Type和金额需符合公司政策Policy。系统自动检查(Expense, Client, Amount)是否符合政策，或需额外审批。旨在控制销售费用率，确保费用投入产出合理。

基于预算、政策和业务关联性的费用合规性检查模型

控制销售费用，提高费用使用的有效性和合规性；将费用与业务成果（客户、商机）关联，便于分析ROI；简化报销流程，提高效率。

1. 费用政策需清晰（如人均餐标、住宿标准）。
2. 预算需分解到个人、团队或项目。
3. 报销需提供必要凭证（发票、水单）。
4. 需支持超标、特殊事项的审批流程。

输入：报销单ExpenseReport，包含报销人Rep，费用明细Items（类型Type_i，金额Amount_i，客户Client_i，商机Opp_i），报销期间Period。
输出：报销单合规状态Status（自动通过/需审批/拒绝），超标金额ExceedAmount，需审批节点Approver。
流程：1. 报销人提交单据，关联客户/商机。
2. 系统检查每笔费用Type_i是否符合政策（如餐费≤人均X元）。
3. 检查该Rep在Period内该类费用累计是否超个人预算。
4. 检查关联的Client_i或Opp_i是否有效且在活跃状态。
5. 全部通过则自动支付；任一失败则触发审批或拒绝。

中

设报销人R在期间T内，对费用类型C的已报销总额为E_R(C, T)，其预算为B_R(C, T)。
预算检查：对于新报销金额A，需满足E_R(C, T) + A ≤ B_R(C, T)。
政策检查：每笔费用金额A_i需满足A_i ≤ MaxAllowable(C)，MaxAllowable(C)为类型C的单笔上限。
关联性检查：客户Client_i和商机Opp_i必须存在于有效主数据中。

常量：个人预算B_R(C, T)，单笔费用上限MaxAllowable(C)，有效客户/商机列表。
变量：已报销额E_R(C, T)，新报销金额A，客户Client_i，商机Opp_i。

求和， 不等式比较， 集合成员判断。

1. 销售费用报销单与行项目。
2. 销售费用政策与预算表（按人/按类型/按期间）。
3. 客户与商机主数据。
4. 费用报销审批流程与日志。

销售费用管理， 预算控制， 合规， ROI分析。

1. 提交：销售代表提交餐费报销，Amount=500元，关联客户“ABC公司”，商机“OPP-001”。其本月餐费已报E_R(餐费，本月)=800元，预算B_R(餐费,本月)=1500元。公司规定单笔餐费上限MaxAllowable(餐费)=600元。
2. 系统检查：
a) 单笔上限：500 ≤ 600，通过。
b) 预算：800 + 500 = 1300 ≤ 1500，通过。
c) 关联性：客户“ABC公司”和商机“OPP-001”存在且有效，通过。
3. 结果：所有检查通过，系统自动批准报销并支付。

R-1844​

销售/运营部门

销售代表、管理层

销售/预测校准

基于贝塔分布（Beta Distribution）的销售预测概率校准模型

销售代表对单个商机的赢单概率P_rep的预测通常过于乐观或保守。利用历史数据，将代表们的历史预测与实际结果进行对比，拟合出一个校准函数P_calibrated = f(P_rep)。该函数将个人预测映射到更接近真实概率的校准值。通常使用贝塔分布对预测进行建模和校准。

利用历史预测准确度对主观预测进行系统性校准的统计模型

提高销售预测的整体准确性，减少个人主观偏差；使不同销售代表的预测具有可比性；为基于预测的决策（如资源分配）提供更可靠依据。

1. 需要足够多的历史预测数据与实际结果（赢/输）进行模型训练。
2. 校准模型需定期更新，以反映销售代表预测能力的变化。
3. 模型应解释性强，便于销售代表理解和接受。
4. 可针对不同销售团队或产品线建立不同校准曲线。

输入：历史数据集H，包含每个商机的销售代表预测概率P_rep和实际结果Outcome（赢=1，输=0）。
输出：校准函数f: [0,1] -> [0,1]，使得校准后的概率P_cal更接近真实结果。
流程：1. 收集历史预测与实际结果数据。
2. 将P_rep分组（如0-10%，10-20%，...，90-100%）。
3. 计算每个分组内实际赢单的比例P_actual。
4. 拟合P_actual与P_rep分组中值的关系曲线，得到校准函数f。一种方法是假设P_rep服从贝塔分布，用历史数据估计其参数。
5. 对新预测P_rep_new，应用f得到P_cal = f(P_rep_new)。

高

设销售代表的预测概率为随机变量X，其真实分布可用贝塔分布Beta(α, β)建模。历史数据提供了该分布的样本。
校准过程：根据历史数据{(P_rep_i, Outcome_i)}，可以估计贝塔分布的参数α和β。校准后的概率是给定预测值后的条件期望，或直接用经验校准曲线。
经验校准：将P_rep划分为K个区间B_k。对每个区间，计算实际赢单率：
`P_cal(k) = (Σ_{i in B_k} Outcome_i) /

B_k

。<br>对于新预测P_rep_new，找到其所属区间B_k，则P_calibrated = P_cal(k)`。

常量：历史预测与实际结果数据对(P_rep_i, Outcome_i)。
变量：预测值P_rep，校准值P_cal，分组区间B_k，实际赢单率P_cal(k)。

统计分布（贝塔分布）， 分组统计， 均值计算， 函数拟合。

1. 历史商机数据（销售代表预测赢单概率， 实际关闭结果）。
2. 按销售代表或团队分组的预测准确度分析。
3. 预测校准曲线拟合参数。
4. 校准前后的预测准确度对比报告。

R-1845​

渠道/销售部门

渠道商、公司

渠道/绩效激励

渠道销售业绩对标与分层激励模型

不仅考核渠道商的绝对销售额AbsoluteSales，还将其与同类（同区域、同规模）其他渠道商的业绩进行对标Benchmarking。根据对标百分位Percentile（如排名前20%）将渠道商分为不同层级Tier（如钻石、黄金、白银），不同层级对应不同返点比例RebateRate或市场基金MDF支持。旨在促进渠道间良性竞争。

基于相对排名的渠道商分级与动态激励模型

激励渠道商不仅完成自身目标，还要在同类中表现优异；动态调整资源分配，优先支持高绩效渠道；建立健康的渠道竞争生态。

1. 对标群体划分需公平合理（规模、地域、市场成熟度）。
2. 业绩数据需准确、及时，且口径一致。
3. 分层标准和奖励需透明，定期（如季度）评审更新。
4. 需考虑新渠道商的保护期。

输入：渠道商i的本期销售额S_i，其所属对标组Group_i内所有渠道商的销售额列表{S_1, S_2, ..., S_n}，分层阈值Thresholds（如前20%，20%-50%，后50%）。
输出：渠道商i的百分位排名RankPercentile_i，所属层级Tier_i，对应的激励系数BonusRate_i。
流程：1. 确定对标组，例如按区域和渠道类型分组。
2. 计算组内每个渠道商的销售额排名，并计算百分位RankPercentile = (排名-1)/(总数-1)。
3. 根据Thresholds和RankPercentile确定Tier。
4. 根据Tier查找对应的BonusRate（返点比例或MDF比例）。
5. 计算激励金额Bonus_i = S_i * BonusRate_i。

中

设对标组有n个渠道商，其销售额为S_1, S_2, ..., S_n。对渠道商i，其销售额S_i在组内的排名为R_i（从高到低排名，第1名R_i=1）。
百分位排名：P_i = (R_i - 1) / (n - 1)。P_i ∈ [0, 1]，值越小排名越靠前。
分层：设定阈值向量θ = (θ1, θ2, ...)，其中0<θ1<θ2<...<1。
if P_i < θ1: Tier_i = "钻石"
else if θ1 ≤ P_i < θ2: Tier_i = "黄金"
else: Tier_i = "白银"。
激励系数：r_i = f(Tier_i)。

常量：分层阈值θ，层级激励系数映射f(Tier)。
变量：销售额S_i，排名R_i，百分位P_i，层级Tier_i，激励系数r_i，激励额Bonus_i。

排名计算， 百分位计算， 分段函数。

1. 渠道商业绩数据（销售额， 区域， 规模）。
2. 渠道商分组（对标组）定义。
3. 渠道商分层与激励系数对照表。
4. 渠道商分层历史记录与激励发放记录。

渠道激励， 对标分析， 绩效排名， 分层管理。

1. 分组：将所有“华东区-中型”渠道商作为一组，共10家。
2. 排名：渠道商A本季度销售额S_A=200万，在组内排名第2。R_A=2。
3. 计算百分位：P_A = (2-1)/(10-1) = 1/9 ≈ 0.111。
4. 确定层级：阈值：前20%（θ1=0.2）为钻石，20%-50%（θ2=0.5）为黄金。P_A=0.111 < 0.2，故Tier_A = "钻石"。
5. 计算激励：钻石层级返点比例r=3%。Bonus_A = 200万 * 3% = 6万元。

R-1846​

销售/运营部门

销售团队、管理层

销售/区域管理

基于客户潜力与销售能力的销售区域划分与优化模型

将地理市场或客户群（区域）Territory分配给销售代表Rep，目标是最大化总销售潜力覆盖或贡献。考虑因素包括：区域销售潜力Potential、销售代表能力Capability、客户密度、差旅成本等。模型旨在实现公平且高效的区域分配。

多对一分配问题的销售区域划分优化模型

平衡销售代表的工作负载，最大化整体销售产出；根据代表能力匹配相应潜力的区域，实现人尽其才；减少区域间冲突和差旅成本。

1. 区域潜力需有相对可靠的估算方法（如GDP、企业数量、历史数据）。
2. 销售代表能力需可量化评估（如历史业绩、技能评级）。
3. 划分需考虑物理距离，避免区域过于分散。
4. 分配应相对稳定，但需支持定期评审和调整。

输入：潜在销售区域列表T_i（每个区域有潜力值P_i），销售代表列表R_j（每位代表有能力值C_j和当前负载L_j），代表到区域的匹配权重W_ij（可基于能力和潜力适配度、差旅成本等）。
输出：分配矩阵A，其中A_ij=1表示区域i分配给代表j，否则为0。
流程：1. 量化区域潜力P_i和代表能力C_j。
2. 定义目标函数，如最大化总适配度Σ Σ W_ij * A_ij，或最大化分配潜力的方差最小化（公平）。
3. 定义约束：每个区域只分配给一个代表；每个代表分配的区域潜力总和不超过其能力上限；等。
4. 运筹学求解分配方案。

高

设m个区域，n个代表。P_i为区域i潜力，C_j为代表j能力上限。W_ij为分配区域i给代表j的效用（例如W_ij = P_i * C_j / (distance_ij)）。
决策变量x_ij ∈ {0,1}。
目标：最大化总效用 max Σ_i Σ_j W_ij * x_ij。
约束：
1. 每个区域只分配给一个代表：Σ_j x_ij = 1， for all i.
2. 每个代表分配的总潜力不超过其能力：Σ_i P_i * x_ij ≤ C_j， for all j.
这是一个0-1整数规划问题。

常量：区域潜力P_i，代表能力C_j，效用/距离W_ij。
变量：分配决策变量x_ij。

整数规划， 线性约束， 优化。

1. 销售区域定义与潜力评估数据。
2. 销售代表能力评估与当前负载数据。
3. 区域-代表距离或差旅成本矩阵。
4. 历史区域分配方案与业绩结果。

销售区域划分， 资源分配， 运筹学， 优化。

1. 量化：有3个区域，潜力P=[100, 150, 200]；2个代表，能力C=[250, 300]。效用W_ij简单设为P_i（假设能力足够，忽略距离）。
2. 建模：目标max 100*x11+150*x12+200*x13+100*x21+150*x22+200*x23。
约束：
x11+x12+x13=1， x21+x22+x23=1， x31+x32+x33=1。
100*x11+150*x21+200*x31 ≤ 250（代表1能力约束）
100*x12+150*x22+200*x32 ≤ 300（代表2能力约束）
3. 求解：直观上，将潜力最大的区域分配给能力较强的代表。求解得：区域3(200)分配给代表2，区域2(150)分配给代表1，区域1(100)分配给代表1或2均可（在能力约束内）。总潜力最大化为450。

R-1847​

财务/销售部门

管理层、审计

财务/风险管理

基于账龄的应收账款坏账准备金计提模型

为应收账款AR计提坏账准备金Allowance，以反映无法收回的风险。准备金基于应收账款的账龄Age（如0-30天，31-60天，61-90天，90+天）和不同账龄段的历史坏账率LossRate(Age)计算。Allowance = Σ (AR_Age_Balance * LossRate_Age)。符合会计准则的谨慎性原则。

基于时间分段的应收账款风险加权计提模型

准确估计和反映应收账款的真实可回收价值，匹配收入与费用，提供更稳健的财务报表。

1. 账龄分段和对应的历史坏账率需基于公司历史数据合理估计。
2. 坏账率需定期回顾和调整，以反映当前经济环境和客户信用状况变化。
3. 计提需符合相关会计准则（如IFRS 9或ASC 326）。
4. 对重大单项应收款需单独进行减值测试。

输入：应收账款余额按账龄分段AR_0_30, AR_31_60, AR_61_90, AR_91_plus，各账龄段的历史坏账率LR_0_30, LR_31_60, LR_61_90, LR_91_plus。
输出：应计提的坏账准备金总额TotalAllowance。
流程：1. 期末，将应收账款按发票日期分为上述账龄段。
2. 获取或估算各账龄段的预期信用损失率LR。
3. 计算各段应计提额：Allowance_Age = AR_Age * LR_Age。
4. 对重大客户应收款单独评估，如需额外计提，则加上。
5. 总额TotalAllowance = Σ Allowance_Age + SpecificAllowance。

低

设账龄分段索引为k=1,...,K，各段应收账款余额为B_k，对应的预计坏账率为r_k。
总准备金：A = Σ_{k=1}^{K} (B_k * r_k) + A_s，其中A_s为单项重大计提。
通常，r_k随账龄k增加而递增，例如：
r_1(0-30天) = 1%
r_2(31-60天) = 5%
r_3(61-90天) = 20%
r_4(90+天) = 50%。

常量：各账龄段坏账率r_k。
变量：各账龄段余额B_k，单项计提A_s，总准备金A。

加权求和， 分段函数。

1. 应收账款账龄分析表。
2. 历史坏账损失率统计表（按账龄）。
3. 坏账准备金计提计算表。
4. 重大单项应收账款减值测试记录。

坏账准备， 应收账款， 信用损失， 账龄分析。

1. 数据：期末应收账款账龄：0-30天：50万，31-60天：20万，61-90天：10万，90天以上：5万。历史坏账率：1%，5%，20%，50%。
2. 分段计提：
0-30天：50万 * 1% = 0.5万
31-60天：20万 * 5% = 1万
61-90天：10万 * 20% = 2万
90+天：5万 * 50% = 2.5万
3. 计算总额：TotalAllowance = 0.5+1+2+2.5 = 6万元。若无单项重大减值，则计提6万元坏账准备。

R-1848​

市场/财务部门

销售、产品

市场/促销管理

基于历史数据与预测的促销活动ROI评估与预算分配模型

评估过去促销活动Campaign的投资回报率ROI = (Incremental Profit) / Cost。预测未来促销活动的预期ROI。在总促销预算TotalBudget约束下，选择一组促销活动组合Campaign Portfolio，以最大化总增量利润TotalIncrementalProfit或总ROI。

预算约束下的组合优化模型（0-1背包问题）

优化有限的营销预算分配，投资于预期回报最高的促销活动；量化营销活动效果，为决策提供数据支持；避免低效或无效的营销支出。

1. 增量利润的测算需准确，需剥离自然增长和其他因素影响。
2. ROI预测基于历史类似活动、市场假设，存在不确定性。
3. 活动之间可能存在协同或冲突效应，需考虑。
4. 预算分配需考虑活动的时间安排和资源限制。

输入：候选促销活动列表C_i，每个活动预计成本Cost_i，预计增量利润Profit_i，预计ROI_i = Profit_i / Cost_i。总预算B。
输出：选择决策x_i ∈ {0,1}（1表示选择，0表示不选），使总利润最大且不超预算。
流程：1. 收集历史活动的Cost和Incremental Profit数据，计算历史ROI。
2. 对新活动，基于历史数据和市场判断，预测Cost和Profit。
3. 建立优化模型：max Σ (Profit_i * x_i)，约束条件Σ (Cost_i * x_i) ≤ B，x_i ∈ {0,1}。
4. 求解模型，得到最优活动组合。
5. 分配预算，执行活动。

中

设共有n个候选活动，活动i的预计增量利润为p_i，成本为c_i。决策变量x_i ∈ {0,1}。
目标：最大化总增量利润 max Σ_{i=1}^{n} p_i * x_i。
预算约束：Σ_{i=1}^{n} c_i * x_i ≤ B。
这是一个经典的0-1背包问题。

常量：活动利润p_i，成本c_i，总预算B。
变量：选择决策x_i。

整数规划， 组合优化， 约束优化。

1. 历史营销活动效果数据（成本， 增量收入/利润）。
2. 候选促销活动方案与预测数据。
3. 营销预算分配计划与执行结果。
4. 促销活动ROI分析报告。

营销组合优化， ROI， 预算分配， 投资回报率。

1. 候选活动：有4个活动，数据：A(p1=10万, c1=5万), B(p2=8万, c2=4万), C(p3=6万, c3=3万), D(p4=4万, c4=2万)。总预算B=8万。
2. 建模：max 10x1+8x2+6x3+4x4，约束5x1+4x2+3x3+2x4 ≤ 8。
3. 求解：计算单位成本利润：A:2, B:2, C:2, D:2。但受整数约束，枚举可行解：(A,C)成本8万，利润16万；(B,C,D)成本9万超预算；(A,D)成本7万，利润14万；(B,C)成本7万，利润14万；(B,D)成本6万，利润12万。最优解是选择A和C，总利润16万。

R-1849​

客户成功/销售部门

产品、支持

客户/健康度管理

多指标加权客户健康度评分与流失预警模型

为每个客户计算一个健康度分数HealthScore，用于评估其续约或流失风险。分数基于多个行为指标Metric，如：产品使用频率Usage、支持 ticket 数量Tickets、登录活跃度LoginActivity、支付历史Payment、NPS反馈NPS等。每个指标赋予权重Weight，加权计算总分。低于阈值Threshold的客户被标记为“有风险”，触发干预流程。

多维度指标加权求和与阈值判断的客户状态评估模型

量化客户健康状况，提前识别有流失风险的客户；指导客户成功团队进行主动干预，提高客户留存率；将客户分级，实现差异化服务。

1. 指标选择需能真实反映客户健康度和忠诚度。
2. 指标权重需基于历史数据与业务判断合理设定。
3. 健康度模型需定期验证和校准，确保预测准确性。
4. 预警阈值需根据业务目标（如可干预客户数量）调整。

输入：客户C的各类行为指标原始值Metric_1, ..., Metric_n，各指标权重w_1, ..., w_n，指标归一化函数f_i（将原始值映射到0-100分）。
输出：客户健康度总分HealthScore（0-100），风险等级RiskLevel（健康/关注/风险）。
流程：1. 定义关键健康度指标并收集数据。
2. 对每个指标原始值进行归一化处理，得到标准化分数S_i = f_i(Metric_i)，S_i ∈ [0,100]。
3. 计算加权总分：HealthScore = Σ (w_i * S_i)，其中Σ w_i = 1。
4. 根据阈值判断风险等级：若HealthScore ≥ T_high，健康；若T_low ≤ HealthScore < T_high，关注；若HealthScore < T_low，风险。
5. 对风险客户自动生成任务分配给客户成功经理。

中

设有n个指标。对客户c，指标i的原始值为v_{ci}，归一化函数为f_i: v → s，s ∈ [0,100]。权重为w_i，Σ w_i = 1。
健康度分数：H_c = Σ_{i=1}^{n} w_i * f_i(v_{ci})。
风险等级：
if H_c ≥ θ_h: RiskLevel = "Healthy"
else if H_c ≥ θ_l: RiskLevel = "Watch"
else: RiskLevel = "At Risk"。
其中θ_h和θ_l为阈值，θ_h > θ_l。

常量：指标权重w_i，归一化函数f_i，阈值θ_h, θ_l。
变量：指标原始值v_{ci}，归一化分数f_i(v_{ci})，健康度总分H_c，风险等级RiskLevel。

加权求和， 函数映射， 阈值判断。

1. 客户产品使用行为数据。
2. 客户支持互动数据。
3. 客户财务数据（付款、合同）。
4. 客户健康度评分历史与风险等级记录。
5. 客户流失与干预结果数据。

客户健康度， 流失预警， 客户成功， 指标加权。

1. 指标与权重：定义3个指标：每周登录天数（权重0.4），核心功能使用频率（权重0.4），过去30天支持ticket数（权重0.2，负向）。
2. 归一化：客户A：每周登录5天→S1=100分；核心功能使用8次/周（满10次）→S2=80分；支持ticket 2个→S3=60分（假设ticket越多分越低）。
3. 计算总分：H_A = 0.4 * 100 + 0.4 * 80 + 0.2 * 60 = 40+32+12=84分。
4. 风险判断：阈值θ_h=80, θ_l=60。H_A=84 ≥ 80，故风险等级为“健康”。若客户B总分55分，则55<60，等级为“风险”，系统生成预警任务。

R-1850​

销售/市场部门

客户、竞争对手

价格/动态定价

基于实时竞争对手价格监测的动态调价模型（竞争性定价）

实时监测竞争对手对相同或类似产品Product的售价P_competitor。根据自身成本Cost、目标利润率TargetMargin、市场地位和策略，自动或半自动地调整自身售价P_own。策略可包括：跟价Match、价格领先Beat（如低于对手X%）、或价值定价Value-based（不直接跟价）。P_own = g(P_competitor, Cost, TargetMargin, Strategy)。

竞争导向的反应函数定价模型

保持价格竞争力，应对市场竞争；在价格敏感的市场中保持份额；实现价格调整的自动化和快速响应。

1. 竞争对手价格数据获取需准确、及时（可能通过爬虫）。
2. 自身调价需考虑对品牌定位、利润的影响。
3. 需设定调价频率和幅度限制，避免价格战。
4. 需定义明确的价格跟驰或差异化策略。

输入：自身产品成本C，目标毛利率M，竞争对手价格P_comp，自身定价策略S（如“匹配最低价”、“保持价差Δ”）。
输出：建议售价P_suggested，调价决策Decision（调/不调）。
流程：1. 数据采集：实时获取竞争对手价格P_comp。
2. 计算自身底价P_min = C / (1 - M)。
3. 根据策略S计算参考价P_ref：若S为“匹配最低价”，则P_ref = min(P_comp)；若S为“保持领先X%”，则P_ref = min(P_comp) * (1 - X%)。
4. 确定建议价：P_suggested = max(P_min, P_ref)，确保不亏本。
5. 若`

P_suggested - P_current

/ P_current > threshold`，则触发调价审核。

高

设自身当前价为P_own，成本为C，目标毛利率为m（0<m<1），监测到n个竞争对手价格P_comp_i。
最低竞争价：P_comp_min = min{P_comp_1, ..., P_comp_n}。
策略函数g示例：
匹配策略：P_target = P_comp_min。
领先策略（领先δ）：P_target = P_comp_min * (1 - δ)。
自身底价：P_floor = C / (1 - m)。
最终建议价：P_suggested = max(P_floor, P_target)。
调价触发：若`

P_suggested - P_own

/ P_own > ε`，则建议调价。

常量：成本C，目标毛利率m，策略参数δ（领先幅度），调价阈值ε。
变量：竞争价格P_comp_i，当前价P_own，最低竞争价P_comp_min，目标价P_target，建议价P_suggested。

R-1851​

销售/管理层

销售代表、财务、HR

绩效/配额管理

基于历史业绩与市场潜力的动态销售配额分配与调整模型

为每个销售代表Rep分配季度/年度销售配额Quota。初始配额Q_initial基于历史业绩PastPerformance、区域市场潜力TerritoryPotential、公司增长目标GrowthTarget加权计算。在周期中，可根据实际完成进度Progress、市场变化MarketShift进行动态调整Q_adjusted，以保持激励性和公平性。

多因素加权与反馈调节的动态配额设定模型

设定具有挑战性但可实现的销售目标，激励团队；根据实际情况灵活调整，确保配额公平合理；对齐公司整体业绩目标。

1. 历史业绩需考虑可比性（如相同区域、产品）。
2. 市场潜力评估需客观（如第三方数据）。
3. 调整机制需透明，避免频繁或随意变动。
4. 需考虑新销售代表的保护期或基准配额。

输入：销售代表i的历史业绩Perf_i，其负责区域的市场潜力指数Pot_i，公司整体增长目标G，当前周期已完成额Actual_i，时间进度t（如季度已过月数）。
输出：代表i的初始配额Q_initial_i，周期中调整后的配额Q_adjusted_i。
流程：1. 初始分配：Q_initial_i = Base * (w1*Perf_i + w2*Pot_i) * G，其中Base为基准配额，w1,w2为权重。
2. 中期评审：在周期中点，计算进度比R_i = Actual_i / (Q_initial_i * t)。若R_i显著偏离1（如<0.8或>1.2），且经评估非个人原因（如市场重大变化），则启动调整：Q_adjusted_i = Q_initial_i * k，k为调整系数（如基于修正后的潜力预测）。

中

初始配额：Q_i^0 = B * (α * N_i + β * P_i) * G。
其中，B：公司基准配额，N_i = Perf_i / avg(Perf)（归一化历史业绩），P_i = Pot_i / avg(Pot)（归一化潜力），α+β=1，G：公司增长系数（如1.2）。
中期调整：设时间进度比例为τ（0<τ<1），实际完成A_i。进度率r_i = A_i / (Q_i^0 * τ)。若`

r_i - 1

> δ（δ为阈值，如0.2），则调整：Q_i^1 = Q_i^0 * (1 + γ*(r_i - 1))，γ`为调整灵敏度（0<γ<1）。

常量：基准B，权重α, β，增长系数G，阈值δ，灵敏度γ。
变量：归一化业绩N_i，归一化潜力P_i，时间进度τ，实际完成A_i，进度率r_i，初始配额Q_i^0，调整后配额Q_i^1。

加权求和， 归一化， 比例计算， 条件判断。

1. 销售代表历史业绩数据。
2. 区域市场潜力评估报告。
3. 公司销售目标与增长计划。
4. 销售配额分配与调整历史记录。

R-1852​

渠道/销售部门

线上直销团队、线下经销商、客户

渠道/冲突仲裁

基于客户首次接触与注册来源的渠道归属仲裁模型

当同一客户Client被多个渠道（如线上官网直销Channel_D、线下经销商Channel_R）同时或先后接触并产生销售机会时，依据预设规则判定该客户及后续销售额的归属（Credit）。核心规则常为“首次接触归属”或“首次有效注册来源”。旨在减少内部冲突，激励渠道开发新客户。

基于时间戳与事件来源的客户所有权判定模型

明确客户归属，避免渠道间争抢客户和重复投入；公平奖励真正开发客户的渠道；维护渠道合作伙伴关系。

1. 客户“首次接触”需明确定义且系统可记录（如首次网站访问、展会签到）。
2. 对于老客户重复购买，可能有不同的归属规则（如仍归原渠道）。
3. 需有申诉和人工仲裁机制处理规则未覆盖的复杂情况。
4. 规则需提前与所有渠道沟通并达成共识。

输入：客户C的接触事件流Events，每个事件包含渠道Channel、时间戳Timestamp、事件类型Type（如“网站访问”、“咨询电话”、“门店到访”）。
输出：该客户的归属渠道OwnerChannel。
流程：1. 系统记录客户所有跨渠道的接触事件。
2. 当销售机会产生时，触发仲裁逻辑：按时间顺序扫描事件流，找到第一个符合“有效首次接触”定义的事件（例如，第一个留下联系方式的网站访问，或第一个线下咨询）。
3. 该事件对应的渠道即被判定为归属渠道OwnerChannel。
4. 该客户后续产生的销售额（在一定时期内，如12个月）均计入OwnerChannel的业绩。

低

设客户C的接触事件序列为E = {(t_1, ch_1, type_1), (t_2, ch_2, type_2), ...}，按时间t升序排列。定义“有效首次接触”的事件类型集合为S（如{"form_submit", "phone_call", "store_visit"}）。
仲裁函数：
OwnerChannel(C) = ch_k，其中`k = min{ i

type_i ∈ S }。<br>即，找到第一个事件类型属于S`的事件，其渠道即为归属。

常量：有效首次接触事件类型集合S。
变量：事件序列E，事件时间t_i，渠道ch_i，类型type_i，索引k。

序列搜索， 集合成员判断， 最小值索引。

1. 客户旅程与跨渠道接触点数据。
2. 渠道定义与标识信息。
3. 客户归属判定记录与仲裁日志。
4. 渠道销售业绩归属报表。

渠道冲突， 客户归属， 首次接触， 销售业绩划分。

R-1853​

产品/市场部门

财务、销售

定价/生命周期

基于产品生命周期（PLC）阶段的多阶段定价策略模型

根据产品Product所处的生命周期阶段Stage（引入期、成长期、成熟期、衰退期）采用不同的定价目标和方法。引入期可能采用渗透定价Penetration Pricing（低价获取份额）或撇脂定价Skimming Pricing（高价回收研发）；成长期可适度提价；成熟期可能竞争定价；衰退期可能降价清库存。

阶段依赖的定价策略选择与参数设定模型

在不同市场阶段最大化产品利润或市场份额；管理产品从上市到退市的完整价格旅程；应对竞争和市场饱和。

1. 产品生命周期阶段需有明确的划分标准（如时间、销售额增长率、市场份额）。
2. 各阶段的定价策略需与整体营销组合（产品、推广、渠道）协调。
3. 阶段转换时，价格调整需平滑，避免伤害品牌和客户关系。
4. 需监控阶段转换的触发点。

输入：产品P的当前阶段Stage（基于阶段判断模型），各阶段预设的定价策略Strategy(Stage)及核心参数（如目标加价率Markup、相对于竞品的价差Delta）。
输出：该阶段建议的价格P_suggested或价格区间[P_low, P_high]。
流程：1. 定期（如每月）运行阶段判断模型，更新产品P的Stage。
2. 根据Stage调用对应的定价策略函数：
- 引入期（渗透）：P = Cost * (1 + LowMarkup)或 P = CompetitorPrice * (1 - Discount)。
- 引入期（撇脂）：P = HighValueBasedPrice。
- 成长期：P = PreviousPrice * (1 + Inflation + Premium)。
- 成熟期：P = CompetitivePrice。
- 衰退期：P = Cost + MinMargin或 P = ClearancePrice。
3. 输出建议价格，经审批后执行。