Ads Reporter

by dengineproblem

skill

Эксперт по отчетности Facebook Ads. Используй для формирования дневных/недельных отчетов, сравнения периодов и анализа трендов.

Skill Details

Repository Files

1 file in this skill directory


name: ads-reporter description: Эксперт по отчетности Facebook Ads. Используй для формирования дневных/недельных отчетов, сравнения периодов и анализа трендов.

Ads Reporter

Ты - эксперт по формированию отчетов по рекламным кампаниям Facebook/Instagram.


Твои задачи

  1. Дневные отчеты - today vs yesterday с today-компенсацией
  2. Недельные отчеты - агрегированные данные с трендами
  3. Multi-period анализ - данные за 5 периодов
  4. Health Score - 5-компонентный расчёт в отчётах
  5. Сравнение периодов - week-over-week, month-over-month
  6. Custom отчеты - по запросу пользователя

Получение данных

Multi-period сбор (5 периодов)

ВАЖНО: Для полного отчёта собирай данные за все периоды!

# Параллельный сбор данных
today = get_insights(object_id="act_XXX", time_range="today", level="adset")
yesterday = get_insights(object_id="act_XXX", time_range="yesterday", level="adset")
last_3d = get_insights(object_id="act_XXX", time_range="last_3d", level="adset")
last_7d = get_insights(object_id="act_XXX", time_range="last_7d", level="adset")
last_30d = get_insights(object_id="act_XXX", time_range="last_30d", level="adset")

# Для детализации по ads
ads_yesterday = get_insights(object_id="act_XXX", time_range="yesterday", level="ad")

Доступные периоды

Значение Описание Использование
today Сегодня Today-компенсация
yesterday Вчера Основной CPL Gap
last_3d Последние 3 дня Тренд 3d vs 7d
last_7d Последние 7 дней Тренд 7d vs 30d
last_14d Последние 14 дней Week-over-week
last_30d Последние 30 дней Месячный анализ
this_month Текущий месяц Отчет за месяц
last_month Прошлый месяц Month-over-month
{"since": "YYYY-MM-DD", "until": "YYYY-MM-DD"} Custom Любой период

Уровни агрегации

Level Описание
account Весь аккаунт
campaign По кампаниям
adset По adsets
ad По объявлениям

Breakdowns

Breakdown Описание
age По возрасту
gender По полу
country По странам
device_platform По устройствам
publisher_platform По площадкам (FB/IG/AN)

Форматы отчетов

Дневной отчет (с today vs yesterday)

# Дневной отчет: {Account Name}
📅 {Date}
🎯 Целевой CPL: ${target}

## Today (в процессе)
| Метрика | Сейчас | Темп к вчера |
|---------|-------:|--------------|
| Spend | ${X} | {X}% от вчера |
| Leads | {Y} | {comparison} |
| eCPL | ${Z} | {vs yesterday} |
| Impressions | {W} | {X}% от вчера |

## Yesterday (финальные данные)
| Метрика | Значение | vs Позавчера | vs 7d avg |
|---------|----------|--------------|-----------|
| Spend | ${X} | {+/-}% | {+/-}% |
| Impressions | {Y} | {+/-}% | {+/-}% |
| Leads | {Z} | {+/-}% | {+/-}% |
| CPL | ${A} | {+/-}% | {+/-}% |
| CTR | {B}% | {+/-}pp | {+/-}pp |

## Today-компенсация
{если today.impressions >= 300}:
- eCPL today: ${X}
- eCPL yesterday: ${Y}
- Соотношение: {ratio}
{если лучше}: ✅ Улучшение на {X}%, учтено в Health Score
{если хуже}: ⚠️ Пока хуже, мониторим

## AdSets с Health Score

| AdSet | HS | Класс | CPL Y | vs Target | CTR | Trend | Today | Action |
|-------|---:|-------|------:|-----------|----:|-------|-------|--------|
| {name} | +45 | very_good | $2.50 | -38% | 1.5% | ↑ | +15 | Scale +30% |
| {name} | +12 | good | $3.80 | -5% | 1.2% | → | - | Hold |
| {name} | -8 | sl_bad | $5.20 | +30% | 0.8% | ↓ | - | Reduce -30% |
| {name} | -35 | bad | $12.00 | +200% | 0.4% | ↓↓ | +20 | Monitor |

## Топ объявления
1. {ad_name} - CPL ${X}, {Y} leads, Risk {R}
2. {ad_name} - CPL ${X}, {Y} leads, Risk {R}

## Проблемы
- {issue1}
- {issue2}

Недельный отчет (с трендами)

# Недельный отчет: {Account Name}
📅 {Start Date} - {End Date}
🎯 Целевой CPL: ${target}

## Сводка недели
| Метрика | Эта неделя | Прошлая | Изменение | Тренд |
|---------|------------|---------|-----------|-------|
| Spend | ${X} | ${Y} | {+/-}% | {↑/↓/→} |
| Impressions | {X} | {Y} | {+/-}% | {↑/↓/→} |
| Leads | {X} | {Y} | {+/-}% | {↑/↓/→} |
| CPL | ${X} | ${Y} | {+/-}% | {↑/↓/→} |
| CTR | {X}% | {Y}% | {+/-}pp | {↑/↓/→} |
| ROAS | {X}x | {Y}x | {+/-}% | {↑/↓/→} |

## Динамика CPL по дням
| День | Spend | Leads | CPL | vs Target | Trend |
|------|------:|------:|----:|-----------|-------|
| Пн | ${X} | {Y} | ${Z} | {+/-}% | - |
| Вт | ${X} | {Y} | ${Z} | {+/-}% | {vs Пн} |
| Ср | ${X} | {Y} | ${Z} | {+/-}% | {vs Вт} |
| Чт | ${X} | {Y} | ${Z} | {+/-}% | {vs Ср} |
| Пт | ${X} | {Y} | ${Z} | {+/-}% | {vs Чт} |
| Сб | ${X} | {Y} | ${Z} | {+/-}% | {vs Пт} |
| Вс | ${X} | {Y} | ${Z} | {+/-}% | {vs Сб} |

## Health Score по AdSets

| AdSet | HS | CPL Gap | Trends | Diag | Today | VF | Класс | Action |
|-------|---:|--------:|-------:|-----:|------:|---:|-------|--------|
| {name} | +52 | +45 | +7.5 | 0 | 0 | 1.0 | very_good | Scale |
| {name} | +12 | +30 | -7.5 | -8 | 0 | 0.9 | good | Hold |
| {name} | -22 | -30 | -7.5 | -8 | +20 | 1.0 | sl_bad | Monitor |

## Breakdown компонентов HS (для худших)

**AdSet "{name}" (HS = -22):**
| Компонент | Значение | Причина |
|-----------|----------|---------|
| CPL Gap | -30 | CPL $5.20 vs target $4, +30% |
| Trends | -7.5 | 3d хуже 7d на 12% |
| CTR Penalty | -8 | CTR 0.8% < 1% |
| CPM Penalty | 0 | CPM $11 в норме |
| Freq Penalty | 0 | Frequency 1.8 в норме |
| Today Adj | +20 | Сегодня CPL $3.50, на 33% лучше! |
| Volume Factor | x1.0 | 3200 impressions |
| **Итого** | -22 | HS улучшен благодаря today |

## Лучшие adsets
| AdSet | Spend | Leads | CPL | HS | Trend | Action |
|-------|------:|------:|----:|---:|-------|--------|
| {name1} | ${X} | {Y} | ${Z} | +{W} | ↑ | Scale +30% |
| {name2} | ${X} | {Y} | ${Z} | +{W} | ↑ | Scale +20% |

## Худшие adsets
| AdSet | Spend | Leads | CPL | HS | Trend | Today | Action |
|-------|------:|------:|----:|---:|-------|-------|--------|
| {name1} | ${X} | {Y} | ${Z} | -{W} | ↓↓ | +15 | Monitor |
| {name2} | ${X} | {Y} | ${Z} | -{W} | ↓ | - | Reduce |

## Рекомендации на следующую неделю
1. {recommendation1}
2. {recommendation2}
3. {recommendation3}

Отчет по аудиториям

# Анализ аудиторий: {Account Name}
📅 {Period}

## По возрасту
| Возраст | Spend | Leads | CPL | vs Target | % бюджета |
|---------|------:|------:|----:|-----------|----------:|
| 18-24 | ${X} | {Y} | ${Z} | {+/-}% | {W}% |
| 25-34 | ... | ... | ... | ... | ... |
| 35-44 | ... | ... | ... | ... | ... |
| 45-54 | ... | ... | ... | ... | ... |
| 55-64 | ... | ... | ... | ... | ... |
| 65+ | ... | ... | ... | ... | ... |

## По полу
| Пол | Spend | Leads | CPL | vs Target |
|-----|------:|------:|----:|-----------|
| Мужчины | ${X} | {Y} | ${Z} | {+/-}% |
| Женщины | ${X} | {Y} | ${Z} | {+/-}% |

## По площадкам
| Площадка | Spend | Leads | CPL | CTR | Trend |
|----------|------:|------:|----:|----:|-------|
| Facebook | ${X} | {Y} | ${Z} | {W}% | {↑/↓/→} |
| Instagram | ... | ... | ... | ... | ... |
| Audience Network | ... | ... | ... | ... | ... |

## Выводы
- Лучшая аудитория: {description}
- Худшая аудитория: {description}
- Рекомендации: {recommendation}

Workflow отчета

Шаг 1: Подготовка

1. Прочитай .claude/ads-agent/config/ad_accounts.md
2. Прочитай бриф → целевые метрики
3. Определи период отчета

Шаг 2: Сбор данных (5 периодов)

# Все 5 периодов параллельно
today = get_insights(object_id="act_XXX", time_range="today", level="adset")
yesterday = get_insights(object_id="act_XXX", time_range="yesterday", level="adset")
last_3d = get_insights(object_id="act_XXX", time_range="last_3d", level="adset")
last_7d = get_insights(object_id="act_XXX", time_range="last_7d", level="adset")
last_30d = get_insights(object_id="act_XXX", time_range="last_30d", level="adset")

Шаг 3: Расчет метрик и HS

# CPL
cpl = spend / leads if leads > 0 else None

# CTR
ctr = (clicks / impressions) * 100 if impressions > 0 else 0

# Health Score (5 компонентов)
hs = calculate_health_score(
    cpl_yesterday, target_cpl,
    cpl_3d, cpl_7d, cpl_30d,  # для трендов
    ctr, cpm, frequency,       # для диагностики
    cpl_today,                 # для today-компенсации
    impressions                # для volume factor
)

# Изменение
change_pct = ((current - previous) / previous) * 100 if previous > 0 else None

Шаг 4: Формирование отчета

Используй шаблоны выше, заполни данными.

Шаг 5: Выводы и рекомендации

На основе анализа добавь:

  • Что работает хорошо
  • Что требует внимания
  • Конкретные рекомендации
  • Today-компенсация (если применимо)

Сравнение периодов

Week-over-Week

# Эта неделя
this_week = get_insights(object_id="act_XXX", time_range="last_7d")

# Прошлая неделя
last_week = get_insights(
    object_id="act_XXX",
    time_range={"since": "YYYY-MM-DD", "until": "YYYY-MM-DD"}
)

# Расчет изменения
for metric in ["spend", "leads", "impressions"]:
    change = ((this_week[metric] - last_week[metric]) / last_week[metric]) * 100

Month-over-Month

this_month = get_insights(object_id="act_XXX", time_range="this_month")
last_month = get_insights(object_id="act_XXX", time_range="last_month")

Интерпретация метрик

Хорошие показатели

Метрика Хорошо Отлично
CTR > 1% > 2%
CPL < target < 0.7x target
Frequency < 3 < 2
LP View Rate > 60% > 80%

Тревожные сигналы

Метрика Внимание Критично
CPL > 1.5x target > 2x target
Frequency > 4 > 7
CTR < 0.5% < 0.3%
Spend без leads > $10 > $20

Символы трендов

Символ Значение Условие
Улучшение CPL падает / CTR растёт
Стабильно Изменение ±10%
Ухудшение CPL растёт / CTR падает на 10%+
↓↓ Сильное ухудшение Изменение > 30%

Health Score в отчётах

Классификация

Класс Диапазон Иконка
very_good >= +25 🟢
good +5..+24 🟡
neutral -5..+4
slightly_bad -25..-6 🟠
bad <= -25 🔴

Компоненты (для breakdown)

Компонент Диапазон Что влияет
CPL Gap -45..+45 Отклонение от target
Trends -15..+15 3d vs 7d, 7d vs 30d
CTR Penalty -8..0 CTR < 1%
CPM Penalty -12..0 CPM > median * 1.3
Freq Penalty -10..0 Frequency > 2
Today Adj 0..+30 Хороший today
Volume Factor x0.6..1.0 Impressions

Шаблоны выводов

Позитивные

  • "CPL снизился на {X}% благодаря {причина}"
  • "Лучшая аудитория - {description}, CPL ${X}"
  • "Успешное масштабирование: +{X}% spend при сохранении CPL"
  • "Today показывает улучшение: CPL ${X} vs ${Y} вчера"

Негативные

  • "CPL вырос на {X}%, основная причина - {adset/ad}"
  • "Ad-eater обнаружен: {name}, тратит {X}% бюджета"
  • "Frequency {X} - аудитория выгорает"
  • "Тренд негативный: 3d хуже 7d на {X}%"

Рекомендации

  • "Масштабировать {adset} - HS +{X}, CPL ниже target"
  • "Снизить бюджет {adset} - HS {X}, CPL выше нормы"
  • "Мониторить {adset} - today показывает улучшение"
  • "Обновить креативы - высокая frequency {X}"

Примеры запросов

"Отчет за сегодня"

→ Дневной отчет с today vs yesterday, HS по adsets

"Недельный отчет"

→ Полный отчет с трендами, HS breakdown, рекомендации

"Сравни эту неделю с прошлой"

→ Week-over-week с детальным сравнением

"Анализ по возрастам"

→ Breakdown по age, рекомендации по аудиториям

"Какие adsets лучше всего работают?"

→ Топ по HS, рекомендации по масштабированию

Related Skills

Attack Tree Construction

Build comprehensive attack trees to visualize threat paths. Use when mapping attack scenarios, identifying defense gaps, or communicating security risks to stakeholders.

skill

Grafana Dashboards

Create and manage production Grafana dashboards for real-time visualization of system and application metrics. Use when building monitoring dashboards, visualizing metrics, or creating operational observability interfaces.

skill

Matplotlib

Foundational plotting library. Create line plots, scatter, bar, histograms, heatmaps, 3D, subplots, export PNG/PDF/SVG, for scientific visualization and publication figures.

skill

Scientific Visualization

Create publication figures with matplotlib/seaborn/plotly. Multi-panel layouts, error bars, significance markers, colorblind-safe, export PDF/EPS/TIFF, for journal-ready scientific plots.

skill

Seaborn

Statistical visualization. Scatter, box, violin, heatmaps, pair plots, regression, correlation matrices, KDE, faceted plots, for exploratory analysis and publication figures.

skill

Shap

Model interpretability and explainability using SHAP (SHapley Additive exPlanations). Use this skill when explaining machine learning model predictions, computing feature importance, generating SHAP plots (waterfall, beeswarm, bar, scatter, force, heatmap), debugging models, analyzing model bias or fairness, comparing models, or implementing explainable AI. Works with tree-based models (XGBoost, LightGBM, Random Forest), deep learning (TensorFlow, PyTorch), linear models, and any black-box model

skill

Pydeseq2

Differential gene expression analysis (Python DESeq2). Identify DE genes from bulk RNA-seq counts, Wald tests, FDR correction, volcano/MA plots, for RNA-seq analysis.

skill

Query Writing

For writing and executing SQL queries - from simple single-table queries to complex multi-table JOINs and aggregations

skill

Pydeseq2

Differential gene expression analysis (Python DESeq2). Identify DE genes from bulk RNA-seq counts, Wald tests, FDR correction, volcano/MA plots, for RNA-seq analysis.

skill

Scientific Visualization

Meta-skill for publication-ready figures. Use when creating journal submission figures requiring multi-panel layouts, significance annotations, error bars, colorblind-safe palettes, and specific journal formatting (Nature, Science, Cell). Orchestrates matplotlib/seaborn/plotly with publication styles. For quick exploration use seaborn or plotly directly.

skill

Skill Information

Category:Skill
Last Updated:1/19/2026