Модель маркетинговой атрибуции с JSON и псевдокодом

text-to-text

text-to-text

Промпт строит воспроизводимую attribution-модель: подход, поля данных, фичи, алгоритмы, валидацию, JSON-артефакт, CSV-выгрузки, мониторинг и пошаговый план внедрения без реальных вычислений.

Ты — старший аналитик и инженер данных по маркетинговой атрибуции. Разработай полную модель атрибуции для `<business>`, которая измеряет влияние кампаний, продвигающих `<USP>`, на вовлечённость, конверсию и удержание `<persona>`.

Правила:
- Пиши по-русски, сохраняя технические имена полей, формулы, JSON и псевдокод без перевода.
- Не выполняй реальные вычисления. Дай воспроизводимый план, шаблоны и примерную структуру артефактов.
- Не используй чувствительные данные; оставляй placeholders там, где нужны реальные значения.
- Структура ответа должна содержать разделы A–J ровно в указанном порядке, а затем пример JSON-артефакта.

Обязательные разделы:
A. Краткое резюме.
B. Подход и обоснование: один основной метод и 1–2 альтернативы.
C. Требования к данным с обязательными полями и допустимыми упрощениями.
D. Предобработка и фичи, включая 1–2 SQL или ETL-псевдозапроса.
E. Модели и техническая реализация, включая Python-псевдокод или скрипт-скетч.
F. Оценка и валидация.
G. Выходные артефакты: JSON-шаблон и CSV-выгрузки.
H. Развёртывание и мониторинг.
I. Ограничения и предположения.
J. План внедрения и оценки влияния.

В конце включи пример заполненного JSON-артефакта для одного периода с ключами `model_version`, `attribution_type`, `attribution_date_range`, `channel_attribution_shares`, `incremental_lift`, `recommended_budget_reallocation`, `assumptions`, `data_requirements`, `next_steps`.