Bundle Pricing Strategy（捆绑定价策略）

1. 解决的问题

1+1>2 的定价魔法——吸奶器 + 配件捆绑包的总价不是简单相加，而是利用消费者对捆绑包的心理估值高于单品之和（或互补品的联合需求），找到最大化总利润的捆绑价格。

2. 核心算法逻辑

1+12 的定价魔法——吸奶器 + 配件捆绑包的总价不是简单相加，而是利用消费者对捆绑包的心理估值高于单品之和（或互补品的联合需求），找到最大化总利润的捆绑价格。

3. 业务应用场景

业务问题：S1 吸奶器单品 $129，配件包（法兰+奶瓶+储奶袋）单品 $39。发现购买吸奶器的用户 60%+ 会在 30 天内回购配件。设计捆绑包"S1 Complete Set"应该定价多少？

数据要求：吸奶器购买用户的配件回购率 + 时间间隔 + 竞品捆绑包价格（Momcozy Complete $149）

预期产出： - 纯捆绑分析：$P_{bundle}^* = \$152$（基于估值分布优化） - 混合捆绑：单品 $129 + $39，捆绑包 $149（低于纯捆绑最优但高于竞品） - 混合捆绑策略使总利润 +18% vs 纯单品：既捕获了"全买"用户的高客单价，又不丢失"只买主机"用户

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：捆绑使配件回购率 60%→85%，客单价 +$20，年化 $10-15 万
• 实施难度：⭐⭐☆☆☆（2 星）
• 优先级评分：⭐⭐⭐⭐☆（4 星）— 母婴天然适合捆绑（主机+耗材）

7. 代码模板

代码块数量：1 · 路径：未检测到

"""Bundle Pricing Strategy — 混合捆绑定价优化"""

import numpy as np
from scipy.optimize import minimize_scalar


def pure_bundle_optimal_price(
    cost_a: float, cost_b: float,
    va_mean: float, va_std: float,
    vb_mean: float, vb_std: float,
    synergy: float = 0.1
) -> float:
    """纯捆绑最优价格"""
    bundle_cost = cost_a + cost_b
    
    def neg_profit(price):
        # 捆绑估值分布（正态假设）
        bundle_value_mean = va_mean + vb_mean + synergy * (va_mean + vb_mean)
        bundle_value_std = np.sqrt(va_std**2 + vb_std**2)
        prob_buy = 1 - _norm_cdf(price, bundle_value_mean, bundle_value_std)
        return -(price - bundle_cost) * prob_buy
    
    res = minimize_scalar(neg_profit, bounds=(bundle_cost, va_mean+vb_mean*2), method='bounded')
    return res.x


def mixed_bundle_simulate(
    cost_a: float, cost_b: float,
    prices: dict,  # {'single_a':, 'single_b':, 'bundle':}
    n_users: int = 10000
) -> dict:
    """混合捆绑模拟"""
    np.random.seed(42)
    va = np.random.normal(120, 30, n_users)
    vb = np.random.normal(35, 15, n_users)
    synergy = np.random.uniform(0, 0.15, n_users)
    vbundle = va + vb + synergy * (va + vb)
    
    # 用户决策
    profits = {'single_a': 0, 'single_b': 0, 'bundle': 0, 'total': 0}
    
    for i in range(n_users):
        options = {
            'none': 0,
            'single_a': va[i] - prices['single_a'],
            'single_b': vb[i] - prices['single_b'],
            'bundle': vbundle[i] - prices['bundle'],
        }
        best = max(options, key=options.get)
        
        if best == 'single_a':
            profits['single_a'] += prices['single_a'] - cost_a
        elif best == 'single_b':
            profits['single_b'] += prices['single_b'] - cost_b
        elif best == 'bundle':
            profits['bundle'] += prices['bundle'] - cost_a - cost_b
    
    profits['total'] = profits['single_a'] + profits['single_b'] + profits['bundle']
    return profits

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。