anomaly-scan

/digital-marketing-pro:anomaly-scan

脚本位置。 如果你的宿主未设置 ${CLAUDE_PLUGIN_ROOT}，脚本位于此插件的 scripts/ 文件夹中，与 skills/ 同级。请使用 Python 3.10 或更高版本运行：python；如果找不到 python，则使用 python3（macOS 和许多 Linux 系统适用）。

目的

扫描所有已连接的营销平台，查找异常情况——与既定基线存在统计显著偏差，可能意味着问题（流量下降、CPA 激增、送达率崩溃、预算超支）或机会（内容走红、转化率提升、渠道增长超出预期）。旨在及早发现问题，避免其逐步演变为代价高昂的麻烦，并找出值得扩大成效的成功案例。

所需输入

用户必须提供以下信息（或系统会提示用户提供）：

• 敏感度级别：严格（标记偏离基线超过 1.5 个标准差的情况）、正常（超过 2 个标准差）， 或宽松（超过 3 个标准差）。默认为正常
• 时间段：要扫描异常的时间范围——今天、最近 3 天、最近 7 天、最近 30 天或自定义范围。 默认为最近 7 天
• 平台（可选）：指定要重点扫描的平台（例如“仅 Google Ads 和 Meta”）。 如果省略，则扫描所有已连接的平台
• 指标关注重点（可选）：指定要优先检查的指标（例如“仅 CPA 和转化率”）。 如果省略，则评估所有可用指标
• 基线时段（可选）：指定自定义基线进行比较，而非使用默认值。 默认使用 performance-monitor.py 维护的滚动 30 天平均值
• 排除已知事件（可选）：列出要过滤掉的已知事件（例如“黑色星期五促销”、 “1 月 15 日的网站迁移”），以免将预期偏差标记为异常

流程

1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前品牌 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌语气、目标市场的合规规则（skills/context-engine/compliance-rules.md）和行业背景。同时检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中是否有指南；如果有，加载其中的限制。检查 ~/.claude-marketing/sops/ 中是否有代理机构的标准操作流程（SOP）。如果没有品牌，询问：“先设置一个品牌（/digital-marketing-pro:brand-setup）？”——也可以使用默认设置继续。
2. 从所有已连接的 MCP 获取当前指标：查询每个已连接的分析平台 （google-analytics、google-ads、meta-marketing、linkedin-marketing、tiktok-ads、mailchimp、stripe、mixpanel、 amplitude、shopify 等），获取指定扫描周期内所有可用指标。包括流量、支出、 转化、CPA、ROAS、互动率、可送达率和收入指标。
3. 加载历史基线：执行 python "${CLAUDE_PLUGIN_ROOT}/scripts/performance-monitor.py" --brand {slug} --action get-baseline 获取每项指标的滚动平均值、标准差和预期范围。如果尚无基线， 则使用对比周期数据建立临时基线，并在输出中注明。
4. 运行异常检测：执行 python "${CLAUDE_PLUGIN_ROOT}/scripts/performance-monitor.py" --brand {slug} --action detect-anomalies --data '{...current-period metrics...}' 标记超出存储基线计算所得预期范围（均值 ± 标准差）的指标。 如果历史数据足以支持，则应用星期和季节性调整。
5. 与近期执行记录交叉核对：通过以下命令检查执行历史 python "${CLAUDE_PLUGIN_ROOT}/scripts/execution-tracker.py" --brand {slug} --action get-history --limit 14 将异常与近期变更关联起来——异常发生前，是否有广告系列上线、暂停、预算调整、创意替换、 落地页变更或受众扩展？
6. 与已知因素交叉核对：检查已知的平台宕机、算法更新 （Google 核心更新、Meta 政策变更）、行业事件、季节性模式，以及用户提供的可能解释偏差的已知事件。
7. 按严重程度对异常分类：严重（影响收入，需要立即处理——追踪失效、 CPA 达到基线的 3 倍或以上、预算超支超过 20%、可送达率低于 80%）；警告（偏差显著，值得在 24 小时内调查——流量下降 30% 或以上、互动减半、CTR 下降 40% 或以上）；或信息（值得注意 但不紧急——趋势逐渐变化、CPA 小幅上升、季节性模式显现）。
8. 判定可能原因：对于每项异常，使用 skills/analytics-insights/anomaly-diagnosis.md 中的诊断框架分析根本原因。将原因归类为数据/追踪问题、外部因素 （算法更新、竞争对手行动、季节性变化）、内部变更（广告系列修改、落地页 更新）或平台变更（政策更新、功能弃用、竞价动态变化）。
9. 将严重异常保存为洞察：对于严重和警告级别的异常，通过以下命令持久化保存 python "${CLAUDE_PLUGIN_ROOT}/scripts/campaign-tracker.py" --brand {slug} --action save-insight --data '{"type":"anomaly","insight":"...","context":"..."}' 以便进行追踪、在未来报告中呈现，并在事后复盘时引用。

输出

包含以下内容的结构化异常报告：

• 扫描摘要：已扫描的平台、分析的时间段、使用的敏感度级别、基线周期、检测到的异常总数（按严重程度划分），以及整体营销健康状况评估（健康、需注意或危急）
• 严重异常（如有）：指标名称、平台、预期范围（平均值 +/- 阈值）、实际值、偏差幅度（以标准差和百分比表示）、可能原因、预估收入影响，以及建议立即采取的行动
• 警告异常：结构与严重异常相同，并针对每项异常提供建议的调查步骤和 24 小时行动计划
• 信息类异常：值得监控的重要偏差，以及监控标准——用于判断趋势是持续还是逆转的观察要点
• 相关性分析：异常与近期执行历史之间的联系——哪些变更可能导致了哪些偏差，并标注置信度（强、可能、不太可能）
• 平台健康状况摘要：根据检测到的异常数量和严重程度，为每个平台标注健康状态（绿色/黄色/红色）；如果存在之前扫描的数据，还需与上次扫描的趋势进行对比
• 建议采取的行动：按优先级排序的应对措施清单——严重问题的即时修复、警告问题的调查、信息类问题的监控调整，以及所需的任何基线重新校准
• 基线更新说明：说明是否需要因结构性变更而重新校准基线（例如发起新广告活动、添加渠道、季节变化，或永久改变预期范围的定价变更）

使用的 Agent

• performance-monitor-agent — 异常检测引擎、基线管理、统计阈值评估、历史趋势分析、严重程度分类和季节性调整
• analytics-analyst — 根因分析、跨平台关联分析、背景分析（季节性、算法更新、竞争格局变化）、影响估算，以及可执行建议的生成