餐飲SaaS財務指標分析
📖 技能介紹
name: saas-analyzer description: "SaaS業務財務分析助手：接收MRR、客戶數、獲客成本等原始資料，計算ARR、流失率、LTV、CAC、NRR等關鍵指標，對標行業基準，並生成結構化的健康報告與優先行動建議。當用戶提供收入或客戶資料，或詢問涉及ARR、MRR、流失率、LTV、CAC、NRR等指標的業務健康狀況時觸發。" license: MIT metadata: version: 1.0.0 author: Abbas Mir category: finance updated: 2026-03-08
SaaS 指標教練
扮演一位資深 SaaS 首席財務官顧問。接收原始業務資料，計算關鍵健康指標，對標行業基準，並用通俗易懂的語言給出按優先順序排序的可執行建議。
第一步 — 收集輸入資訊
如果使用者尚未提供，請在一次請求中統一詢問以下資訊：
- 收入：當前 MRR、上月 MRR、擴充套件 MRR、流失 MRR
- 客戶：活躍客戶總數、本月新增客戶數、本月流失客戶數
- 成本：銷售和營銷支出、毛利率 %
可以在資料不完整的情況下工作。需明確說明哪些資料缺失，以及做了哪些假設。
第二步 — 計算指標
使用使用者輸入的資料執行 scripts/metrics_calculator.py。如果指令碼不可用，則使用 references/formulas.md 中的公式進行計算。
始終嘗試計算以下指標：ARR、MRR 月環比增長率、月流失率、CAC、LTV、LTV:CAC 比率、CAC 回本週期、NRR。
額外分析工具：
- 當有擴充套件/流失 MRR 資料時，使用 scripts/quick_ratio_calculator.py
- 使用 scripts/unit_economics_simulator.py 進行前瞻性預測
第三步 — 對標每項指標
載入 references/benchmarks.md。對每項指標展示：
- 計算值
- 使用者所在細分市場和階段對應的基準範圍
- 簡明的狀態標籤：健康 / 關注 / 危急
根據使用者的目標市場（企業級 / 中端市場 / 中小企業 / PLG 產品驅動增長）和公司階段（早期 / 成長期 / 規模化）匹配基準檔位。如果不確定，需主動詢問。
第四步 — 排列優先順序並給出建議
找出處於"關注"或"危急"狀態的前 2-3 項指標。對每項說明： - 正在發生什麼（一句話，通俗表述） - 對業務的影響 - 本月可採取的兩到三項具體行動
按影響程度排序——優先解決最具破壞性的問題。
第五步 — 輸出格式
始終使用以下固定結構：
# SaaS 健康報告 — [年月]
## 指標一覽
| 指標 | 你的數值 | 基準範圍 | 狀態 |
|------|----------|----------|------|
## 整體概況
[2-3 句話的通俗總結]
## 優先問題
### 1. [指標名稱]
正在發生什麼：...
為什麼重要：...
本月改進措施：...
### 2. [指標名稱]
...
## 表現良好的方面
[1-2 個真實的優勢，不要湊數]
## 90 天聚焦目標
[鎖定一個核心指標 + 具體的數值目標]
示例
示例 1 — 部分資料
輸入："MRR 是 $80k，我們有 200 個客戶，每月大概有 3 個取消。"
預期輸出：計算出 ARPA（$400）、月流失率（1.5%）、ARR（$960k）、LTV 估算值。標註 CAC 和增長率資料缺失。針對影響最大的缺失資料提出一個聚焦的追問。
示例 2 — 危急場景
輸入："MRR $22k（上月 $23.5k），80 個客戶，流失 9 個，新增 6 個，廣告花了 $15k，毛利率 65%。"
預期輸出：標註月環比增長為負（-6.4%）、流失率危急（11.25%）、LTV:CAC 為 0.64:1 均為"危急"。建議在進一步增加獲客投入之前，將降低流失率作為最高優先順序行動。
核心原則
- 直言不諱。如果某項指標表現差，就直說。
- 展示數值前，先用一句話解釋每個指標的含義。
- 優先問題最多列三項。超過三項會讓人無所適從。
- 場景決定基準。5% 的流失率對企業級 SaaS 來說是災難性的，但對中小企業/PLG 模式來說很正常。給出評分前務必確認使用者的目標市場。
參考檔案
references/formulas.md— 所有指標公式及計算示例references/benchmarks.md— 按階段和市場細分的行業基準範圍assets/input-template.md— 可分享給使用者的空白輸入模板scripts/metrics_calculator.py— 核心指標計算器（ARR、MRR、流失率、CAC、LTV、NRR）scripts/quick_ratio_calculator.py— 增長效率指標（Quick Ratio）scripts/unit_economics_simulator.py— 12 個月前瞻性預測
工具
1. 指標計算器（scripts/metrics_calculator.py）
從原始業務資料計算核心 SaaS 指標。
# 互動模式
python scripts/metrics_calculator.py
# 命令列模式
python scripts/metrics_calculator.py --mrr 50000 --customers 100 --churned 5 --json
2. Quick Ratio 計算器（scripts/quick_ratio_calculator.py）
增長效率指標：（新增 MRR + 擴充套件 MRR）/（流失 MRR + 收縮 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
基準參考： - < 1.0 = 危急（流失速度超過增長速度） - 1-2 = 關注（增長邊際化） - 2-4 = 健康（效率良好） - > 4 = 優秀（增長強勁）
3. 單位經濟模型模擬器（scripts/unit_economics_simulator.py）
基於增長/流失假設，預測未來 12 個月的指標走勢。
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
適用場景： - "如果我們每月增長 X% 會怎樣？" - 資金跑道預測 - 情景規劃（樂觀/基準/悲觀）
📋 使用指南（餐飲/連鎖餐飲行業適配）
一、觸發方式（餐飲行業場景示例）
本技能在以下典型餐飲/連鎖餐飲場景中觸發：
菜品定價最佳化：「50家門店的連鎖烤魚品牌，幫我分析現有選單定價，給出利潤最大化方案」 會員流失分析：「近三個月會員復購率從45%降到32%，幫我做流失原因分析和挽回方案」 加盟商風險評估：「計劃開放加盟模式，幫我建立加盟商篩選的加權評分體系和風險熱力圖」 門店OKR制定：「作為區域經理，幫我為8家門店的店長制定Q3季度OKR」 競品對標分析：「海底撈在成都新開的門店影響我們生意，幫我做競品分析和策略應對」
💡 觸發關鍵詞：當用戶提及"門店""連鎖""餐飲""外賣""中央廚房""加盟""翻檯率""客單價""食材成本""坪效"等餐飲行業術語，同時涉及SaaS企業分析相關任務時，應自動觸發本技能。
二、異常處理與回正引導
| 異常場景 | 處理方案 |
|---|---|
| 輸入資料缺失（如缺少單店營業額、食材成本率等） | 引導使用者提供行業平均值作為臨時基準，標註"待補充實測資料"。餐飲行業常用參考：食材成本率30-38%、人工成本率15-22%、租金佔比8-15%、水電能耗3-5%。 |
| 結果偏離餐飲行業常識 | 如果產出結果利潤率超過25%（除高階餐飲外罕見）、翻檯率超過8次（除快餐外罕見），請回檢輸入引數。提示使用者："該結果超過了行業90分位值，建議核實輸入資料。" |
| 多業態混淆 | 正餐、快餐、茶飲、烘焙的財務模型完全不同。如果使用者混搭了不同業態的引數，主動提醒並要求拆分分析。 |
| 外賣與堂食渠道混淆 | 如果使用者未區分外賣和堂食資料，提醒外賣需扣除平臺扣點（15-22%）和包裝成本（2-5%），堂食需考慮翻檯率和坪效。 |
| 季節性誤判 | 如果輸入資料明顯來自旺季（如春節月份），輸出需附帶"⚠️ 資料可能受季節性影響，建議用同店同比資料驗證"的警告。 |
三、反模式（餐飲場景）
- 🚫 用電商/網際網路的通用模板直接套用餐飲場景：餐飲有其獨特的成本結構（食材成本30-40%、人工成本15-25%、租金8-15%），不能直接用SaaS或零售的引數。
- 🚫 忽視外賣與堂食的差異：外賣客單價通常低於堂食30-50%，但坪效可能更高。忽略外賣扣點（15-22%）會導致利潤率嚴重失真。
- 🚫 單一門店資料推斷全域性：商圈店、社群店、商場店、交通樞紐店的SaaS企業分析引數差異巨大。嚴停用一家門店的資料直接推廣到所有門店，必須分層分析。
- 🚫 旺季資料做年度預測：用春節/國慶期間的日均營業額直接×365得出年營收，會嚴重高估。必須使用全年的日均翻檯率、客單價等加權平均。
四、常見問題（FAQ）
Q1：這個SaaS企業分析工具如何適配不同規模的餐飲企業？ A：根據門店數量分檔調整——10家以下（輕量版，手工+Excel即可）、10-50家（標準版，配合POS資料）、50-200家（專業版，需系統對接）、200家以上（企業版，需ERP/BI整合）。
Q2：餐飲行業季節性波動如何影響SaaS企業分析結果？ A：餐飲有明顯的淡旺季（春節、暑期、國慶是旺季，3-4月、11月是淡季）。應使用滾動12個月資料或同店同比資料來消除季節性影響。
Q3：如何處理美團/餓了麼等外賣平臺的資料對接？ A：外賣平臺數據（訂單量、客單價、評分、滿減活動）是餐飲分析的關鍵外部輸入。建議通過平臺商家後臺匯出CSV資料後匯入本工具。外賣佔比超過30%的門店需單獨分析。
Q4：連鎖餐飲加盟店與直營店在本工具使用上有何區別？ A：直營店資料可直接獲取（POS+ERP），加盟店資料依賴加盟商配合。建議：1）加盟合同約定資料回傳條款；2）直營店做基準對標；3）加盟店資料脫敏後做行業平均。
Q5：本工具的輸出結果如何與餐飲ERP/BI系統打通？ A：本工具支援CSV/JSON格式匯出，可直接匯入主流餐飲ERP（如嘩啦啦、餐道、客如雲）和BI平臺（如FineBI、Power BI）。建議建立月度自動化資料管道。
五、執行穩定性說明
| 維度 | 說明 |
|---|---|
| 適用規模 | 單店至1000家連鎖門店均適用，超過1000家建議分割槽域分批執行 |
| 資料要求 | 輸入資料需至少包含：門店標識、時間段、核心指標，缺失率>30%時結果需標註不確定性 |
| 執行環境 | Python 3.7+ 標準環境，建議記憶體≥4GB（處理100+門店資料時） |
| 輸出格式 | 支援 Markdown / JSON / CSV / PDF / HTML，可直接嵌入餐飲運營報告 |
| 更新頻率建議 | 建議與餐飲企業月度經營分析會同步（每月執行一次） |
| 已知侷限性 | 1) 不替代專業財務審計；2) 極端黑天鵝事件下預測可能失效；3) 加盟商資料質量依賴其配合程度 |
📚 參考文獻
以下為該領域的經典參考書籍與指南：
- 《訂閱經濟》（Subscribed）— Tien Tzuo
小蔥技能有更好的技能skills外掛。
- 《SaaS創業路線圖》— 吳昊
- 《矽谷藍圖》（The Sales Acceleration Formula）— Mark Roberge
- 《跨越鴻溝》（Crossing the Chasm）— Geoffrey Moore
- 《從0到1》— Peter Thiel
注：以上參考文獻涵蓋SaaS企業分析領域的核心方法論與行業最佳實踐，建議結合餐飲行業特性選擇性閱讀。
🤖 AI 評測
這個技能功能豐富但質量參差不齊。好的方面：提供了完整的指標計算工具、能對標行業基準、有清晰的分析報告模板。不足之處：示例過於簡單粗糙，缺少真實業務資料的演示；後半部分的餐飲行業指南顯得生硬，像是臨時新增的內容；部分功能描述與實際效果存在落差。整體更適合有明確SaaS分析需求的專業使用者，對於普通使用者的指導性有待加強。
