Marketing ROI Analysis

本工作区包含两项边界清晰的业务模块、一套本地 Agent/BMad 开发工具以及完整的研究和历史追溯资料：modules/amc_mta/ 提供五段触点归因证据， modules/mta_strategy_recommender/ 目前以 Campaign Group 为顶层，使用 AMC 触点与实体证据生成新 Ad Group 数量和初始预算，并提供可复算的正式结果与只读校验。

AMC MTA 使用五段互动键区分广告产品、形式、位置、创意和曝光/点击，分别运行 Markov 与 Path-level Shapley。策略初始化器采用 Campaign Group → Campaign → Ad Group → Keyword/SKU 业务树；ad_product 只是 Campaign 的固有字段。两者都不是生产级因果归因或自动预算优化系统。

从这里开始

目标	入口
查看全工作区盘点、评价与风险	工作区总览
理解所有目录与阅读顺序	全工作区文档总索引
查看项目文档入口说明	文档索引说明
管理新增、移动和归档文件	工作区文件位置管理
查看声明范围内文件的大小、权限和哈希	工作区文件清单（排除 Git、两个用户维护文件、ignored 个人覆盖及清单自身）
运行 AMC MTA 归因	AMC MTA 模块说明
生成并验证 Ad Group 初始预算	预算初始化器说明
查看正式预算结果	初始预算 JSON
查看业务模块目录约定	模块索引
查看架构与数据流	AMC MTA 架构
查看成熟度、风险与路线	AMC MTA 能力评价
查看输入、路径和指标契约	AMC MTA 数据契约
查看双模型治理与证据阻断	模型比较治理规范
判断单触点归因是否可靠	触点可靠性指南
查看外部研究资料	研究资料分级索引
查看历史产品愿景	历史设计产物
查看规格与实现记录	BMad 产物索引

当前能力

text

合成用户事件主表（仅本地演示）
          ↓
匿名概念事件 + Ads 日报 + 触点实体聚合
          ↓
AMC 风格匿名聚合五段路径
          ↓
Markov + Path-level Shapley
          ↓
五段归因结果 + Amazon Ads 成本
          ↓
双模型差异、支持度和治理状态

独立预算初始化器：Campaign Group
          ↓
Campaign → 候选容量推荐新 Ad Group 数量 → MTA 初始预算

一份模拟事实源及四类派生数据：匿名概念事件、聚合路径、Amazon Ads 日报和触点实体聚合。
五段键：AD_PRODUCT:FORMAT:PLACEMENT:CREATIVE:INTERACTION_TYPE。
三个独立 outcome：购买用户、购买次数和收入。
五份正式输出：两份 18 列模型结果，以及 14/13/15 列的触点比较、整体摘要和推荐结果。
当前样例有 17 个五段触点；推荐文件包含 51 条触点/outcome 记录。
三份双模型产物直接给出三项可靠性标准；当前90天样例为 51 RELIABLE / 0 UNRELIABLE。
推荐结果还按可靠性给出最终值：可靠时使用 Markov 正式 share，不可靠时使用 Markov/Shapley share 的升序闭区间；不输出自动化许可字段。
独立预算样例用两个 JSON 输入表达一个 Campaign Group、四个 Campaign、候选计数、容量和 AMC SHA/窗口；当前容量真实计算为 1/1/1/1，全部 17 个 MTA 触点经 AMC bridge 形成 Campaign 份额，再在匿名新组内等分。输出不含具体投放方案，也不宣称最优。

快速验证

运行环境需要 Python 3.10 或更高版本；当前实现只使用 Python 标准库。

bash

python3 -B modules/amc_mta/run_pipeline.py
python3 modules/amc_mta/scripts/validate_data_alignment.py
python3 -B -m unittest discover -s modules/amc_mta/tests -p 'test_*.py'
python3 -B modules/mta_strategy_recommender/scripts/generate_initial_budget.py --check-output
python3 modules/mta_strategy_recommender/scripts/validate_simulated_hierarchy.py
python3 -m unittest discover -s modules/mta_strategy_recommender/tests -p 'test_*.py'

预期结果：

流水线从 Ads 输入自动识别日期窗口，重建匿名聚合路径并发布五份契约输出；
17 个 AMC 与 Amazon Ads 五段触点、90 天覆盖和账户/币种范围严格对齐；
107 项 AMC MTA 测试和 34 项预算模型测试通过；
当前 51 条推荐记录均为 RELIABLE。

项目结构

text

.
├── README.md
├── log.md
├── docs/
│   ├── index.md
│   ├── amc_mta/               # AMC MTA 工作区文档
│   ├── product/              # 当前项目介绍
│   └── research/             # 外部研究原件和相关性索引
├── modules/
│   ├── amc_mta/              # 五段触点归因实现
│   └── mta_strategy_recommender/ # Campaign Group 数量与预算初始化器
├── design-artifacts/         # 历史 Product Brief、PRD 与决策记录
├── .agents/                  # 已安装 Agent 技能
├── _bmad/                    # BMad 工作流配置
└── _bmad-output/             # 规格、评审状态和实现记录

.agents 和 _bmad 是安装型开发工具，不参与 AMC MTA 运行；design-artifacts 和 _bmad-output 用于历史追溯；docs/research 的外部原件不是模型输入。

明确边界

概念事件样例只用于演示本地路径算法，不代表 AMC 可以导出用户级明细。
Markov 是治理上的正式展示口径，Shapley 是模型敏感性参照；两者不取平均。
当前结果是归因诊断，不是广告因果增量证据。
当前没有滚动窗口、重采样稳定性、生产隐私执行、自动预算或投放执行能力。
策略模块只交付可解释初始点；长期优化由下游专业流程负责。
Product Brief、PRD、预测、优化、实验和 AI 问答内容保留为历史愿景，不代表当前交付范围。
外部 PDF、DOCX、JSON 和研究笔记保留在 docs/research/，不作为模块运行输入。

Marketing ROI Analysis ​

从这里开始 ​

当前能力 ​

快速验证 ​