// 预测套利设计器。设计以"超越人类预测能力"为核心的商业模式： 在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。 基于《AI确定性商业模式》概念卡。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p6d-prediction-arbitrage-designer |
| description | 预测套利设计器。设计以"超越人类预测能力"为核心的商业模式： 在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。 基于《AI确定性商业模式》概念卡。 |
在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。
预测场景 + AI 优势 + 商业机会。
示例输入：
预测场景: 电商库存预测
AI优势: 在时序预测上比人类准确 30%
商业机会: 减少缺货和过剩库存，降低成本
任务：找到 AI 预测能力明显优于人类的场景。
评估标准：
套利机会评估:
prediction_task: "预测任务"
ai_advantage: "AI 相对于人类的准确率提升"
data_availability: "数据可用性"
actionability: "预测结果的可操作性"
value_per_improvement: "每 1% 准确率提升的价值"
market_size: "市场规模"
任务：将预测能力包装成产品。
输出：
预测产品:
input: "产品需要的输入"
output: "产品输出的预测结果"
confidence: "是否提供置信度"
explanation: "是否提供预测解释"
action_recommendation: "是否提供行动建议"
任务：将预测优势转化为收入。
收费方式：
收费模式:
- 按预测次数: "每次预测收费"
- 按准确率提升: "准确率超过某阈值后按提升比例收费"
- 按效果分成: "按预测带来的实际效益比例收费"
- 订阅制: "无限预测 + 高级功能"
- API 计费: "按调用次数计费"
任务：让预测结果不断优化。
输出：
反馈闭环:
actual_outcome_tracking: "是否跟踪实际结果"
error_analysis: "错误分析机制"
model_update: "模型更新频率"
user_feedback: "用户反馈收集"
prediction_arbitrage_design:
input:
scenario: "预测场景"
ai_advantage: "AI 相对优势"
business_opportunity: "商业机会"
arbitrage_opportunity:
prediction_task: "预测任务"
advantage_magnitude: "优势程度"
data_quality: "数据质量"
actionability: "可操作性"
value_per_point: "每点提升的价值"
market_size: "市场规模"
product_design:
input: "输入"
output: "输出"
confidence: "置信度"
explanation: "解释"
action: "行动建议"
pricing:
model: "收费模式"
unit: "计费单位"
rate: "费率"
example: "计算示例"
feedback_loop:
tracking: "结果跟踪"
analysis: "错误分析"
update: "模型更新"
user_input: "用户反馈"
moat:
data_flywheel: "数据飞轮"
model_quality: "模型质量"
feedback_density: "反馈密度"
switching_cost: "转换成本"
设计：
预测套利的核心不是预测本身，而是预测带来的行动优势。
预测套利的本质不是卖"预测分数"，而是卖"预测 × 决策权重 × 行动规模"这个乘积的确定性。
预测套利价值 = 预测的信息差 × 决策权重 × 行动规模
同一信息在不同人手里价值完全不同——天气预报对普通人是带伞提醒，对原油期货交易员可能价值百万。区别不在于信息本身，而在于谁在用这个信息做决策，以及决策的规模有多大。
预测并非千篇一律，不同层次的预测难度、可靠性和商业价值完全不同：
| 预测层次 | 定义 | 可预测性 | AI 优势 | 代表场景 |
|---|---|---|---|---|
| 常态预测 | 日常波动、季节性规律 | 高 | 极强 | 需求预测、广告 CTR、库存优化 |
| 黑天鹅准备 | 极端事件但有规律可循 | 中 | 强 | 供应链中断、金融危机早期信号 |
| 真正黑天鹅 | 完全无法预测的极端事件 | 极低 | 弱 | 无法预测的历史性断裂 |
最贵的确定性，是那种能穿透"黑天鹅"事件的预测。
预测套利依赖的 AI 技术有高下之分：
概率AI问的是："根据过去的数据，Y最可能是什么？"
因果AI问的是："如果我做了X，未来Y会怎样？"
对预测套利而言，因果 AI 的价值是本质性的——从"告诉你会发生什么"升级到"如果你做 X，最应该期待的 Y 是什么，最需要防备的 Z 是什么"。越早从概率 AI 升级到因果 AI，越能建立长期技术壁垒。
预测套利的定价逻辑是为 AI 帮客户规避的损失分成，而非按资源消耗收费：
预测套利收入 = 帮客户规避的损失金额 × 分成比例
传统 AI 按 Token/调用/算力收费是"为生产过程付费"。预测套利的定价锚点在"帮客户规避的浪费"上。对客户而言，分成制更容易建立信任——收入直接与客户成功挂钩。
分成制的挑战与应对：
预测套利的护城河来自四个层次：
目标：找到 AI 预测能力明显优于人类且决策权重高的场景。
执行方法：
评估矩阵：
| 评估维度 | 关键问题 | 评分标准 (1-10) |
|---|---|---|
| 预测任务清晰度 | 能否明确定义"预测什么" | 10=完全可量化，1=模糊 |
| AI 优势幅度 | 比人类/传统方法好多少 | 10= >50% 提升，1= <5% |
| 决策权重 | 预测偏差导致的损失 | 10=百万级损失，1=可忽略 |
| 数据可用性 | 历史数据质量和数量 | 10=海量高质量，1=稀缺 |
| 行动可操作性 | 预测结果能否直接指导行动 | 10=即刻可执行，1=需二次加工 |
输出：预测套利机会评估报告（含评分和优先级排序）
目标：将预测能力包装成可信赖的产品。
执行方法：
产品分层：
Layer 1: 原始预测 → 预测值 + 置信区间
Layer 2: 解释层 → "为什么是这个预测"的推理路径
Layer 3: 行动层 → "基于这个预测，你应该做什么"
Layer 4: 担保层 → "如果预测错误，我们如何补偿"
输出：预测产品 PRD（含产品分层设计和用户交互流程）
目标：让每次预测都成为下一次预测的训练数据。
执行方法：
飞轮效应：
用户使用预测 → 产生实际结果数据 → 反馈到模型训练
→ 预测准确率提升 → 更多用户信任 → 更多使用 → 更多数据...
输出：数据飞轮设计文档（含反馈采集、模型更新、效果监控方案）
目标：将预测优势转化为可持续收入。
执行方法：
定价模式选择：
| 定价模式 | 适用场景 | 示例 |
|---|---|---|
| 按效果分成 | 预测带来的节省/收益可量化 | Pencil 按广告测试节省分成 |
| 按预警次数 | 黑天鹅准备场景 | 供应链预警 $X/次 |
| 基础费 + 分成 | 需要持续服务 + 高价值场景 | 基础订阅 + 成功预警分成 |
| 按预测准确度阶梯 | 准确率可实时验证 | 准确率 >80% 收费 $X，>90% 收费 $Y |
输出：定价策略文档 + 合同模板
目标：让客户相信你的预测值得付费。
执行方法：
信任阶梯：
Level 1: 免费试用 → 客户体验预测质量
Level 2: 回测报告 → 用历史数据证明能力
Level 3: 实时对比 → 预测 vs 实际的实时透明
Level 4: 分成合同 → 收入与客户成功挂钩
输出：验证体系设计 + 信任建设路线图
场景：某快消品牌有 5000 个 SKU，传统人工预测销量准确率约 60%，AI 预测准确率达 85%。
设计：
预期效果：客户第一年节省库存成本 ¥600 万，支付分成 ¥90 万；第二年预测精度进一步提升，客户节省增至 ¥800 万，分成 ¥120 万。
场景：某电子制造商年营收 ¥350 亿，核心芯片依赖 3 家供应商，曾因芯片断货停产 3 天损失 ¥3 亿。
设计：
关键设计：