AC retail-traffic-analysis
Инструмент анализа трафика магазина и воронки конверсии. На основе данных о поведении клиентов AIoT (customerFunnel + behaviorFunnel). Основные возможности: 1. Комбинированный анализ двух воронок (customerFunnel — сегментация клиентов + behaviorFunnel — поведение при пробном использовании). 2. Пятишаговый метод анализа (получение данных → анализ customerFunnel → анализ behaviorFunnel → расчет коэффициента конверсии → комплексная диагностика). 3. Полная маркировка логики (каждый показатель конверсии включает описание логики, формулу расчета, объяснение причин, процесс расчета). 4. Проверка модели взаимоисключающих корзин (обычные + потенциальные + заинтересованные + совершенные сделки = действительные клиенты). 5. Ключевые показатели конверсии (потенциальные → заинтересованные, заинтересованные → совершенные сделки, пробное использование → совершенные сделки, глубокое пробное использование → совершенные сделки). 6. Показатели на человека (глубокое пробное использование на человека, количество совершенных сделок на человека). Условия срабатывания: - Пользователь спрашивает о трафике (например, "Какой трафик?"). - Пользователь анализирует коэффициент конверсии (например, "Причины снижения коэффициента конверсии?"). - Пользователю нужен анализ воронки (например, "Ситуация с конверсией клиентов?").
машинный переводПоказать оригиналСкрыть оригинал«门店客流与转化漏斗分析工具。基于AIoT客户行为数据（customerFunnel + behaviorFunnel）。 核心能力： 1.…»
门店客流与转化漏斗分析工具。基于AIoT客户行为数据（customerFunnel + behaviorFunnel）。 核心能力： 1. 双漏斗结合分析（customerFunnel客户分层 + behaviorFunnel试用行为） 2. 五步分析法（获取数据→解析customerFunnel→解析behaviorFunnel→计算转化率→综合诊断） 3. 完整逻辑标注（每个转化率指标包含逻辑说明、计算公式、原因解释、计算过程） 4. 互斥桶模型验证（普通+潜在+意向+成交=有效客户） 5. 核心转化率指标（潜在→意向、意向→成交、试用→成交、深度→成交） 6. 人均指标（人均深度试用、人均成交件数） 触发条件： - 用户询问客流（如"客流怎么样"） - 用户分析转化率（如"转化率下降原因"） - 用户需要漏斗分析（如"客户转化情况"）
Инструмент анализа трафика магазина и воронки конверсии.
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 53/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 36
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1061 токенов
- 100Повторный запуск. Изменяющих операций нет
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 377 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 21 заголовков
- +3Пошаговые инструкции: 36 пунктов
- +4Есть примеры (11 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.