营销活动分析

生产级别的营销活动性能分析，采用多点归因模型、漏斗转化分析和ROI计算进行营销优化。三个Python命令行工具提供确定性的、可重复的分析，仅使用标准库——无需外部依赖、无需API调用、无需ML模型。

功能

多点归因：五种归因模型（首次接触、最后接触、线性、时间衰减、位置基础）具有可配置参数
漏斗转化分析：分阶段转化率、流失识别、瓶颈检测和细分比较
营销活动ROI计算：ROI、ROAS、CPA、CPL、CAC指标与行业基准对比和性能不佳标记
A/B测试支持：结构化A/B测试文档和分析模板
渠道比较：跨渠道性能比较与标准化指标
高管报告：现成的营销活动性能报告模板

输入要求

所有脚本接受JSON文件作为位置输入参数。详见assets/sample_campaign_data.json中的完整示例。

归因分析器

{
  "journeys": [
    {
      "journey_id": "j1",
      "touchpoints": [
        {"channel": "organic_search", "timestamp": "2025-10-01T10:00:00", "interaction": "click"},
        {"channel": "email", "timestamp": "2025-10-05T14:30:00", "interaction": "open"},
        {"channel": "paid_search", "timestamp": "2025-10-08T09:15:00", "interaction": "click"}
      ],
      "converted": true,
      "revenue": 500.00
    }
  ]
}

漏斗分析器

{
  "funnel": {
    "stages": ["Awareness", "Interest", "Consideration", "Intent", "Purchase"],
    "counts": [10000, 5200, 2800, 1400, 420]
  }
}

营销活动ROI计算器

{
  "campaigns": [
    {
      "name": "春季电子邮件营销活动",
      "channel": "email",
      "spend": 5000.00,
      "revenue": 25000.00,
      "impressions": 50000,
      "clicks": 2500,
      "leads": 300,
      "customers": 45
    }
  ]
}

输出格式

所有脚本通过--format标志支持两种输出格式：

--format text（默认）：人类可读的表格和摘要，用于审核
--format json：机器可读的JSON，用于集成和管道

如何使用

归因分析

# 运行所有5个归因模型
python scripts/attribution_analyzer.py campaign_data.json

# 运行特定模型
python scripts/attribution_analyzer.py campaign_data.json --model time-decay

# JSON输出用于管道集成
python scripts/attribution_analyzer.py campaign_data.json --format json

# 自定义时间衰减半衰期（默认：7天）
python scripts/attribution_analyzer.py campaign_data.json --model time-decay --half-life 14

漏斗分析

# 基本漏斗分析
python scripts/funnel_analyzer.py funnel_data.json

# JSON输出
python scripts/funnel_analyzer.py funnel_data.json --format json

营销活动ROI计算

# 计算所有营销活动的ROI指标
python scripts/campaign_roi_calculator.py campaign_data.json

# JSON输出
python scripts/campaign_roi_calculator.py campaign_data.json --format json

脚本

1. attribution_analyzer.py

实现五种行业标准的归因模型，分配营销渠道间的转化信用：

模型	描述	最适合
第一次接触	100%信用给第一次互动	品牌意识营销活动
最后一次接触	100%信用给最后一次互动	直接响应营销活动
线性	所有接触点平等信用	平衡的多渠道评估
时间衰减	更多信用给最近的接触点	短期销售周期
位置基础	40/20/40分配（第一/中间/最后）	全漏斗营销

2. funnel_analyzer.py

分析转化漏斗，识别瓶颈和优化机会：

阶段到阶段的转化率和流失百分比
自动瓶颈识别（最大绝对和相对下降）
整体漏斗转化率
当提供多个细分时的细分比较

3. campaign_roi_calculator.py

计算全面的ROI指标，并与行业基准对比：

ROI：投资回报率百分比
ROAS：广告支出回报率
CPA：每次获取成本
CPL：每次引导成本
CAC：客户获取成本
CTR：点击率
CVR：转化率（引导到客户）
根据行业基准标记表现不佳的营销活动

参考指南

指南	位置	目的
归因模型指南	`references/attribution-models-guide.md`	深入5种模型，公式、优缺点、选择标准
营销活动指标基准	`references/campaign-metrics-benchmarks.md`	按渠道和垂直行业的CTR、CPC、CPM、CPA、ROAS行业基准
漏斗优化框架	`references/funnel-optimization-framework.md`	按阶段优化策略、常见瓶颈、最佳实践

最佳实践

使用多个归因模型 – 没有单一模型能讲述完整故事。比较至少3个模型以确定渠道价值。
设置适当的回溯窗口 – 将时间衰减半衰期与您的平均销售周期长度相匹配。
细分您的漏斗 – 总是比较细分（渠道、队列、地理）以确定最佳性能的驱动因素。
首先与您自己的历史进行基准对比 – 行业基准提供上下文，但您自己的历史数据是最相关的比较。
定期进行ROI分析 – 对于活跃的营销活动每周进行，对于战略审查每月进行。
包含所有成本 – 将创意、工具和劳动力成本与媒体支出一起考虑，以获得准确的ROI。
严格记录A/B测试 – 使用提供的模板确保统计有效性和明确的决策标准。

限制

没有统计显著性测试 – A/B测试分析需要外部工具进行p值计算。脚本仅提供描述性指标。
仅标准库 – 没有高级统计或数据处理库。适合大多数营销活动规模，但未针对超过100K旅程的数据集进行优化。
离线分析 – 脚本分析静态JSON快照。没有实时数据连接或API集成。
单一货币 – 所有货币值假定为同一货币。不支持货币转换。
简化的时间衰减 – 使用基于可配置半衰期的指数衰减。不考虑工作日/周末或季节性模式。
没有跨设备跟踪 – 归因根据提供的旅程数据进行操作。跨设备身份解析必须在上游处理。

campaign-analytics campaign-analytics