# Session: 2026-05-22 17:21:50 GMT+8

- **Session Key**: agent:main:feishu:direct:ou_e63ce6b760ad39382852472f28fbe2a2
- **Session ID**: c16efa36-0bd0-4559-b566-3c0f664d56b1
- **Source**: feishu

## Conversation Summary

assistant: 承龙，你发来的文件里有 1113 条手机号。当前脚本配置的查询范围是：

- **L2 S0 U00** L01-L05（id: 55-59）
- **L1 S0 U00** L01-L05（id: 343-348）

也就是 **U0 单元全部 10 节课**的首次完成记录（含耗时）。

需要我直接按这个范围跑查询吗？还是你想查其他课时？
user: 通过手机号匹配用户ID，看看能匹配到多少用户ID。
assistant: 匹配完成：

| 统计项 | 数量 | 占比 |
|--------|------|------|
| 文件原始行数 | 1113 | - |
| 去重后手机号 | 913 | 100% |
| **匹配成功** | **124** | **13.6%** |
| 未匹配 | 789 | 86.4% |

匹配率偏低，大部分手机号在线上正式库中没有注册记录（很多可能是销售线索/未注册用户）。

结果已保存到 `output/phone_match_result_20260522_161539.xlsx`，需要我发给你吗？或者需要进一步做课时查询？
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: 结果出来了。口径说明：付费用户 = 历史有过已完成/已退款订单的非测试账号，完课行为 = `play_status=1` 的课时完成记录。

---

**最近14天（5/8~5/21）无完课行为的付费用户占比**

| 类别 | 总付费用户 | 无完课 | 占比 | 有完课 |
|------|:---:|:---:|:---:|:---:|
| **总体** | **4,367** | **2,583** | **59.1%** | 1,784 |
| 仅L1 | 249 | 90 | 36.1% | 159 |
| 仅L2 | 2,090 | 1,525 | **73.0%** | 565 |
| L1+L2 | 2,021 | 961 | 47.6% | 1,060 |
| 其他 | 7 | 7 | 100% | 0 |

---

几个要点：

- **近六成付费用户最近14天没上过一节课**，整体活跃度偏低
- **仅L2用户最严重**：73% 处于沉默状态，仅L2又占付费用户近一半（2,090/4,367=48%）
- **L1用户最活跃**：仅L1的沉默率仅 36.1%，远好于L2
- L1+L2 沉默率居中（47.6%），但也在半数左右
user: 说一下仅L1、仅L2和L1+L2的口径
assistant: 当前用的口径（来自之前你确认过的规则）：

**商品分类：**

| 类别 | goods_id | 对应产品 |
|------|----------|----------|
| L1 | 57, 60, 63 | 瓦拉英语level1 / level1·单季 |
| L2 | 31, 32, 33, 54 | 瓦拉英语level2/年包/单季度包/三季度课包/季度包 |
| L1+L2 | 61 | 瓦拉英语level1+2 |

**用户分类逻辑：** 汇总该用户所有已完成/已退款订单（order_status IN 3,4）的 goods_id，然后：

- 仅买过 L1 商品 → **仅L1**
- 仅买过 L2 商品 → **仅L2**
- 买过 goods_id=61（L1+L2商品），或同时买过 L1 和 L2 商品 → **L1+L2**
- 只买过旧版通行券等其他 goods_id → **其他**（仅7人）

这个口径需要调整吗？
user: 统计的时候剔除了退费订单么
assistant: 没有剔除。当前的付费用户定义是：只要有过 `order_status IN (3, 4)` 且 `pay_success_date IS NOT NULL` 的订单就算付费用户，包含了已退费的订单。

需要调整吗？比如：
- **方案A**：剔除所有订单均已退费的用户（至少保留一笔未退款订单才算付费用户）
- **方案B**：其他口径？
user: 需要剔除已退费的订单然后再进行统计
assistant: 明白，剔除退费订单后重新统计。退费判定：`bi_refund_order.status=3` 且 `bi_vala_order.order_status=4`。
assistant: 剔除退费订单后的结果：

---

**最近14天（5/8~5/21）无完课行为的有效付费用户占比**

| 类别 | 总付费用户 | 无完课 | 占比 | 有完课 |
|------|:---:|:---:|:---:|:---:|
| **总体** | **3,074** | **1,338** | **43.5%** | 1,736 |
| 仅L1 | 219 | 53 | 24.2% | 166 |
| 仅L2 | 1,434 | 870 | **60.7%** | 564 |
| L1+L2 | 1,417 | 411 | 29.0% | 1,006 |
| L1相关（含L1+L2） | 1,636 | 464 | 28.4% | 1,172 |
| L2相关（含L1+L2） | 2,851 | 1,281 | 44.9% | 1,570 |

---

**剔除退费前后的对比：**

| 指标 | 剔除前 | 剔除后 | 变化 |
|------|:---:|:---:|:---:|
| 总付费用户 | 4,367 | 3,074 | -1,293 |
| 无完课占比 | 59.1% | **43.5%** | -15.6pp |
| 仅L2减少 | 2,090 | 1,434 | -656 |

退费用户占原来口径近30%，剔除后整体沉默率从59.1%降到43.5%。但**仅L2用户的沉默率（60.7%）依然是最大问题**，明显高于仅L1（24.2%）和L1+L2（29.0%）。
user: 不需要这么麻烦，只统计order_status=3就可以了
assistant: 明白，直接用 `order_status=3` 最简单。
assistant: 结果（`order_status=3`，即仅已完成未退款订单）：

---

**最近14天（5/8~5/21）无完课行为付费用户**

| 类别 | 总付费用户 | 无完课 | 占比 | 有完课 |
|------|:---:|:---:|:---:|:---:|
| **总体** | **3,071** | **1,335** | **43.5%** | 1,736 |
| 仅L1 | 219 | 53 | 24.2% | 166 |
| 仅L2 | 1,434 | 870 | **60.7%** | 564 |
| L1+L2 | 1,414 | 408 | 28.9% | 1,006 |

- 仅L1 最活跃（24.2% 沉默）
- 仅L2 最沉默（60.7%）
- L1+L2 居中（28.9%）