marketing-mix-modeling-pipeline — скилл для Claude Code
Скилл marketing-mix-modeling-pipeline для Claude Code обрабатывает агрегированные данные о рекламных расходах для эконометрического моделирования маркетинга: adstock, насыщение Хилла и OLS-регрессия.
лицензия не указана 130 установок ★ 12 обновлён 2026-10-09
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a claude-codeЧто делает marketing-mix-modeling-pipeline
Скилл разворачивает структуру проекта эконометрического моделирования (MMM) и пошагово обрабатывает агрегированные данные о рекламных расходах. В пайплайн входят геометрический adstock для учёта шлейфа рекламы во времени и функция насыщения Хилла для моделирования убывающей отдачи. На преобразованных признаках строится OLS-регрессия через statsmodels, отделяющая базовые продажи от вклада конкретных каналов.
В проект включены скрипты трансформаций в папке src/, шаблоны Jupyter-ноутбуков для исследования данных и оптимизатор бюджетов. Порядок трансформаций критичен: функция насыщения всегда применяется строго поверх данных с уже рассчитанным adstock.
Для работы требуются Python 3, библиотеки pandas, numpy, statsmodels, scipy, matplotlib и seaborn. Метод опирается только на исторические агрегированные ряды без отслеживания отдельных пользователей.
Какие задачи решает
- Рассчитать остаточный эффект рекламы с помощью геометрического adstock
- Смоделировать затухающую отдачу каналов через кривую Хилла
- Оценить вклад рекламных каналов в выручку с помощью OLS-регрессии
- Оптимизировать распределение маркетингового бюджета по медиаканалам
Примеры запросов агенту
- Построй пайплайн маркетингового микс-моделирования для недельных расходов
- Примени adstock-трансформацию и насыщение Хилла к колонкам рекламных каналов
- Обучи OLS-регрессию на трансформированных медиаданных и покажи коэффициенты
Как установить marketing-mix-modeling-pipeline
1Через Skills CLI (Vercel)
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a claude-code2Вручную: положить файлы
~/.claude/skills/marketing-mix-modeling-pipeline/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/marketing-mix-modeling-pipeline/
1Через Skills CLI (Vercel)
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a codex2Вручную: положить файлы
.agents/skills/marketing-mix-modeling-pipeline/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a cursor2Вручную: положить файлы
.cursor/skills/marketing-mix-modeling-pipeline/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install reason-machines/marketing-skills skills/marketing-mix-modeling-pipeline2Вручную: положить файлы
.github/skills/marketing-mix-modeling-pipeline/SKILL.md1Через Skills CLI (Vercel)
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a gemini-cli2Командой платформы
gemini skills install https://github.com/reason-machines/marketing-skills --path skills/marketing-mix-modeling-pipelineВручную: положить файлы
.devin/skills/marketing-mix-modeling-pipeline/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о marketing-mix-modeling-pipeline
Как установить marketing-mix-modeling-pipeline в Claude Code?
Выполните команду npx skills add reason-machines/marketing-skills --skill marketing-mix-modeling-pipeline -a claude-code в терминале.
В каком порядке применяются трансформации к расходам?
Сначала к сырым расходам применяется геометрический adstock, и только затем к полученному сигналу применяется кривая насыщения Хилла.
Какие Python-библиотеки нужны для запуска пайплайна?
Понадобятся pandas, numpy, statsmodels, scipy, jupyter, matplotlib и seaborn.