simulate

/digital-marketing-pro:simulate

用途

运行营销场景的蒙特卡洛模拟，通过概率分布预测收入结果。在投入实际预算前，测试渠道组合变化、预算重新分配、新渠道上线和支出调整。此命令会明确模拟不确定性——它不会像单点预测那样掩盖风险，而是为每个场景生成数千个模拟结果，展示可能结果的完整范围，并提供经过校准的置信区间。当决策风险较高，仅了解“预期 ROI”还不够，且你需要了解下行风险、上行潜力，以及达到特定收入目标的概率时，请使用此命令。

所需输入

用户必须提供（或将收到提示提供）：

• 要模拟的场景：一个或多个要建模的营销场景，每个场景都由一组渠道预算和假设定义。场景可能是“将 30% 的付费搜索预算转投 TikTok”“在维持当前支出的同时，以每月 $15K 的预算投放 YouTube Ads”或“将展示广告预算削减 50%，并重新分配到电子邮件和 SEO”。每个场景都必须包含渠道级预算分配，并且可以选择性地包含每个渠道的自定义 ROI 假设
• 每个场景的渠道参数：场景中每个渠道的月度预算分配、预期 ROI 的均值和标准差（例如，某渠道的历史波动为“3.2x +/- 0.8x”），以及已知时的饱和点（即回报开始急剧递减的支出水平）。如果用户未提供标准差，请根据历史品牌数据或行业基准进行估算
• 预测周期：向前模拟的月数，通常为 3、6 或 12 个月。由于不确定性会不断累积，预测周期越长，置信区间越宽
• 收入目标（可选）：用户希望评估达成概率的特定收入数额，例如“我们在 Q3 达到 $2M 的概率是多少？”模拟将计算每个场景达到此目标的准确概率
• 模拟次数（可选）：每个场景运行的蒙特卡洛迭代次数，默认值为 10,000，可兼顾统计精度和运行速度。对于置信区间精度至关重要的高风险决策，可增加至 50,000 次以上
• 约束（可选）：每个渠道的最低或最高支出、总预算上限或必须包含的渠道；模拟会在建模结果时遵守这些约束

流程

1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用过往营销活动中的历史表现数据、渠道基准、已知的饱和曲线和季节性规律。同时检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中的指南；如果存在，则加载其中的预算或渠道限制。检查 ~/.claude-marketing/sops/ 中的代理机构 SOP。如果不存在品牌，询问：“先设置一个品牌？（/digital-marketing-pro:brand-setup）”——或者采用行业默认值继续。
2. 定义情景参数：为每个情景整理渠道级输入——预算、ROI 均值、ROI 标准差、饱和点，以及渠道之间的任何交互效应（例如，付费搜索提升自然点击率，电子邮件增强内容表现）。如果用户未提供标准差，请根据品牌的历史营销活动数据进行校准；若无法做到，则采用 skills/context-engine/industry-profiles.md 中的行业默认值（涵盖 16 个行业的典型渠道表现范围）以及 skills/context-engine/channel-families.md 中的渠道类别基准。验证所有情景在内部保持一致——预算总和正确、没有负数分配，且饱和点高于当前支出。
3. 运行蒙特卡洛模拟：使用结构化情景参数执行 revenue-simulator.py。为每个情景运行 N 次模拟（默认 10,000 次），每次迭代从各渠道的概率分布中抽取 ROI 样本，应用饱和点附近的边际收益递减，模拟渠道交互效应，考虑时间滞后效应（SEO 和内容需要数月逐步见效，付费渠道则能立即带来效果），并应用季节性调整系数。将结果汇总为每个情景的概率分布。
4. 计算概率加权结果：为每个情景计算预期收入（所有模拟结果的均值）、收入中位数（P50）、悲观情形（P10——有 90% 的概率超过此值）、乐观情形（P90——只有 10% 的概率超过此值），以及在用户指定收入目标时实现该目标的概率。使用类似夏普比率的指标计算风险调整后回报，即预期回报除以结果方差。
5. 并列比较情景：构建比较矩阵，将所有情景与当前基线进行比较。分别按预期收入、风险调整后回报和实现收入目标的概率排序。识别占优情景（在大多数指标上表现最佳），并标记被严格支配的情景（所有指标均逊于另一个选项）。
6. 运行敏感性分析：针对排名前 2—3 的情景，确定对结果影响最大的输入变量——哪个渠道的 ROI 不确定性导致的方差最大、结果对饱和度假设是否敏感，以及关键假设变动 20% 时建议会有多大变化。以龙卷风图的形式展示，并按影响大小对变量排序。

输出

一份全面的模拟报告，包含：

• 各场景结果：预期收入（均值）、收入中位数（P50）、悲观情况（P10）、乐观情况（P90）、达到收入目标的概率、风险调整后回报评分，以及收入概率分布的可视化说明
• 场景对比表：所有场景按预期收入、风险调整后回报、目标达成概率以及相较当前基准的变化并排列出并排名，同时突出显示推荐场景并注明支配关系
• 敏感性分析：以龙卷风图分解排名靠前的场景中哪些变量导致结果方差最大——按影响幅度排列 ROI 假设、饱和点、渠道交互和季节性因素
• 渠道贡献明细：针对每个场景，说明各渠道对预期总收入的贡献及其置信区间，展示价值来源和不确定性所在
• 最优场景推荐：推荐的场景及其置信水平；提供兼顾预期回报和风险状况的理由，并说明会导致推荐改变的具体条件
• 模拟元数据：迭代次数、收敛检查（结果是否稳定）、记录的关键假设，以及用于校准的数据来源

使用的 Agent

• marketing-scientist — 蒙特卡洛模拟设计，包括分布选择和相关性建模；基于历史数据和行业基准估算参数；建立渠道交互和饱和曲线模型；进行敏感性分析并构建龙卷风图；以严谨的统计方法解读结果，包括校准置信区间、分析场景支配关系，以及计算用于推荐排名的风险调整后回报
• analytics-analyst — 提取历史业绩数据并分析趋势以校准 ROI；根据过往营销活动数据识别季节性模式；获取基准数据并与品牌实际数据进行验证；验证模拟输出的收敛情况