forecast-event-profit
以歷史檔期與近期基準估計促銷 CPM、轉換率、客單,建立廣告預算、營收與貢獻利潤情境及回測。適用黑五等檔期預估與建模教學;只有已給數值的敏感度比較使用既有敏感度方法
Install / Use
npx skills add backtrue/thinkwithblack-skill --skill forecast-event-profitInstalls into whichever agent you are using.
SKILL.md
Installable skill definition
Quality Score
Category
Development & EngineeringSupported Platforms
Tags
Our assessment of forecast-event-profit
forecast-event-profit scores 66/100 on our quality scale, 3919th of 4,606 Development & Engineering skills we index.
Its SKILL.md is 2.8 KB long, well organised into 8 sections and no code examples: a solid amount of guidance for an agent.
It has no GitHub stars yet, so there is no community track record; judge it on its content.
Maintenance, license and trust
- The repository was last updated 2 days ago, so forecast-event-profit is actively maintained.
- No license is declared. By default that means all rights are reserved: you can read it, but reusing or redistributing it is not clearly permitted. Ask the author before building on it commercially.
- Its trust signals score 80/100, with 2 cautions from licensing, adoption, age or documentation. These come from repository metadata, not a code audit — read the skill file before letting an agent act on it.
forecast-event-profit compared with similar skills
All 4 of these similar skills score higher than forecast-event-profit; compare them before choosing.
| Skill | Score | Stars | Updated | Format |
|---|---|---|---|---|
| forecast-event-profit (this skill)by backtrue | 66 | 0 | 2d ago | SKILL.md |
| taste-skillby Leonxlnx | 100 | 102.7k | today | CLAUDE.md |
| ai-job-searchby ai-job-search-dev | 100 | 66.0k | 5d ago | CLAUDE.md |
| claude-howtoby luongnv89 | 100 | 45.2k | 6d ago | CLAUDE.md |
| algorithmic-artby anthropics | 100 | 177.9k | 34d ago | SKILL.md |
Frequently asked questions
- How do I install forecast-event-profit?
- Run
npx skills add backtrue/thinkwithblack-skill --skill forecast-event-profit. The install tabs above show the steps for each supported agent. - Which AI agents does forecast-event-profit work with?
- It is written for Universal, as a SKILL.md file. Other agents that read the same format can often use it too.
- Is forecast-event-profit safe to use?
- It declares no license and scores 80/100 on trust signals. Skills are instructions an agent will follow, so read the file before installing it and do not approve commands you do not understand.
- Is forecast-event-profit still maintained?
- The repository was last updated 2 days ago, so forecast-event-profit is actively maintained.
Skill content
View source on GitHubname: forecast-event-profit description: 以歷史檔期與近期基準估計促銷 CPM、轉換率、客單,建立廣告預算、營收與貢獻利潤情境及回測。適用黑五等檔期預估與建模教學;只有已給數值的敏感度比較使用既有敏感度方法
檔期預算與獲利預估
一般對話請上傳 packs/forecast-event-profit.md,其中已包含共用規則、本文及必要參考
必要資料
請上傳歷史檔期、當時活動前及近期基準的曝光、廣告費、外連點擊、工作階段、付款訂單、淨收入與成本,附期間、商品/優惠及幣別。另提供候選預算、目標利潤、庫存/出貨能力及可承擔上限;教學問題可先用明示假設交表格
以講義的成本、損平與流量×轉換率×客單為主體,接上歷史比較、驅動因素、回測及實績更新。來源與方法衍生關係見 sources.md
先交付符合問題的成果
詢問如何建模時,直接交可填的工作表欄位、公式、選值方式、案例來源及判讀方法;示範數字標成假設。要求替本店算金額時才依缺少的資料留下待填位置。保留使用者的期間、營收與利潤要求
1. 固定口徑
每筆資料記錄來源、擷取日期、活動窗、比較窗、平台、市場、幣別、目標、商品/優惠、歸因及退款成熟時間。不同窗應對齊活動相對日、星期與長度;差異逐項記錄,不能直接視為相同條件
用加總後分子除以分母,避免平均每日比率:CPM=廣告費÷曝光×1000;外連點擊率=外連點擊÷曝光;到站係數=對應工作階段÷外連點擊;CVR=對應付款訂單÷工作階段;AOV=同批訂單淨收入÷訂單數。到站係數可能因工作階段定義大於1,先核對追蹤與觀察窗
分母為零或缺漏時留下原因,不填0。平台回報購買與站內訂單若口徑不同,分開試算;跨渠道營收以去重後訂單分配,避免加總各平台自行歸因的全部營收
2. 取得未來指標的估計
先列近期可比基準,再為每個可比歷史活動建立一組「該年活動值÷該年活動前基準值」倍率,保留原始分子、分母與事件年。對 CPM、CVR、AOV 各算一次;基準為零時不用倍率法
把同一年三個倍率一起套到近期三個基準,形成一組歷史類比預估。歷史組合分列,不獨立挑最低 CPM、最高 CVR、最高 AOV 拼成貌似真實的最佳年。只有一組可比歷史時,交一組類比及另外明示的壓力假設,不稱為統計區間或給情境機率
多組歷史時,以預先記錄的可比條件選主情境,其他完整組合呈現結果範圍。資料少且無明確優先條件時並列,避免靠想要的利潤反選輸入。這是可回測的歷史類比基準;新增預算、受眾或競價結構改變時,另列變更假設與證據
CVR 按必要渠道或新舊客群拆算,再用預估流量加權;沒有未來流量占比就列占比情境。AOV 若商品或優惠已改,按代表訂單組合的折後淨收入與預估訂單占比重算,另計每種組合變動費;占比由歷史或已知訂單支持,未知占比明示為假設。組合占比加總為1;不能拿商品單價平均當客單。已重算的優惠效果不再重複乘歷史優惠倍率
沒有可比歷史時,交假設敏感度、取得資料的位置與更新方式;若引用市場資料,保留其期間、市場與樣本,將差異列入判讀,不能稱為本店預測。CPM 是否上漲由估計結果判定,不沿用問句的預設
3. 檢查歷史預測能力
有多期歷史時按時間留出後一期,用當時已可取得的前期資料及活動前基準,依完全相同規則預估留出期。保留預估生成日期或可取得時間,未來實績不得進入倍率選擇、組合權重或基準
營收回測連同事前預算、外連點擊率及到站係數一起鎖定;若事後用實際廣告費重算,另列為固定實際投入下的條件比較,原事前預測保留。兩種結果分開計誤差
同時比較「直接沿用近期基準」與歷史類比,逐期交 CPM、CVR、AOV 及營收的預估、實際、帶方向誤差和絕對誤差。實際為0時不計百分比誤差,仍交絕對誤差。CVR 另交百分點差,避免把相對變化與百分點混用
只有一個活動且無更早活動可訓練時,記錄尚無留出回測;樣本內吻合不是驗證。若類比方法未優於基準,交比較結果並採較有證據的基準或並列情境,不宣稱預測改善
4. 把預估接到預算與利潤
每一情境使用完整鏈:曝光=預算÷CPM×1000;外連點擊=曝光×外連點擊率;工作階段=點擊×到站係數;訂單=工作階段×CVR;營收=訂單×AOV。缺點擊率或到站係數時,CPM 不能直接換算成交;列出缺件,或在已具備同口徑 CPC 時使用點擊=預算÷CPC 的分支
CPM/CPC 為零時除法未定義,停止該分支。CVR 為零時前向訂單為零;AOV 尚未定義時保留待填,不以零補值。廣告費為零時 ROAS 未定義,直接交營收與費用明細。預算、CPM/CPC、點擊率、到站係數、CVR 出現負值時先回查資料與口徑;負淨收入另查退款歸屬,不能拿它作正常正客單的目標反推。試算表不得用 IFERROR(...,0) 把缺件或未定義公式轉成零
逐訂單貢獻=淨收入−商品、金流、物流、包材、通路等尚未扣除的變動費。廣告費獨立列示時,其他變動費不含廣告費;折扣、退款、稅與運費每項依口徑計一次
檔期貢獻=各群訂單貢獻總和−廣告費;扣除本期固定費後才稱為此成本範圍的利潤。營收÷廣告費稱 ROAS;要呈現 ROI 先明定投入與收益口徑,不能把 ROAS 寫成 ROI
列損平 ROAS 時標明包含哪些費用。廣告前貢獻率為 m、廣告費為 B、其他固定費為 F,且 m、B 都大於 0 時:只覆蓋廣告費的門檻=1÷m;包含本期固定費的門檻=(F+B)÷(m×B)。使用已提供的成本定義;需要比較其他成本假設時另列情境,原題的結果保持原口徑
固定廣告預算 B、其他固定費 F、廣告前貢獻率 m、目標利潤 P 下,所需營收=(F+B+P)÷m,m須大於0;再用 AOV、CVR 反推訂單及工作階段,與前向預估對照。差額交代來自哪個指標,不把目標當成預測
正營收目標反推須有正 AOV、正 CVR;為零時記目前條件無法達標,缺值則補來源。實際整數訂單目標向上取整後,按該整數重算所需工作階段並向上取整,預期值與整數執行目標分列
比較使用者可承擔範圍內的候選預算,呈現每組輸入與利潤,不把固定效率線性外推稱為最佳預算。超出歷史投放範圍的候選保留擴量假設;結合可用庫存、出貨能力與承擔虧損上限判讀,缺上限時交條件式選擇
5. 交付與更新
交一份工作簿或等價可複製表格:歷史原始資料、口徑與假設、估計及回測、預算/營收/利潤情境。每個結果可回到公式及來源。一般對話交可複製表格;使用者可自行放入 Excel 或 Google Sheets
使用者問他人做法時,實際讀取原留言,交自述使用流程與直接連結,區分有公開試算表與只有敘述的案例。Q044 的兩則來源見 sources.md
最後列可先做的預算決策、待填資料及對應格位。使用者再次上傳同口徑實績時,更新剩餘期間預估並保留前版及變更原因;尚未成熟的退款或歸因數值列為暫估。交付後等待下一題
Related Skills
taste-skill
102.7kAgent skills that give coding agents taste: art direction, reference images and a browser check instead of generic AI pages
ai-job-search
66.0kThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.
claude-howto
45.2kA visual, example-driven guide to Claude Code — from basic concepts to advanced agents, with copy-paste templates that bring immediate value.
algorithmic-art
177.9kCreating algorithmic art using p5.js with seeded randomness and interactive parameter exploration. Use this when users request creating art using code, generative art, algorithmic art, flow fields, or particle systems.
Trust signals
From repository metadata: license, adoption, age and documentation. Not a code audit — see the Safety scan above for what the skill file itself contains.
