💰 quantitative finance

Your SaaS Is an Insurance Product: A Modeling Framework

本文提出了一种建模框架，将用量封顶的 SaaS 产品视为保险工具，运用频率 - 严重程度分解和蒙特卡洛准备金充足性评估等精算科学原理，以优化固定保费且消费具有随机性与重尾特征的服务的定价并管理尾部风险。

原作者： Caio Gomes (Magalu)

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Caio Gomes (Magalu)

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言和日常类比对论文《你的 SaaS 就是一款保险产品》的解释。

核心理念：你其实是在经营一家保险公司（哪怕你以为自己在卖软件）

想象你经营一家健身房。你出售每月 50 美元的会员资格，并告诉人们：“想来就来，不限次数！”

但这里有个陷阱：如果一位会员每天都来，连续使用最昂贵的设备长达 12 小时，你的健身房可能会在他身上亏钱。如果有 100 位会员都这样做，你的健身房就会破产。

这篇论文的作者认为，软件即服务（SaaS）公司（如 AI 聊天机器人、云托管或健身应用）实际上是在经营保险公司，尽管它们并不这样称呼自己。

它们销售的是一种“保单”，其中包含：

保费：客户支付固定的月费（例如，20 美元/月）。
保额：客户获得一定量的使用额度（例如，500 条 AI 消息）。
限额：如果他们使用过多，服务就会停止或变慢。公司拒绝为超额使用买单。
风险：公司在赌大多数人使用量会低于限额，这样他们从轻度用户身上省下的钱，就能用来支付那些触及限额的重度用户的成本。

核心问题：“长尾”效应

在软件领域，人们通常通过简单的数学计算来猜测定价：“如果运行一条消息的成本是 0.01 美元，而用户发送了 1,000 条消息，我就向他们收取 20 美元。”

这篇论文指出这是危险的。它忽略了风险。

轻度用户：发送 10 条消息。你赚取巨额利润。
重度用户：发送 100,000 条消息。你损失惨重。

在保险领域，这被称为**“长尾”**。大多数人表现正常，但少数人极其极端。如果你不为这些极端用户做打算，你就会破产。

解决方案：精算学（“风险数学”）

这篇论文建议，软件工程师应该停止使用简单的“单位经济学”，转而采用精算学。这是保险公司百年来用来为汽车保险、健康保险和人寿保险定价的数学方法。

以下是论文指出的软件公司需要的四个主要工具：

1. 频率与严重程度（发生的频率有多高？后果有多严重？）

不要仅仅猜测总使用量，而要将其分解：

频率：用户点击按钮多少次？（就像司机发生剐蹭事故的次数）。
严重程度：每次点击成本你多少？（就像修复剐蹭事故需要多少钱）。
类比：一位司机可能一年撞车 10 次（高频率），但只是刮擦了保险杠（低严重程度）。另一位司机可能一年只撞一次（低频率），但把车撞报废了（高严重程度）。软件公司需要同时模拟这两者，才能了解其真实风险。

2. “上限”就是保单限额

当一家软件公司说“你获得 500 条消息，之后我们就停止”时，这完全就像是一份赔付限额为 5,000 美元的保险保单。

如果用户需要 600 条消息，公司只支付前 500 条的费用。
用户必须为剩余部分付费（或者停止使用该服务）。
这为何重要：这个“上限”保护公司免于破产。它将无限的风险转化为可管理的风险。

3. 准备金（“应急基金”）

保险公司不仅仅保留利润；他们在银行存着一大笔现金，称为准备金。他们这样做是因为他们知道，有时所有人都会在同一时间遭遇糟糕的月份。

论文的观点：软件公司需要精确计算他们在银行需要保留多少现金，才能在重度用户疯狂使用导致“糟糕月份”时生存下来。
数学方法：他们使用一种称为蒙特卡洛模拟的方法。想象掷骰子 10,000 次，看看最坏的情况是什么样。如果数学计算表明你需要 100 万美元来度过糟糕的月份，你就保留 100 万美元。如果你只保留 10 万美元，你就是在拿公司的生命赌博。

4. 人类行为（“月底冲刺”）

论文指出了一个有趣的人类行为。

健康保险类比：在健康保险中，如果你有“免赔额”（即前 1,000 美元由你支付），人们会在年底冲去医院，以便在重置前用完他们的保额。
软件类比：如果你的月度限额是 500 条消息，而你已经用了 490 条，你会在月底的最后几天突然大幅增加使用量，仅仅是为了“物尽其用”。
风险：这会在重置前造成使用量的“激增”。公司需要模拟这种行为，否则他们会因成本的突然飙升而感到措手不及。

论文中的现实案例

这篇论文考察了真实公司来证明这一观点：

Claude Code / ChatGPT：它们设有带有限额的"Pro"和"Max"层级。如果你触及限额，服务就会停止。这是一种“硬性上限”保险保单。
Vercel / Cloudflare：它们设有限额，但如果你超额，它们会向你收取额外费用。这就像带有“免赔额”和“共同支付”的保险。
企业健身房福利：公司支付固定费用让员工使用健身应用。如果每个人都每天都去健身房，应用提供商就会亏钱。他们需要模拟“重度健身者”的风险。

“陷阱”：为什么简单的数学行不通

这篇论文运行了一个模拟，比较了两种定价方式：

天真法：“我们预计 100 位用户每人使用 100 个令牌。总成本 = 10,000 个令牌。我们收取 500 美元。”
- 结果：他们以为自己很安全。
精算法：“我们知道 10% 的用户会发疯并使用 10,000 个令牌。我们需要持有额外的现金以防万一。”
- 结果：他们意识到“天真法”让他们没有任何安全网。如果重度用户出现，公司就会亏钱。

总结

这篇论文并不是说软件公司需要变成法律意义上的保险公司。它是说它们需要像保险公司那样思考。

停止根据平均使用量猜测价格。
开始计算“最坏情况”的风险。
利用“上限”来限制你的责任。
保留“准备金”（现金缓冲）以度过糟糕的月份。
警惕人类在限额重置前冲量使用的行为。

通过使用这些老派的保险数学工具，软件公司可以避免被重度用户搞得措手不及，也能避免无意中把自己的生意搞垮。

技术摘要：“您的 SaaS 即保险产品：一种建模框架”

问题陈述
本文探讨了有使用量上限的软件即服务（SaaS）产品建模中的结构性缺口，此类产品包括大语言模型（LLM）订阅服务（如 Claude Code、ChatGPT）、云平台（如 Vercel、Cloudflare Workers）以及企业福利平台。当前的工程与数据科学实践通常采用朴素单位经济学模型来建模这些产品：即预期用量乘以单位成本。作者认为，这种方法未能考虑到消费行为的随机性、重尾严重程度分布，以及固定保费与实际消费脱钩的合同所固有的特定风险汇聚动态。

核心问题在于，有使用量上限的 SaaS 合同在结构上镜像了保单限额保险产品。在这两种情况下，卖方收取固定保费，面临随机聚合需求，并暴露于以合同上限（ $K_i$ ）为封顶的尾部风险中，而买方则承担超出该上限的任何消费。本文提出，将此类问题视为标准的单位经济学问题，会导致准备金设定不足以及对尾部风险定价错误。

方法论
本文提出了一种直接从非寿险精算科学中借鉴的建模框架，以重新表述 SaaS 定价问题。该框架依赖于三个运营支柱：

带删失的频率 - 严重程度分解：
- 频率（ $N_i$ ）： 并非建模为简单的泊松过程，而是采用能处理过离散和零膨胀的分布（如负二项分布、零膨胀负二项分布或障碍模型），以捕捉用户参与度的双峰特征（轻度用户与重度用户）。
- 严重程度（ $S_{ij}$ ）： 建模为每次事件的成本（如令牌数、带宽、函数调用次数）。本文强调，LLM 的严重程度可以分解为加性形式（输入令牌 + 输出令牌 $\times$ 模型乘数 + 工具成本），这是相对于传统保险索赔的结构优势。
- 删失： 每个用户的聚合成本（ $C_i$ ）定义为 $C_i = \min(K_i, \sum S_{ij})$ 。上限 $K_i$ 产生右删失分布。本文认为，对观测数据使用朴素的极大似然估计（MLE）会低估真实的尾部参数；相反，它主张采用Tobit 型删失 MLE或生存分析技术来恢复潜在的严重程度分布。
组合聚合损失与准备金充足性：
- 组合损失 $L = \sum C_i$ 被视为独立（初始）删失复合随机变量的总和。
- 保费充足性： 总保费必须覆盖预期损失加上安全附加费（ $\eta$ ）。
- 准备金充足性： 本文将所需准备金 $R$ 定义为聚合损失分布的分位数，而非启发式缓冲。具体而言， $R = \text{VaR}_{1-\alpha}(L) - \sum P_i$ ，或者针对重尾情况，更连贯地使用尾部风险价值（TVaR）。这为“应持有多少边际以应对糟糕月份”提供了原则性答案。
行为与结构性扩展：
- 诱导需求： 该框架纳入了行为经济学，指出用户随着接近上限（类似于健康保险中的自付费用上限）或随着重置日期的临近（沉没成本推理）会加速消费。
- 制度变体： 该模型针对三种合同制度进行了调整：
  - 硬上限： 服务在 $K_i$ 处停止（如 Claude Code Max）。
  - 软降级： 服务继续，但按较低层级/成本比率 $\rho$ 运行。
  - 包含加超额： 超过 $K_i$ 的使用量按边际费率计费（如 Vercel Pro），将重点从准备金充足性转向超额定价充足性。

关键结果与示例
本文通过映射现实世界产品和蒙特卡洛模拟验证了该框架：

现实世界映射： 表 1 将 Claude Code、ChatGPT、Vercel 和 Supabase 等产品映射到精算原语（ $P, N, S, K, T$ ），证明了其结构特征在不同领域具有普遍性。
蒙特卡洛算例：
- 基准情景： 比较“朴素”单位经济学模型与复合分布（泊松 - 伽马和 NB-对数正态）。朴素模型忽略了方差，高估了运营利润率。复合模型揭示，即使有上限，在典型的组合规模（ $n=10,000$ ）下，尾部风险仍会侵蚀 2–6% 的利润率。
- 压力情景： 模拟了一群重度消费者（预期无上限使用量为保费的 15 倍）在四种制度下的表现。结果显示，“无上限”制度在结构上会导致偿付能力不足，而“硬上限”将无限责任转化为有限责任，使得通过定价调整而非吸收无限尾部风险即可实现偿付能力。
- 异质性： 混合人群（轻度用户与重度用户）的模拟表明，虽然逆向选择集中了风险，但硬上限有效地截断了个人风险暴露，使得对组合层面准备金（TVaR）的影响小于传统保险业务线，前提是上限设定得足够严格。
偏差量化： 一项关于删失偏差的研究表明，在参数拟合过程中忽略上限会导致严重程度参数的显著低估（例如，20% 的删失率可能导致对数正态模型中标准差低估约 35%）。

关键贡献
本文明确将其贡献定位为运营性而非理论性。它并未提出新定理，而是：

词汇与工具： 向 SaaS 工程社区引入了精算词汇（频率 - 严重程度、删失复合分布、已发生但未报告赔款 IBNR、通过 TVaR 实现的准备金充足性），并认为这些工具目前缺失于 cs.LG 和 stat.ML 实践中。
结构同一性： 确立了有使用量上限的 SaaS 在运营风险管理方面不仅仅是类似于保险，而是就是一种保险产品，无论其法律分类如何。
正确的原语： 论证了带有上限感知删失的频率 - 严重程度分解是成本建模的正确原语，优于朴素的预期成本乘以用量。
行为建模： 识别了价格表中的“拐点”（上限和重置）作为跨期替代的来源，并提出具体的建模特征（距重置时间协变量）以捕捉诱导需求。

意义与主张
本文主张，SaaS 行业目前正通过临时启发式方法和直觉“重新发明”这些工具，导致定价和准备金管理次优。通过采用既定的精算科学机制：

准备金设定： 企业可以从任意安全边际转向基于尾部风险（VaR/TVaR）的数学化资本要求。
定价策略： 该框架阐明了硬上限（风险转移给用户）与超额定价（风险由卖方保留）之间的权衡，展示了如何校准超额费率以覆盖重度用户群体的边际成本。
效率： 它建议将建模工作从单位经济学转向频率 - 严重程度分解，从而压缩 2025–2026 年出现的定价策略“重新发明周期”（例如 Anthropic 的每周限制、OpenAI 的分层门控）。

本文结论指出，虽然机制设计（设定价格菜单和上限）是一个独立的经济问题，但组合管理（确保在实现消费下的偿付能力）是一个精算问题，而该行业目前缺乏解决此问题所需的特定工具。所识别的开放问题——上限感知的严重程度估计、各层级间的逆向选择、重置附近的行为反应以及相关的灾难风险——均被提出为可利用现有精算方法解决的可行问题。