From ca3976b0ca243f5df03bff86993e22a2df1631ab Mon Sep 17 00:00:00 2001 From: wehub-skill-sync Date: Mon, 13 Jul 2026 21:35:56 +0800 Subject: [PATCH] chore: import zh skill campaign-analytics --- README.wehub.md | 9 ++ SKILL.md | 228 ++++++++++++++++++++++++++++++++++++++++++++++++ 2 files changed, 237 insertions(+) create mode 100644 README.wehub.md create mode 100644 SKILL.md diff --git a/README.wehub.md b/README.wehub.md new file mode 100644 index 0000000..cdcbbe4 --- /dev/null +++ b/README.wehub.md @@ -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 diff --git a/SKILL.md b/SKILL.md new file mode 100644 index 0000000..05594d2 --- /dev/null +++ b/SKILL.md @@ -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。