同一個座位，為什麼航空公司願意賣你五種不同的票價？

同一個座位，為什麼航空公司願意賣你五種不同的票價？

你已經知道定價要同時看成本、價值與心理。但這裡有一個更燒腦的問題：為什麼同一班飛機、同一排經濟艙、座位幾乎一模一樣，旁邊那位乘客付的錢可能只有你的一半，後面那位卻是你的兩倍？航空公司不是搞錯了，而是刻意設計的。它在做一件入門篇只輕輕帶過的事——價格歧視（Price Discrimination），也就是用一套系統化的機制，盡可能向「每一位顧客」收取「他願意付的最高金額」。

入門篇教你怎麼把「一個產品」訂出「一個合理價格」。但真實世界的高手很少這樣玩。他們問的是：同一個產品（或它的不同版本），怎麼同時對價格敏感的人賣便宜、對價格不敏感的人賣貴，而且讓兩群人都心甘情願？這篇進階文章，就要拆解定價背後真正的引擎：需求彈性的測量、價格歧視的三個層級、非線性定價的結構設計，以及把定價當成競爭賽局來打的策略思維。

一切的起點：需求彈性（Price Elasticity）不是名詞，是工具

入門篇提過「需求的價格彈性（Price Elasticity of Demand）」，但只把它當成一個概念。進階的關鍵是：彈性是你做所有定價決策的量化基礎，而且它可以被估計、被計算、被用來找出「最佳價格」。

彈性的定義是「需求變動百分比 ÷ 價格變動百分比」。把價格漲了 10%，銷量掉了 20%，彈性就是 −2（習慣上取絕對值講「彈性為 2」）。這個數字的意義非常實際：

• 彈性 > 1（有彈性）：顧客對價格敏感，降價能讓總營收增加，漲價反而傷收入。替代品多、非必需品多屬此類。
• 彈性 < 1（無彈性）：顧客對價格不敏感，漲價能增加總營收。剛性需求、缺乏替代（如處方藥、上癮性商品、獨佔通路）屬此類。
• 彈性 = 1（單位彈性）：價格變動對總營收幾乎沒影響，這是營收的數學極大值附近。

這裡藏著一個讓很多人意外的結論：追求最大利潤的最適價格，永遠落在「有彈性」的區間。為什麼？因為只要你還處在「無彈性」區（彈性 < 1），漲價就能同時提高營收、又因為賣得少而降低成本，沒有理由不繼續漲，直到你被推進有彈性區為止。經濟學上有個簡潔的加成公式（the Lerner / inverse-elasticity rule）：

最適加成幅度 ≈ 1 ÷（彈性 − 1）

意思是，彈性愈低（顧客愈離不開你），你能加的價就愈兇。彈性 5 的市場，最適加成只有 25%；彈性 1.5 的市場，加成可以高達 200%。這也解釋了為什麼擁有強品牌、專利或網路效應的公司能訂出驚人的高價——它們親手把自己的需求彈性壓低了。

動手試試：用兩個資料點反推該不該漲價

假設你經營一個線上課程平台，目前定價 1,000 元，每月賣 500 份。你做了一次 A/B 定價測試，把一半流量的價格調到 1,200 元，發現那組的轉換換算下來相當於每月 380 份。

先算彈性：價格漲了 20%（1000→1200），數量掉了 24%（500→380），彈性 ≈ 24% ÷ 20% = 1.2。

再比總營收：原本 1,000 × 500 = 50 萬；漲價後 1,200 × 380 = 45.6 萬。營收反而少了。彈性大於 1 確實成立，這個價位已經在有彈性區，再漲會傷營收。

但別忘了利潤≠營收。數位課程的邊際成本趨近於零，所以這裡營收幾乎等於毛利，漲價真的虧。可是如果今天是一個邊際成本 600 元的實體商品呢？原本毛利 (1000−600)×500 = 20 萬；漲價後 (1200−600)×380 = 22.8 萬——漲價反而賺更多，因為少做的 120 份省下了大量變動成本。同一份彈性數據，因為成本結構不同，結論可以相反。這就是為什麼定價必須把彈性與邊際成本一起看，不能只盯營收。

價格歧視：把一個價格，拆成一張價格地圖

回到開頭的航空謎題。價格歧視的本質，是承認「不同顧客的願付價格（Willingness to Pay, WTP）天差地遠」，然後設計機制去逼近每個人的 WTP。經濟學把它分成三級，這個分類是進階定價的核心框架。

第一級價格歧視（完全價格歧視）：對每一位顧客都收取他剛好願意付的最高價。理論上的完美榨取，現實中幾乎不可能——你無法讀心。但演算法定價與個人化定價（Personalized Pricing）正在無限逼近它：電商根據你的瀏覽紀錄、裝置（用 iPhone 的人被推更貴的飯店是真實發生過的爭議）、地理位置即時調價，就是第一級的數位化身。它威力巨大，但也是倫理與法律的雷區。

第二級價格歧視（依數量或版本自我選擇）：不直接區分顧客身份，而是設計不同「規格／數量／版本」，讓顧客自己對號入座。量販折扣（買愈多單價愈低）、軟體的基礎版／專業版／企業版、咖啡的中杯／大杯，全是第二級。它的精妙之處在於：顧客是「自願」選擇的，所以不會覺得被歧視。這也是我們下一節「非線性定價」與「版本化」的理論基礎。

第三級價格歧視（依可辨識群體區隔）：依顧客的某個可觀察特徵分群，對不同群收不同價。學生票、敬老票、早鳥票、跨國分區定價（同一款軟體在印度賣得比美國便宜），都是第三級。它和 STP 的市場區隔（Segmentation）幾乎是同一件事的兩面——區隔的目的，往往就是為了能對不同區隔收不同價。

三級價格歧視能成立的三個前提

不是想歧視就能歧視。任何價格歧視要成立，必須同時滿足：

1. 市場力（Market Power）：你不能是完全競爭下的價格接受者，否則一漲價顧客就跑光。品牌、專利、差異化、轉換成本都是市場力來源。
2. 可區隔 + 願付價格不同：你必須能用某種方式把高 WTP 與低 WTP 的人分開（用身份分=第三級，用自選版本分=第二級）。
3. 防止套利（No Arbitrage）：低價買到的人不能轉手賣給高價客群。這就是為什麼學生票要查證件、為什麼軟體授權綁帳號、為什麼演唱會推實名制票——都是在堵套利漏洞。一旦套利成本低於價差，整套機制就會崩潰。

理解這三個前提，你就能診斷任何一個定價策略為什麼有效、或為什麼遲早會失靈。

非線性定價：當「單價 × 數量」不再是答案

入門篇的定價都是線性的：一個單價，乘以買的數量。進階世界裡，最會賺錢的定價結構往往是非線性（Non-linear Pricing）的——付的總額和數量之間不是直線關係。這是第二級價格歧視最強大的工具箱。

兩段式定價（Two-Part Tariff）：先收一筆固定的「入場費」，再按使用量收「單位費」。Costco 的年費＋商品價、遊樂園的門票＋園內消費、印表機的機器＋墨水匣（這個方向反過來：機器便宜、耗材貴）、SaaS 的訂閱費＋超量計費，都是兩段式。它的威力在於：固定費用負責榨取顧客的「消費者剩餘（consumer surplus）」，單位費負責調控用量，兩個旋鈕分開轉，比單一價格更逼近最大利潤。

搭售與組合定價（Bundling）：把多個產品綁成一包賣。為什麼有效？因為不同顧客對「組合內各品項」的 WTP 分布不一樣。經典例子：A 客戶願意付 80 元買試算表、20 元買簡報軟體；B 客戶剛好相反（簡報 80、試算表 20）。若分開賣，每樣最多只能訂到 20 元（否則少一群人），總共收 80 元；但若綁成一包賣 100 元，A、B 都覺得划算（各自加總 WTP 都是 100），你反而收到 200 元。Bundling 之所以強，是因為它「磨平」了顧客間 WTP 的差異。這也是 Office、Adobe、串流平台都偏好賣套裝而非單品的深層原因。

版本化（Versioning / Damaged Goods）：刻意推出功能受限的「低階版」，讓價格敏感的人買得起，同時保護高階版的高價。有趣的是，有時候低階版的「製造成本反而更高」——廠商要額外花工把功能「鎖掉」。歷史上 IBM 曾賣過一款印表機的「慢速版」，硬體和快速版一模一樣，只是多加了一顆晶片去故意拖慢它。聽起來荒謬，但這正是第二級價格歧視的教科書操作：版本之間的差異不是為了成本，而是為了讓顧客「自我分流」。

看一個例子：一個 Notion 式生產力工具的定價重構

假設「Flowdesk」是一個剛起步的協作工具，原本只有單一方案：每人每月 300 元。團隊發現營收卡關——個人用戶嫌貴、大企業又覺得「才 300 元的東西能多可靠？」於是用進階框架重新設計：

• 版本化（第二級）：拆成「免費版（基本筆記，無限個人使用）／專業版 200 元（進階整合、版本歷史）／企業版 500 元／人（SSO、稽核、專屬客服）」。免費版負責獲客與壓制競品，企業版用「安全合規」這些高 WTP 客群在意的功能撐起高價。
• 兩段式定價：企業版額外設「平台基礎費＋席次費」，把大客戶的固定預算先鎖進來。
• 第三級（分區＋身份）：學生與非營利組織憑證件 5 折——這群人 WTP 低但口碑與未來轉化價值高，且憑證件查核能防止套利。
• 組合定價：與一款日曆工具搭售推「效率套組」，磨平兩個產品間的 WTP 差異，提高整體客單價。

注意這裡沒有任何一步是「算成本加幾趴」。每一步都在回答同一個問題：怎麼讓不同 WTP 的顧客，各自落到他願意付的那一格？ 這就是從入門到進階的思維躍遷。

動態與演算法定價：把價格變成一個「會呼吸」的變數

入門篇提到 Uber 的尖峰加價，但只當成現象。進階要看的是它背後的機制與風險。動態定價（Dynamic Pricing）的核心，是讓價格隨「時間、庫存、需求、競品、甚至個別顧客」即時變動，本質上是用演算法去逼近第一級價格歧視。

它的引擎通常包含三塊：需求預測模型（預估這個時段、這條航線、這場球賽的需求曲線）、最適化器（在庫存與彈性約束下解出當下的最佳價格）、以及競品監測（即時抓對手價格做反應）。航空的「收益管理（Revenue Management）」是最成熟的應用——同一個艙等被切成十幾個「票價桶（fare buckets）」，系統根據剩餘座位與起飛日逼近程度，動態開關不同價格，這正是開頭謎題的答案。

但動態定價有三個進階使用者必須警惕的陷阱：

• 演算法共謀（Algorithmic Collusion）：當市場上多家廠商都用相似的定價演算法、又互相監測對方價格，它們可能在「沒有任何人類開會密謀」的情況下，自動學會維持高價。這已是各國競爭法主管機關高度關注的反壟斷新議題。
• 公平性與信任反噬：被抓到「對不同人收不同價」會引爆民怨。Amazon 早年的差別定價實驗、以及尖峰時段救災途中的天價車資，都重創品牌信任。技術上做得到，不代表商業上該做。
• 彈性估計的脆弱性：演算法吃的是歷史資料，一旦市場結構突變（疫情、新競品、黑天鵝），模型可能災難性地失準。動態定價愈自動化，模型風險就愈需要人為護欄。

定價是一場賽局：別忘了對面還有對手

入門篇的定價基本上是「你和顧客」的兩方互動。進階視角必須加入第三方：競爭對手。定價是賽局論（Game Theory）的經典場景，因為你的最佳價格取決於對手會怎麼回應，而對手的回應又取決於他預期你怎麼回應。

最該避免的陷阱是價格戰（Price War）。當雙方都把降價當武器，結果常是經典的「囚徒困境」：兩家都降，誰也沒搶到市佔，只是把整個產業的利潤一起燒掉。航空業、電信業、外送平台都反覆上演過。進階的定價者懂得用非價格手段競爭（差異化、服務、品牌、轉換成本）來「脫離」純價格賽局，而不是一頭栽進去。

另一個策略概念是滲透定價 vs. 吸脂定價（Penetration vs. Skimming）的賽局含義：

• 市場吸脂（Price Skimming）：新品上市先訂高價，鎖定願付最高的早期採用者，再隨時間逐步降價往下「掃」不同客層。這其實是「跨時間的第二級價格歧視」——用「時間」當區隔變數。新款 iPhone、新遊戲主機都這樣玩。前提是你有短期市場力（專利、新鮮感）且競品一時跟不上。
• 市場滲透（Penetration Pricing）：上市先訂超低價快速搶市佔，賭的是規模經濟與網路效應——一旦你成為標準、用戶被鎖住（高轉換成本），再慢慢調整獲利。很多平台型、訂閱型生意走這條路。

選哪一條，取決於你的彈性、成本結構、競爭格局與顧客轉換成本——又繞回了前面所有的工具。定價從來不是孤立的數字決策，而是鑲嵌在 STP 定位、4P 一致性與競爭動態裡的系統工程。

重點回顧

• 需求彈性是定價的量化引擎：最適價格永遠落在「有彈性」區間，且「彈性愈低、可加成愈高」（inverse-elasticity rule）。彈性必須與邊際成本一起看，同一份數據在不同成本結構下結論可能相反。
• 價格歧視的三級框架是進階定價的核心：第一級（個人化／演算法）、第二級（自選版本與數量）、第三級（可辨識群體區隔）。三者成立都需要「市場力＋可區隔＋防套利」三前提。
• 非線性定價（兩段式定價、組合搭售、版本化）是第二級價格歧視的工具箱，靠的是「磨平顧客間 WTP 差異」與「讓顧客自我分流」，而非加成成本。
• 動態與演算法定價逼近第一級歧視，但伴隨演算法共謀、公平性反噬與模型脆弱三大風險——技術可行不等於該做。
• 定價是賽局：要避開兩敗俱傷的價格戰，吸脂與滲透的選擇取決於市場力與轉換成本，並須與品牌定位、4P 一致性協調。

深入探討（研究所視角）

若你打算把定價當成研究或實務專業，以下幾條路線值得深掘。

結構性需求估計（Structural Demand Estimation）。 真實市場很少給你乾淨的 A/B 資料，價格與銷量還互相內生（價格影響銷量、銷量又回頭影響定價決策）。計量經濟學用 BLP 模型（Berry-Levinsohn-Pakes）等離散選擇架構，從市佔資料反推消費者的潛在效用與彈性，是產業組織與量化行銷（Quantitative Marketing）的核心方法。搭配工具變數（IV）處理內生性，是這條路的基本功。

動態定價的最適化與學習。 當你不知道真實需求曲線，又必須一邊賣一邊定價，這就是「探索 vs. 利用（exploration-exploitation）」的兩難。多臂吃角子老虎機（Multi-Armed Bandit）、Thompson Sampling、以及強化學習（Reinforcement Learning）被廣泛用於線上動態定價，讓系統在「試探新價格以學習需求」與「沿用已知好價格賺錢」之間取得平衡。這也是當代電商與旅宿定價引擎的技術骨幹。

演算法定價的反壟斷與監管。 隨著定價演算法普及，「自主學習出的默契共謀」成為競爭法的前沿難題——傳統反壟斷法處罰的是「合意」，但演算法之間沒有合意也能達成高價均衡，法律該如何認定？這是法學、經濟學與電腦科學的交叉戰場，近年論文與各國監管草案大量湧現。

個人化定價的公平、隱私與消費者福利。 第一級價格歧視在效率上可能提升總福利，卻可能加劇分配不均、侵蝕隱私，並引發歧視性定價（對特定族群系統性收更高價）的疑慮。如何在「效率」「公平」「透明」之間取捨，並設計可被審計的定價系統，是負責任 AI 與商業倫理的重要課題。

延伸閱讀方向：Tirole 的《The Theory of Industrial Organization》（價格歧視與市場力的理論地基）、Shapiro 與 Varian 的《Information Rules》（版本化與資訊財定價的經典）、Phillips 的《Pricing and Revenue Optimization》（收益管理的系統入門），以及近年大量探討 algorithmic pricing、collusion 與 fairness 的產業組織與資訊系統文獻。定價的進階，本質上是把一個「數字」還原成它背後的「機制設計」——這才是真正的功力所在。