礼包卖不动，要不要降价？新用户迟迟没付第一笔钱，该改商品、入口，还是支付流程？买量的钱已经花出去，这批用户多久能回本？
每个问题都牵着一个具体决定：价格怎么调、转化从哪里改、投放是否继续。做判断，需要查清数据、拆解原因，再验证方案；把这些分析方法和检查步骤沉淀为 Skill，Agent 就能复用，团队也能核对它的依据，推进下一步动作。
下面这14个场景，覆盖从定价、首购、转化，到长期价值和复购的主要环节。
01 产品定价优化
解决什么问题：商品销量偏低时，需要判断价格、商品内容与目标用户的购买能力是否匹配。
AI Agent怎么做：先看用户平时愿意花多少钱，再结合历史打折时的销量变化，判断不同价格下用户购买意愿的变化，也就是价格弹性。之后按不同用户群设计价格档位。
有什么价值：为调整价格档位或商品内容提供依据。例如，主力用户的购买金额集中在十几元，而核心礼包定价三十元，就需要进一步验证价格门槛对购买的影响。
02 付费归因
解决什么问题：付费率变化可能来自渠道用户构成、版本调整或用户活跃情况，需要拆开各项因素，定位变化来源。
AI Agent怎么做：先分别查看付费用户数和活跃用户数的变化，再按付费层级、游戏进度、渠道和版本逐层比较，找出变化集中在哪些用户群体。
有什么价值：区分“付费用户减少”和“活跃用户增加导致比例下降”。两者可能同时发生，但需要采取的措施并不一样。
03 LTV 曲线拟合与分层精算
本文用 LTV（用户生命周期价值）衡量用户在整个使用周期内平均带来的收入。
解决什么问题：评估新用户的长期价值时，需要区分不同渠道和付费层级，并补足短期观察窗口尚未覆盖的收入。
AI Agent怎么做：把同一时期注册或获客的用户作为一批，也就是一个 cohort，观察这批用户之后每天带来的收入。用这些数据拟合收入变化曲线，再按渠道、付费层级或 VIP 用户分组比较，并预测更长期的表现。
有什么价值：用实际变化趋势补足短期数据看不到的部分，帮助团队更合理地评估用户价值和获客成本。
04 游戏流水预测
解决什么问题：收入目标确定后，需要评估当前趋势与目标的差距，以及新增用户、付费和留存分别需要达到什么水平。
AI Agent怎么做：结合日活跃用户数、新增用户数、用户平均收入和留存情况，预测未来流水；也可以从目标流水反推所需的用户规模与平均收入。
有什么价值：把一个收入目标拆成可以讨论的具体条件。例如维持现状会差多少，增加买量、提升付费或改善留存分别能带来什么变化。
05 首购分析
解决什么问题：首购率偏低时，需要沿商品曝光、点击和支付过程，确认新用户在哪个环节流失，以及价格是否影响了购买。
AI Agent怎么做：沿着第一次购买的过程逐步检查：用户有没有看到商品、有没有点进去、有没有开始支付、最后有没有付成功。再看首购通常发生在注册后的什么时候，以及第一笔消费集中在哪些价格段。
有什么价值：定位首购流失环节和主要购买时间窗口，为商品展示、入门价格和触达时机的调整提供依据。
06 LTV 分析与监控
解决什么问题：LTV 下滑后，需要分别检查付费用户占比、消费金额、购买频次和活跃时长，判断变化主要来自哪一项。
AI Agent怎么做：先统一 LTV 的收入范围和观察窗口，再检查付费用户占比、ARPPU、购买频次和活跃时长的变化，按用户群和时间段定位来源；ARPPU 指付费用户在指定周期内的平均消费金额。
有什么价值：找到下降的主要来源。比如每笔金额没变，但用户活跃时间缩短，导致少了一次后续购买，团队就应优先检查用户留存和复购机会。
07 LT 预测
LT 表示用户平均活跃时长，是估算用户长期收入时使用的参数。
解决什么问题：不同注册批次的用户观察时长不同，需要在估算用户寿命时处理这些差异，减少高估或低估。
AI Agent怎么做：按注册时间把用户分成不同批次，分别查看他们后续还活跃了多少，再根据用户逐渐减少的趋势拟合留存曲线，估算平均活跃时长。
有什么价值：让 LTV 计算建立在更可靠的用户寿命估计上，避免 LT 估得太长，连带把用户价值和投放回报也算得过高。
08 付费漏斗搭建
解决什么问题：分析购买转化前，需要先统一购买流程的事件、顺序和统计窗口，明确每一步如何计数。
AI Agent怎么做：把购买过程拆成清楚的行为步骤，例如遇到购买需求、打开商城、点击商品、开始支付、支付成功。再设定用户需要在多长时间内完成这些步骤，并按渠道和用户类型分组查看。
有什么价值：建立可复用的转化分析基线，让后续不同渠道、用户群和时间段的比较使用一致的统计规则。
09 付费漏斗分析
解决什么问题：购买转化率偏低时，需要定位损失集中在商品展示、点击、订单确认还是支付环节，并检查不同用户群的差异。
AI Agent怎么做：逐步比较从浏览商品、点击商品、确认订单、开始支付到支付成功的转化情况，再按用户类型或设备查看差异。OSM 可以把每个节点的目标、准备采取的策略和衡量效果的指标对应起来。
有什么价值：把“转化不好”缩小成具体问题。比如商品浏览到点击的人很少，就先检查商品展示；支付开始后失败的人很多，就先检查支付环节。
10 LTV 看板搭建
解决什么问题：持续监测 LTV，需要统一计算口径、集中展示不同批次的变化，并及时识别明显下滑。
AI Agent怎么做：先确认收入范围、用户范围和观察窗口，再把不同时间段、渠道和版本的数据组织到看板中，并根据历史波动设置提醒线。
有什么价值：让团队用同一套数字沟通，也能在 LTV 明显下降时及时收到提醒。看板负责发现变化，具体原因还需要进一步分析。
11 付费率异常诊断
解决什么问题：付费率突然下降，可能是用户购买减少，也可能是订单没记录全、计算口径发生变化，或者某个用户群体受到了版本影响。
AI Agent怎么做：先检查统计方法有没有变、订单数据能否和支付记录对上。确认数据基本可信后，再与过去的正常范围比较，按用户类型、渠道、版本和具体购买行为逐层排查。
有什么价值：区分数据记录异常与用户购买变化，定位受影响的用户群体，为后续排查和业务调整提供依据。
12 LTV 回本周期预测
CAC 是获得一个用户的平均成本。回本分析就是把这笔成本和用户后续带来的收入放在一起比较。
解决什么问题：投放用户的收入还在持续回收，团队需要在观察数据有限的阶段，估算回本可能性和所需时间，支持后续预算决策。
AI Agent怎么做：根据这批用户目前带来的收入，估算后续收入变化，再和 CAC 对比。还可以参考已经观察较久的用户批次，检查预测是否合理。
有什么价值：提前估算预计能收回多少、还差多少，以及大约需要多久回本，为继续投放、减少预算或调整渠道提供依据。
13 礼包渗透率优化
礼包渗透率就是符合购买条件的用户中，实际购买礼包的人占多少。
解决什么问题：礼包购买比例偏低时，需要分别检查价格、商品内容、入口曝光和展示时机对各类用户的影响。
AI Agent怎么做：先按用户以往的付费情况分组，再分别查看各组的礼包购买比例，并对照他们看到礼包的机会、购买价格和出现的场景。
有什么价值：定位礼包在曝光、吸引力和价格匹配上的具体问题，为不同用户群调整礼包和促销安排。
14 复购分析
解决什么问题：首购后的持续购买减少时，需要检查用户构成、商品供给和购买间隔的变化，定位复购下降的来源。
AI Agent怎么做：从第一次购买开始追踪，看看用户之后有没有再买、买了几次、两次购买通常隔多久，再比较不同渠道和用户群体。
有什么价值：判断用户是否愿意持续购买，尽早发现复购减少的群体和时间点，及时调整商品供给、续费提醒或运营节奏。
这14个场景覆盖定价、首购、购买转化、持续复购和长期价值，可以按当前业务问题选择对应的分析方法。
将分析方法沉淀为 Skill 时，把输入数据、指标口径、检查顺序和输出要求写清楚，再结合实际结果持续修订，便于 Agent 复用，也便于产品、运营和投放团队核对结论、确定后续动作。
