Ltv Cac Calculator

Compare ecommerce LTV and CAC using realistic order, margin, and retention assumptions. Use when teams need to know whether acquisition is compounding value or buying fragile revenue.

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。