Campaign attribution analytics

何时使用

当你需要回答下面这类营销分析问题时使用本技能：

• 哪些渠道真正驱动了转化？（多触点归因，对比 5 种模型）
• 用户在转化路径的哪一步流失最多？（漏斗瓶颈定位）
• 这笔投放赚钱吗？该把预算挪到哪？（ROI / ROAS / CPA / CAC 核算并对标行业基准）

工具是三个仅依赖标准库的 Python CLI，输入静态 JSON 快照，输出确定、可复现的结果——不调用外部 API、不跑 ML 模型。

不该用的边界（直接换工具或上游处理）：

• 需要统计显著性 / p 值检验——脚本只给描述性指标，请用专门统计工具。
• 需要实时数据流、API 直连——脚本只分析离线 JSON 快照。
• 跨设备 / 跨身份归一——须在上游打通后再喂数据。
• 多币种——所有金额假定同一币种，无汇率换算。
• 超大规模（journeys > 10 万）——标准库实现未做大数据优化。
• 时间衰减不考虑工作日/周末或季节性，半衰期为简化指数衰减。

步骤

1. 准备并校验 JSON。三类输入分别对应三个脚本（schema 见下「指令」）。运行前先校验语法：

   python -m json.tool your_file.json
   

   常见报错：缺 journeys/funnel.stages/campaigns 等必填键→KeyError；漏斗 stages 与 counts 数组长度不一致→ValueError；ROI 金额非数值→TypeError。

2. 归因：先看哪些渠道驱动转化。建议跑至少 3 个模型做三角验证。

3. 漏斗：聚焦上一步的高价值渠道分段，定位掉量最大的环节。

4. ROI：核算盈利能力并对标行业基准，决定预算再分配。

指令

完整工作流（按序运行三脚本）：

# 1. 归因——理解哪些渠道驱动转化
python scripts/attribution_analyzer.py campaign_data.json --model time-decay

# 2. 漏斗——找出转化路径上的流失点
python scripts/funnel_analyzer.py funnel_data.json

# 3. ROI——核算盈利能力并对标行业标准
python scripts/campaign_roi_calculator.py campaign_data.json

归因分析器（5 种模型，credit 分配如下）：

模型	规则	适用
First-Touch 首触	100% 给首个触点	品牌认知
Last-Touch 末触	100% 给末个触点	直效响应
Linear 线性	各触点均分	均衡多渠道
Time-Decay 时间衰减	越近权重越高，权重=e^(-λ·距转化天数)，λ=ln2/半衰期	短销售周期
Position-Based 位置	40/20/40（首/中/末）；1 触点=100%，2 触点=各 50%	全漏斗

python scripts/attribution_analyzer.py campaign_data.json                 # 跑全部 5 个模型
python scripts/attribution_analyzer.py campaign_data.json --model time-decay --half-life 14  # 自定义半衰期(默认7天)
python scripts/attribution_analyzer.py campaign_data.json --format json    # 管道集成

半衰期参考：冲动型 1–3 天选 1–2 天；考量型 1–2 周选 5–7 天；B2B 1–3 月选 14–21 天；企业级 3–6 月选 30–45 天。

漏斗分析器：输出逐级转化率与掉量百分比、自动标出绝对/相对最大掉量瓶颈、整体转化率，多分段时支持对比。

python scripts/funnel_analyzer.py funnel_data.json [--format json]

ROI 计算器：输出 ROI、ROAS、CPA、CPL、CAC、CTR、CVR，并对标行业基准（按渠道分 low/target/high），自动标记低于基准的活动。

python scripts/campaign_roi_calculator.py campaign_data.json [--format json]

输出格式统一用 --format text（默认，人读表格）或 --format json（机读，供集成/流水线）。

示例

三类输入的最小 JSON 形态：

// 归因输入
{"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"}],
  "converted":true,"revenue":500.00}]}

// 漏斗输入（stages 与 counts 等长）
{"funnel":{"stages":["Awareness","Interest","Consideration","Intent","Purchase"],
  "counts":[10000,5200,2800,1400,420]}}

// ROI 输入
{"campaigns":[{"name":"Spring Email","channel":"email","spend":5000.00,
  "revenue":25000.00,"impressions":50000,"clicks":2500,"leads":300,"customers":45}]}

解读发散结果：某渠道「首触高、末触低」=擅长拉新但不促成，应配强转化渠道；「线性高、首末都低」=关键培育角色，砍掉会断链。

注意事项

• 跑多个模型再下结论——没有单一模型是「对」的；取在多个模型中都排名靠前的渠道作为可靠贡献者。
• 半衰期匹配销售周期——时间衰减的回溯窗口要贴合平均成交周期。
• 先和自己的历史比——行业基准给上下文，但历史数据才是最相关的对标。
• 算全成本——ROI 要把创意、工具、人力成本一并计入，而非只算媒体投放。
• 数据量要够——少于 100 条 journey 结果不可靠；归因只统计已转化路径，未转化路径的渠道价值会被忽略。
• 相关≠因果——归因展示触点与转化的相关性，不等于因果。

互见

• analytics-tracking：负责埋点与采集，不做分析（分析归本技能）。
• ab-test-setup：把本技能发现的问题设计成实验验证。
• paid-ads：依据分析结论优化广告投放。
• marketing-ops：把洞察路由到正确的执行技能。

---

采编自 alirezarezvani/claude-skills（MIT）。