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：
- 你的 LTV 想按什么窗口算？
- 30 天？
- 90 天？
- 12 个月？
- 生命周期？
- LTV 用 revenue、gross profit，还是 contribution profit？
- CAC 是否包含：
- 广告费
- 渠道服务费
- 团队/代理成本
- 折扣补贴
- 你们现在有没有自己的 LTV/CAC 口径？
- 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
- 明确用户的 LTV 与 CAC 口径。
- 估算单客户生命周期贡献。
- 计算 LTV / CAC 比率。
- 判断 payback 是否健康。
- 提示最弱的环节：留存、毛利、价格、CAC 等。
- 输出可复用 Python 脚本。
输出格式
- 假设表
- LTV / CAC 结果
- 风险点评
- 建议动作
- 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。