Account Health Proactive Monitor — 账号健康主动监控：从被动处罚到提前预防
Skill-Account-Health-Proactive-Monitor · 19-风控反欺诈
causalexperimentfraud_detection广告与投放供应链与补货风控与合规WF-B 广告优化WF-D 选品扫描WF-I 智能体工程WF-K 全域风险防御
年化 ROI¥30-100 万（以避损为主）
实现难度⭐⭐☆☆☆
业务视角
适用角色运营负责人 / 合规负责人 · 品牌负责人 · CEO
适用平台Amazon 刷评检测与举报 · TikTok Shop 刷单识别 · 竞品 Listing 攻击溯源
什么情况下用竞品刷单刷好评，自己的 BSR 和评分被打压；账号/ASIN 被恶意投诉删除；店铺有异常订单不确定是真实买家
成功是什么样的识别过滤刷评/恶意竞争行为，账号风险提前预警，维权有数据证据，降低封号风险
业务痛点
1. 解决的问题
去年黑五账号ODR从0.6%升至1.2%接到Amazon警告广告暂停48小时损失15万但事前无任何预警——账号健康主动监控提前7-14天发现趋势恶化并联动降低广告预算年化避免封号损失30-100万元
2. 核心算法逻辑
Amazon 账号健康 = 多维度综合评分：
3. 业务应用场景
业务问题：去年黑五期间，某 ASIN 的客诉缺陷率（ODR）从 0.6% 快速升到 1.2%（超过 1% 警戒线），导致账号收到 Amazon 警告邮件，广告被暂停 48 小时，损失 ¥15 万。事前没有任何预警，等收到邮件才知道。
数据要求： - Amazon Seller Central 每日账号健康报告（ODR/取消率/延迟率） - 各 ASIN 的差评率和违规投诉记录 - 广告报告（ACOS/CTR/转化率）
预期产出： - 实时账号健康仪表盘（各指标当前值 + 距阈值百分比） - 趋势预警：当指标 7 日环比恶化 > 15% 时告警 - 联动建议：健康恶化时自动生成广告调整建议
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 提前 7-14 天预警账号健康恶化：给充足时间修复，避免封号损失 ¥50-500 万
- 广告预算自动联动调整：高风险期停止烧广告，月节省 ¥3-10 万
- 大促期账号健康保障：旺季稳定运营，保护 ¥20-80 万 GMV
- 年化综合 ROI：¥30-100 万（以避损为主）
- 实施难度：⭐⭐☆☆☆（Seller Central API 获取指标数据；阈值规则 1 周可实现；趋势检测约 2 周）
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
Account Health Proactive Monitor
Amazon 账号健康主动监控 + 早期预警系统
"""
import numpy as np
from dataclasses import dataclass
from typing import Optional
@dataclass
class HealthMetric:
name: str
threshold: float # Amazon 警戒线
current: float = 0.0 # 当前值（运行时填入）
buffer_pct: float = 0.2 # 提前预警缓冲区（距阈值20%内预警）
higher_is_worse: bool = True # True=越高越危险（ODR），False=越低越危险（追踪率）
weight: float = 1.0
# Amazon 账号健康核心指标配置
HEALTH_METRICS = [
HealthMetric('order_defect_rate', threshold=0.01, buffer_pct=0.30, weight=3.0), # ODR <1%
HealthMetric('cancellation_rate', threshold=0.025, buffer_pct=0.20, weight=2.0),
HealthMetric('late_shipment_rate', threshold=0.04, buffer_pct=0.20, weight=2.0),
HealthMetric('valid_tracking_rate', threshold=0.95, higher_is_worse=False, buffer_pct=0.05, weight=1.5),
HealthMetric('ip_violations', threshold=5, buffer_pct=0.40, weight=2.5), # 违规商品数
HealthMetric('safety_claims', threshold=3, buffer_pct=0.50, weight=2.0),
]
def compute_metric_risk(metric: HealthMetric) -> float:
"""计算单指标风险分（0-1）"""
if metric.higher_is_worse:
# 越高越危险
buffer_threshold = metric.threshold * (1 - metric.buffer_pct)
if metric.current <= buffer_threshold:
return 0.0
elif metric.current >= metric.threshold:
return 1.0
else:
progress = (metric.current - buffer_threshold) / (metric.threshold - buffer_threshold)
return float(1 / (1 + np.exp(-6 * (progress - 0.5)))) # sigmoid
else:
# 越低越危险
buffer_threshold = metric.threshold * (1 + metric.buffer_pct)
if metric.current >= buffer_threshold:
return 0.0
elif metric.current <= metric.threshold:
return 1.0
else:
progress = (buffer_threshold - metric.current) / (buffer_threshold - metric.threshold)
return float(1 / (1 + np.exp(-6 * (progress - 0.5))))
def compute_account_health_score(metrics: list[HealthMetric]) -> dict:
"""计算综合账号健康评分"""
total_weight = sum(m.weight for m in metrics)
weighted_risk = sum(compute_metric_risk(m) * m.weight for m in metrics)
overall_risk = weighted_risk / total_weight
8. 论文来源
- 2407.16034