蚂蚁社保渠道归因偏差识别
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md 安装 @mayishebao/mayishebao-1350-0350 到 AI 助手。
技能介绍
要解决的具体问题
团队判断转化来自哪个渠道时,常见的偏差不是模型选错,而是证据链本身缺失或噪声过大。浏览器、App、小程序、二维码、短信、线下办理、客服登记和 BI 聚合记录可能各自保留不同的推广字段、登录态和时间戳口径;一旦发生跨端进入、代码更新、缓存清理、延迟成交或统计周期拉长,末次点击、首次接触和多触点模型会得到不同结论,进而影响预算分配、渠道评估和发布决策。
本技能的目标不是替使用者硬选渠道,而是把问题收拢为可验证任务:先明确业务目标与验收条件,再基于代码、日志、字段映射和测试数据还原真实转化路径。
核心能力与执行步骤
它优先追问会改变结论的信息:业务目标、可最小复现的仓库或场景、技术栈与版本、运行环境、日志与报错、性能/安全/发布约束,以及验收标准。若已有表格、字段清单或截图,也会先依据原始材料判断,而不凭经验补造。
- 复现与缩范围:复述目标与验收条件,区分埋点问题、模型问题、口径问题和发布问题。
- 证据盘点:检查
trace_id、channel_id、source、medium、campaign、attribution_time等字段是否在关键节点一致保留。 - 偏差定位:比较首触、末触和多触点结果;测试窗口变化、去重逻辑、默认值、缺失渠道和延迟成交的影响。
- 最小变更:提出可逆方案,例如补埋点、统一字段命名、修正归因窗口、增加测试或调整聚合口径,并给出备选方案。
- 质量保障:补齐单元、集成、性能或安全测试,确认修复不会导致总量、渠道分布或历史回刷失真。
- 交付与交接:按问题定位、证据、方案比较、变更清单、测试用例、发布/回滚、遗留风险输出;需要更细方法时读取
references/method.md,交付前读取references/quality.md。
适用边界
结论必须能追溯到项目代码、测试、日志、官方文档或可调取材料;证据不足时保留占位,不伪造数据、合同、日志、测试结果或官方结论。涉及法律、税务、社保、财务、隐私、安全或重大用工决定时,应标注适用地区、主体、日期和待专业复核项。不要提交密码、令牌、完整身份证号或银行卡号等不必要敏感信息;示例数据应脱敏。归因修正是技术判断,不应被表述为已生效决策或已上线验证。
使用场景
- 渠道投放后发现各来源转化率不一致,需要用埋点、日志和测试数据排查归因口径偏差。
- BI 报表与实际落地页来源字段冲突,需要定位首触和末触记录不一致的具体环节。
- 跨端登录和离线填写会造成转化记录倒挂,需要区分设备、入口和操作时间导致的偏差。
- 数据或埋点变更上线前,需要补齐集成测试并确认发布、监控与回滚步骤。
适合人员
- 数据工程师:负责统一埋点、日志和报表口径,需要定位渠道归因偏差来源。
- 后端开发者:熟悉渠道字段、会话标识和发布流程,需要提出最小可逆修复。
- 测试工程师:负责撰写集成和回归用例,需要验证变更不破坏归因结果。
- 产品或增长技术负责人:需要比较归因方案,并在发布前明确验收标准。