1. 项目概述用200行代码实现收入增长报告的自动化最近在和一些做订阅制产品的朋友聊天发现大家普遍面临一个痛点虽然接入了像RevenueCat这样的第三方订阅管理平台数据是有了但想快速、直观地看到核心收入指标的变化趋势特别是想每天或每周自动收到一份“体检报告”往往还得手动去后台导出数据再用Excel或BI工具折腾半天。这个过程不仅耗时而且容易出错更别提及时发现问题了。于是我花了点时间基于RevenueCat的API写了一个不到200行Python脚本的自动化报告工具。它的核心目标很简单定时运行自动拉取关键收入指标生成一份清晰、可读的报告并通过邮件或Slack发送给相关团队。别看代码量小它覆盖了从数据获取、清洗、计算到可视化与分发的完整链路真正实现了“设置一次永久受益”。对于中小团队或独立开发者来说这种轻量级、高定制化的自动化方案远比依赖复杂笨重的商业BI工具要灵活和高效得多。2. 核心思路与架构设计2.1 为什么选择“轻脚本”而非“重系统”在开始动手之前我首先思考了方案选型。市面上当然有现成的数据可视化平台但它们通常价格不菲配置复杂而且数据模型相对固定难以满足我们快速迭代、关注特定指标的需求。一个轻量级的Python脚本方案优势非常明显成本极低几乎零成本只需要一个能运行Python脚本的服务器或云函数环境。高度定制化报告内容、计算逻辑、展示格式完全由你掌控。你想看MRR月度经常性收入的日环比想看某个特定订阅计划的转化漏斗脚本都可以灵活实现。部署简单代码即配置无需维护复杂的数据库和前端界面。集成方便Python拥有极其丰富的库生态无论是连接RevenueCat API、处理数据pandas、画图matplotlib/plotly还是发送通知smtplib, requests都有成熟稳定的库支持。这个脚本的核心架构可以概括为“ETL 计算 呈现 推送”四步流水线Extract (抽取)调用RevenueCat API获取原始的交易、订阅者数据。Transform (转换)清洗数据计算核心指标如MRR、ARPU、流失率、新用户数等。Load (呈现)将计算好的指标和趋势通过图表和文本摘要的形式组织起来。Push (推送)将生成的报告通过指定渠道如邮件发送出去。2.2 技术栈选型与关键依赖为了让脚本保持在200行以内且功能完整技术栈的选择必须精炼。核心语言Python 3.8。这是数据分析和自动化任务的事实标准语法简洁库支持无敌。HTTP请求库requests。用于调用RevenueCat RESTful API简单易用。数据处理pandas。虽然对于小数据量有点“杀鸡用牛刀”但其DataFrame结构处理时间序列和分组计算实在太方便能极大简化代码逻辑。这是代码行数能压缩的关键。数据可视化matplotlib或plotly。matplotlib更轻量生成静态图片嵌入邮件plotly可生成交互式HTML更适合生成网页报告。本方案以matplotlib为例追求极简。报告生成与推送生成HTML报告使用Python内置的字符串格式化或Jinja2模板如需更复杂格式。发送邮件使用smtplib和email标准库。发送到Slack使用requests库调用Slack Incoming Webhook。注意使用pandas和matplotlib意味着你需要一个可以安装这些库的环境。如果是在服务器如Linux上运行通常没问题。如果追求极致轻量可以考虑使用更基础的csv模块和纯文本报告但会牺牲一些便利性和表现力。3. 实操步骤详解从零搭建自动化报告3.1 环境准备与RevenueCat API配置首先确保你的运行环境已安装Python。然后通过pip安装必要的库pip install requests pandas matplotlib接下来是连接RevenueCat的关键步骤。你需要从RevenueCat后台获取API密钥。登录RevenueCat Dashboard。点击左下角“Project Settings”。在“API Keys”选项卡中你会看到“Public Key”和“Secret Key”。我们调用数据需要的是“Secret Key”。请妥善保管它拥有读取你项目所有数据的权限。在代码中我们将这个密钥作为Bearer Token用于API认证。同时你还需要知道你的Project ID它通常包含在API的请求URL中。3.2 核心数据获取与清洗逻辑RevenueCat API提供了多个端点我们需要根据报告需求选择。一份基础的增长报告通常关注订阅者数量变化新订阅、流失订阅、总订阅。收入指标MRR、ARR。用户价值ARPU平均每用户收入。这里以获取“每日订阅者数量统计”和“交易记录”为例。import requests import pandas as pd from datetime import datetime, timedelta # 配置信息 REVENUECAT_SECRET_KEY 你的_Secret_Key PROJECT_ID 你的_Project_ID BASE_URL fhttps://api.revenuecat.com/v1/projects/{PROJECT_ID} headers { Authorization: fBearer {REVENUECAT_SECRET_KEY}, Content-Type: application/json } def fetch_daily_subscribers(start_date, end_date): 获取指定日期范围内的每日订阅者统计 # RevenueCat API 可能需要使用特定的端点或参数来按日聚合 # 这里是一个示例实际端点请查阅最新API文档 url f{BASE_URL}/subscribers/summary params { start_date: start_date.isoformat(), end_date: end_date.isoformat(), granularity: day # 假设API支持按天聚合 } response requests.get(url, headersheaders, paramsparams) response.raise_for_status() # 检查请求是否成功 data response.json() # 将数据转换为pandas DataFrame df pd.DataFrame(data[data]) df[date] pd.to_datetime(df[date]) return df def fetch_transactions(start_date, end_date): 获取指定日期范围内的交易记录 # 交易记录可能包含更详细的收入信息 url f{BASE_URL}/transactions params {start_date: start_date.isoformat(), end_date: end_date.isoformat()} response requests.get(url, headersheaders, paramsparams) response.raise_for_status() data response.json() df pd.DataFrame(data[data]) if not df.empty: df[purchase_date] pd.to_datetime(df[purchase_date]) # 确保收入金额是数值类型 df[price] pd.to_numeric(df[price], errorscoerce) return df数据清洗要点处理空值使用pandas的dropna()或fillna()方法处理缺失的交易金额或日期。日期格式化确保所有日期字段都统一转换为datetime类型这是进行时间序列分析的基础。货币与单位确认API返回的收入金额单位是美元美分还是本地货币在计算前进行统一。3.3 关键指标的计算与衍生拿到清洗后的数据就可以计算核心指标了。这里假设我们有了每日的新增订阅者数new_subs、流失订阅者数churned_subs和每日总收入daily_revenue的DataFrame。def calculate_core_metrics(df_daily): 计算核心增长指标 df df_daily.copy() # 确保按日期排序 df df.sort_values(date).reset_index(dropTrue) # 1. 计算每日净增订阅者 df[net_new_subs] df[new_subs] - df[churned_subs] # 2. 计算滚动MRR (月度经常性收入) # 假设daily_revenue是当日产生的经常性收入已按月度折算 # 更严谨的做法是从交易数据中识别出属于MRR的部分如订阅续费 df[mrr] df[daily_revenue].rolling(window30, min_periods1).sum() # 3. 计算每日ARPU (平均每用户收入) # 需要每日总收入和每日活跃用户数或总订阅用户数 # 这里用每日总收入 / 当日总订阅数 作为近似 df[arpu] df[daily_revenue] / df[total_subs] # 4. 计算用户流失率 df[daily_churn_rate] df[churned_subs] / df[total_subs].shift(1) # 用前一日总用户数作分母 # 填充第一天的NaN值 df[daily_churn_rate].fillna(0, inplaceTrue) # 5. 计算环比变化 df[mrr_growth_rate] df[mrr].pct_change(periods1) # 日环比 df[subs_growth_rate] df[total_subs].pct_change(periods1) return df实操心得MRR的计算是订阅业务的核心也是最容易出错的地方。RevenueCat的API可能不直接提供MRR字段。一个更可靠的实践是从交易数据中筛选出类型为“续订”renewal且周期为月度的交易将其金额视为MRR的组成部分。然后按天进行汇总。这比简单地对日收入做滚动求和更准确。3.4 可视化图表生成数字是冰冷的图表才能直观反映趋势。我们用matplotlib生成2-3个核心图表。import matplotlib.pyplot as plt import matplotlib.dates as mdates def generate_charts(df_metrics, report_date): 生成关键指标图表并保存为图片 fig, axes plt.subplots(2, 2, figsize(14, 10)) fig.suptitle(fRevenueCat Growth Report - {report_date}, fontsize16) # 图表1: MRR 趋势 ax1 axes[0, 0] ax1.plot(df_metrics[date], df_metrics[mrr] / 1000, markero, linewidth2) # 除以1000显示为千美元 ax1.set_title(Monthly Recurring Revenue (MRR) Trend) ax1.set_ylabel(MRR (K $)) ax1.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax1.grid(True, linestyle--, alpha0.6) # 在最后一个点标注数值 last_mrr df_metrics[mrr].iloc[-1] / 1000 ax1.annotate(f{last_mrr:.1f}K, xy(df_metrics[date].iloc[-1], last_mrr), xytext(10, 0), textcoordsoffset points) # 图表2: 订阅用户数净增长 ax2 axes[0, 1] ax2.bar(df_metrics[date], df_metrics[net_new_subs], colorskyblue, labelNet New) ax2.plot(df_metrics[date], df_metrics[new_subs], colorgreen, markers, labelNew Subs, linewidth2) ax2.plot(df_metrics[date], -df_metrics[churned_subs], colorred, marker^, labelChurned Subs, linewidth2) # 流失用负值 ax2.set_title(Subscriber Growth Churn) ax2.set_ylabel(Number of Subscribers) ax2.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax2.legend() ax2.grid(True, linestyle--, alpha0.6, axisy) # 图表3: ARPU 与 流失率 双轴图 ax3 axes[1, 0] color tab:blue ax3.set_xlabel(Date) ax3.set_ylabel(ARPU ($), colorcolor) line1 ax3.plot(df_metrics[date], df_metrics[arpu], colorcolor, markero, labelARPU)[0] ax3.tick_params(axisy, labelcolorcolor) ax3.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax3_r ax3.twinx() color tab:red ax3_r.set_ylabel(Daily Churn Rate (%), colorcolor) line2 ax3_r.plot(df_metrics[date], df_metrics[daily_churn_rate]*100, colorcolor, markerx, linestyle--, labelChurn Rate)[0] ax3_r.tick_params(axisy, labelcolorcolor) ax3.set_title(ARPU vs. Daily Churn Rate) # 合并图例 lines [line1, line2] labels [l.get_label() for l in lines] ax3.legend(lines, labels, locupper left) # 图表4: MRR增长率 (最近7天) ax4 axes[1, 1] recent_df df_metrics.tail(7) colors [green if x 0 else red for x in recent_df[mrr_growth_rate]] ax4.bar(recent_df[date].dt.strftime(%m-%d), recent_df[mrr_growth_rate]*100, colorcolors) ax4.set_title(MRR Daily Growth Rate (Last 7 Days)) ax4.set_ylabel(Growth Rate (%)) ax4.axhline(y0, colorblack, linestyle-, linewidth0.5) # 在柱子上标注数值 for idx, val in enumerate(recent_df[mrr_growth_rate]): ax4.text(idx, val*100 (0.5 if val0 else -1), f{val*100:.1f}%, hacenter, vabottom if val0 else top) plt.tight_layout(rect[0, 0.03, 1, 0.95]) # 调整布局给总标题留空间 chart_path fgrowth_report_charts_{report_date}.png plt.savefig(chart_path, dpi150, bbox_inchestight) plt.close(fig) return chart_path图表设计要点少即是多选择最关键、最相关的2-4个图表。MRR趋势和用户净增长是必选项。清晰标注坐标轴、单位、图例必须清晰。关键数据点如最新值建议直接标注在图上。颜色语义化增长用绿色下降/流失用红色符合普遍认知。日期格式X轴为日期时使用mdates.DateFormatter让显示更紧凑易读。3.5 报告组装与邮件推送最后我们将指标摘要、图表和简要分析组装成一份HTML报告并通过邮件发送。import smtplib from email.mime.multipart import MIMEMultipart from email.mime.text import MIMEText from email.mime.image import MIMEImage def create_html_report(df_metrics, chart_path): 生成HTML格式的报告内容 latest df_metrics.iloc[-1] previous_day df_metrics.iloc[-2] if len(df_metrics) 1 else latest html_content f html body h2 每日收入增长报告/h2 p报告生成时间: {datetime.now().strftime(%Y-%m-%d %H:%M:%S)}/p h3核心指标速览 (截至 {latest[date].date()})/h3 table border1 cellpadding5 trth指标/thth今日值/thth昨日值/thth变化/th/tr trtdMRR/tdtd${latest[mrr]:,.2f}/tdtd${previous_day[mrr]:,.2f}/tdtdspan stylecolor: {green if latest[mrr] previous_day[mrr] else red}{((latest[mrr]/previous_day[mrr])-1)*100:.1f}%/span/td/tr trtd总订阅数/tdtd{latest[total_subs]:,.0f}/tdtd{previous_day[total_subs]:,.0f}/tdtd{latest[net_new_subs]:,.0f}/td/tr trtd新增用户/tdtd{latest[new_subs]:,.0f}/tdtd{previous_day[new_subs]:,.0f}/tdtd-/td/tr trtd流失用户/tdtd{latest[churned_subs]:,.0f}/tdtd{previous_day[churned_subs]:,.0f}/tdtd-/td/tr trtdARPU/tdtd${latest[arpu]:.2f}/tdtd${previous_day[arpu]:.2f}/tdtdspan stylecolor: {green if latest[arpu] previous_day[arpu] else red}{((latest[arpu]/previous_day[arpu])-1)*100:.1f}%/span/td/tr /table h3趋势分析图表/h3 img srccid:growth_chart altGrowth Charts stylemax-width:100%; h3今日亮点与关注点/h3 ul # 动态生成分析要点 if latest[net_new_subs] 10: html_content fli✅ 用户净增长表现强劲 ({latest[net_new_subs]})。/li if latest[daily_churn_rate] 0.02: # 假设日流失率超过2%需关注 html_content fli⚠️ 今日流失率较高 ({latest[daily_churn_rate]*100:.2f}%)建议检查用户反馈或近期更新。/li if latest[mrr_growth_rate] 0: html_content fli MRR出现负增长 ({latest[mrr_growth_rate]*100:.1f}%)需结合新增和流失分析原因。/li html_content /ul pi此报告由自动化脚本生成数据源RevenueCat API。如有疑问请核查原始数据。/i/p /body /html return html_content def send_email_report(html_content, chart_path, recipient_emails): 通过邮件发送HTML报告 sender_email your_bot_emailexample.com sender_password your_app_specific_password # 强烈建议使用应用专用密码而非邮箱密码 msg MIMEMultipart(related) msg[Subject] fRevenueCat Growth Report - {datetime.now().strftime(%Y-%m-%d)} msg[From] sender_email msg[To] , .join(recipient_emails) # 附加HTML正文 html_part MIMEText(html_content, html) msg.attach(html_part) # 附加图表图片 with open(chart_path, rb) as f: img_part MIMEImage(f.read()) img_part.add_header(Content-ID, growth_chart) img_part.add_header(Content-Disposition, inline, filenamechart.png) msg.attach(img_part) # 发送邮件 try: # 以Gmail为例使用SMTP_SSL server smtplib.SMTP_SSL(smtp.gmail.com, 465) server.login(sender_email, sender_password) server.sendmail(sender_email, recipient_emails, msg.as_string()) server.quit() print(报告邮件发送成功) except Exception as e: print(f邮件发送失败: {e})3.6 主函数与定时任务配置将以上所有函数串联起来并设置定时触发。def main(): 主函数执行完整的报告生成与发送流程 # 1. 定义报告时间范围例如过去30天 end_date datetime.now().date() start_date end_date - timedelta(days30) # 2. 获取数据 print(正在从RevenueCat获取数据...) df_daily fetch_daily_subscribers(start_date, end_date) df_transactions fetch_transactions(start_date, end_date) # 3. 计算指标 (这里需要根据实际API返回的数据结构调整计算逻辑) # 假设 df_daily 已经包含 new_subs, churned_subs, total_subs, daily_revenue 等字段 df_metrics calculate_core_metrics(df_daily) # 4. 生成图表 print(正在生成可视化图表...) chart_path generate_charts(df_metrics, end_date.strftime(%Y%m%d)) # 5. 创建HTML报告 html_report create_html_report(df_metrics, chart_path) # 6. 发送邮件 recipient_list [team_leadcompany.com, product_managercompany.com] print(f正在发送报告给 {recipient_list}...) send_email_report(html_report, chart_path, recipient_list) print(自动化报告流程执行完毕) if __name__ __main__: main()要让这个脚本定时运行你有多种选择Linux服务器使用cron定时任务。例如每天上午9点运行0 9 * * * /usr/bin/python3 /path/to/your/revenuecat_report.py云函数如AWS Lambda、Google Cloud Functions、Vercel Serverless等。将脚本部署为云函数并配置定时触发器如CloudWatch Events / Cron。这是最“无服务器”、免运维的方案。CI/CD工具如GitHub Actions。可以创建一个每天定时执行的工作流运行你的脚本。4. 常见问题与排查技巧实录在实际部署和运行过程中你可能会遇到以下典型问题4.1 API调用失败或返回数据异常问题requests抛出异常如HTTPError 401或返回的数据结构不符合预期。排查检查API密钥确认使用的是Secret Key而非Public Key。确认密钥未过期或被撤销。检查请求头和URL确保Authorization头的格式正确Bearer {key}项目ID无误。查阅API文档RevenueCat的API版本和端点可能会更新。仔细核对当前使用的端点URL、请求参数和返回的数据结构。使用print(response.json())打印原始响应检查字段名。处理分页如果数据量很大API可能分页返回。你需要编写循环来处理next_page链接或参数直到获取所有数据。4.2 指标计算逻辑与预期不符问题计算出的MRR、流失率等指标与RevenueCat后台面板显示的有出入。排查明确定义首先统一指标的计算口径。例如RevenueCat定义的“活跃订阅者”和你脚本中计算的“总订阅数”可能不是一回事比如是否包含免费试用期用户。核对数据源确认你计算指标所使用的原始数据字段是正确的。例如计算MRR时是否只包含了成功的、非退款的、周期性的交易时间窗口对齐确保你的脚本计算的时间区间如“过去30天滚动MRR”与后台面板选择的过滤条件完全一致。进行数据校对选取一个已知的、稳定的历史时间段将脚本输出结果与RevenueCat后台导出的原始数据在Excel中进行手动计算比对定位差异步骤。4.3 邮件发送失败问题脚本运行成功但收不到邮件。排查发件邮箱配置对于Gmail等邮箱需要开启“安全性较低的应用的访问权限”或使用应用专用密码推荐。直接使用邮箱密码通常会失败。SMTP服务器与端口确认使用的SMTP服务器地址和端口如Gmail的SSL端口465正确。防火墙与网络如果脚本运行在公司的内网服务器可能出站SMTP流量465端口被防火墙阻止。收件箱过滤检查垃圾邮件文件夹。可以在邮件主题和正文开头加入容易识别的标识并考虑将发件邮箱地址加入白名单。4.4 脚本运行环境依赖问题问题在服务器或云函数上运行时提示缺少pandas或matplotlib模块。排查生成依赖文件在本地开发环境使用pip freeze requirements.txt生成依赖列表。云端安装在部署环境如Linux服务器中使用pip install -r requirements.txt安装。对于matplotlib在无图形界面的服务器上可能需要安装系统依赖例如在Ubuntu上sudo apt-get install -y python3-tk或者使用不需要GUI后端的设置在脚本开头添加import matplotlib; matplotlib.use(Agg)。考虑轻量化如果环境限制严格可以放弃matplotlib改用纯文本报告或使用plotly的kaleido引擎离线生成图片依赖更简单。4.5 数据延迟与报告时效性问题报告显示的数据似乎比实际“慢”一天。原因与解决RevenueCat的数据处理可能存在几个小时不等的延迟。对于需要绝对当日最新数据的场景可以在脚本中设置end_date为昨天datetime.now().date() - timedelta(days1)并明确在报告标题中注明数据日期范围。这个200行左右的脚本就像一个忠实的数字哨兵每天自动为你站岗扫描收入健康度。它的价值不在于代码有多复杂而在于将零散、被动的数据查看变成了主动、系统、可分享的洞察流程。启动它之后你可以把节省下来的时间更多地用在基于这些洞察去做产品优化和策略调整上这才是增长工具的意义所在。
200行Python脚本实现RevenueCat收入报告自动化：轻量级ETL与可视化实践
发布时间：2026/5/28 9:18:48
1. 项目概述用200行代码实现收入增长报告的自动化最近在和一些做订阅制产品的朋友聊天发现大家普遍面临一个痛点虽然接入了像RevenueCat这样的第三方订阅管理平台数据是有了但想快速、直观地看到核心收入指标的变化趋势特别是想每天或每周自动收到一份“体检报告”往往还得手动去后台导出数据再用Excel或BI工具折腾半天。这个过程不仅耗时而且容易出错更别提及时发现问题了。于是我花了点时间基于RevenueCat的API写了一个不到200行Python脚本的自动化报告工具。它的核心目标很简单定时运行自动拉取关键收入指标生成一份清晰、可读的报告并通过邮件或Slack发送给相关团队。别看代码量小它覆盖了从数据获取、清洗、计算到可视化与分发的完整链路真正实现了“设置一次永久受益”。对于中小团队或独立开发者来说这种轻量级、高定制化的自动化方案远比依赖复杂笨重的商业BI工具要灵活和高效得多。2. 核心思路与架构设计2.1 为什么选择“轻脚本”而非“重系统”在开始动手之前我首先思考了方案选型。市面上当然有现成的数据可视化平台但它们通常价格不菲配置复杂而且数据模型相对固定难以满足我们快速迭代、关注特定指标的需求。一个轻量级的Python脚本方案优势非常明显成本极低几乎零成本只需要一个能运行Python脚本的服务器或云函数环境。高度定制化报告内容、计算逻辑、展示格式完全由你掌控。你想看MRR月度经常性收入的日环比想看某个特定订阅计划的转化漏斗脚本都可以灵活实现。部署简单代码即配置无需维护复杂的数据库和前端界面。集成方便Python拥有极其丰富的库生态无论是连接RevenueCat API、处理数据pandas、画图matplotlib/plotly还是发送通知smtplib, requests都有成熟稳定的库支持。这个脚本的核心架构可以概括为“ETL 计算 呈现 推送”四步流水线Extract (抽取)调用RevenueCat API获取原始的交易、订阅者数据。Transform (转换)清洗数据计算核心指标如MRR、ARPU、流失率、新用户数等。Load (呈现)将计算好的指标和趋势通过图表和文本摘要的形式组织起来。Push (推送)将生成的报告通过指定渠道如邮件发送出去。2.2 技术栈选型与关键依赖为了让脚本保持在200行以内且功能完整技术栈的选择必须精炼。核心语言Python 3.8。这是数据分析和自动化任务的事实标准语法简洁库支持无敌。HTTP请求库requests。用于调用RevenueCat RESTful API简单易用。数据处理pandas。虽然对于小数据量有点“杀鸡用牛刀”但其DataFrame结构处理时间序列和分组计算实在太方便能极大简化代码逻辑。这是代码行数能压缩的关键。数据可视化matplotlib或plotly。matplotlib更轻量生成静态图片嵌入邮件plotly可生成交互式HTML更适合生成网页报告。本方案以matplotlib为例追求极简。报告生成与推送生成HTML报告使用Python内置的字符串格式化或Jinja2模板如需更复杂格式。发送邮件使用smtplib和email标准库。发送到Slack使用requests库调用Slack Incoming Webhook。注意使用pandas和matplotlib意味着你需要一个可以安装这些库的环境。如果是在服务器如Linux上运行通常没问题。如果追求极致轻量可以考虑使用更基础的csv模块和纯文本报告但会牺牲一些便利性和表现力。3. 实操步骤详解从零搭建自动化报告3.1 环境准备与RevenueCat API配置首先确保你的运行环境已安装Python。然后通过pip安装必要的库pip install requests pandas matplotlib接下来是连接RevenueCat的关键步骤。你需要从RevenueCat后台获取API密钥。登录RevenueCat Dashboard。点击左下角“Project Settings”。在“API Keys”选项卡中你会看到“Public Key”和“Secret Key”。我们调用数据需要的是“Secret Key”。请妥善保管它拥有读取你项目所有数据的权限。在代码中我们将这个密钥作为Bearer Token用于API认证。同时你还需要知道你的Project ID它通常包含在API的请求URL中。3.2 核心数据获取与清洗逻辑RevenueCat API提供了多个端点我们需要根据报告需求选择。一份基础的增长报告通常关注订阅者数量变化新订阅、流失订阅、总订阅。收入指标MRR、ARR。用户价值ARPU平均每用户收入。这里以获取“每日订阅者数量统计”和“交易记录”为例。import requests import pandas as pd from datetime import datetime, timedelta # 配置信息 REVENUECAT_SECRET_KEY 你的_Secret_Key PROJECT_ID 你的_Project_ID BASE_URL fhttps://api.revenuecat.com/v1/projects/{PROJECT_ID} headers { Authorization: fBearer {REVENUECAT_SECRET_KEY}, Content-Type: application/json } def fetch_daily_subscribers(start_date, end_date): 获取指定日期范围内的每日订阅者统计 # RevenueCat API 可能需要使用特定的端点或参数来按日聚合 # 这里是一个示例实际端点请查阅最新API文档 url f{BASE_URL}/subscribers/summary params { start_date: start_date.isoformat(), end_date: end_date.isoformat(), granularity: day # 假设API支持按天聚合 } response requests.get(url, headersheaders, paramsparams) response.raise_for_status() # 检查请求是否成功 data response.json() # 将数据转换为pandas DataFrame df pd.DataFrame(data[data]) df[date] pd.to_datetime(df[date]) return df def fetch_transactions(start_date, end_date): 获取指定日期范围内的交易记录 # 交易记录可能包含更详细的收入信息 url f{BASE_URL}/transactions params {start_date: start_date.isoformat(), end_date: end_date.isoformat()} response requests.get(url, headersheaders, paramsparams) response.raise_for_status() data response.json() df pd.DataFrame(data[data]) if not df.empty: df[purchase_date] pd.to_datetime(df[purchase_date]) # 确保收入金额是数值类型 df[price] pd.to_numeric(df[price], errorscoerce) return df数据清洗要点处理空值使用pandas的dropna()或fillna()方法处理缺失的交易金额或日期。日期格式化确保所有日期字段都统一转换为datetime类型这是进行时间序列分析的基础。货币与单位确认API返回的收入金额单位是美元美分还是本地货币在计算前进行统一。3.3 关键指标的计算与衍生拿到清洗后的数据就可以计算核心指标了。这里假设我们有了每日的新增订阅者数new_subs、流失订阅者数churned_subs和每日总收入daily_revenue的DataFrame。def calculate_core_metrics(df_daily): 计算核心增长指标 df df_daily.copy() # 确保按日期排序 df df.sort_values(date).reset_index(dropTrue) # 1. 计算每日净增订阅者 df[net_new_subs] df[new_subs] - df[churned_subs] # 2. 计算滚动MRR (月度经常性收入) # 假设daily_revenue是当日产生的经常性收入已按月度折算 # 更严谨的做法是从交易数据中识别出属于MRR的部分如订阅续费 df[mrr] df[daily_revenue].rolling(window30, min_periods1).sum() # 3. 计算每日ARPU (平均每用户收入) # 需要每日总收入和每日活跃用户数或总订阅用户数 # 这里用每日总收入 / 当日总订阅数 作为近似 df[arpu] df[daily_revenue] / df[total_subs] # 4. 计算用户流失率 df[daily_churn_rate] df[churned_subs] / df[total_subs].shift(1) # 用前一日总用户数作分母 # 填充第一天的NaN值 df[daily_churn_rate].fillna(0, inplaceTrue) # 5. 计算环比变化 df[mrr_growth_rate] df[mrr].pct_change(periods1) # 日环比 df[subs_growth_rate] df[total_subs].pct_change(periods1) return df实操心得MRR的计算是订阅业务的核心也是最容易出错的地方。RevenueCat的API可能不直接提供MRR字段。一个更可靠的实践是从交易数据中筛选出类型为“续订”renewal且周期为月度的交易将其金额视为MRR的组成部分。然后按天进行汇总。这比简单地对日收入做滚动求和更准确。3.4 可视化图表生成数字是冰冷的图表才能直观反映趋势。我们用matplotlib生成2-3个核心图表。import matplotlib.pyplot as plt import matplotlib.dates as mdates def generate_charts(df_metrics, report_date): 生成关键指标图表并保存为图片 fig, axes plt.subplots(2, 2, figsize(14, 10)) fig.suptitle(fRevenueCat Growth Report - {report_date}, fontsize16) # 图表1: MRR 趋势 ax1 axes[0, 0] ax1.plot(df_metrics[date], df_metrics[mrr] / 1000, markero, linewidth2) # 除以1000显示为千美元 ax1.set_title(Monthly Recurring Revenue (MRR) Trend) ax1.set_ylabel(MRR (K $)) ax1.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax1.grid(True, linestyle--, alpha0.6) # 在最后一个点标注数值 last_mrr df_metrics[mrr].iloc[-1] / 1000 ax1.annotate(f{last_mrr:.1f}K, xy(df_metrics[date].iloc[-1], last_mrr), xytext(10, 0), textcoordsoffset points) # 图表2: 订阅用户数净增长 ax2 axes[0, 1] ax2.bar(df_metrics[date], df_metrics[net_new_subs], colorskyblue, labelNet New) ax2.plot(df_metrics[date], df_metrics[new_subs], colorgreen, markers, labelNew Subs, linewidth2) ax2.plot(df_metrics[date], -df_metrics[churned_subs], colorred, marker^, labelChurned Subs, linewidth2) # 流失用负值 ax2.set_title(Subscriber Growth Churn) ax2.set_ylabel(Number of Subscribers) ax2.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax2.legend() ax2.grid(True, linestyle--, alpha0.6, axisy) # 图表3: ARPU 与 流失率 双轴图 ax3 axes[1, 0] color tab:blue ax3.set_xlabel(Date) ax3.set_ylabel(ARPU ($), colorcolor) line1 ax3.plot(df_metrics[date], df_metrics[arpu], colorcolor, markero, labelARPU)[0] ax3.tick_params(axisy, labelcolorcolor) ax3.xaxis.set_major_formatter(mdates.DateFormatter(%m-%d)) ax3_r ax3.twinx() color tab:red ax3_r.set_ylabel(Daily Churn Rate (%), colorcolor) line2 ax3_r.plot(df_metrics[date], df_metrics[daily_churn_rate]*100, colorcolor, markerx, linestyle--, labelChurn Rate)[0] ax3_r.tick_params(axisy, labelcolorcolor) ax3.set_title(ARPU vs. Daily Churn Rate) # 合并图例 lines [line1, line2] labels [l.get_label() for l in lines] ax3.legend(lines, labels, locupper left) # 图表4: MRR增长率 (最近7天) ax4 axes[1, 1] recent_df df_metrics.tail(7) colors [green if x 0 else red for x in recent_df[mrr_growth_rate]] ax4.bar(recent_df[date].dt.strftime(%m-%d), recent_df[mrr_growth_rate]*100, colorcolors) ax4.set_title(MRR Daily Growth Rate (Last 7 Days)) ax4.set_ylabel(Growth Rate (%)) ax4.axhline(y0, colorblack, linestyle-, linewidth0.5) # 在柱子上标注数值 for idx, val in enumerate(recent_df[mrr_growth_rate]): ax4.text(idx, val*100 (0.5 if val0 else -1), f{val*100:.1f}%, hacenter, vabottom if val0 else top) plt.tight_layout(rect[0, 0.03, 1, 0.95]) # 调整布局给总标题留空间 chart_path fgrowth_report_charts_{report_date}.png plt.savefig(chart_path, dpi150, bbox_inchestight) plt.close(fig) return chart_path图表设计要点少即是多选择最关键、最相关的2-4个图表。MRR趋势和用户净增长是必选项。清晰标注坐标轴、单位、图例必须清晰。关键数据点如最新值建议直接标注在图上。颜色语义化增长用绿色下降/流失用红色符合普遍认知。日期格式X轴为日期时使用mdates.DateFormatter让显示更紧凑易读。3.5 报告组装与邮件推送最后我们将指标摘要、图表和简要分析组装成一份HTML报告并通过邮件发送。import smtplib from email.mime.multipart import MIMEMultipart from email.mime.text import MIMEText from email.mime.image import MIMEImage def create_html_report(df_metrics, chart_path): 生成HTML格式的报告内容 latest df_metrics.iloc[-1] previous_day df_metrics.iloc[-2] if len(df_metrics) 1 else latest html_content f html body h2 每日收入增长报告/h2 p报告生成时间: {datetime.now().strftime(%Y-%m-%d %H:%M:%S)}/p h3核心指标速览 (截至 {latest[date].date()})/h3 table border1 cellpadding5 trth指标/thth今日值/thth昨日值/thth变化/th/tr trtdMRR/tdtd${latest[mrr]:,.2f}/tdtd${previous_day[mrr]:,.2f}/tdtdspan stylecolor: {green if latest[mrr] previous_day[mrr] else red}{((latest[mrr]/previous_day[mrr])-1)*100:.1f}%/span/td/tr trtd总订阅数/tdtd{latest[total_subs]:,.0f}/tdtd{previous_day[total_subs]:,.0f}/tdtd{latest[net_new_subs]:,.0f}/td/tr trtd新增用户/tdtd{latest[new_subs]:,.0f}/tdtd{previous_day[new_subs]:,.0f}/tdtd-/td/tr trtd流失用户/tdtd{latest[churned_subs]:,.0f}/tdtd{previous_day[churned_subs]:,.0f}/tdtd-/td/tr trtdARPU/tdtd${latest[arpu]:.2f}/tdtd${previous_day[arpu]:.2f}/tdtdspan stylecolor: {green if latest[arpu] previous_day[arpu] else red}{((latest[arpu]/previous_day[arpu])-1)*100:.1f}%/span/td/tr /table h3趋势分析图表/h3 img srccid:growth_chart altGrowth Charts stylemax-width:100%; h3今日亮点与关注点/h3 ul # 动态生成分析要点 if latest[net_new_subs] 10: html_content fli✅ 用户净增长表现强劲 ({latest[net_new_subs]})。/li if latest[daily_churn_rate] 0.02: # 假设日流失率超过2%需关注 html_content fli⚠️ 今日流失率较高 ({latest[daily_churn_rate]*100:.2f}%)建议检查用户反馈或近期更新。/li if latest[mrr_growth_rate] 0: html_content fli MRR出现负增长 ({latest[mrr_growth_rate]*100:.1f}%)需结合新增和流失分析原因。/li html_content /ul pi此报告由自动化脚本生成数据源RevenueCat API。如有疑问请核查原始数据。/i/p /body /html return html_content def send_email_report(html_content, chart_path, recipient_emails): 通过邮件发送HTML报告 sender_email your_bot_emailexample.com sender_password your_app_specific_password # 强烈建议使用应用专用密码而非邮箱密码 msg MIMEMultipart(related) msg[Subject] fRevenueCat Growth Report - {datetime.now().strftime(%Y-%m-%d)} msg[From] sender_email msg[To] , .join(recipient_emails) # 附加HTML正文 html_part MIMEText(html_content, html) msg.attach(html_part) # 附加图表图片 with open(chart_path, rb) as f: img_part MIMEImage(f.read()) img_part.add_header(Content-ID, growth_chart) img_part.add_header(Content-Disposition, inline, filenamechart.png) msg.attach(img_part) # 发送邮件 try: # 以Gmail为例使用SMTP_SSL server smtplib.SMTP_SSL(smtp.gmail.com, 465) server.login(sender_email, sender_password) server.sendmail(sender_email, recipient_emails, msg.as_string()) server.quit() print(报告邮件发送成功) except Exception as e: print(f邮件发送失败: {e})3.6 主函数与定时任务配置将以上所有函数串联起来并设置定时触发。def main(): 主函数执行完整的报告生成与发送流程 # 1. 定义报告时间范围例如过去30天 end_date datetime.now().date() start_date end_date - timedelta(days30) # 2. 获取数据 print(正在从RevenueCat获取数据...) df_daily fetch_daily_subscribers(start_date, end_date) df_transactions fetch_transactions(start_date, end_date) # 3. 计算指标 (这里需要根据实际API返回的数据结构调整计算逻辑) # 假设 df_daily 已经包含 new_subs, churned_subs, total_subs, daily_revenue 等字段 df_metrics calculate_core_metrics(df_daily) # 4. 生成图表 print(正在生成可视化图表...) chart_path generate_charts(df_metrics, end_date.strftime(%Y%m%d)) # 5. 创建HTML报告 html_report create_html_report(df_metrics, chart_path) # 6. 发送邮件 recipient_list [team_leadcompany.com, product_managercompany.com] print(f正在发送报告给 {recipient_list}...) send_email_report(html_report, chart_path, recipient_list) print(自动化报告流程执行完毕) if __name__ __main__: main()要让这个脚本定时运行你有多种选择Linux服务器使用cron定时任务。例如每天上午9点运行0 9 * * * /usr/bin/python3 /path/to/your/revenuecat_report.py云函数如AWS Lambda、Google Cloud Functions、Vercel Serverless等。将脚本部署为云函数并配置定时触发器如CloudWatch Events / Cron。这是最“无服务器”、免运维的方案。CI/CD工具如GitHub Actions。可以创建一个每天定时执行的工作流运行你的脚本。4. 常见问题与排查技巧实录在实际部署和运行过程中你可能会遇到以下典型问题4.1 API调用失败或返回数据异常问题requests抛出异常如HTTPError 401或返回的数据结构不符合预期。排查检查API密钥确认使用的是Secret Key而非Public Key。确认密钥未过期或被撤销。检查请求头和URL确保Authorization头的格式正确Bearer {key}项目ID无误。查阅API文档RevenueCat的API版本和端点可能会更新。仔细核对当前使用的端点URL、请求参数和返回的数据结构。使用print(response.json())打印原始响应检查字段名。处理分页如果数据量很大API可能分页返回。你需要编写循环来处理next_page链接或参数直到获取所有数据。4.2 指标计算逻辑与预期不符问题计算出的MRR、流失率等指标与RevenueCat后台面板显示的有出入。排查明确定义首先统一指标的计算口径。例如RevenueCat定义的“活跃订阅者”和你脚本中计算的“总订阅数”可能不是一回事比如是否包含免费试用期用户。核对数据源确认你计算指标所使用的原始数据字段是正确的。例如计算MRR时是否只包含了成功的、非退款的、周期性的交易时间窗口对齐确保你的脚本计算的时间区间如“过去30天滚动MRR”与后台面板选择的过滤条件完全一致。进行数据校对选取一个已知的、稳定的历史时间段将脚本输出结果与RevenueCat后台导出的原始数据在Excel中进行手动计算比对定位差异步骤。4.3 邮件发送失败问题脚本运行成功但收不到邮件。排查发件邮箱配置对于Gmail等邮箱需要开启“安全性较低的应用的访问权限”或使用应用专用密码推荐。直接使用邮箱密码通常会失败。SMTP服务器与端口确认使用的SMTP服务器地址和端口如Gmail的SSL端口465正确。防火墙与网络如果脚本运行在公司的内网服务器可能出站SMTP流量465端口被防火墙阻止。收件箱过滤检查垃圾邮件文件夹。可以在邮件主题和正文开头加入容易识别的标识并考虑将发件邮箱地址加入白名单。4.4 脚本运行环境依赖问题问题在服务器或云函数上运行时提示缺少pandas或matplotlib模块。排查生成依赖文件在本地开发环境使用pip freeze requirements.txt生成依赖列表。云端安装在部署环境如Linux服务器中使用pip install -r requirements.txt安装。对于matplotlib在无图形界面的服务器上可能需要安装系统依赖例如在Ubuntu上sudo apt-get install -y python3-tk或者使用不需要GUI后端的设置在脚本开头添加import matplotlib; matplotlib.use(Agg)。考虑轻量化如果环境限制严格可以放弃matplotlib改用纯文本报告或使用plotly的kaleido引擎离线生成图片依赖更简单。4.5 数据延迟与报告时效性问题报告显示的数据似乎比实际“慢”一天。原因与解决RevenueCat的数据处理可能存在几个小时不等的延迟。对于需要绝对当日最新数据的场景可以在脚本中设置end_date为昨天datetime.now().date() - timedelta(days1)并明确在报告标题中注明数据日期范围。这个200行左右的脚本就像一个忠实的数字哨兵每天自动为你站岗扫描收入健康度。它的价值不在于代码有多复杂而在于将零散、被动的数据查看变成了主动、系统、可分享的洞察流程。启动它之后你可以把节省下来的时间更多地用在基于这些洞察去做产品优化和策略调整上这才是增长工具的意义所在。
