chore: import zh skill campaign-analytics
This commit is contained in:
wehub-skill-sync
@@ -0,0 +1,9 @@
|
||||
# WeHub 来源说明
|
||||
|
||||
- Skill 名称：`campaign-analytics`
|
||||
- 中文类目：营销活动绩效与归因分析
|
||||
- 上游仓库：`alirezarezvani__claude-skills`
|
||||
- 上游路径：`.gemini/skills/campaign-analytics/SKILL.md`
|
||||
- 上游链接：https://github.com/alirezarezvani/claude-skills/blob/HEAD/.gemini/skills/campaign-analytics/SKILL.md
|
||||
- 本仓库为 WeHub 中文 Skill 汉化包，基于 skill 市场筛选 Top200 清单整理
|
||||
- 原作者、版权和许可证信息以上游仓库为准
|
||||
@@ -0,0 +1,228 @@
|
||||
---
|
||||
name: "campaign-analytics"
|
||||
description: 分析营销活动表现，提供多渠道归因、漏斗转化分析和ROI计算，助力营销优化。适用于分析营销活动、广告表现、归因模型、转化率，或计算跨渠道营销ROI、ROAS、CPA及活动指标。
|
||||
license: MIT
|
||||
metadata:
|
||||
version: 1.0.0
|
||||
author: Alireza Rezvani
|
||||
category: marketing
|
||||
domain: campaign-analytics
|
||||
updated: 2026-02-06
|
||||
python-tools: attribution_analyzer.py, funnel_analyzer.py, campaign_roi_calculator.py
|
||||
tech-stack: marketing-analytics, attribution-modeling
|
||||
---
|
||||
|
||||
# 营销活动分析
|
||||
|
||||
生产级营销活动表现分析，包含多渠道归因建模、漏斗转化分析和ROI计算。三个 Python CLI 工具仅使用标准库即可提供确定性、可重复的分析——无外部依赖、无 API 调用、无 ML 模型。
|
||||
|
||||
---
|
||||
|
||||
## 输入要求
|
||||
|
||||
所有脚本均接受一个 JSON 文件作为位置输入参数。完整示例请参见 `assets/sample_campaign_data.json`。
|
||||
|
||||
### 归因分析器
|
||||
|
||||
```json
|
||||
{
|
||||
"journeys": [
|
||||
{
|
||||
"journey_id": "j1",
|
||||
"touchpoints": [
|
||||
{"channel": "organic_search", "timestamp": "2025-10-01T10:00:00", "interaction": "click"},
|
||||
{"channel": "email", "timestamp": "2025-10-05T14:30:00", "interaction": "open"},
|
||||
{"channel": "paid_search", "timestamp": "2025-10-08T09:15:00", "interaction": "click"}
|
||||
],
|
||||
"converted": true,
|
||||
"revenue": 500.00
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
### 漏斗分析器
|
||||
|
||||
```json
|
||||
{
|
||||
"funnel": {
|
||||
"stages": ["Awareness", "Interest", "Consideration", "Intent", "Purchase"],
|
||||
"counts": [10000, 5200, 2800, 1400, 420]
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
### 活动 ROI 计算器
|
||||
|
||||
```json
|
||||
{
|
||||
"campaigns": [
|
||||
{
|
||||
"name": "Spring Email Campaign",
|
||||
"channel": "email",
|
||||
"spend": 5000.00,
|
||||
"revenue": 25000.00,
|
||||
"impressions": 50000,
|
||||
"clicks": 2500,
|
||||
"leads": 300,
|
||||
"customers": 45
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
### 输入验证
|
||||
|
||||
在运行脚本之前，请确认你的 JSON 格式有效且符合预期的 schema。常见错误：
|
||||
|
||||
- **缺少必需的键**（例如 `journeys`、`funnel.stages`、`campaigns`）→ 脚本退出并显示描述性的 `KeyError`
|
||||
- **数组长度不匹配**（漏斗数据中 `stages` 与 `counts` 长度必须一致）→ 抛出 `ValueError`
|
||||
- **ROI 数据中存在非数值货币值** → 抛出 `TypeError`
|
||||
|
||||
在将数据传入任何脚本之前，使用 `python -m json.tool your_file.json` 验证 JSON 语法。
|
||||
|
||||
---
|
||||
|
||||
## 输出格式
|
||||
|
||||
所有脚本均通过 `--format` 参数支持两种输出格式：
|
||||
|
||||
- `--format text`（默认）：供审阅的可读表格和摘要
|
||||
- `--format json`：供集成和管道使用的机器可读 JSON
|
||||
|
||||
---
|
||||
|
||||
## 典型分析工作流
|
||||
|
||||
要进行完整的活动审查，请按顺序依次运行三个脚本：
|
||||
|
||||
```bash
|
||||
# 步骤 1 — 归因：了解哪些渠道推动转化
|
||||
python scripts/attribution_analyzer.py campaign_data.json --model time-decay
|
||||
|
||||
# 步骤 2 — 漏斗：识别潜在客户在转化路径上的流失环节
|
||||
python scripts/funnel_analyzer.py funnel_data.json
|
||||
|
||||
# 步骤 3 — ROI：计算盈利能力并与行业标准对标
|
||||
python scripts/campaign_roi_calculator.py campaign_data.json
|
||||
```
|
||||
|
||||
使用归因结果确定表现最佳的渠道，然后将漏斗分析聚焦于这些渠道的细分群体，最后验证 ROI 指标以确定预算重新分配的优先级。
|
||||
|
||||
---
|
||||
|
||||
## 使用方法
|
||||
|
||||
### 归因分析
|
||||
|
||||
```bash
|
||||
# 运行全部 5 种归因模型
|
||||
python scripts/attribution_analyzer.py campaign_data.json
|
||||
|
||||
# 运行指定模型
|
||||
python scripts/attribution_analyzer.py campaign_data.json --model time-decay
|
||||
|
||||
# 输出 JSON 格式供管道集成
|
||||
python scripts/attribution_analyzer.py campaign_data.json --format json
|
||||
|
||||
# 自定义时间衰减半衰期（默认：7 天）
|
||||
python scripts/attribution_analyzer.py campaign_data.json --model time-decay --half-life 14
|
||||
```
|
||||
|
||||
### 漏斗分析
|
||||
|
||||
```bash
|
||||
# 基本漏斗分析
|
||||
python scripts/funnel_analyzer.py funnel_data.json
|
||||
|
||||
# 输出 JSON 格式
|
||||
python scripts/funnel_analyzer.py funnel_data.json --format json
|
||||
```
|
||||
|
||||
### 活动 ROI 计算
|
||||
|
||||
```bash
|
||||
# 计算所有活动的 ROI 指标
|
||||
python scripts/campaign_roi_calculator.py campaign_data.json
|
||||
|
||||
# 输出 JSON 格式
|
||||
python scripts/campaign_roi_calculator.py campaign_data.json --format json
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 脚本
|
||||
|
||||
### 1. attribution_analyzer.py
|
||||
|
||||
实现五种行业标准归因模型，用于在各营销渠道间分配转化贡献：
|
||||
|
||||
| 模型 | 说明 | 适用场景 |
|
||||
|-------|-------------|----------|
|
||||
| 首次接触 | 100% 贡献归因于首次互动 | 品牌知名度活动 |
|
||||
| 末次接触 | 100% 贡献归因于末次互动 | 直接响应活动 |
|
||||
| 线性 | 所有触点均分贡献 | 均衡的多渠道评估 |
|
||||
| 时间衰减 | 越近的触点获得越多贡献 | 短销售周期 |
|
||||
| 位置型 | 40/20/40 分配（首次/中间/末次） | 全漏斗营销 |
|
||||
|
||||
### 2. funnel_analyzer.py
|
||||
|
||||
分析转化漏斗，识别瓶颈和优化机会：
|
||||
|
||||
- 阶段间转化率与流失百分比
|
||||
- 自动瓶颈识别（最大绝对值与相对值下降）
|
||||
- 整体漏斗转化率
|
||||
- 当提供多个细分群体时进行细分对比
|
||||
|
||||
### 3. campaign_roi_calculator.py
|
||||
|
||||
计算全面的 ROI 指标并附带行业对标：
|
||||
|
||||
- **ROI**：投资回报率百分比
|
||||
- **ROAS**：广告支出回报率
|
||||
- **CPA**：单次获客成本
|
||||
- **CPL**：单条线索成本
|
||||
- **CAC**：客户获取成本
|
||||
- **CTR**：点击率
|
||||
- **CVR**：转化率（线索到客户）
|
||||
- 根据行业基准标记表现不佳的活动
|
||||
|
||||
---
|
||||
|
||||
## 参考指南
|
||||
|
||||
| 指南 | 位置 | 用途 |
|
||||
|-------|----------|--------|
|
||||
| 归因模型指南 | `references/attribution-models-guide.md` | 深入解析 5 种模型，包含公式、优缺点及选择标准 |
|
||||
| 活动指标基准 | `references/campaign-metrics-benchmarks.md` | 按渠道和行业的 CTR、CPC、CPM、CPA、ROAS 基准数据 |
|
||||
| 漏斗优化框架 | `references/funnel-optimization-framework.md` | 逐阶段优化策略、常见瓶颈及最佳实践 |
|
||||
|
||||
---
|
||||
|
||||
## 最佳实践
|
||||
|
||||
1. **使用多种归因模型**——至少对比 3 种模型以交叉验证渠道价值；单一模型无法呈现全貌。
|
||||
2. **设置合理的回溯窗口**——将时间衰减半衰期与你的平均销售周期长度相匹配。
|
||||
3. **细分漏斗**——对比不同细分群体（渠道、同期群、地域）以识别表现驱动因素。
|
||||
4. **先与自身历史数据对标**——行业基准提供参考背景，但历史数据才是最相关的比较依据。
|
||||
5. **定期运行 ROI 分析**——活跃活动每周一次，战略复盘每月一次。
|
||||
6. **纳入所有成本**——将创意、工具和人力成本与媒体支出一同计入，才能得到准确的 ROI。
|
||||
7. **严谨记录 A/B 测试**——使用提供的模板确保统计有效性和明确的决策标准。
|
||||
|
||||
---
|
||||
|
||||
## 局限性
|
||||
|
||||
- **无统计显著性检验**——脚本仅提供描述性指标；p 值计算需要使用外部工具。
|
||||
- **仅依赖标准库**——无高级统计库。适用于大多数活动规模，但未针对超过 10 万条旅程的数据集进行优化。
|
||||
- **离线分析**——脚本分析静态 JSON 快照；无实时数据连接或 API 集成。
|
||||
- **单币种**——所有货币值假定为同一币种；不支持货币换算。
|
||||
- **简化的时间衰减**——基于可配置半衰期的指数衰减；未考虑工作日/周末或季节性模式。
|
||||
- **无跨设备追踪**——归因按提供的旅程数据原样运行；跨设备身份解析需在上游处理。
|
||||
|
||||
## 相关技能
|
||||
|
||||
- **analytics-tracking**：用于设置追踪。**不**用于分析数据（那是本技能的功能）。
|
||||
- **ab-test-setup**：用于设计实验，检验分析揭示的内容。
|
||||
- **marketing-ops**：用于将洞察路由至正确的执行技能。
|
||||
- **paid-ads**：用于根据分析结果优化广告支出。
|
||||
Reference in New Issue
Block a user