技能介绍

要解决的问题

营销团队最难回答的问题是：这一单是哪次触达带来的？Google 说 50，Meta 说 40，GA 说 60，CRM 说 35——每个数字在自己的口径下都「正确」，却互相打架。技能要处理的正是这种冲突：选模型、调和数据源偏差，或在可控站点上自建第一方归因。

先校正预期：归因是方向性判断，不是事实。cookie 会过期、会话会断裂、线下触达不可见、跨设备购买归不上。每个模型也都是观点：first-touch 把功劳全给最早那条广告，last-touch 给临门一脚的点击，两者在相反方向各错一半。技能先讲清这一点，而不是承诺唯一真实数字。

核心能力与流程

先分清两条主线：(A) 解读归因——无需工程介入，在六种标准模型间取舍（首触、末触、last non-direct、线性、时间衰减、位置加权、数据驱动），并知道每种在何处「撒谎」；长周期下始终并排呈现首触与末触，二者之差本身就是洞察。(B) 自建第一方归因——只有掌控站点/App 时才走这条：自己完成埋点与拼接，比如在转化时刻写入一句 "How did you first hear about us?"，作为 person property 落进 CRM。

解读侧的步骤：先在三种测量范式间选择——MTA（多触点拼接）、MMM（周级回归，需要 2–3 年数据与真实预算波动）、增量实验（地理对照 / PSA / ghost ads）；预算小时，干净的 UTM + last non-direct + 自报问卷胜过花哨模型。再调和冲突：以 CRM/后端为转化数的唯一事实源，绝不跨平台累加，读方向一致而非绝对相等，用自报问卷裁决归属争议。最后识别盲区：direct 是垃圾桶（referrer 被剥离、暗社交），品牌词搜索的功劳其实属于最早触达，AI 流量在分析里隐身。

入口文件是 .agents/product-marketing.md：业务类型、销售周期、主转化动作决定几乎每条推荐。

边界与注意点

归因假设埋点已存在：通用事件追踪、UTM、GA4/GTM 归 analytics；pixel、CAPI 归 ads；管线阶段与 CRM 收入看板归 revops；AI 搜索可见性归 ai-seo。
数据驱动归因需要体量，低转化量时是噪声，改用 position-based。
平台报告总和必然超过真实转化数，属结构性偏差——目标是缩小并解释差距，而不是让数字对上小数点。