关于 analytics-reporting
此技能让 AI Agent 汇总营销数据并生成分析报告，供营销团队评估渠道、活动和转化表现。它结合趋势、归因、漏斗与群组分析，并给出可执行建议。
主要功能
- 01汇总多来源营销指标
- 02比较周期趋势并识别异常
- 03应用多触点归因模型
- 04分析转化漏斗与用户群组
- 05生成带图表和建议的报告
适用场景
- 01编制月度营销绩效报告
- 02比较多渠道活动的贡献
- 03定位注册或购买漏斗流失环节
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/analytics-reporting确认已加载。
详细介绍
分析报告
此技能可让 AI Agent 生成详细的营销分析报告，不止呈现原始数据，还能提供可执行的洞察。Agent 会收集流量、互动、转化和收入指标的数据，应用归因模型来了解各渠道的贡献，开展漏斗和群组分析，并生成适合管理层阅读、包含明确建议的报告。报告可帮助营销团队基于数据就预算分配、营销活动优化和策略调整做出决策。
工作流
-
确定报告范围和 KPI。 明确报告类型（月度概览、特定营销活动报告、渠道深入分析）和时间范围。确定要跟踪的主要 KPI：流量指标（会话数、独立访客数、页面浏览量）、互动指标（跳出率、页面停留时间、每次会话浏览页数）、转化指标（转化率、产生的潜在客户数、单次获客成本）和收入指标（客户终身价值、广告支出回报率、营销归因收入）。
-
收集所有来源的数据。 从网站分析工具（Google Analytics、Plausible）、搜索控制台（展示次数、点击次数、平均排名）、广告平台（Google Ads、Meta Ads、LinkedIn Ads）、电子邮件营销工具（Mailchimp、SendGrid）、CRM（HubSpot、Salesforce）和社交媒体分析工具（平台自带的数据洞察）中提取数据。统一各来源的日期范围和指标定义，确保数据可比较。
-
分析趋势并识别规律。 将当前时段的指标与上一时段和同比基准进行比较。计算增长率，识别具有统计显著性的变化，并标记异常情况（病毒式内容带来的流量激增、算法更新或网站故障导致的流量下降）。按渠道、设备、地理位置和用户群组细分数据，发现隐藏规律。
-
应用归因建模。 不再局限于末次点击归因，而是了解完整的客户旅程。应用多触点模型——线性模型（平均分配贡献）、时间衰减模型（近期触点获得更多贡献）或数据驱动模型（算法归因）——评估各渠道对转化的贡献。这可以避免过度投资于漏斗底部渠道，却忽视为销售管道输送流量的认知渠道。
-
开展漏斗和群组分析。 绘制从首次访问到购买或注册的转化漏斗。计算每个阶段的流失率：落地页 → 潜在客户表单 → MQL → SQL → 客户。找出摩擦最大的阶段，并建议通过测试加以改善。开展群组分析以了解留存情况——与付费广告吸引的用户相比，自然搜索吸引的用户在 30、60 和 90 天后的留存率是否更高？
-
生成包含可视化内容和建议的报告。 报告应包含执行摘要、逐渠道分析、表现最佳的内容、漏斗分析以及按优先级排列的建议。加入表格、趋势图和对比可视化内容。每个部分末尾都要回答“所以呢？”，明确团队应根据数据采取什么行动。
用法
向 Agent 提供报告时段、数据来源或原始数据导出文件，以及团队最关注的 KPI。Agent 会返回一份包含洞察和建议的结构化分析报告。
提示词： 为我们的电商网站生成一份 2025 年 1 月的营销分析报告。数据来源：Google Analytics、Google Ads 和 Shopify。重点分析流量趋势、各渠道的转化率和广告支出回报率。
示例
示例 1：月度营销分析报告
请求： 生成 acmesaas.com 的 2025 年 2 月月度报告。
执行摘要：
| 指标 | 2025 年 2 月 | 2025 年 1 月 | 环比变化 | 同比变化 |
|---|---|---|---|---|
| 总会话数 | 84,200 | 78,500 | +7.3% | +22.1% |
| 独立访客数 | 61,400 | 57,800 | +6.2% | +18.9% |
| 跳出率 | 42.1% | 45.3% | -3.2 个百分点 | -5.8 个百分点 |
| 平均会话时长 | 3:42 | 3:18 | +12.1% | +8.4% |
| 潜在客户表单提交数 | 1,240 | 1,080 | +14.8% | +31.2% |
| 试用注册数 | 386 | 342 | +12.9% | +28.7% |
| CAC（综合） | $127 | $143 | -11.2% | -19.1% |
| 营销归因收入 | $94,200 | $81,600 | +15.4% | +41.3% |
渠道细分：
| 渠道 | 会话数 | 转化率 | 潜在客户数 | 成本 | CAC |
|---|---|---|---|---|---|
| 自然搜索 | 38,100 | 2.1% | 800 | $0 | $0 |
| 付费搜索（Google） | 18,400 | 1.8% | 331 | $24,800 | $74.92 |
| LinkedIn 广告 | 8,200 | 1.4% | 115 | $18,600 | $161.74 |
| 电子邮件营销 | 12,600 | 3.2% | 403 | $1,200 | $2.98 |
| 直接访问 / 引荐 | 6,900 | 0.9% | 62 | $0 | $0 |
关键洞察：
- 自然搜索的效率最高。 它以零边际成本带来了 65% 的潜在客户。会话数同比增长 22%，反映了 2024 年第三至第四季度 SEO 投入的累积效应。
- 电子邮件营销的转化率最高，达到 3.2%。 1 月推出的新用户引导滴灌序列，使电子邮件来源的试用注册数提升了 40%。
- LinkedIn 广告的 CAC 偏高，为 $161.74。 但是，LinkedIn 潜在客户转化为付费客户的比例是 Google Ads 潜在客户的 2.4 倍。按 LTV:CAC 比率衡量，LinkedIn 的效率更高。
- 跳出率环比改善了 3.2 个百分点。 这与 2 月 3 日上线的主页改版相关；改版增加了社会认同内容，并在首屏展示了更清晰的 CTA。
建议：
- 加大自然搜索内容投入：每周额外发布 2 篇 SEO 目标文章，聚焦 1 月关键词差距分析中发现的高意向商业关键词。
- 将 LinkedIn 广告预算提高 20%，但将定向范围缩小至员工人数为 200–2,000 人的公司中的总监及以上职位，以降低 CAC。
- 对试用注册页面进行 A/B 测试——当前 12.9% 的增长表现强劲，但付费搜索 1.8% 的转化率表明着陆页可能存在阻碍。
示例 2：营销活动效果分析
请求： 分析 1 月 15 日至 2 月 28 日期间在 Google Ads 和 Meta Ads 上投放的“Q1 产品发布”付费营销活动。
营销活动摘要：
| 指标 | Google Ads | Meta Ads | 总计 |
|---|---|---|---|
| 展示次数 | 1,240,000 | 2,860,000 | 4,100,000 |
| 点击次数 | 31,000 | 22,880 | 53,880 |
| CTR | 2.5% | 0.8% | 1.3% |
| 费用 | $18,600 | $14,200 | $32,800 |
| CPC | $0.60 | $0.62 | $0.61 |
| 转化（注册） | 620 | 274 | 894 |
| 转化率 | 2.0% | 1.2% | 1.7% |
| 单次转化费用 | $30.00 | $51.82 | $36.69 |
归因分析（多触点、时间衰减模型）：
| 触点路径 | 转化次数 | 平均转化天数 |
|---|---|---|
| Google Ad → Direct → Signup | 312 | 1.4 |
| Meta Ad → Google Ad → Signup | 186 | 4.2 |
| Meta Ad → Organic → Email → Signup | 142 | 8.6 |
| Organic → Meta Ad（再营销）→ Signup | 98 | 6.1 |
| 其他多触点路径 | 156 | 5.8 |
发现：
- Google Ads 带来直接且快速的转化（平均 1.4 天），非常适合捕获高意向需求。
- Meta Ads 发挥着至关重要的辅助作用：有 186 次转化先经过 Meta，之后通过 Google 转化。如果采用末次点击归因，Meta 将无法获得这些转化的任何功劳。
- Meta → Organic → Email 路径表明，品牌认知营销活动会形成一条延迟转化的渠道，最终通过培育流程促成转化。削减 Meta 支出会在 2–4 周内减少电子邮件带来的转化。
建议：
- 保持 Google Ads 当前支出不变；测试将转化效果最好的 10 个关键词的出价提高 15%。
- 将 Meta 预算的 30% 从潜在客户开发转向再营销——再营销路径的转化率是潜在客户开发的 2.1 倍，成本却只有一半。
- 将营销活动延长 2 周：时间衰减模型显示，随着多触点路径逐渐成熟，转化仍在加速增长。
最佳实践
- 始终与基准进行比较。 没有背景信息，原始数字毫无意义。对于每项指标，都应展示环比、同比以及目标值与实际值的比较。
- 先细分，再汇总。 汇总数据会掩盖关键模式。得出结论前，务必按渠道、设备、地域和用户细分群体拆分数据。
- 任何涉及多个渠道的营销活动都应使用多触点归因。 末次点击归因会系统性低估品牌认知和漏斗中部渠道的价值，导致预算分配不当。
- 先讲洞察，而不是数据。 高管不需要 50 项指标，他们需要 3–5 条可执行的发现。报告应按“发生了什么 → 为什么重要 → 接下来该做什么”的结构编写。
- 自动化数据收集，而非解读。 脚本和仪表板应自动提取数据，但报告叙述——也就是“这意味着什么”——需要结合具体业务背景，依靠人工或 AI 判断。
- 提供置信度提示。 对于样本量较小或时间窗口较短的情况，应说明趋势可能不具备统计显著性。每个变体的转化次数少于 100 时，应避免据此做出重大预算决策。
边缘情况
- 平台间的数据差异。 Google Analytics 和广告平台的转化次数常常不一致，这是因为归因窗口、Cookie 处理方式和跟踪方法不同。请记录每项指标的权威数据来源，并在报告中注明已知差异。
- Cookie 同意与跟踪缺失。 在执行 GDPR 或 CCPA 的地区，20–40% 的用户可能会拒绝跟踪 Cookie，因此报告的流量和转化次数会偏低。请使用服务端跟踪或同意模式建模来估算实际值，并注明调整方法。
- 季节性掩盖真实趋势。 12 月流量下降 15% 可能是季节性因素所致，并非问题。对于具有季节性的业务，务必纳入同比对比，并标明变化是否处于正常的季节性波动范围内。
- 线下转化归因。 销售周期较长的 B2B 交易往往通过销售电话在线下成交。请实现 UTM 与 CRM 的映射及闭环报告，让营销团队能够认领其影响的销售管道归因。
- 早期阶段的零转化活动。 新的品牌认知活动可能在 4–8 周内没有直接转化。请衡量曝光量、触达人数、视频观看率和落地页访问量等先行指标，以评估活动是否正在建立销售管道，再判断投资回报率。