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需要先看清适用场景和关键步骤，避免只记结论却忽略实际限制。

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。