Ad-to-Behavior Funnel（广告→用户行为漏斗）
Skill-Ad-to-Behavior-Funnel · 13-广告分析
forecastingoptimization广告与投放供应链与补货推荐与搜索WF-A 智能补货WF-B 广告优化WF-G Listing内容优化WF-H 复购增长
年化 ROI15-25 万元
实现难度⭐⭐☆☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色广告优化师 / 投放负责人 · CMO · 运营负责人
适用平台Amazon PPC（SP/SB/SD）· TikTok Ads · Meta 广告 · 多平台归因
什么情况下用广告账户几十个系列，不知道哪个在真正赚钱；ROAS 看起来好看但实际利润没有提升；预算有限想集中打高价值用户
成功是什么样的每分广告预算有明确 ROI 追踪，砍掉低效渠道后同等预算 ROAS 提升 30-50%
业务痛点
1. 解决的问题
FB 吸奶器广告点击后：35% 进详情页 → 12% 加购 → 5% 首购 → 2% 复购
2. 核心算法逻辑
连接广告投放和用户行为分析——把广告点击后的用户行为（页面浏览、加购、购买、复购）建模为带广告触点的增强漏斗。马尔可夫链建模各广告触点→行为状态的转移概率。
3. 业务应用场景
FB 吸奶器广告点击后：35% 进详情页 → 12% 加购 → 5% 首购 → 2% 复购。对比 TikTok 广告：40% 进详情页 → 18% 加购 → 8% 首购 → 3% 复购。TikTok 内容种草→转化效率比 FB 高 60%，建议预算从 FB→TikTok 倾斜 $10K/月。
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：年化 15-25 万元 | 难度：⭐⭐☆☆☆ | 优先级：⭐⭐⭐⭐☆
7. 代码模板
代码块数量：1 · 路径：未检测到
import numpy as np
def ad_behavior_funnel(states: np.ndarray) -> dict:
"""states[i,j] = 从状态i到j的转移概率"""
n = len(states)
# 关键路径概率
path_prob = 1.0
for i in range(n-1):
path_prob *= states[i, i+1]
conv_rates = {f'stage_{i}→{i+1}': states[i,i+1] for i in range(n-1)}
return {'path_prob': path_prob, 'conversion_rates': conv_rates}
# test: FB vs TikTok 漏斗
fb = np.array([[0,0.35,0,0,0],[0,0,0.34,0,0],[0,0,0,0.42,0],[0,0,0,0,0.4],[0,0,0,0,0]])
tk = np.array([[0,0.40,0,0,0],[0,0,0.45,0,0],[0,0,0,0.44,0],[0,0,0,0,0.38],[0,0,0,0,0]])
# simplified direct calculation
print(f"FB: click→purchase={0.35*0.34*0.42*0.4:.1%}, TikTok: {0.40*0.45*0.44*0.38:.1%}")
print("[✓] Ad-to-Behavior Funnel 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。