简诗 AI 单位经济模型

要解决的具体问题

当团队评估每个客户的真实盈利性时，常面临三个挑战：

1. 指标分散：CAC、LTV、NDR 等数据散落在财务系统、CRM 和运营后台，手工拼凑容易遗漏关键维度（如不同客户分层的 blended CAC）。
2. 数据质量：聚合指标可能掩盖问题——比如高 NDR 背后隐藏的高 logo churn，或合同 ARR 与确认收入的口径差异。
3. 业务模式差异：SaaS、交易型、服务型业务的单位经济学逻辑不同，通用模板难以适配实际场景。

技能如何工作

该技能围绕单位经济模型分析的核心链路设计，分四步处理：

Step 1: 锁定业务模式

自动识别以下四种模式并匹配分析框架：

• SaaS/订阅：聚焦 ARR bridge、net retention、年度队列分析
• 持续服务：拆解合同价值、续约率、增购空间
• 交易/用量型：追踪单笔收入、交易量趋势、take rate
• 混合模式：按收入流分拆计算

Step 2: 构建核心指标体系

计算并展示关键指标：

• 客户成本：CAC（总 S&M 费用/新增客户数）、CAC payback period
• 客户价值：LTV（ARPU × Gross Margin / Churn Rate）、LTV:CAC 比率
• 留存与扩展：Gross retention、NDR、logo churn、dollar churn
• 收入质量：Recurring %、客户集中度、队列稳定性

Step 3: 队列分析与基准对比

• 自动生成队列矩阵（按年度展示绝对值和索引值）
• 对比行业基准：如 Rule of 40（增长率+利润率 > 40%）、Magic Number（净增 ARR/S&M 支出 > 0.75x）
• 输出 Revenue Quality Score（1-5 分）及风险项标注

Step 4: 生成可交付物

• Excel 工作簿：含 ARR bridge、队列矩阵、单位经济学仪表板
• 关键指标摘要幻灯片
• 红旗项标注及需深入尽调的领域

适用边界与注意点

1. 数据前提：优先使用用户提供的原始客户级数据，聚合数据可能隐藏问题（如某个客户分层的高流失率）
2. 指标陷阱：

- NDR > 100% 可能掩盖高 gross churn，必须同时展示绝对留存数据
- 合同 ARR ≠ 确认收入，需区分财务口径差异
- 专业服务收入需单独评估，因其非经常性且利润率通常更低

1. 分析边界：

- 不主动读取任务范围外的文件或数据
- 不替代持牌财务顾问的专业意见
- 不进行实际资金操作或自动执行外部写入

1. 隐私保护：

- 仅使用完成任务所需的最少个人数据，默认脱敏处理
- 不回显、记录或转发任何凭据（如 API Key、Token）

该技能本质是结构化分析框架，输出质量高度依赖输入数据的完整性。建议提供至少 6 个月的客户层级原始数据（如 customer_id、sign_date、revenue、support_cost），才能生成有意义的队列分析和风险判断。