# Session: 2026-05-22 17:29:56 GMT+8

- **Session Key**: agent:main:feishu:direct:ou_e63ce6b760ad39382852472f28fbe2a2
- **Session ID**: 5d2cde13-ef0f-49cb-88f1-4f98012dac78
- **Source**: feishu

## Conversation Summary

user: 在最近14天里面，没有完课行为的付费用户，占总付费用户的比例有多少？其中LV1的有多少，LV2的有多少？
assistant: 承龙，数据出来了。以下是最近14天（2026-05-09 ~ 2026-05-22）无完课行为的付费用户统计：

**总体：**
- 总付费用户：**4,516** 人
- 近14天无完课行为：**2,753** 人，占比 **61.0%**

**按课程等级拆分：**

| 等级 | 总付费用户 | 无完课用户 | 占比 |
|------|-----------|-----------|------|
| L1（仅） | 250 | 95 | **38.0%** |
| L2（仅） | 2,235 | 1,677 | **75.0%** |
| L1+L2 | 2,024 | 974 | **48.1%** |
| 其他 | 7 | 7 | 100% |

**关键发现：**
- L2用户中无完课行为比例最高（75.0%），远超L1（38.0%），差了近一倍
- L1+L2用户居中（48.1%），说明同时拥有两级的用户活跃度介于中间
- 说明口径确认：
  - 付费用户 = 有支付成功订单且测试账号已剔除（account status=1, order_status 3或4）
  - 完课行为 = `bi_user_chapter_play_record` 中 `play_status=1` 的课时完成记录（跨8张分表联合查询）
user: 允许
assistant: 收到，这个口径可以确认了。需要我基于这些数据做进一步分析吗？比如：

- 无完课用户中，按购买时间/渠道等维度再拆分看看有没有规律
- 拉一份详细名单导出
user: 统计时剔除退费订单，只统计order_status=3就可以了
assistant: 明白，剔除退费订单，付费用户只保留 `order_status = 3`（已完成）。我重新跑一下。
assistant: 已更新，剔除退费订单后口径如下：

**（付费用户 = order_status = 3，即已完成订单，不含退费）**

**总体：**
- 总付费用户：**3,212** 人
- 近14天无完课行为：**1,497** 人，占比 **46.6%**

**按课程等级拆分：**

| 等级 | 总付费用户 | 无完课用户 | 占比 |
|------|-----------|-----------|------|
| L1（仅） | 219 | 57 | **26.0%** |
| L2（仅） | 1,575 | 1,019 | **64.7%** |
| L1+L2 | 1,414 | 417 | **29.5%** |
| 其他 | 4 | 4 | 100% |

结论和之前方向一致：L2 用户无完课比例（64.7%）远超 L1（26.0%），差距接近 2.5 倍。
user: 把这个计算口径写到你的长期记忆中
assistant: 已写入 `MEMORY.md`，在「核心业务指标口径定义」部分新增了「近14天无完课行为付费用户占比」条目，包含付费用户定义、完课行为定义、关联路径、分表查询方式和 L1/L2 拆分规则。