6.0 KiB
6.0 KiB
Session: 2026-05-22 17:58:07 GMT+8
- Session Key: agent:main:feishu:direct:ou_e63ce6b760ad39382852472f28fbe2a2
- Session ID: 47e89b7f-7bb3-45d3-822d-d11363a3a8b9
- 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: 查询结果出来了，整理如下：
近14天（2026-05-09 ~ 2026-05-22）无完课行为付费用户统计
| 用户等级 | 总付费用户 | 近14天无完课 | 无完课占比 |
|---|---|---|---|
| L1+L2 | 1,414 | 416 | 29.4% |
| 仅L1 | 219 | 57 | 26.0% |
| 仅L2 | 1,575 | 1,019 | 64.7% |
| 其他 | 4 | 4 | 100.0% |
| 合计 | 3,212 | 1,496 | 46.6% |
口径说明：
- 付费用户： 已完成订单（
order_status=3），剔除测试账号，按goods_id判定 L1/L2 - 完课行为：
bi_user_chapter_play_record8张分表中，play_status=1的正常完成课时记录 - 关联路径：
account_id→character.id(user_id) → 完课记录
几个重点：
- 整体近一半（46.6%）的付费用户在近14天没有完课行为
- 仅L2用户问题最突出：1,575人中1,019人无完课，占比高达 64.7%
- 仅L1用户（26.0%）和L1+L2用户（29.4%）相对较好
- "其他"类别只有4人（旧版通行券等），可忽略
需要我进一步按其他维度拆分吗？比如按注册时间、按渠道等。 user: 这些用户的goods_id都有哪些 assistant: 已知的 goods_id 映射已有记录，我直接用现有映射整理结果：
各等级付费用户的 goods_id 分布
L1+L2（1,414人）
| goods_id | 商品名称 | 覆盖用户数 |
|---|---|---|
| 61 | 瓦拉英语level1+2 | 1,387 |
| 31 | 瓦拉英语level2 / 年包 | 119 |
| 60 | 瓦拉英语level1·单季 | 26 |
| 57 | 瓦拉英语level1 | 2 |
| 32 | 瓦拉英语单季度包 | 3 |
L1+L2 用户中，绝大部分（98%）是直接买了 goods_id=61（level1+2 组合包）；少数是通过分别买 L1 和 L2 商品进入此分类。
仅L1（219人）
| goods_id | 商品名称 | 覆盖用户数 |
|---|---|---|
| 60 | 瓦拉英语level1·单季 | 161 |
| 57 | 瓦拉英语level1 | 58 |
仅L2（1,575人）
| goods_id | 商品名称 | 覆盖用户数 |
|---|---|---|
| 31 | 瓦拉英语level2 / 年包 | 1,434 |
| 32 | 瓦拉英语单季度包 | 139 |
| 33 | 瓦拉英语季度包 | 9 |
goods_id=54（三季度课包）无人购买。
其他（4人）
| goods_id | 商品名称 | 覆盖用户数 |
|---|---|---|
| 0 | 旧版通行券 | 2 |
| 10 | 旧版通行券 | 1 |
| 37 | 旧版通行券 | 1 |
关键发现：
- 仅L2用户中，91%（1,434/1,575）买的是 goods_id=31（年包），但这些人近14天无完课占比高达 64.7%
- L1+L2 用户几乎都走组合包（goods_id=61），完课行为相对健康
- 仅L1用户量少，但完课保持最好 user: 对于最近14天无完课行为的1496人来说，他们最后一次完课记录都分布在LV1和LV2的哪个Unit？ assistant: 这样做可能比较慢，我先优化一下查询——只扫描无完课用户的记录： assistant: 结果出来了，让我整理清楚。
近14天无完课的 1,496 人，最后一次完课位置分布：
其中 304 人无任何历史完课记录（买了课但从未完成过任何课时），剩余 1,192 人的最后完课分布如下：
L1 最后完课分布（366人）
| 单元 | 人数 | 占比 |
|---|---|---|
| U00 | 151 | 41.3% |
| U01 | 80 | 21.9% |
| U02 | 56 | 15.3% |
| U03 | 28 | 7.7% |
| U04 | 14 | 3.8% |
| U05 | 14 | 3.8% |
| U06 | 12 | 3.3% |
| U07 | 5 | 1.4% |
| U08 | 2 | 0.5% |
| U09 | 4 | 1.1% |
78.5% 的 L1 用户卡在 U00-U02（前3个单元）
L2 最后完课分布（826人）
| 单元 | 人数 | 单元 | 人数 |
|---|---|---|---|
| U00 | 216 | U13 | 3 |
| U01 | 188 | U14 | 7 |
| U02 | 129 | U15 | 9 |
| U03 | 70 | U17 | 2 |
| U04 | 58 | U18 | 5 |
| U05 | 29 | U19 | 2 |
| U06 | 24 | U20 | 3 |
| U07 | 31 | U23 | 1 |
| U08 | 11 | U24 | 1 |
| U09 | 11 | U27 | 1 |
| U10 | 3 | U29 | 4 |
| U11 | 6 | ||
| U12 | 12 |
64.5% 的 L2 用户卡在 U00-U02，但有一条延伸到 U29 的稀疏长尾
关键发现：
- 买课不学很严重：304/1,496 = 20.3% 的人买了课从没完成过任何一个课时
- 早期流失是核心问题：在有完课记录的人中，L1 的 78.5% 和 L2 的 64.5% 都停在了前 3 个单元
- L2 长尾更长：L2 有人推到 U29，但非常稀疏，说明坚持到后面的是极少数
- L1 几乎全部集中在 U05 以内，说明 L1 的内容深度决定了它的停留集中度 user: 你再帮我跑一下，对于最后一次完课在LV1的U00的151人，和LV2的U00的216人，其完课记录在U00的Lesson1到Lesson5之间是怎么分布的？ assistant: 结果如下：
最后完课在 U00 的用户，按 Lesson 分布：
L1 U00（151人）
| 课时 | 用户数 | 占比 |
|---|---|---|
| L01 | 37 | 24.5% |
| L02 | 25 | 16.6% |
| L03 | 23 | 15.2% |
| L04 | 17 | 11.3% |
| L05 | 49 | 32.5% |
L2 U00（216人）
| 课时 | 用户数 | 占比 |
|---|---|---|
| L01 | 44 | 20.4% |
| L02 | 42 | 19.4% |
| L03 | 36 | 16.7% |
| L04 | 22 | 10.2% |
| L05 | 72 | 33.3% |
特征很明显——呈"U型"分布：
- L01 是第一个流失高峰：L1 有 24.5%、L2 有 20.4% 的用户学完第一课就停了——也就是刚进门就放弃了
- L02-L04 逐步递减：中途流失的用户相对均匀
- L05 是最大的集中点：L1 32.5%、L2 33.3% 的用户完成了整个 U00 但在迈入 U01 之前停下来了——这部分人学完一个完整单元后就不再继续
L1 和 L2 的分布模式高度一致，说明这是结构性问题，跟等级本身关系不大。一个单元完成后是最容易流失的节点。 user: 。reset assistant: 好的，上下文已重置。有什么需要查的随时说 📊