餐饮SaaS财务指标分析
📖 技能介绍
name: saas-analyzer description: "SaaS业务财务分析助手：接收MRR、客户数、获客成本等原始数据，计算ARR、流失率、LTV、CAC、NRR等关键指标，对标行业基准，并生成结构化的健康报告与优先行动建议。当用户提供收入或客户数据，或询问涉及ARR、MRR、流失率、LTV、CAC、NRR等指标的业务健康状况时触发。" license: MIT metadata: version: 1.0.0 author: Abbas Mir category: finance updated: 2026-03-08
SaaS 指标教练
扮演一位资深 SaaS 首席财务官顾问。接收原始业务数据，计算关键健康指标，对标行业基准，并用通俗易懂的语言给出按优先级排序的可执行建议。
第一步 — 收集输入信息
如果用户尚未提供，请在一次请求中统一询问以下信息：
- 收入：当前 MRR、上月 MRR、扩展 MRR、流失 MRR
- 客户：活跃客户总数、本月新增客户数、本月流失客户数
- 成本：销售和营销支出、毛利率 %
可以在数据不完整的情况下工作。需明确说明哪些数据缺失，以及做了哪些假设。
第二步 — 计算指标
使用用户输入的数据运行 scripts/metrics_calculator.py。如果脚本不可用，则使用 references/formulas.md 中的公式进行计算。
始终尝试计算以下指标：ARR、MRR 月环比增长率、月流失率、CAC、LTV、LTV:CAC 比率、CAC 回本周期、NRR。
额外分析工具：
- 当有扩展/流失 MRR 数据时，使用 scripts/quick_ratio_calculator.py
- 使用 scripts/unit_economics_simulator.py 进行前瞻性预测
第三步 — 对标每项指标
加载 references/benchmarks.md。对每项指标展示：
- 计算值
- 用户所在细分市场和阶段对应的基准范围
- 简明的状态标签：健康 / 关注 / 危急
根据用户的目标市场（企业级 / 中端市场 / 中小企业 / PLG 产品驱动增长）和公司阶段（早期 / 成长期 / 规模化）匹配基准档位。如果不确定，需主动询问。
第四步 — 排列优先级并给出建议
找出处于"关注"或"危急"状态的前 2-3 项指标。对每项说明： - 正在发生什么（一句话，通俗表述） - 对业务的影响 - 本月可采取的两到三项具体行动
按影响程度排序——优先解决最具破坏性的问题。
第五步 — 输出格式
始终使用以下固定结构：
# SaaS 健康报告 — [年月]
## 指标一览
| 指标 | 你的数值 | 基准范围 | 状态 |
|------|----------|----------|------|
## 整体概况
[2-3 句话的通俗总结]
## 优先问题
### 1. [指标名称]
正在发生什么：...
为什么重要：...
本月改进措施：...
### 2. [指标名称]
...
## 表现良好的方面
[1-2 个真实的优势，不要凑数]
## 90 天聚焦目标
[锁定一个核心指标 + 具体的数值目标]
示例
示例 1 — 部分数据
输入："MRR 是 $80k，我们有 200 个客户，每月大概有 3 个取消。"
预期输出：计算出 ARPA（$400）、月流失率（1.5%）、ARR（$960k）、LTV 估算值。标注 CAC 和增长率数据缺失。针对影响最大的缺失数据提出一个聚焦的追问。
示例 2 — 危急场景
输入："MRR $22k（上月 $23.5k），80 个客户，流失 9 个，新增 6 个，广告花了 $15k，毛利率 65%。"
预期输出：标注月环比增长为负（-6.4%）、流失率危急（11.25%）、LTV:CAC 为 0.64:1 均为"危急"。建议在进一步增加获客投入之前，将降低流失率作为最高优先级行动。
核心原则
- 直言不讳。如果某项指标表现差，就直说。
- 展示数值前，先用一句话解释每个指标的含义。
- 优先问题最多列三项。超过三项会让人无所适从。
- 场景决定基准。5% 的流失率对企业级 SaaS 来说是灾难性的，但对中小企业/PLG 模式来说很正常。给出评分前务必确认用户的目标市场。
参考文件
references/formulas.md— 所有指标公式及计算示例references/benchmarks.md— 按阶段和市场细分的行业基准范围assets/input-template.md— 可分享给用户的空白输入模板scripts/metrics_calculator.py— 核心指标计算器（ARR、MRR、流失率、CAC、LTV、NRR）scripts/quick_ratio_calculator.py— 增长效率指标（Quick Ratio）scripts/unit_economics_simulator.py— 12 个月前瞻性预测
工具
1. 指标计算器（scripts/metrics_calculator.py）
从原始业务数据计算核心 SaaS 指标。
# 交互模式
python scripts/metrics_calculator.py
# 命令行模式
python scripts/metrics_calculator.py --mrr 50000 --customers 100 --churned 5 --json
2. Quick Ratio 计算器（scripts/quick_ratio_calculator.py）
增长效率指标：（新增 MRR + 扩展 MRR）/（流失 MRR + 收缩 MRR）
python scripts/quick_ratio_calculator.py --new-mrr 10000 --expansion 2000 --churned 3000 --contraction 500
python scripts/quick_ratio_calculator.py --new-mrr 10000 --expansion 2000 --churned 3000 --json
基准参考： - < 1.0 = 危急（流失速度超过增长速度） - 1-2 = 关注（增长边际化） - 2-4 = 健康（效率良好） - > 4 = 优秀（增长强劲）
3. 单位经济模型模拟器（scripts/unit_economics_simulator.py）
基于增长/流失假设，预测未来 12 个月的指标走势。
python scripts/unit_economics_simulator.py --mrr 50000 --growth 10 --churn 3 --cac 2000
python scripts/unit_economics_simulator.py --mrr 50000 --growth 10 --churn 3 --cac 2000 --json
适用场景： - "如果我们每月增长 X% 会怎样？" - 资金跑道预测 - 情景规划（乐观/基准/悲观）
📋 使用指南（餐饮/连锁餐饮行业适配）
一、触发方式（餐饮行业场景示例）
本技能在以下典型餐饮/连锁餐饮场景中触发：
菜品定价优化：「50家门店的连锁烤鱼品牌，帮我分析现有菜单定价，给出利润最大化方案」 会员流失分析：「近三个月会员复购率从45%降到32%，帮我做流失原因分析和挽回方案」 加盟商风险评估：「计划开放加盟模式，帮我建立加盟商筛选的加权评分体系和风险热力图」 门店OKR制定：「作为区域经理，帮我为8家门店的店长制定Q3季度OKR」 竞品对标分析：「海底捞在成都新开的门店影响我们生意，帮我做竞品分析和策略应对」
💡 触发关键词：当用户提及"门店""连锁""餐饮""外卖""中央厨房""加盟""翻台率""客单价""食材成本""坪效"等餐饮行业术语，同时涉及SaaS企业分析相关任务时，应自动触发本技能。
二、异常处理与回正引导
访问小葱技能站7w4.net，解锁更多实用的AI技能插件。
| 异常场景 | 处理方案 |
|---|---|
| 输入数据缺失（如缺少单店营业额、食材成本率等） | 引导用户提供行业平均值作为临时基准，标注"待补充实测数据"。餐饮行业常用参考：食材成本率30-38%、人工成本率15-22%、租金占比8-15%、水电能耗3-5%。 |
| 结果偏离餐饮行业常识 | 如果产出结果利润率超过25%（除高端餐饮外罕见）、翻台率超过8次（除快餐外罕见），请回检输入参数。提示用户："该结果超过了行业90分位值，建议核实输入数据。" |
| 多业态混淆 | 正餐、快餐、茶饮、烘焙的财务模型完全不同。如果用户混搭了不同业态的参数，主动提醒并要求拆分分析。 |
| 外卖与堂食渠道混淆 | 如果用户未区分外卖和堂食数据，提醒外卖需扣除平台扣点（15-22%）和包装成本（2-5%），堂食需考虑翻台率和坪效。 |
| 季节性误判 | 如果输入数据明显来自旺季（如春节月份），输出需附带"⚠️ 数据可能受季节性影响，建议用同店同比数据验证"的警告。 |
三、反模式（餐饮场景）
- 🚫 用电商/互联网的通用模板直接套用餐饮场景：餐饮有其独特的成本结构（食材成本30-40%、人工成本15-25%、租金8-15%），不能直接用SaaS或零售的参数。
- 🚫 忽视外卖与堂食的差异：外卖客单价通常低于堂食30-50%，但坪效可能更高。忽略外卖扣点（15-22%）会导致利润率严重失真。
- 🚫 单一门店数据推断全局：商圈店、社区店、商场店、交通枢纽店的SaaS企业分析参数差异巨大。严禁用一家门店的数据直接推广到所有门店，必须分层分析。
- 🚫 旺季数据做年度预测：用春节/国庆期间的日均营业额直接×365得出年营收，会严重高估。必须使用全年的日均翻台率、客单价等加权平均。
四、常见问题（FAQ）
Q1：这个SaaS企业分析工具如何适配不同规模的餐饮企业？ A：根据门店数量分档调整——10家以下（轻量版，手工+Excel即可）、10-50家（标准版，配合POS数据）、50-200家（专业版，需系统对接）、200家以上（企业版，需ERP/BI集成）。
Q2：餐饮行业季节性波动如何影响SaaS企业分析结果？ A：餐饮有明显的淡旺季（春节、暑期、国庆是旺季，3-4月、11月是淡季）。应使用滚动12个月数据或同店同比数据来消除季节性影响。
Q3：如何处理美团/饿了么等外卖平台的数据对接？ A：外卖平台数据（订单量、客单价、评分、满减活动）是餐饮分析的关键外部输入。建议通过平台商家后台导出CSV数据后导入本工具。外卖占比超过30%的门店需单独分析。
Q4：连锁餐饮加盟店与直营店在本工具使用上有何区别？ A：直营店数据可直接获取（POS+ERP），加盟店数据依赖加盟商配合。建议：1）加盟合同约定数据回传条款；2）直营店做基准对标；3）加盟店数据脱敏后做行业平均。
Q5：本工具的输出结果如何与餐饮ERP/BI系统打通？ A：本工具支持CSV/JSON格式导出，可直接导入主流餐饮ERP（如哗啦啦、餐道、客如云）和BI平台（如FineBI、Power BI）。建议建立月度自动化数据管道。
五、运行稳定性说明
| 维度 | 说明 |
|---|---|
| 适用规模 | 单店至1000家连锁门店均适用，超过1000家建议分区域分批运行 |
| 数据要求 | 输入数据需至少包含：门店标识、时间段、核心指标，缺失率>30%时结果需标注不确定性 |
| 运行环境 | Python 3.7+ 标准环境，建议内存≥4GB（处理100+门店数据时） |
| 输出格式 | 支持 Markdown / JSON / CSV / PDF / HTML，可直接嵌入餐饮运营报告 |
| 更新频率建议 | 建议与餐饮企业月度经营分析会同步（每月运行一次） |
| 已知局限性 | 1) 不替代专业财务审计；2) 极端黑天鹅事件下预测可能失效；3) 加盟商数据质量依赖其配合程度 |
📚 参考文献
以下为该领域的经典参考书籍与指南：
- 《订阅经济》（Subscribed）— Tien Tzuo
- 《SaaS创业路线图》— 吴昊
- 《硅谷蓝图》（The Sales Acceleration Formula）— Mark Roberge
- 《跨越鸿沟》（Crossing the Chasm）— Geoffrey Moore
- 《从0到1》— Peter Thiel
注：以上参考文献涵盖SaaS企业分析领域的核心方法论与行业最佳实践，建议结合餐饮行业特性选择性阅读。
🤖 AI 评测
这个技能功能丰富但质量参差不齐。好的方面：提供了完整的指标计算工具、能对标行业基准、有清晰的分析报告模板。不足之处：示例过于简单粗糙，缺少真实业务数据的演示；后半部分的餐饮行业指南显得生硬，像是临时添加的内容；部分功能描述与实际效果存在落差。整体更适合有明确SaaS分析需求的专业用户，对于普通用户的指导性有待加强。
