# 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.

- Skill: `leooooooow/ltv-cac-calculator` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add leooooooow/ltv-cac-calculator`
- Raw SKILL.md: https://api.skillmd.com/api/skills/leooooooow/ltv-cac-calculator/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Finance & Business
- Author: Leooooooow (https://skillmd.com/u/leooooooow)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/leooooooow/ltv-cac-calculator

---


# 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`。