UI はローカライズ済みです。スキルの紹介と説明文書は選択した言語へ AI が自動翻訳し、コード・コマンド・パス・専門用語は原文のままです。原作者の文書が優先されます。
スキルを探す
開発・技術 · SKILL.md

sealeap-baize-amazon-paid-organic-attribution

sealeap-baize-amazon-paid-organic-attribution

Assess paid-versus-organic Amazon order contribution with whole-ASIN economics, cannibalization tests, query relevance, and time-window controls instead of subtracting attributed ad orders mechanically. Use for 广告单挤占自然单、关广告会不会掉单、哪些词可停、自然订单怎么算、整体广告盈利.

Independent GitHub snapshot · Automated classification · Original documentation governs

スキルの説明

GitHub

name: sealeap-baize-amazon-paid-organic-attribution description: "Assess paid-versus-organic Amazon order contribution with whole-ASIN economics, cannibalization tests, query relevance, and time-window controls instead of subtracting attributed ad orders mechanically. Use for 广告单挤占自然单、关广告会不会掉单、哪些词可停、自然订单怎么算、整体广告盈利."

Amazon 广告与自然订单归因

目标

Assess paid-versus-organic Amazon order contribution with whole-ASIN economics, cannibalization tests, query relevance, and time-window controls instead of subtracting attributed ad orders mechanically.

不可妥协的边界

  • 当前 Amazon 官方政策、账户资格、站点字段和一方数据优先于本 Skill 的经验框架。
  • 第三方数据一律标为估算或前台观测,不得写成 Amazon 一方事实。
  • 默认提供诊断或草案。写入前展示对象、旧值、新值、影响、停止线与回退,核对用户已有授权是否覆盖对象、动作与预算;范围已明确授权时继续执行并回读核验,只有未覆盖或扩大的范围才请求批准。
  • 一次实验只改变一个主要变量,并记录基线、样本、成功、停止和回退条件。
  • 不得复制来源材料或竞品表达;输出必须按当前任务重新组织并可由现有证据支撑。
  • 自然订单不能简单等同于会话订单减广告订单,报表口径和归因窗可能不同。
  • 第三方关键词数据之间可能口径冲突,保留各来源而非强行合并。

先判断任务模式

  1. 诊断:读取现状、证据和缺口,不生成线上写入动作。
  2. 方案草案:输出可审核的结构、参数范围、实验和回退值。
  3. 执行准备:只生成待批准变更表或 API/控制台操作草案。
  4. 已批准执行:仅对用户在当前会话明确批准的对象和字段执行,并立即回读核验。

用户未指定时采用“诊断”。

开始前要拿到

  • marketplace、ASIN/SKU、广告归因窗与业务报告时间窗
  • 广告订单、总订单、会话、自然位置、TACOS 与贡献利润
  • 价格、优惠、库存、Buy Box、Listing 和评论变更日志
  • 查询、广告位和投放对象的相关性证据

缺失项必须标为 NEEDS_EVIDENCE;不得猜数字、补属性或把不同站点、ASIN、变体、币种和时间窗混在一起。

工作流

先读取 references/playbook.md,确认该方法适用于当前对象。按以下顺序执行:

  1. 统一 ASIN、站点、归因窗和业务报告日期,先看总订单与贡献利润。
  2. 记录广告点击带来的详情页曝光和后续非直接归因影响,但标为假设。
  3. 仅在自然位、价格、库存和页面稳定时做阶梯降价或停投实验。
  4. 比较广告订单下降后自然订单是否补回、总单是否稳定、利润是否改善。
  5. 不因某词短期未归因订单就自动否定;先检查相关性和样本。

最后做数据充分性检查,并把结论分成 FACT / ESTIMATE / HYPOTHESIS / UNKNOWN。若关键证据不足,状态写 HOLD。

第三方 MCP 数据

仅在自有数据不足且当前任务确实需要外部证据时,读取 references/mcp-data-plan.md,再使用 scripts/mcp_research.py。本 Skill 的外部取数目的:补充自然排名与关键词相关性;归因结论仍以 Amazon 一方报告和实验为主。

  • 先 doctor,再 search-tools 和 describe;工具名及参数以实时 tools/list 与 inputSchema 为准。
  • Token 只从环境变量读取。不得写入命令参数、URL、Skill、报告、日志或 Git。
  • tools/call 或 Actor 可能计费;先展示 Provider、工具、无密钥业务参数、预计成本与输出位置,核对已有授权覆盖后才加 --allow-cost;该标志不是费用上限。

必须交付的结果

  • 口径对齐表
  • 增量性实验
  • 词级保留与暂停理由
  • 利润变化
  • 数据范围、来源、采集时间、样本与限制。
  • 关键假设、待补证据、风险和不可确定项。
  • 若有动作:对象、旧值、新值、预期、停止条件、回退值与审批状态。

方案状态使用 READY FOR REVIEW / DRAFT / HOLD / STOP;如已执行,另行记录实际结果及回读证据。未得到明确批准时,不得声称已修改线上对象。

保存したスキル