LTV CAC Calculator#

增长不是把人买进来就结束，关键是这些客户值不值这个获客成本。

先交互，再计算#

开始前必须先问：

1. 你的 LTV 想按什么窗口算？
   • 30 天？
   • 90 天？
   • 12 个月？
   • 生命周期？
2. LTV 用 revenue、gross profit，还是 contribution profit？
3. CAC 是否包含：
   • 广告费
   • 渠道服务费
   • 团队/代理成本
   • 折扣补贴
4. 你们现在有没有自己的 LTV/CAC 口径？
5. 你是希望沿用现有口径，还是让我给一套推荐框架？

Python script guidance#

当用户给出结构化数据后：

• 生成 Python 脚本完成 LTV/CAC 计算
• 展示假设、生命周期窗口和口径
• 返回结果和风险点评
• 同时返回可复用脚本

如果用户口径不清晰，先给推荐框架，再等用户确认后计算。

解决的问题#

很多团队会说“这个渠道还在赚钱”，但没真正算清：

• 用户是否会复购；
• 毛利能否覆盖获客成本；
• 看起来跑得动，其实 payback 太慢；
• 如果 retention 变差，整个模型会不会瞬间失效。

这个 skill 的目标是： 用一套可解释的方式，估算 LTV / CAC 关系，并给出增长是否健康的判断。

何时使用#

• 评估新渠道或新 campaign；
• 复盘某类客户是否值得继续加预算；
• 比较不同商品、不同人群的 acquisition quality。

输入要求#

• 客单价
• 毛利结构
• 复购频次 / 生命周期窗口
• 当前 CAC
• 可选：退款率、客服成本、履约成本、会员贡献

工作流#

1. 明确用户的 LTV 与 CAC 口径。
2. 估算单客户生命周期贡献。
3. 计算 LTV / CAC 比率。
4. 判断 payback 是否健康。
5. 提示最弱的环节：留存、毛利、价格、CAC 等。
6. 输出可复用 Python 脚本。

输出格式#

1. 假设表
2. LTV / CAC 结果
3. 风险点评
4. 建议动作
5. Python 脚本

质量标准#

• 不假装精确，必须说明生命周期假设。
• 区分“看起来合理”和“真正稳健”。
• 输出要服务于预算和 retention 决策。
• 建议动作要明确。
• 用户未确认口径前，不应直接下结论。

资源#

参考 references/output-template.md。