销售漏斗分析与优化技能
输入一条命令即可拆解网站从访问到成交的完整转化路径，定位流失环节并用收入影响量化每项优化建议。
该技能仅含提示词指令：抓取目标网站、写入 FUNNEL-ANALYSIS.md、无第三方依赖（requirements.txt 仅可选 reportlab）。未发现隐蔽外传、凭据读取或破坏性默认行为，风险面较小。扣分点：对任意 URL 的抓取缺少用户确认与最小权限边界声明，未披露数据流向（页面内容发送给模型），无回滚/删除机制，未说明对robots或反爬的尊重。给予中等分 12。
指令内部自洽：阶段划分、评分框架与输出模板一致，跨技能引用路径明确。扣分点：纯静态审读，无法验证关键路径（网站抓取、漏斗步骤发现、转化率估算）能否复现；对无法访问的站点、登录墙、JS 渲染页面、SPA 无失败处理或诊断性报错设计；'estimated load time' 等指标定义为猜测，容易产出看似精确实则虚构的数字。上限受静态校准约束，给 9。
使用场景（对任意网站做漏斗分析）明确，漏斗类型分类和基准表覆盖面广，触发命令 `/market funnel <url>` 语义清晰。扣分点：未声明不适边界（如无法抓取的站点、非英文站点、需要登录的漏斗后段），全靠行业基准估算缺少真实数据时的处理指引；无中文支持说明；未评估从中国大陆抓取海外站点的可达性问题。给 7。
文档结构清晰、层次分明（阶段→框架→输出模板），README 提供安装/卸载说明，MIT 许可明确。扣分点：该 SKILL.md 无版本号、变更记录、已知限制披露或维护责任人声明；未说明对 Python 脚本的依赖边界（本技能本身似乎不调用脚本，但套件层面存在隐藏假设）；示例输出为占位符而非真实样例。给 8。
作为结构化分析框架价值可观：漏斗类型识别、逐页评分、RPV 计算方法、优先级矩阵可直接指导营销优化，边际价值高于空白页分析。扣分点：转化率数字多依赖通用基准而非站点实测数据，收入提升估算（如 'expected lift 10-30%'）为未经验证的经验值，产出报告的可用性高度依赖模型现场判断质量，静态无法验证。给 6。
存在可审计的一手材料（完整方法论、评分框架、基准表），但无第三方执行证据、无测试、无 CI 覆盖本技能；基准数据无出处引用，'expected lift' 区间无来源，事实与推断未分离。静态审读下无法独立复现任何结论，给 3。
- 输出中的转化率与收入提升数字多为行业基准估算，非目标站点实测数据，引用给客户前需人工核实。
- 技能会抓取任意用户提供的 URL，使用前应确认目标站点允许抓取，并注意页面内容将被发送给模型处理。
- 对需要登录、JS 渲染或从中国大陆难以访问的站点，分析可能不完整或失败，且技能缺少明确的失败提示设计。
- 发布者未经验证，仓库无版本号与变更记录，长期维护状态不明。
- 本评估为纯静态源码审读，未实际运行技能，结论置信度低。
这个 Skill 能做什么，适合哪些场景？
这是 AI Marketing Suite for Claude Code 中的 /market funnel 子技能。给定一个网址，它会识别漏斗类型（SaaS 试用、电商、线索获取、网络研讨会等八类），逐步绘制访客旅程，按清晰度、连贯性、动机、摩擦、信任五个维度打分，并对照行业基准计算转化率与每位访客收入（RPV）。最终输出一份带优先级排序、收入影响估算的 FUNNEL-ANALYSIS.md 报告。它是纯指令型技能：核心知识全部写在 SKILL.md 里，没有专属脚本。
抓取目标网址并遍历漏斗各环节页面；判断漏斗类型；为每页建立含退出点、摩擦与信任要素的结构化档案；绘制 ASCII 漏斗图并估算各步转化率；按五维框架给每页打分；对照基准表计算 Visitor→Lead、Trial→Paid 等指标及 RPV、LTV:CAC；按 P1–P5 优先级矩阵输出带预期提升幅度的优化建议（标题 A/B、定价页改版、减少表单字段、加保退款保证等）；评估潜客磁铁与定价页清单；将漏斗阶段映射到对应邮件序列；把完整结果写入 FUNNEL-ANALYSIS.md。
- SaaS 创始人在改版定价页前，想知道注册到付费环节流失在哪些字段和信任信号上
- 代理机构在客户提案前跑一次漏斗分析，用收入机会数字支撑服务报价
- 电商运营发现加购到支付转化低于行业基准，需要按优先级清单逐项整改结账流程
- 独立创业者想确认自己的免费试用漏斗在 Visitor→Customer 0.5–3% 基准中的位置
- 网络研讨会主讲人想评估报名、到场到成交各环节是否达到 40–55% 等基准线
这个 Skill 有哪些优点和局限？
- 方法论完整：从漏斗类型识别、逐页五维打分到 RPV 收入量化，形成可复用的分析框架
- 内置行业基准表（如 Trial→Paid 10–15% 为良好、Cart→Purchase 50–60% 为良好），结论可对照而非凭空判断
- P1–P5 优先级矩阵同时考虑预期提升和实施成本，输出可直接排期
- 与套件内审计、文案、邮件、竞品报告交叉集成，适合作为完整营销工作流的一环
- 转化率在无用户数据时依赖估算和行业基准，非真实埋点分析，数字准确性取决于估算质量
- 纯 Markdown 指令，无自动化脚本验证；页面抓取受目标站反爬和 JS 渲染限制，源文档未说明处理方式
- 收入影响估算（如『提升 10–30%』）是经验区间而非针对该站的实测预测
- 需要整套安装流程，源文档未提供单独安装本子技能的方法
如何安装这个 Skill？
先安装整个套件（本技能随套件分发）：curl -fsSL https://raw.githubusercontent.com/zubair-trabzada/ai-marketing-claude/main/install.sh | bash，或克隆仓库后运行 ./install.sh。套件使用 MIT 许可证，可用 ./uninstall.sh 卸载。可选安装 reportlab 以支持 PDF 报告（属于套件整体功能，非本子技能必需）。源文档未说明该子技能能否单独安装。
如何使用这个 Skill？
在 Claude Code 中运行 /market funnel <你的网址>。技能会抓取站点、分析漏斗并生成 FUNNEL-ANALYSIS.md。如已有 MARKETING-AUDIT.md、COPY-SUGGESTIONS.md、EMAIL-SEQUENCES.md 或 COMPETITOR-REPORT.md，它会自动交叉引用；之后可跟进 /market copy、/market emails 或 /market landing 做深入优化。
这个 Skill 与同类方案有什么区别？
套件内部有 /market landing（落地页 CRO 深度分析）和 /market audit（含转化优化维度的全站审计），三者侧重不同：本技能专注端到端漏斗路径与收入量化。源材料未提及其他外部工具可作对比。