技能使用指南

financial-unit-economics（财务单元经济学）Skill 是什么？如何下载使用？

财务单元经济学Skill 帮你用 CAC、LTV、贡献边际与回收期算清每个客户是否真的赚钱。内置 SaaS、电商、平台、PLG、企业销售五种模型口径与量化基准，六步流程输出分析报告、队列留存表与渠道盈利性表，附 8 条防护栏防虚荣指标。附安装步骤、使用指南与竞品对比，立即上手做一次业务健康体检。

财务单元经济学Skillfinancial-unit-economics
8 个章节 约 15 分钟阅读 AI 智能生成

财务单元经济学Skill：算清每一个客户、每一笔订单到底赚不赚钱

核心结论速览

  • 它是什么：一个专注于「单元经济学（Unit Economics）」分析的 AI 技能，把 CAC、LTV、贡献边际、回收期、队列分析这套方法论固化成可执行的分析流程。
  • 解决什么问题：判断一门生意在规模化之后是否真的能赚钱，避免「越增长越亏损」的虚假繁荣。
  • 怎么用：按「定义单元 → 算 CAC → 算 LTV → 评估贡献边际 → 队列分析 → 解释与建议」六步走，技能会引导你补齐每一步所需的数据。
  • 输出什么：一份完整的单元经济学分析、队列留存表、渠道盈利性表，以及可落地的定价/渠道/增长建议。
  • 适合谁：创业者、增长负责人、财务 BP、投资人与产品经理——尤其是正在做定价、投放决策或融资路演的人。

该技能叫什么？如何下载安装 AI 技能提升开发效率？

基本信息

项目 内容
技能中文名 财务单元经济学Skill
技能英文名 financial-unit-economics
技能ID 12984
技能类型 财务分析 / 业务模型评估类 AI 技能
核心方法论 CAC、LTV、贡献边际、LTV/CAC 比率、回收期、队列分析

它解决什么问题？

很多团队在复盘时会遇到同一类困境：

  • 收入在涨，但账上现金越来越紧张，说不清是增长还是失血；
  • 投放人员说「这个渠道 ROI 是正的」，财务说「算上销售工资其实是亏的」，两边口径不一致；
  • 投资人问「你的 LTV/CAC 是多少、回收期几个月」，回答只能靠临时拼凑的表格；
  • 想涨价，但不知道涨价后边际和转化率会怎么联动。

这个技能的价值就在于：把「单元经济学」从一句口号，变成一套有输入、有公式、有基准、有防护栏的标准作业流程。它内置了 5 种常见业务模式的指标口径（SaaS 订阅、电商交易、平台市场、免费增值/PLG、企业高触达销售），并且在计算时强制要求「全加载 CAC」「真实可变成本」「基于队列的 LTV」，从源头上防止自欺欺人的「虚荣指标」。

如何「一键安装」这类 AI 技能？

AI 技能（Skill）通常以「技能描述文件 + 资源目录」的形式分发，安装本质上是把这个技能挂载到你所使用的 AI 客户端或 Agent 平台上。通用思路如下（具体命令、入口与地址以官方说明为准）：

  1. 确认安装前提

    • 你的 AI 客户端/平台支持「技能（Skill）」机制，且版本满足要求（以官方说明为准）；
    • 具备可用的账号与相应权限；
    • 本地有可写入的技能目录（若为本地安装模式）。

  2. 获取技能包

    • 通过技能市场/官方技能库搜索技能英文名 financial-unit-economics 或技能ID 12984；
    • 或从官方提供的仓库/分发渠道获取技能目录。

  3. 执行安装

    • 在技能市场点击「安装/添加」按钮，或在客户端中执行官方提供的安装命令（命令格式以官方说明为准）；
    • 手动方式：将技能目录完整放入客户端约定的技能目录下，确保目录结构未被破坏。

  4. 验证是否生效

    • 重启或刷新客户端，在技能列表中确认能看到「财务单元经济学」；
    • 在对话中输入触发词做冒烟测试，例如：「帮我算一下我们 SaaS 产品的 CAC 和 LTV/CAC 比率」；
    • 若技能被正确加载，回复会按照「定义单元 → 计算 CAC → 计算 LTV → 贡献边际 → 队列 → 解释」的结构展开，而不是给一段泛泛而谈的通用建议。

  5. 检查资源文件是否齐全

    • 该技能依赖若干资源文件：resources/template.md（各环节模板）、resources/methodology.md（方法论细则）、resources/evaluators/rubric_financial_unit_economics.json（评分量规）。若调用时报「找不到模板」，多半是资源目录未随技能一并安装，需要重新安装完整包。

该技能的主要功能和特点

主要功能

  1. 单元定义引导：先帮你想清楚「分析单元到底是什么」——是一个客户、一个 SKU、一笔交易，还是一份订阅。单元定义错了，后面所有指标都会失真。
  2. CAC 计算（含渠道拆解）：总获取成本（销售 + 市场费用）÷ 新获取单元，并支持按渠道、按细分拆分，避免「混合 CAC」掩盖亏损渠道。
  3. LTV 计算：订阅型用 ARPU × 毛利率 ÷ 月度流失率，交易型用 AOV × 购买频率 × 毛利率 × 生命周期（年），并要求基于观察到的留存曲线而非拍脑袋假设。
  4. 贡献边际分析：（收入 − 可变成本）÷ 收入，并帮助识别改善边际的杠杆点。
  5. 队列分析：按获取月份/渠道分组跟踪留存、LTV 与回收情况，产出队列留存表。
  6. 比率解释与决策建议：结合 LTV/CAC、回收期给出「停止 / 谨慎 / 优化 / 扩展 / 激进扩展」五档结论。
  7. 多业务模型适配：内置 SaaS、电商、平台、免费增值/PLG、企业销售五种模式的关键指标、基准值与杠杆。
  8. 质量自检：通过评分量规校验分析质量，最低标准为平均分 ≥ 3.5。

与普通工具/通用问答相比强在哪？

  • 有防护栏：明确列出了 8 条关键要求与 6 个常见陷阱（如忽略流失、虚荣 LTV、混合 CAC、遗漏支持成本、过早扩张），通用 AI 对话往往不会主动提醒。
  • 有基准值：直接给出「好 / 可接受 / 差」的量化分档，例如 LTV/CAC ≥5:1 为好、<3:1 为差，回收期 <6 个月为好、>18 个月为差。
  • 有决策映射：不是算完就结束，而是把指标映射到具体行动（例如 LTV/CAC <1:1 时结论是「停止：每客户亏损，修复模型或转型」）。
  • 有产出物：明确列出四类交付物——分析报告、队列留存表、渠道盈利性表、建议清单。

如何使用该技能？

步骤 1：准备输入数据

在提问前尽量把四类数据准备好：收入数据（定价、ARPU、AOV、购买频率）、成本数据（销售与市场支出、COGS、每客户可变成本）、留存数据（流失率、队列留存）、渠道数据（分渠道 CAC、分细分 LTV），以及时间范围（队列按月度还是季度）。

步骤 2：用自然语言描述业务

参考输入示例：

「我们是一个 B2B SaaS，月订阅 100 美元。上个季度市场与销售总支出 2 万美元，新增 100 个客户。每客户每月托管与支持成本 20 美元。月度流失率约 5%。请帮我算出 CAC、LTV、LTV/CAC 和回收期，并判断是否该加大投放。」

步骤 3：让技能按六步流程推进

技能会引导你走完：定义单元 → 计算 CAC → 计算 LTV → 评估贡献边际 → 队列分析 → 解释并推荐。中途若某项数据缺失，它会明确告诉你缺什么、以及缺失会导致什么偏差。

步骤 4：读取核心结果

以上述示例为例，技能会给出：

  • CAC = 20,000 ÷ 100 = 200 美元
  • 毛利率 = (100 − 20) ÷ 100 = 80%
  • 客户平均生命周期 = 1 ÷ 5% = 20 个月
  • LTV = 100 × 20 × 80% = 1,600 美元
  • LTV/CAC = 1,600 ÷ 200 = 8:1（健康，>3:1）
  • 回收期 = 200 ÷ (100 × 80%) = 2.5 个月（优秀，<6 个月）
  • 结论：单元经济学强劲，可盈利地扩大投放。

步骤 5：要求渠道与队列拆解

继续追问：「按付费搜索、内容、转介绍三个渠道分别计算 CAC 和 LTV，并给出渠道盈利性表。」技能会输出分渠道对比，指出哪些渠道在补贴哪些渠道。

步骤 6：让技能给出行动建议

最后要求：「基于以上指标，给出定价、渠道预算和留存优先级的建议。」产出会落到具体的杠杆上——降低流失（提升 LTV）、提价或加售（提升 ARPU）、优化渠道（降低 CAC）。

步骤 7：质量自检

可要求技能用评分量规自查，确认平均分是否达到 ≥3.5 的最低标准，未达标时补齐数据重算。

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
财务单元经济学Skill 方法论驱动的 AI 分析助手 CAC/LTV/贡献边际/回收期/队列分析全流程，含基准值与决策映射 低：安装技能后自然语言调用，需自备业务数据 业务模型验证、定价决策、融资路演准备 优势：口径统一、有防护栏、有量化基准；不足：依赖输入数据质量，不直接对接数据源
Excel / 表格自建模型 通用财务建模工具 自由搭建公式与图表 中：需要自行设计口径与公式 一次性测算、内部汇报 优势：灵活、可审计；不足：口径靠人保证，易漏算销售工资等隐形成本，复用性差
BI 工具（如各类可视化分析平台） 数据可视化与报表 指标看板、留存曲线、分渠道报表 较高：需数据接入与建模 已具备数据仓库的成熟团队 优势：自动化、可持续监控；不足：只呈现数据不解释结论，方法论仍需人来定
通用大模型直接对话 通用问答 可临时询问 CAC/LTV 概念与算法 极低 快速了解概念 优势：门槛最低；不足：缺乏统一流程与基准，容易给出未考虑流失与全加载成本的乐观估算
财务顾问 / 咨询 人力专业服务 深度诊断、定制模型、路演辅导 高：周期长、成本高 融资、重大战略决策 优势：行业经验丰富；不足：贵且慢，不适合高频迭代的日常决策

选择建议：如果你已经有一套 BI 看板，这个技能更适合作为「解读层」补上；如果你还在用表格手搓模型，它可以作为「口径层」把方法论固定下来。

该技能的典型应用场景与实际体验情况

场景一：SaaS 创业者准备融资路演

  • 角色与痛点：创始人被投资人追问 LTV/CAC，手里只有一张口径混乱的表格，且 LTV 是按「假设客户留存 5 年」算出来的。
  • 使用方式：把真实队列留存数据喂给技能，要求按「获取月份」分组重算 LTV，并输出回收期。
  • 实际体验：技能会主动指出「5 年 LTV 只有 1 个月数据支撑」属于虚荣 LTV 陷阱，改用观察到的留存曲线后，LTV 往往显著下调。上手难度低，但需要你接受一个不好看的结果——这正是它的价值。

场景二：增长负责人做渠道预算分配

  • 角色与痛点：整体 CAC 看起来健康，但部分渠道实际在亏钱，预算却按「大盘 ROI」继续加码。
  • 使用方式：要求按渠道拆分 CAC 与 LTV，输出渠道盈利性表。
  • 实际体验：技能会强调「混合指标隐藏真相」，分渠道结果常出现明显分化——某个渠道 CAC 高但 LTV 也高，另一个渠道 CAC 低但留存极差。注意事项：分渠道数据量小时结论不稳，需说明样本量。

场景三：电商团队决定是否加大投放

  • 角色与痛点：AOV 尚可，但复购率低，不确定单笔订单是否真的赚钱。
  • 使用方式：用交易型公式 LTV = AOV × 购买频率 × 毛利率 × 生命周期（年） 测算，并对照基准（贡献边际 ≥40%、复购率 ≥25%、LTV/CAC ≥2:1）。
  • 实际体验：技能会优先提示「毛利率底线」——电商毛利率低于 40% 时，即使 LTV/CAC 好看，现金流依然糟糕。这一点比单纯看比率更有决策价值。

场景四：产品经理排定留存功能优先级

  • 角色与痛点：手里有「提升留存」和「拉新活动」两个需求，资源只够做一个。
  • 使用方式：让技能测算流失率从 5% 降到 4% 对 LTV 的影响，与 CAC 降低 20% 的效果做对比。
  • 实际体验：结论通常非常直观——月度流失从 5% 改善到 4%，LTV 提升约 25%，且是指数级杠杆。技能会明确给出「留存改进 > 获取改进」的判断，帮产品团队把资源投向正确的位置。

整体体验小结：上手门槛低（会描述业务就能用），但效果高度依赖输入数据的真实性。最容易踩的坑是「为了让结论好看而美化留存假设」——技能的防护栏会拦，但需要使用者愿意被拦。

该技能能为用户带来的价值

效率提升

  • 过去需要财务、增长、数据三方对齐口径、花数天搭建的模型，现在可以在一次对话中完成初版测算，把「口径对齐」的时间从几天压缩到几十分钟。
  • 六步流程 + 模板资源让分析可复用，第二个月复盘时无需从零开始。

门槛降低

  • 不懂财务建模的产品经理、运营同学，也能按标准流程算出 CAC、LTV 和回收期，不必先学完一整套财务课程。
  • 内置的五种业务模式让不同形态的公司都能找到对号入座的口径，避免「拿电商公式套 SaaS」。

决策质量提升

  • 五档决策框架（停止 / 谨慎 / 优化 / 扩展 / 激进扩展）把数字直接映射为行动，减少「算完之后不知道该怎么办」的空转。
  • 8 条防护栏与 6 个常见陷阱，本质上是把资深分析师的经验前置成检查清单，显著降低因口径错误导致的战略误判。

长期价值

  • 建立统一的「单元经济学语言」，让市场、产品、财务在同一套指标上讨论问题。
  • 每季度重算一次，就形成了一条业务健康度的观测曲线——在问题变成危机之前，先看到拐点。

常见问题 FAQ

Q1：这个技能怎么安装？需要写代码吗？

不需要写代码。它的安装本质是把技能目录挂载到支持技能机制的 AI 客户端中，通常通过技能市场搜索技能英文名 financial-unit-economics 或技能ID 12984 一键添加即可。安装前提、具体命令与入口请以官方说明为准。安装后建议用一句触发词（如「帮我算 CAC 和 LTV/CAC」）做冒烟测试，确认技能已被正确加载。

Q2：使用这个技能收费吗？

技能本身是否收费、是否包含在订阅套餐内，取决于你所使用的平台与分发渠道，以官方说明为准。需要提醒的是，除技能费用外，还需要考虑你自备数据（如 BI 导出、财务系统报表）的获取成本。

Q3：它适合谁用？不适合谁？

适合创业者、增长负责人、财务 BP、投资人和产品经理，尤其是正面临定价、投放扩张、融资路演或留存优先级决策的团队。不太适合两类情况：一是完全没有历史数据、连流失率都无法估算的极早期项目（技能会提示 LTV 估计不可靠）；二是需要出具审计级财务报表的场景，那属于会计范畴，不是单元经济学。

Q4：它和直接用通用 AI 对话问「怎么算 LTV」有什么区别？

区别在流程与防护栏。通用对话往往直接给一个公式和一段乐观估算；这个技能会先追问你的分析单元、要求全加载 CAC（含销售工资与工具成本）、要求基于队列留存而非假设，并在最后用五档决策框架给出可执行结论。此外它内置了分行业基准值和质量评分量规（最低标准平均分 ≥3.5），结论的可信度更高。

Q5：算出来的结果看起来很差，是不是技能算错了？

先别急着怀疑工具。单元经济学结果偏差最常见的三个来源是：CAC 漏算成本（尤其销售团队工资与工具费）、LTV 高估留存（用假设替代观察数据）、毛利率漏算可变成本（支付手续费、退款、欺诈损失、支持成本）。建议按技能的提示逐项核对；如果数据确实如此，那么「结果差」恰恰是它最有价值的一次预警——技能的决策框架会明确告诉你此刻应当「停止扩张、修复模型」，而不是「在量上弥补」。