analytics

分析

使用 Apollo 的分析数据回答任何销售业绩问题。用户通过“$ARGUMENTS”提问。

示例

• /apollo:analytics How many emails did I send last 30 days?
• /apollo:analytics Show me team call connect rate this quarter by rep
• /apollo:analytics What's our email reply rate week over week for this year?
• /apollo:analytics Break down pipeline and won amount by opportunity stage all time
• /apollo:analytics Which sequences have the highest reply rate in the last 6 months?
• /apollo:analytics Show me activity summary — emails, calls, meetings, tasks — for each rep this quarter
• /apollo:analytics How are calls trending by day of week over the last 3 months?
• /apollo:analytics Show me emails sent vs replied broken down by contact stage and email type

步骤 1 — 解读问题

解析“$ARGUMENTS”，确定以下参数：

---

指标

选择 1–15 个与用户问题相符的指标。用户询问业绩时，始终同时包含比率／百分比指标和原始计数。

电子邮件 num_emails_sent、num_emails_delivered、num_emails_opened、num_emails_clicked、num_emails_replied、num_emails_bounced、num_emails_unsubscribed、percent_emails_replied、num_contacts_emailed、num_contacts_opened、num_contacts_replied

电话 num_phone_calls、num_phone_calls_completed、num_phone_calls_connect、num_phone_calls_connect_positive、num_phone_calls_connect_negative、num_phone_calls_connect_neutral、percent_phone_calls_connect、avg_phone_call_duration、num_contacts_called

关键区别：

• num_phone_calls_completed = 所有已记录的拨打尝试
• num_phone_calls_connect = 接听者实际接听
• num_phone_calls_connect_positive/negative/neutral = 按结果情绪分类的已接通电话

会议 num_all_meetings_scheduled、num_meetings_held、num_all_meetings_rescheduled、num_calendar_events_scheduled、num_calendar_events_cancelled、num_all_meetings_scheduled_via_email、num_all_meetings_scheduled_via_call

关键区别：

• num_all_meetings_scheduled = 包含已取消的会议
• num_meetings_held = 实际举行的会议

任务 num_tasks、num_tasks_completed、num_tasks_scheduled、num_tasks_completed_on_time、percent_tasks_completed、percent_tasks_completed_on_time、overdue_tasks、unfinished_overdue_tasks、percent_unfinished_overdue_tasks

关键区别：

• overdue_tasks = 所有逾期任务，包括已逾期完成的任务
• unfinished_overdue_tasks = 仍待处理且已逾期的任务
• percent_unfinished_overdue_tasks = 已逾期且未完成的已安排任务占比（相对于 num_tasks_scheduled）

联系人和账户 num_contacts、num_accounts、num_contacts_touched、num_accounts_touched、num_net_new_people、num_net_new_companies、num_contacts_with_job_change

商机 num_opportunities、num_won、num_closed、deal_amount、won_amount、pipeline_amount、revenue_amount、avg_deal_amount、avg_won_amount、percent_win_rate、avg_salescycle_days

序列 num_contacts_added_to_sequence、num_contacts_remove_from_sequence

对话智能 num_conversations_recorded、num_conversations_listened、avg_conversation_duration、total_conversation_duration、avg_talk_ratio、avg_question_rate、avg_longest_monologue、speaker_switches

LinkedIn num_linkedin_tasks_scheduled、num_linkedin_tasks_completed、num_linkedin_tasks_skipped、percent_linkedin_tasks_completed

---

日期范围

将用户的时间范围映射到预设类型（优先）或自定义范围：

预设值：today、yesterday、current_week、current_month、current_quarter、current_year、last_7_days、last_2_weeks、last_30_days、last_3_months、last_6_months、last_12_months、last_4_quarters、last_2_years、previous_week、previous_month、previous_quarter、previous_year、all_time

自定义：对于特定日期范围，使用 range_start + range_end（YYYY-MM-DD）。不要与预设类型同时使用。

如果未指定时间范围，默认使用 last_30_days。

---

拆分（group_by）

用户是否希望按某个维度拆分数据？将 group_by 设为以下任一值：

时间模式（用于趋势和时间序列） smart_datetime_hour、smart_datetime_day、smart_datetime_week、smart_datetime_month、smart_datetime_year smart_datetime_hour_of_day、smart_datetime_day_of_week、smart_datetime_month_of_year

人员和团队 smart_user_id（按销售代表）、smart_subteam_id（按团队）

电子邮件维度 emailer_campaign_id（按序列）、emailer_template_id（按模板）、emailer_message_type、emailer_step_id、emailer_touch_id、send_from_email、send_from_domain、email_account_id

通话 phone_call_outcome_id、phone_call_purpose_id、phone_call_sentiment

联系人属性 contact_stage_id、contact_label_ids、contact_owner_id、persona、person_title_unanalyzed、person_seniority、person_location_country、person_location_state、person_location_city

账户和公司属性 account_id、account_stage_id、account_label_ids、account_owner_id、organization_industries、organization_num_current_employees、organization_hq_location_country、organization_hq_location_state、organization_hq_location_city、organization_latest_funding_stage_cd、organization_current_technologies

商机 opportunity_stage_id、opportunity_owner_id、opportunity_pipeline_id、forecast_category、lead_source、opportunity_deal_source

任务 task_type、task_status

对话 conversation_state、conversation_type、tracker_names_unanalyzed、calendar_event_setting_type

对于平面汇总（总计的单行），完全省略 group_by。

---

透视（pivot_group_by）

如果用户需要交叉表（例如“按销售代表和序列”、“按阶段与电子邮件类型拆分”），将主要维度设为 group_by，次要维度设为 pivot_group_by。使用透视时，工具会为每项指标返回一个表格。优先选择基数较低的维度（例如 emailer_message_type、contact_stage_id、phone_call_sentiment）作为透视维度。

---

筛选条件

• “我的数据”/“为我”/“我的业绩” → filters: { user_ids: ["current"] }
• 指定 Apollo 用户 ID → filters: { user_ids: ["<user_id>"] }（可组合使用：["current", "user_id_1"]）
• “团队”/未提及用户 → 完全省略筛选条件（返回团队范围的数据）
• 按团队/子团队筛选 → filters: { team_ids: ["<subteam_id>"] }
• 按序列名称筛选 → 首先调用 mcp__claude_ai_Apollo_MCP__apollo_emailer_campaigns_search，将名称解析为 ID，然后传入 filters: { emailer_campaign_ids: ["<id>"] }

---

排序

如果用户询问“谁的……最多”、“按……排名”或“排名靠前的销售代表”，请设置：

sort: { metric: "<metric_name>", asc: false }

对于“从最低开始”或“业绩最差”的查询，使用 asc: true。

有两项限制：

• 仅当设置了 group_by 时排序才会生效——对平面查询无效
• 排序指标必须包含在 metrics 数组中

---

第 2 步 — 调用分析工具

使用 mcp__claude_ai_Apollo_MCP__apollo_analytics_sync_report 和上述确定的参数。

如果问题涉及多个相互独立的维度（例如“按销售代表显示电子邮件指标，并单独按序列显示”），请依次调用两次。

如果问题存在歧义，先使用合理的默认值进行调用，然后提出可进一步细化。

步骤 3 — 展示结果

扁平响应（无 group_by）：以简洁的两列汇总表展示——指标名称和值。

分组响应（仅 group_by）：以表格展示，维度放在第一列，后续列展示各项指标。突出显示值得关注的异常值（表现最佳者、比率最低者、差距最大者）。

透视响应（group_by + pivot_group_by）：将每项指标分别放在独立的表格中，并添加一句简短的表格摘要。

始终：

• 将小数转换为易读的百分比（例如，0.14 → 14%）
• 为大数字添加千位分隔符
• 如果响应显示“显示前 N 行，共 M 行”，请说明总数并提供缩小范围的选项
• 在数据后添加 1–2 句见解（例如，“星期二的通话量最高，共 355 通”，“Sarah Flores 的回复率最高，达到 14%”）

---

步骤 4 — 提供后续操作

展示结果后，建议 2–3 个相关的后续步骤：

1. 深入分析 — 按另一个维度细分（例如，“想按销售代表查看吗？”）
2. 更改日期范围 — 与其他时间段进行比较
3. 添加更多指标 — “想在此视图中添加会议或任务吗？”
4. 透视视图 — “想要交叉制表吗？例如，按销售代表 × 序列查看？”
5. 导出 — 格式化为 CSV 风格的表格，便于复制粘贴