手把手写一个企业订阅包选型计算器

手把手写一个企业订阅包选型计算器并不只看表面做法，关键还要理解相关条件、限制和后续影响。

前言

采购企业订阅包（资源包）时，销售给的通常是一句"单价打七折"。但折扣不等于省钱——包有有效期，用不完的额度就是沉没成本。真正该问的是：必须用掉几成才不亏？

本文带你写一个命令行计算器，输入历史用量和报价，输出四个结论：用完率门槛、买包后悔概率、建议容量、以及是否值得买。全部代码可直接运行，无第三方依赖。

环境：Python 3.9+，标准库即可。

mkdir pack_calc && cd pack_calc

步骤一：写出两种付费方式的成本函数

新建 cost_model.py。这是整个计算器的基础。

def payg_cost(usage: float, unit_price: float) -> float:    """按量付费：线性，无沉没成本。"""    return usage * unit_pricedef pack_cost(usage: float, pack_price: float, pack_quota: float,              overflow_price: float) -> float:    """订阅包：固定费用无条件计入，超出部分按量补。"""    overflow = max(0.0, usage - pack_quota)    return pack_price + overflow * overflow_price

注意第二个函数里 pack_price 是无条件加上的——不管你用了多少，这笔钱都花了。这一行是所有选包误判的根源。

顺手写一个揭示真相的函数：

def effective_unit_price(usage: float, pack_price: float,                         pack_quota: float) -> float:    """你实际承担的单价，随用完率变化。"""    if usage <= 0:        return float("inf")    billed = min(usage, pack_quota)    return pack_price / billed

跑一下就知道差距有多大：

if __name__ == "__main__":    PRICE, QUOTA = 16_000, 1_000_000_000    for rate in (1.0, 0.8, 0.5, 0.3):        u = QUOTA * rate        print(f"用完率 {rate:.0%} → 实际单价 "              f"{effective_unit_price(u, PRICE, QUOTA)*1e6:.1f} 元/百万")

输出：

用完率 100% → 实际单价 16.0 元/百万用完率 80%  → 实际单价 20.0 元/百万用完率 50%  → 实际单价 32.0 元/百万用完率 30%  → 实际单价 53.3 元/百万

宣传单价 16 元，用满一半就变 32 元——比按量付费的 20 元还贵。

步骤二：算用完率门槛

新建 breakeven.py：

def breakeven_usage(pack_price: float, payg_unit_price: float) -> float:    """用量超过此值，买包总成本才低于纯按量。"""    return pack_price / payg_unit_pricedef breakeven_ratio(pack_price: float, pack_quota: float,                    payg_unit_price: float) -> float:    """换算成必须用掉的百分比——这才是决策依据。"""    return breakeven_usage(pack_price, payg_unit_price) / pack_quota

代入一组报价：

PACK_PRICE = 16_000            # 订阅包价格（元）PACK_QUOTA = 1_000_000_000     # 包含额度（Token）PAYG_UNIT = 20 / 1e6           # 按量单价（元 / Token）ratio = breakeven_ratio(PACK_PRICE, PACK_QUOTA, PAYG_UNIT)print(f"用完率门槛：{ratio:.0%}")

输出 用完率门槛：80%。

这个 80% 就是第一道筛子。它意味着必须用掉八成以上才不亏，不是"用得越多越省"。折扣越小门槛越高：九折包要用到九成，几乎没有容错空间。不少采购决策看到这个数就该停下来。

步骤三：加波动模拟，输出"后悔概率"

上面的算法需要一个"预期用量"。但实际用量是分布，拿均值代进去会系统性高估买包收益——因为盈亏不对称：用不满的钱直接沉没，用超的部分只是按原价补，没有额外惩罚。

新建 simulate.py：

import randomimport statisticsfrom cost_model import pack_cost, payg_costdef simulate(monthly_mean: float, monthly_std: float, months: int,             pack_price: float, pack_quota: float, payg_unit: float,             trials: int = 10_000) -> dict:    """蒙特卡洛模拟，输出期望成本与后悔概率。"""    pack_costs, payg_costs, regrets = [], [], 0    for _ in range(trials):        usage = sum(max(0.0, random.gauss(monthly_mean, monthly_std))                    for _ in range(months))        cp = pack_cost(usage, pack_price, pack_quota, payg_unit)        cg = payg_cost(usage, payg_unit)        pack_costs.append(cp)        payg_costs.append(cg)        if cp > cg:            regrets += 1    return {        "pack_mean": round(statistics.mean(pack_costs)),        "payg_mean": round(statistics.mean(payg_costs)),        "regret_prob": round(regrets / trials, 3),    }

regret_prob 是这个计算器最有用的输出：买包之后总成本反而更高的概率。均值告诉你期望省多少，这个数告诉你有多大机会真的亏。

用两组月均完全相同、只有波动不同的数据对比：

if __name__ == "__main__":    args = (3, 16_000, 1_000_000_000, 20 / 1e6)    print("用量稳定:", simulate(300e6, 30e6, *args))    print("用量波动:", simulate(300e6, 150e6, *args))

波动大的那组后悔概率显著更高。结论：用量波动本身就是不买包的理由，和用量大小无关。这也解释了为什么刚上线、流量还在调整的业务不该买包——不是量不够，是量不稳。

步骤四：给出建议容量

选容量的原则和直觉相反：宁可选小一档。

理由是亏损不对称——买小了超出部分按原价补，损失为零，只是没享受那部分折扣；买大了用不完，损失是实打实的钱。

新建 recommend.py：

def recommend_quota(monthly_usages: list[float],                    months_covered: int = 3) -> float:    """按历史低分位估稳定基线，保守选包。"""    s = sorted(monthly_usages)    idx = max(0, int(len(s) * 0.3) - 1)      # p30 作为基线    return s[idx] * months_covereddef pick_best_pack(monthly_usages: list[float],                   candidates: list[tuple], payg_unit: float) -> tuple:    """在候选档位里选期望成本最低的（含"不买包"）。"""    from cost_model import pack_cost, payg_cost    total = sum(monthly_usages)    best = (None, payg_cost(total, payg_unit))    for quota, price in candidates:        c = pack_cost(total, price, quota, payg_unit)        if c < best[1]:            best = ((quota, price), c)    return best

用 p30 而不是均值，是把"某几个月是低谷"提前认了，剩下的高峰月份让按量兜住。

步骤五：组装成命令行工具

新建 main.py，把前面四步串起来：

from breakeven import breakeven_ratiofrom simulate import simulatefrom recommend import recommend_quota, pick_best_packdef advise(monthly_usages: list[float], pack_price: float,           pack_quota: float, payg_unit: float) -> None:    import statistics    mean = statistics.mean(monthly_usages)    std = statistics.pstdev(monthly_usages) if len(monthly_usages) > 1 else 0.0    ratio = breakeven_ratio(pack_price, pack_quota, payg_unit)    sim = simulate(mean, std, 3, pack_price, pack_quota, payg_unit)    suggest = recommend_quota(monthly_usages)    print(f"用完率门槛     : {ratio:.0%}")    print(f"预期用完率     : {min(mean*3/pack_quota, 1):.0%}")    print(f"买包后悔概率   : {sim['regret_prob']:.1%}")    print(f"建议容量(3个月): {suggest/1e6:.0f} 百万 Token")    print(f"结论           : ", end="")    if sim["regret_prob"] > 0.3:        print("不建议买包，用量波动过大")    elif mean * 3 / pack_quota < ratio:        print("不建议买包，预期用完率低于门槛")    else:        print("可以买，但按建议容量选小一档")if __name__ == "__main__":    history = [280e6, 310e6, 295e6, 330e6, 290e6, 305e6]    advise(history, 16_000, 1_000_000_000, 20 / 1e6)

这就是完整的计算器。把 history 换成你自己的月度用量即可。

数据从哪来：需要平台能导出按月的用量明细，最好有查询接口而不是只能看控制台图表。选平台时确认这项，否则你只能手抄数字。国内常见平台（如 jiekou.vip）在控制台里把订阅包额度和按量余额放在同一个用量视图，也提供明细查询，导出后直接喂给这个脚本就行。

步骤六：买了之后加一个用完率监控

买完不是结束。有效期过半时用完率明显落后于时间进度，说明这档买大了，下期要调小。

新建 fill_rate.py：

def fill_rate_alert(used: float, quota: float,                    elapsed_days: int, total_days: int) -> str | None:    """用完率落后于时间进度就预警。"""    if total_days <= 0 or quota <= 0:        return None    time_progress = elapsed_days / total_days    fill_progress = used / quota    if time_progress > 0.5 and fill_progress < time_progress * 0.7:        return (f"用完率 {fill_progress:.0%} 落后于时间进度 "                f"{time_progress:.0%}，本档偏大，下期调小")    return Noneif __name__ == "__main__":    print(fill_rate_alert(3.2e8, 1e9, 60, 90))

输出：用完率 32% 落后于时间进度 67%，本档偏大，下期调小。

这段的价值是把"包买大了"的发现时点，从过期那天提前到有效期中段——还有时间调整下一期，或者把原本走别处的流量并过来消化额度。挂进日常看板，每天跑一次。

used 和 quota 两个入参要从平台的订阅包详情里取，所以选平台时留意额度消耗是否能按包查询、而不是只给一个总用量。像 jiekou.vip 这类平台在订阅包页面直接显示单个包的已用额度和剩余有效期，取这两个值填进来就能跑。

附：组合方案的成本对比

订阅包和按量付费不是二选一。把用量拆成稳定基线和波动峰值，用包覆盖基线拿折扣，用按量承接峰值保灵活：

| 方案 | 折扣 | 过期风险 | 适用 |

|-|-|-|-|

| 纯按量 | 无 | 无 | 用量不稳、刚上线 |

| 纯买包 | 全额 | 高 | 用量极稳且能确定用满 |

| 包覆盖基线 + 按量兜峰值 | 部分 | 低 | 大多数情况 |

第三种在 pick_best_pack 里已经体现了——超出容量的部分自动按 payg_unit 计价，所以你只要把候选档位都传进去，它会自己选出最优组合。

小结

这个计算器的六个部分：

1. 成本函数：揭示实际单价是 包价 / 实际用量，不是宣传的那个数
2. 用完率门槛：第一道筛子，通常七到九成
3. 波动模拟：输出后悔概率，比拿均值代单点可靠
4. 建议容量：按 p30 基线，永远偏保守
5. 命令行组装：输入历史用量直接出结论
6. 用完率监控：买了之后持续校准下一期

最关键的一件事是第六步。没有用完率监控，"包买大了"这个事实要到过期那天才会浮出水面，那时候已经没有任何补救空间。前五步是买之前算一次，第六步要一直跑着。