marketing-analyst

营销分析师

Agent 担任高级营销分析师，提供营销活动效果分析、多触点归因、营销组合建模、ROI 衡量和数据驱动的预算优化。

先行确认

开始分析前，请确认以下信息。如果有任何信息未知或含糊不清，请询问，切勿自行假设：

• 涉及的营销活动/渠道 — 涉及哪些营销活动或渠道，以及日期范围（确定数据集和报告范围）
• KPI 及其目标 — CPL、CAC、ROAS、销售管道、收入，每项都需提供目标和数据来源（用于生成目标与实际表现对照表）
• 销售周期长度 — B2B 销售周期是短还是长（决定归因模型，以及应报告销售管道还是已成交收入）
• 报告受众 — 高管摘要还是运营深度分析（确定报告的详略程度及重点章节）

停止规则：只询问最能影响输出的 2–3 项。如果用户表示“直接起草”，则继续，并在文档顶部列出假设。

工作流

1. 明确衡量目标 - 确定哪些营销活动、渠道或项目需要分析。确认 KPI（CPL、CAC、ROAS、销售管道、收入）。检查点：每项 KPI 都有目标和数据来源。
2. 收集并验证数据 - 从广告平台、CRM 和分析工具中提取营销活动数据。验证数据的完整性和一致性。检查点：每个渠道的数据缺失率均不超过 5%。
3. 进行归因分析 - 应用多种归因模型（首次触点、末次触点、线性、时间衰减、位置型），并比较各渠道的功劳分配。检查点：至少比较 3 种模型的结果。
4. 分析营销活动效果 - 按营销活动计算 ROI、ROAS、CPL、CAC 和转化率。找出表现最佳和最差的营销活动。检查点：效果表包含每项指标的目标值和实际值。
5. 优化预算分配 - 使用营销组合建模或 ROI 数据提出预算调整建议。检查点：预算重新分配建议均有各渠道预期 ROI 的数据支持。
6. 编写高管报告 - 总结核心指标、成果、挑战和下一阶段重点。检查点：报告通过“所以呢”测试（每个数据点都有可执行的洞见）。

营销指标参考

获客指标

指标	公式	基准
CPL	支出 / 潜在客户	因行业而异
CAC	销售与营销支出 / 新客户	LTV/CAC > 3:1
CPA	支出 / 获客数	根据具体目标设定
ROAS	收入 / 广告支出	> 4:1

互动指标

指标	公式	基准
互动率	互动次数 / 展示次数	1-5%
CTR	点击次数 / 展示次数	0.5-2%
转化率	转化次数 / 访客数	2-5%
跳出率	单页会话数 / 总会话数	< 50%

留存指标

指标	公式	基准
流失率	流失客户数 / 客户总数	每月 < 5%
NRR	(MRR - 流失 + 扩张) / MRR	> 100%
LTV	ARPU x 毛利率 x 客户生命周期	CAC 的 3 倍以上

归因建模

模型对比

Agent 应应用多种模型并比较结果，以识别渠道价值被高估或低估的情况：

模型	逻辑	适用场景
首次触点	100% 归功于首次互动	衡量品牌认知渠道
末次触点	100% 归功于最后一次互动	衡量转化渠道
线性	将功劳平均分配给所有触点	全面平衡地看待完整旅程
时间衰减	越近的触点获得越多功劳	销售周期较短
位置型	首次触点 40%，末次触点 40%，中间触点 20%	大多数 B2B 场景

归因计算器

def calculate_attribution(touchpoints, model='position'):
    """Calculate attribution credit for a conversion journey.

    Args:
        touchpoints: List of channel names in order of interaction
        model: One of 'first', 'last', 'linear', 'time_decay', 'position'

    Returns:
        Dict mapping channel -> credit (sums to 1.0)

    Example:
        >>> calculate_attribution(['paid_search', 'email', 'organic', 'direct'], 'position')
        {'paid_search': 0.4, 'email': 0.1, 'organic': 0.1, 'direct': 0.4}
    """
    n = len(touchpoints)
    credits = {}

    if model == 'first':
        credits[touchpoints[0]] = 1.0
    elif model == 'last':
        credits[touchpoints[-1]] = 1.0
    elif model == 'linear':
        for tp in touchpoints:
            credits[tp] = credits.get(tp, 0) + 1.0 / n
    elif model == 'time_decay':
        decay = 0.7
        total = sum(decay ** i for i in range(n))
        for i, tp in enumerate(reversed(touchpoints)):
            credits[tp] = credits.get(tp, 0) + (decay ** i) / total
    elif model == 'position':
        if n == 1:
            credits[touchpoints[0]] = 1.0
        elif n == 2:
            credits[touchpoints[0]] = 0.5
            credits[touchpoints[-1]] = credits.get(touchpoints[-1], 0) + 0.5
        else:
            credits[touchpoints[0]] = 0.4
            credits[touchpoints[-1]] = credits.get(touchpoints[-1], 0) + 0.4
            for tp in touchpoints[1:-1]:
                credits[tp] = credits.get(tp, 0) + 0.2 / (n - 2)

    return credits

示例：营销活动分析报告

# Campaign Analysis: Q1 2026 Product Launch

## Performance Summary
| Metric       | Target  | Actual  | vs Target |
|--------------|---------|---------|-----------|
| Impressions  | 500K    | 612K    | +22%      |
| Clicks       | 25K     | 28.4K   | +14%      |
| Leads        | 1,200   | 1,350   | +13%      |
| MQLs         | 360     | 410     | +14%      |
| Pipeline     | $1.2M   | $1.45M  | +21%      |
| Revenue      | $380K   | $425K   | +12%      |

## Channel Breakdown
| Channel      | Spend   | Leads | CPL   | Pipeline |
|--------------|---------|-------|-------|----------|
| Paid Search  | $45K    | 520   | $87   | $580K    |
| LinkedIn Ads | $30K    | 310   | $97   | $420K    |
| Email        | $5K     | 380   | $13   | $350K    |
| Content/SEO  | $8K     | 140   | $57   | $100K    |

## Key Insight
Email delivers lowest CPL ($13) and strong pipeline. Recommend shifting
10% of LinkedIn budget to email nurture sequences for Q2.

预算优化框架

Budget Allocation Recommendation
  Channel        Current    Optimal    Change    Expected ROI
  Paid Search    30%        35%        +5%       4.2x
  Social Paid    25%        20%        -5%       2.8x
  Display        15%        10%        -5%       1.5x
  Email          10%        15%        +5%       8.5x
  Content        10%        12%        +2%       5.2x
  Events         10%        8%         -2%       2.2x

  Projected Impact: +15% pipeline with same budget

A/B 测试统计分析

from scipy import stats
import numpy as np

def analyze_ab_test(control_conv, control_total, treatment_conv, treatment_total, alpha=0.05):
    """Analyze A/B test for statistical significance.

    Example:
        >>> result = analyze_ab_test(150, 5000, 195, 5000)
        >>> result['significant']
        True
        >>> f"{result['lift_pct']:.1f}%"
        '30.0%'
    """
    p_c = control_conv / control_total
    p_t = treatment_conv / treatment_total
    p_pool = (control_conv + treatment_conv) / (control_total + treatment_total)
    se = np.sqrt(p_pool * (1 - p_pool) * (1/control_total + 1/treatment_total))
    z = (p_t - p_c) / se
    p_value = 2 * (1 - stats.norm.cdf(abs(z)))

    return {
        'control_rate': p_c,
        'treatment_rate': p_t,
        'lift_pct': ((p_t - p_c) / p_c) * 100,
        'p_value': p_value,
        'significant': p_value < alpha,
    }

---

故障排查

症状	可能原因	解决方案
各归因模型分配的渠道贡献差异很大	没有任何单一模型能反映全部事实；每种模型都有结构性偏差	运行 3 种以上模型（首次触点、末次触点、基于位置），并进行比较；对于 B2B，默认使用基于位置的模型
ROAS 计算结果很好看，但销售管道没有增长	收入归因统计了现有客户，而非新的销售管道	将新业务归因与扩展业务归因分开；将销售管道与收入分开报告
营销报告和销售报告中的潜在客户数量不同	营销在填写表单时统计 MQL，销售则在 CRM 中录入时按不同标准统计	统一定义：在共享 SLA 中记录 MQL、SQL 和商机的具体标准
预测持续高估 20% 以上	模型使用线性外推，未考虑季节性或饱和效应	对较长期预测应用折减系数；使用集成方法（线性 + 增长率 + 移动平均）
每月构建高管仪表板耗时过长	从 5 个以上架构各异的平台手动提取数据	自动化数据收集；统一 UTM 和命名规范，确保跨平台分析一致
渠道 ROI 为负，但仍在产生销售管道	B2B 销售周期较长，收入归因尚未跟上支出	对销售周期为 3 个月以上的渠道使用基于销售管道的归因，而非已成交收入

---

成功标准

• 部署多触点归因模型，比较 3 种以上模型，并记录渠道贡献差异
• 在月末后的 3 个工作日内提交月度营销报告
• 根据各渠道 ROI 数据提出预算重新分配建议，并按季度实施
• 3 个月预测的准确率与实际值相差不超过 15%
• 营销活动绩效报告针对每项 KPI 纳入目标值与实际值
• 高管报告中的每个数据点都包含可执行的洞察（通过“那又怎样”测试）
• 渠道数据完整度超过 95%（每个渠道的缺失数据不超过 5%）

---

范围与限制

范围内： 营销活动绩效分析、多触点归因建模、营销组合优化、ROI/ROAS 计算、预算分配建议、高管报告、群组留存分析、营销预测。

范围外： 分析实施与跟踪设置（请参阅 analytics-tracking 技能）、产品分析（请参阅 product-team 技能）、超出营销指标范围的财务建模（请参阅 finance 技能）、数据工程与数据仓库管理。

限制： 归因模型都是近似值——没有任何模型能完美反映买家旅程，尤其是高接触度 B2B 销售。预测基于历史数据外推并应用折减；不会考虑市场冲击或竞争对手的举措。预算优化假设渠道可线性扩量；大多数渠道在规模扩大时会出现边际收益递减。

---

脚本

脚本	用途	用法
scripts/channel_mix_optimizer.py	分析渠道绩效并建议最佳预算分配	python scripts/channel_mix_optimizer.py channels.json --budget 100000 --demo
scripts/cohort_analyzer.py	按群组分析用户留存，识别趋势以及表现最佳和最差的群组	python scripts/cohort_analyzer.py cohort_data.json --demo
scripts/marketing_forecast_generator.py	使用线性、增长率和集成方法生成营销预测	python scripts/marketing_forecast_generator.py historical.json --periods 6