[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M79Z2KTYJDXKC03BS3W5KBZ4":3,"skill-same:01M79Z2KTYJDXKC03BS3W5KBZ4":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":30,"commitSha":31,"skillDirectory":32,"forksCount":33,"repositoryHtmlUrl":34,"repositoryHomepageUrl":6,"ownerHtmlUrl":35,"ownerBlogUrl":36,"ownerDescription":37,"updatedAt":38,"install":39,"resources":52},"01M79Z2KTYJDXKC03BS3W5KBZ4","kpi-framework",null,"Kpi Framework — Skill especializada para kpi framework","diegojcn\u002Fagent-skill-pack","diegojcn","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F39829656?v=4","01M79YWFWBS7GQ1NC0FRSWE0QF","Diego Neves","01M79YWFWX7K7R5N28V61XYR6B",2,"MIT","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fanalytics-dados\u002Fkpi-framework\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: kpi-framework\ndescription: \"Kpi Framework — Skill especializada para kpi framework\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 15-analytics-dados\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Kpi Framework\n\nEsta skill capacita o Claude a desenvolver, implementar e otimizar frameworks de KPIs robustos e acionáveis, focando em análise de dados com Google Analytics 4 (GA4), dashboards e atribuição de marketing.\n\n---\n\n## Keywords\n\nFramework KPI, Google Analytics 4, Métricas de Desempenho, Dashboards GA4, Atribuição de Marketing, Eventos GA4, Conversões GA4, Modelagem de Dados, Otimização de Funil, Análise Preditiva, Dimensões Personalizadas, Métricas Personalizadas.\n\n---\n\n## Quick Start\n\n1.  **Defina Objetivos de Negócio SMART**: Estabeleça metas específicas, mensuráveis, atingíveis, relevantes e com prazo definido, como \"Aumentar a Taxa de Conversão de Compra em 15% nos próximos 6 meses para o público de novos usuários\".\n2.  **Mapeie Micro-conversões e Eventos GA4**: Identifique as ações intermediárias que levam ao objetivo principal (ex: `view_item_list`, `add_to_cart`, `begin_checkout`) e configure-as como eventos recomendados ou personalizados no GA4.\n3.  **Configure Conversões Chave no GA4**: Marque os eventos mais críticos para o negócio (ex: `purchase`, `generate_lead`) como conversões dentro da interface do GA4 (Administrador > Eventos > Marcar como conversão).\n4.  **Crie Dimensões e Métricas Personalizadas Essenciais**: Para capturar dados específicos do seu negócio (ex: `product_brand` como dimensão personalizada, `margin_value` como métrica personalizada) e enriquecer a análise de KPIs.\n5.  **Construa um Dashboard de Monitoramento no Looker Studio**: Conecte o GA4 e visualize os KPIs primários e secundários em um painel interativo, como \"Taxa de Conversão de Compra\", \"Receita por Usuário\" e \"CPA por Canal\".\n\n---\n\n## Core Workflows\n\n### Workflow 1: Construção de Framework KPI para E-commerce com GA4\n\nEste workflow detalha a criação de um framework KPI para um e-commerce, desde a definição dos objetivos até a configuração e visualização no GA4 e Looker Studio.\n\n**Passos Detalhados:**\n\n1.  **Definição do Objetivo Estratégico do E-commerce**:\n    *   **Exemplo**: Aumentar o Volume Bruto de Mercadorias (GMV) em 20% no próximo trimestre, focando em clientes recorrentes.\n2.  **Identificação de KPIs Primários e Secundários**:\n    *   **KPI Primário (GMV)**: `SUM(price * quantity)` de todas as transações de compra. No GA4, corresponde à métrica \"Receita Total\".\n    *   **KPI Secundários (Fatores do GMV)**:\n        *   `Taxa de Conversão de Compra`: `(Total de Compras \u002F Total de Sessões)`\n        *   `Valor Médio do Pedido (AOV)`: `Receita Total \u002F Total de Compras`\n        *   `Receita por Usuário (RPU)`: `Receita Total \u002F Total de Usuários`\n        *   `Frequência de Compra`: `Total de Compras \u002F Total de Compradores Únicos`\n3.  **Mapeamento de Eventos e Parâmetros Relevantes no GA4**:\n    *   **`view_item_list`**: Evento para visualização de lista de produtos. Parâmetros: `item_list_name`, `item_id`, `item_name`.\n    *   **`view_item`**: Evento para visualização de um produto específico. Parâmetros: `item_id`, `item_name`, `price`, `currency`.\n    *   **`add_to_cart`**: Evento para adição ao carrinho. Parâmetros: `item_id`, `item_name`, `price`, `quantity`.\n    *   **`begin_checkout`**: Evento para início do checkout. Parâmetros: `value`, `currency`.\n    *   **`purchase`**: Evento de compra finalizada. Parâmetros: `transaction_id`, `value`, `currency`, `shipping`, `tax`, `items` (array de produtos).\n    *   **Configuração GA4**: Certifique-se de que a camada de dados (dataLayer) do seu site está enviando esses eventos com os parâmetros corretos via GTM (Google Tag Manager) para o GA4. Valide no DebugView do GA4.\n4.  **Configuração de Conversões no GA4**:\n    *   Marque o evento `purchase` como uma conversão em \"Administrador > Eventos\".\n    *   Crie uma audiência personalizada de \"Compradores Recorrentes\" (Usuários que realizaram `purchase` > 1 vez) para segmentação e análise.\n5.  **Criação de Relatórios Personalizados e Dashboards**:\n    *   **Relatórios Exploratórios GA4**: Use a ferramenta \"Explorações\" para criar relatórios de \"Funil de Vendas\" (visualizando `view_item_list` -> `view_item` -> `add_to_cart` -> `begin_checkout` -> `purchase`) e \"Caminhos do Usuário\" para entender fluxos.\n    *   **Dashboard no Looker Studio**:\n        *   Conecte o GA4 como fonte de dados.\n        *   Adicione gráficos de evolução para `Receita Total`, `Taxa de Conversão de Compra`, `AOV`.\n        *   Crie tabelas detalhando `Receita por Canal de Aquisição` (com modelo de atribuição \"baseado em dados\").\n        *   Inclua um scorecard para o GMV atual versus meta.\n\n### Workflow 2: Otimização de KPIs de Atribuição e Engajamento em Conteúdo B2B\n\nEste workflow foca em como usar o GA4 para entender a contribuição de diferentes canais e o engajamento com conteúdo, otimizando o funil de aquisição de leads B2B.\n\n**Passos Detalhados:**\n\n1.  **Definição de Objetivo de Negócio B2B**:\n    *   **Exemplo**: Aumentar a Taxa de Conversão de MQL (Marketing Qualified Lead) para SQL (Sales Qualified Lead) em 10% no próximo semestre, otimizando o conteúdo e os pontos de contato iniciais.\n2.  **Identificação de KPIs de Atribuição e Engajamento**:\n    *   **KPI de Atribuição**: `Leads Qualificados por Origem` (ex: Organic Search, Paid Search, Social, Direct). Acompanhar o `valor` do evento `generate_lead` atribuído a cada canal.\n    *   **KPI de Engajamento**:\n        *   `Tempo Médio de Engajamento por Página de Conteúdo` (ex: blog posts, whitepapers).\n        *   `Profundidade de Rolagem (Scroll Depth)` em páginas críticas (ex: landing pages).\n        *   `Taxa de Conversão de Conteúdo para Lead` (ex: downloads de e-books, preenchimento de formulário).\n3.  **Configuração de Eventos de Engajamento e Conversão no GA4**:\n    *   **Eventos de Engajamento Aprimorado**: Certifique-se de que \"Rolagem\" e \"Engajamento com vídeo\" estão ativos em \"Administrador > Fluxos de dados > Configurações de tag > Coleta de eventos\".\n    *   **Evento `generate_lead`**: Disparado no envio de formulários de contato, download de materiais ricos. Incluir `lead_type` (ex: `ebook_download`, `contact_form`) e `lead_value` (estimativa). Marque como conversão.\n    *   **Dimensões Personalizadas**: Crie uma dimensão personalizada baseada no parâmetro `page_category` para agrupar tipos de conteúdo (ex: `blog_post`, `whitepaper`, `case_study`).\n4.  **Análise de Caminhos de Conversão e Atribuição**:\n    *   **Relatório \"Caminhos de Conversão\" (Publicidade > Atribuição)**: Analise as sequências de canais que levam a um `generate_lead`. Identifique os canais que iniciam, assistem e fecham a conversão. Compare modelos de atribuição (linear, baseada em dados) para entender a contribuição real.\n    *   **Relatório \"Visão Geral de Aquisição\"**: Segmente por `lead_type` para ver quais canais trazem quais tipos de leads.\n5.  **Otimização Baseada em Insights**:\n    *   **Exemplo 1 (Atribuição)**: Se o relatório \"Caminhos de Conversão\" mostra que \"Pesquisa Orgânica\" frequentemente inicia o caminho para leads de \"Whitepaper\", mas \"Email Marketing\" fecha a conversão, foque em otimizar o SEO para termos de topo de funil e a nutrição por e-mail para engajamento.\n    *   **Exemplo 2 (Engajamento)**: Se o `Tempo Médio de Engajamento` em \"Artigos de Blog\" é baixo, mas `Profundidade de Rolagem` é alta para \"Case Studies\", otimize o conteúdo do blog para ser mais direto e adicione CTAs mais visíveis para downloads de case studies.\n    *   **Segmentação de Audiências**: Crie audiências no GA4 de \"Usuários Engajados com Conteúdo B2B\" (tempo de engajamento > 60s em páginas de blog e > 50% de rolagem) para retargeting em campanhas pagas.\n\n---\n\n## Templates\n\n### Template de Ficha de KPI\n\n```markdown\n**Nome do KPI:** Taxa de Conversão de Compra\n**Descrição:** A porcentagem de sessões que resultaram em uma compra no e-commerce.\n**Objetivo Estratégico Relacionado:** Aumento do GMV e otimização do funil de vendas.\n**Fórmula:** (Total de eventos `purchase` \u002F Total de eventos `session_start`) * 100\n**Fonte de Dados:** Google Analytics 4 (Relatório \"Monetização > Visão geral de e-commerce\", ou \"Eventos\").\n**Frequência de Monitoramento:** Diária, Semanal, Mensal.\n**Meta:** 2.5% (Benchmark do setor para e-commerce em moda).\n**Responsável:** Analista de Marketing Digital \u002F Gerente de E-commerce.\n**Observações:** Excluir sessões de bots ou tráfego interno.\n```\n\n### Template de Dashboard de Acompanhamento GA4 (Visão Geral E-commerce)\n\n```markdown\n# Dashboard de Performance E-commerce - GA4\n\n**Período:** Últimos 30 dias\n\n---\n\n## Scorecards Principais\n\n| Métrica                 | Valor Atual | Variação (vs. período anterior) | Meta    |\n|-------------------------|-------------|---------------------------------|---------|\n| Receita Total           | R$ 150.000  | +12%                            | R$ 160.000 |\n| Taxa de Conversão de Compra | 2.3%        | +0.3 p.p.                       | 2.5%    |\n| Valor Médio do Pedido (AOV) | R$ 250      | -5%                             | R$ 260  |\n| Usuários Ativos         | 65.000      | +8%                             | 70.000  |\n\n---\n\n## Tendência de Receita e Conversão (Gráfico de Linha)\n\n**Eixo Y1:** Receita Total (R$)\n**Eixo Y2:** Taxa de Conversão de Compra (%)\n**Eixo X:** Data\n\n---\n\n## Desempenho por Canal de Aquisição (Tabela)\n\n| Canal de Aquisição | Receita Total | Taxa de Conversão | AOV     | Custo (GA4\u002FAds) | ROAS (Receita\u002FCusto) |\n|--------------------|---------------|-------------------|---------|-----------------|----------------------|\n| Organic Search     | R$ 60.000     | 2.8%              | R$ 280  | -               | -                    |\n| Paid Search        | R$ 45.000     | 2.1%              | R$ 240  | R$ 10.000       | 4.5x                 |\n| Email              | R$ 25.000     | 3.5%              | R$ 300  | -               | -                    |\n| Direct             | R$ 10.000     | 1.8%              | R$ 220  | -               | -                    |\n\n---\n\n## Funil de Compras (Gráfico de Funil GA4)\n\n1.  **Visualizações de Produto (`view_item`)**: 100.000\n2.  **Adições ao Carrinho (`add_to_cart`)**: 25.000 (25% taxa de abandono)\n3.  **Início de Checkout (`begin_checkout`)**: 10.000 (60% taxa de abandono)\n4.  **Compras (`purchase`)**: 6.000 (40% taxa de abandono)\n\n---\n\n## Produtos Mais Vendidos (Tabela)\n\n| Produto ID | Nome do Produto   | Receita Total | Quantidade Vendida |\n|------------|-------------------|---------------|--------------------|\n| P001       | Tênis Esportivo   | R$ 20.000     | 100                |\n| P002       | Camiseta Dry-Fit  | R$ 15.000     | 150                |\n| P003       | Mochila Urbana    | R$ 12.000     | 60                 |\n```\n\n---\n\n## Checklist\n\n- [x] O objetivo de negócio do KPI está claramente definido e alinhado com a estratégia geral.\n- [x] O KPI é mensurável e possui uma fonte de dados confiável (GA4 configurado corretamente).\n- [x] Os eventos e parâmetros necessários para o KPI estão configurados e validados no GA4 (via DebugView).\n- [x] Dimensões e métricas personalizadas essenciais para o KPI foram criadas no GA4.\n- [x] O KPI é acionável, permitindo a tomada de decisões claras e estratégicas.\n- [x] Existe um benchmark ou meta realista para o KPI, baseado em dados históricos ou de mercado.\n- [x] A frequência de monitoramento do KPI está definida e é adequada à sua natureza.\n- [x] Um responsável claro foi atribuído para o monitoramento e otimização do KPI.\n- [x] O KPI está integrado a um dashboard visual e acessível (ex: Looker Studio).\n- [x] O modelo de atribuição no GA4 (Preferencialmente \"baseado em dados\") foi revisado e compreendido para análise do KPI.\n\n---\n\n## Métricas de Referência\n\n| Métrica                      | Benchmark (E-commerce Geral) | Meta (Exemplo) |\n|------------------------------|------------------------------|----------------|\n| Taxa de Conversão de Compra  | 1.5% - 3.5%                  | 2.8%           |\n| Valor Médio do Pedido (AOV)  | R$ 150 - R$ 400              | R$ 280         |\n| Custo por Aquisição (CPA)    | R$ 30 - R$ 150               | R$ 60          |\n| Taxa de Rejeição (Bounce Rate) | 30% - 50%                    | \u003C 40%          |\n| Tempo Médio de Engajamento   | 60s - 180s                   | > 120s         |\n| ROAS (Retorno sobre Investimento em Anúncios) | 2.5x - 4x                    | > 3x           |\n\n---\n\n## Erros Comuns\n\n1.  **Escolha de Métricas de Vaidade**: Focar em KPIs como \"visualizações de página\" ou \"usuários\" sem conectá-los a um objetivo de negócio real.\n    *   **Como evitar**: Sempre pergunte: \"Este KPI me ajuda a tomar uma decisão para o objetivo de negócio X?\". Ex: Em vez de \"Total de Visualizações de Página\", use \"Taxa de Conversão de Páginas de Produto para Adição ao Carrinho\".\n2.  **Configuração Incorreta ou Incompleta do GA4**: Eventos e conversões mal implementados levam a dados errados, inviabilizando a análise de KPIs.\n    *   **Como evitar**: Use o DebugView do GA4 e o Google Tag Assistant para validar *todos* os eventos, parâmetros e conversões em tempo real durante a implementação e após qualquer alteração no site.\n3.  **Ignorar o Contexto do Negócio e do Setor**: Adotar KPIs genéricos ou benchmarks sem considerar as especificidades da sua indústria, público-alvo ou modelo de negócio.\n    *   **Como evitar**: Pesquise benchmarks específicos para seu nicho de mercado e ajuste as metas e expectativas. Um e-commerce de luxo terá um AOV diferente de um de produtos de consumo rápido.\n4.  **Falta de Acionabilidade dos KPIs**: Definir KPIs que, mesmo medidos, não fornecem insights claros sobre o que precisa ser feito para melhorar.\n    *   **Como evitar**: Cada KPI deve ter uma clara relação de causa e efeito com ações que podem ser tomadas. Se o KPI \"Taxa de Abandono de Carrinho\" aumenta, a ação pode ser \"Otimizar o fluxo de checkout\" ou \"Revisar custos de frete\".\n5.  **Confundir Atribuição (GA4) com Último Clique**: Utilizar o modelo de atribuição \"Último Clique\" por padrão no GA4 para todos os relatórios, ignorando a contribuição de outros canais ao longo da jornada do cliente.\n    *   **Como evitar**: Prefira o modelo de atribuição \"Baseado em Dados\" no GA4 (relatórios de Publicidade > Atribuição) para ter uma visão mais holística da contribuição de cada canal, especialmente em jornadas de compra complexas.\n\n---\n\n## Dicas Avançadas\n\n1.  **Utilização de Dimensões e Métricas Personalizadas para Segmentação Profunda**: Para um e-commerce, crie dimensões personalizadas para `product_category`, `product_brand` e `user_segment` (ex: `VIP`, `Novo Cliente`). Combine com métricas personalizadas como `product_margin` (se enviada via dataLayer) para analisar a rentabilidade de KPIs por segmentos específicos. Ex: \"Margem de Lucro por Categoria de Produto e Segmento VIP\".\n2.  **Análise de Cohort para Retenção e LTV (Lifetime Value)**: No GA4, use a \"Exploração de Cohort\" para analisar a retenção de usuários ao longo do tempo. Crie cohorts baseados na data da primeira compra e acompanhe KPIs como `Receita por Usuário` ou `Frequência de Compra` para entender o LTV. Isso permite identificar quais cohorts performam melhor e otimizar estratégias de aquisição.\n3.  **Integração GA4 com BigQuery para Modelagem de Atribuição Preditiva**: Exporte os dados brutos do GA4 para o BigQuery. Com SQL e modelos de machine learning (ex: Markov Chains, Shapley Values), desenvolva modelos de atribuição mais sofisticados que vão além dos padrões do GA4, permitindo prever a contribuição futura de canais e otimizar o investimento em marketing com base no LTV real.\n4.  **Criação de Audiências Preditivas no GA4**: Utilize os recursos de audiências preditivas do GA4 (ex: \"Potenciais Compradores\", \"Potenciais Abandono de Compra\") para segmentar usuários que provavelmente farão uma compra nos próximos 7 dias ou que tendem a abandonar. Integre essas audiências com Google Ads para campanhas de retargeting ou prospecção altamente direcionadas, otimizando o CPA.\n5.  **Análise de Desempenho de Campanha com Parâmetros UTM Avançados**: Implemente uma taxonomia de UTMs rigorosa e consistente (ex: `utm_source=facebook_ads`, `utm_medium=cpc`, `utm_campaign=black_friday_2024`, `utm_content=banner_promocional_2x1`, `utm_term=tenis_esportivo_azul`). Use essas dimensões no GA4 para analisar o desempenho de KPIs como `Taxa de Conversão` e `ROAS` em um nível granular, identificando quais criativos ou segmentos de campanha geram os melhores resultados.","# Kpi Framework\n\nEsta skill capacita o Claude a desenvolver, implementar e otimizar frameworks de KPIs robustos e acionáveis, focando em análise de dados com Google Analytics 4 (GA4), dashboards e atribuição de marketing.\n\n---\n\n## Keywords\n\nFramework KPI, Google Analytics 4, Métricas de Desempenho, Dashboards GA4, Atribuição de Marketing, Eventos GA4, Conversões GA4, Modelagem de Dados, Otimização de Funil, Análise Preditiva, Dimensões Personalizadas, Métricas Personalizadas.\n\n---\n\n## Quick Start\n\n1.  **Defina Objetivos de Negócio SMART**: Estabeleça metas específicas, mensuráveis, atingíveis, relevantes e com prazo definido, como \"Aumentar a Taxa de Conversão de Compra em 15% nos próximos 6 meses para o público de novos usuários\".\n2.  **Mapeie Micro-conversões e Eventos GA4**: Identifique as ações intermediárias que levam ao objetivo principal (ex: `view_item_list`, `add_to_cart`, `begin_checkout`) e configure-as como eventos recomendados ou personalizados no GA4.\n3.  **Configure Conversões Chave no GA4**: Marque os eventos mais críticos para o negócio (ex: `purchase`, `generate_lead`) como conversões dentro da interface do GA4 (Administrador > Eventos > Marcar como conversão).\n4.  **Crie Dimensões e Métricas Personalizadas Essenciais**: Para capturar dados específicos do seu negócio (ex: `product_brand` como dimensão personalizada, `margin_value` como métrica personalizada) e enriquecer a análise de KPIs.\n5.  **Construa um Dashboard de Monitoramento no Looker Studio**: Conecte o GA4 e visualize os KPIs primários e secundários em um painel interativo, como \"Taxa de Conversão de Compra\", \"Receita por Usuário\" e \"CPA por Canal\".\n\n---\n\n## Core Workflows\n\n### Workflow 1: Construção de Framework KPI para E-commerce com GA4\n\nEste workflow detalha a criação de um framework KPI para um e-commerce, desde a definição dos objetivos até a configuração e visualização no GA4 e Looker Studio.\n\n**Passos Detalhados:**\n\n1.  **Definição do Objetivo Estratégico do E-commerce**:\n    *   **Exemplo**: Aumentar o Volume Bruto de Mercadorias (GMV) em 20% no próximo trimestre, focando em clientes recorrentes.\n2.  **Identificação de KPIs Primários e Secundários**:\n    *   **KPI Primário (GMV)**: `SUM(price * quantity)` de todas as transações de compra. No GA4, corresponde à métrica \"Receita Total\".\n    *   **KPI Secundários (Fatores do GMV)**:\n        *   `Taxa de Conversão de Compra`: `(Total de Compras \u002F Total de Sessões)`\n        *   `Valor Médio do Pedido (AOV)`: `Receita Total \u002F Total de Compras`\n        *   `Receita por Usuário (RPU)`: `Receita Total \u002F Total de Usuários`\n        *   `Frequência de Compra`: `Total de Compras \u002F Total de Compradores Únicos`\n3.  **Mapeamento de Eventos e Parâmetros Relevantes no GA4**:\n    *   **`view_item_list`**: Evento para visualização de lista de produtos. Parâmetros: `item_list_name`, `item_id`, `item_name`.\n    *   **`view_item`**: Evento para visualização de um produto específico. Parâmetros: `item_id`, `item_name`, `price`, `currency`.\n    *   **`add_to_cart`**: Evento para adição ao carrinho. Parâmetros: `item_id`, `item_name`, `price`, `quantity`.\n    *   **`begin_checkout`**: Evento para início do checkout. Parâmetros: `value`, `currency`.\n    *   **`purchase`**: Evento de compra finalizada. Parâmetros: `transaction_id`, `value`, `currency`, `shipping`, `tax`, `items` (array de produtos).\n    *   **Configuração GA4**: Certifique-se de que a camada de dados (dataLayer) do seu site está enviando esses eventos com os parâmetros corretos via GTM (Google Tag Manager) para o GA4. Valide no DebugView do GA4.\n4.  **Configuração de Conversões no GA4**:\n    *   Marque o evento `purchase` como uma conversão em \"Administrador > Eventos\".\n    *   Crie uma audiência personalizada de \"Compradores Recorrentes\" (Usuários que realizaram `purchase` > 1 vez) para segmentação e análise.\n5.  **Criação de Relatórios Personalizados e Dashboards**:\n    *   **Relatórios Exploratórios GA4**: Use a ferramenta \"Explorações\" para criar relatórios de \"Funil de Vendas\" (visualizando `view_item_list` -> `view_item` -> `add_to_cart` -> `begin_checkout` -> `purchase`) e \"Caminhos do Usuário\" para entender fluxos.\n    *   **Dashboard no Looker Studio**:\n        *   Conecte o GA4 como fonte de dados.\n        *   Adicione gráficos de evolução para `Receita Total`, `Taxa de Conversão de Compra`, `AOV`.\n        *   Crie tabelas detalhando `Receita por Canal de Aquisição` (com modelo de atribuição \"baseado em dados\").\n        *   Inclua um scorecard para o GMV atual versus meta.\n\n### Workflow 2: Otimização de KPIs de Atribuição e Engajamento em Conteúdo B2B\n\nEste workflow foca em como usar o GA4 para entender a contribuição de diferentes canais e o engajamento com conteúdo, otimizando o funil de aquisição de leads B2B.\n\n**Passos Detalhados:**\n\n1.  **Definição de Objetivo de Negócio B2B**:\n    *   **Exemplo**: Aumentar a Taxa de Conversão de MQL (Marketing Qualified Lead) para SQL (Sales Qualified Lead) em 10% no próximo semestre, otimizando o conteúdo e os pontos de contato iniciais.\n2.  **Identificação de KPIs de Atribuição e Engajamento**:\n    *   **KPI de Atribuição**: `Leads Qualificados por Origem` (ex: Organic Search, Paid Search, Social, Direct). Acompanhar o `valor` do evento `generate_lead` atribuído a cada canal.\n    *   **KPI de Engajamento**:\n        *   `Tempo Médio de Engajamento por Página de Conteúdo` (ex: blog posts, whitepapers).\n        *   `Profundidade de Rolagem (Scroll Depth)` em páginas críticas (ex: landing pages).\n        *   `Taxa de Conversão de Conteúdo para Lead` (ex: downloads de e-books, preenchimento de formulário).\n3.  **Configuração de Eventos de Engajamento e Conversão no GA4**:\n    *   **Eventos de Engajamento Aprimorado**: Certifique-se de que \"Rolagem\" e \"Engajamento com vídeo\" estão ativos em \"Administrador > Fluxos de dados > Configurações de tag > Coleta de eventos\".\n    *   **Evento `generate_lead`**: Disparado no envio de formulários de contato, download de materiais ricos. Incluir `lead_type` (ex: `ebook_download`, `contact_form`) e `lead_value` (estimativa). Marque como conversão.\n    *   **Dimensões Personalizadas**: Crie uma dimensão personalizada baseada no parâmetro `page_category` para agrupar tipos de conteúdo (ex: `blog_post`, `whitepaper`, `case_study`).\n4.  **Análise de Caminhos de Conversão e Atribuição**:\n    *   **Relatório \"Caminhos de Conversão\" (Publicidade > Atribuição)**: Analise as sequências de canais que levam a um `generate_lead`. Identifique os canais que iniciam, assistem e fecham a conversão. Compare modelos de atribuição (linear, baseada em dados) para entender a contribuição real.\n    *   **Relatório \"Visão Geral de Aquisição\"**: Segmente por `lead_type` para ver quais canais trazem quais tipos de leads.\n5.  **Otimização Baseada em Insights**:\n    *   **Exemplo 1 (Atribuição)**: Se o relatório \"Caminhos de Conversão\" mostra que \"Pesquisa Orgânica\" frequentemente inicia o caminho para leads de \"Whitepaper\", mas \"Email Marketing\" fecha a conversão, foque em otimizar o SEO para termos de topo de funil e a nutrição por e-mail para engajamento.\n    *   **Exemplo 2 (Engajamento)**: Se o `Tempo Médio de Engajamento` em \"Artigos de Blog\" é baixo, mas `Profundidade de Rolagem` é alta para \"Case Studies\", otimize o conteúdo do blog para ser mais direto e adicione CTAs mais visíveis para downloads de case studies.\n    *   **Segmentação de Audiências**: Crie audiências no GA4 de \"Usuários Engajados com Conteúdo B2B\" (tempo de engajamento > 60s em páginas de blog e > 50% de rolagem) para retargeting em campanhas pagas.\n\n---\n\n## Templates\n\n### Template de Ficha de KPI\n\n```markdown\n**Nome do KPI:** Taxa de Conversão de Compra\n**Descrição:** A porcentagem de sessões que resultaram em uma compra no e-commerce.\n**Objetivo Estratégico Relacionado:** Aumento do GMV e otimização do funil de vendas.\n**Fórmula:** (Total de eventos `purchase` \u002F Total de eventos `session_start`) * 100\n**Fonte de Dados:** Google Analytics 4 (Relatório \"Monetização > Visão geral de e-commerce\", ou \"Eventos\").\n**Frequência de Monitoramento:** Diária, Semanal, Mensal.\n**Meta:** 2.5% (Benchmark do setor para e-commerce em moda).\n**Responsável:** Analista de Marketing Digital \u002F Gerente de E-commerce.\n**Observações:** Excluir sessões de bots ou tráfego interno.\n```\n\n### Template de Dashboard de Acompanhamento GA4 (Visão Geral E-commerce)\n\n```markdown\n# Dashboard de Performance E-commerce - GA4\n\n**Período:** Últimos 30 dias\n\n---\n\n## Scorecards Principais\n\n| Métrica                 | Valor Atual | Variação (vs. período anterior) | Meta    |\n|-------------------------|-------------|---------------------------------|---------|\n| Receita Total           | R$ 150.000  | +12%                            | R$ 160.000 |\n| Taxa de Conversão de Compra | 2.3%        | +0.3 p.p.                       | 2.5%    |\n| Valor Médio do Pedido (AOV) | R$ 250      | -5%                             | R$ 260  |\n| Usuários Ativos         | 65.000      | +8%                             | 70.000  |\n\n---\n\n## Tendência de Receita e Conversão (Gráfico de Linha)\n\n**Eixo Y1:** Receita Total (R$)\n**Eixo Y2:** Taxa de Conversão de Compra (%)\n**Eixo X:** Data\n\n---\n\n## Desempenho por Canal de Aquisição (Tabela)\n\n| Canal de Aquisição | Receita Total | Taxa de Conversão | AOV     | Custo (GA4\u002FAds) | ROAS (Receita\u002FCusto) |\n|--------------------|---------------|-------------------|---------|-----------------|----------------------|\n| Organic Search     | R$ 60.000     | 2.8%              | R$ 280  | -               | -                    |\n| Paid Search        | R$ 45.000     | 2.1%              | R$ 240  | R$ 10.000       | 4.5x                 |\n| Email              | R$ 25.000     | 3.5%              | R$ 300  | -               | -                    |\n| Direct             | R$ 10.000     | 1.8%              | R$ 220  | -               | -                    |\n\n---\n\n## Funil de Compras (Gráfico de Funil GA4)\n\n1.  **Visualizações de Produto (`view_item`)**: 100.000\n2.  **Adições ao Carrinho (`add_to_cart`)**: 25.000 (25% taxa de abandono)\n3.  **Início de Checkout (`begin_checkout`)**: 10.000 (60% taxa de abandono)\n4.  **Compras (`purchase`)**: 6.000 (40% taxa de abandono)\n\n---\n\n## Produtos Mais Vendidos (Tabela)\n\n| Produto ID | Nome do Produto   | Receita Total | Quantidade Vendida |\n|------------|-------------------|---------------|--------------------|\n| P001       | Tênis Esportivo   | R$ 20.000     | 100                |\n| P002       | Camiseta Dry-Fit  | R$ 15.000     | 150                |\n| P003       | Mochila Urbana    | R$ 12.000     | 60                 |\n```\n\n---\n\n## Checklist\n\n- [x] O objetivo de negócio do KPI está claramente definido e alinhado com a estratégia geral.\n- [x] O KPI é mensurável e possui uma fonte de dados confiável (GA4 configurado corretamente).\n- [x] Os eventos e parâmetros necessários para o KPI estão configurados e validados no GA4 (via DebugView).\n- [x] Dimensões e métricas personalizadas essenciais para o KPI foram criadas no GA4.\n- [x] O KPI é acionável, permitindo a tomada de decisões claras e estratégicas.\n- [x] Existe um benchmark ou meta realista para o KPI, baseado em dados históricos ou de mercado.\n- [x] A frequência de monitoramento do KPI está definida e é adequada à sua natureza.\n- [x] Um responsável claro foi atribuído para o monitoramento e otimização do KPI.\n- [x] O KPI está integrado a um dashboard visual e acessível (ex: Looker Studio).\n- [x] O modelo de atribuição no GA4 (Preferencialmente \"baseado em dados\") foi revisado e compreendido para análise do KPI.\n\n---\n\n## Métricas de Referência\n\n| Métrica                      | Benchmark (E-commerce Geral) | Meta (Exemplo) |\n|------------------------------|------------------------------|----------------|\n| Taxa de Conversão de Compra  | 1.5% - 3.5%                  | 2.8%           |\n| Valor Médio do Pedido (AOV)  | R$ 150 - R$ 400              | R$ 280         |\n| Custo por Aquisição (CPA)    | R$ 30 - R$ 150               | R$ 60          |\n| Taxa de Rejeição (Bounce Rate) | 30% - 50%                    | \u003C 40%          |\n| Tempo Médio de Engajamento   | 60s - 180s                   | > 120s         |\n| ROAS (Retorno sobre Investimento em Anúncios) | 2.5x - 4x                    | > 3x           |\n\n---\n\n## Erros Comuns\n\n1.  **Escolha de Métricas de Vaidade**: Focar em KPIs como \"visualizações de página\" ou \"usuários\" sem conectá-los a um objetivo de negócio real.\n    *   **Como evitar**: Sempre pergunte: \"Este KPI me ajuda a tomar uma decisão para o objetivo de negócio X?\". Ex: Em vez de \"Total de Visualizações de Página\", use \"Taxa de Conversão de Páginas de Produto para Adição ao Carrinho\".\n2.  **Configuração Incorreta ou Incompleta do GA4**: Eventos e conversões mal implementados levam a dados errados, inviabilizando a análise de KPIs.\n    *   **Como evitar**: Use o DebugView do GA4 e o Google Tag Assistant para validar *todos* os eventos, parâmetros e conversões em tempo real durante a implementação e após qualquer alteração no site.\n3.  **Ignorar o Contexto do Negócio e do Setor**: Adotar KPIs genéricos ou benchmarks sem considerar as especificidades da sua indústria, público-alvo ou modelo de negócio.\n    *   **Como evitar**: Pesquise benchmarks específicos para seu nicho de mercado e ajuste as metas e expectativas. Um e-commerce de luxo terá um AOV diferente de um de produtos de consumo rápido.\n4.  **Falta de Acionabilidade dos KPIs**: Definir KPIs que, mesmo medidos, não fornecem insights claros sobre o que precisa ser feito para melhorar.\n    *   **Como evitar**: Cada KPI deve ter uma clara relação de causa e efeito com ações que podem ser tomadas. Se o KPI \"Taxa de Abandono de Carrinho\" aumenta, a ação pode ser \"Otimizar o fluxo de checkout\" ou \"Revisar custos de frete\".\n5.  **Confundir Atribuição (GA4) com Último Clique**: Utilizar o modelo de atribuição \"Último Clique\" por padrão no GA4 para todos os relatórios, ignorando a contribuição de outros canais ao longo da jornada do cliente.\n    *   **Como evitar**: Prefira o modelo de atribuição \"Baseado em Dados\" no GA4 (relatórios de Publicidade > Atribuição) para ter uma visão mais holística da contribuição de cada canal, especialmente em jornadas de compra complexas.\n\n---\n\n## Dicas Avançadas\n\n1.  **Utilização de Dimensões e Métricas Personalizadas para Segmentação Profunda**: Para um e-commerce, crie dimensões personalizadas para `product_category`, `product_brand` e `user_segment` (ex: `VIP`, `Novo Cliente`). Combine com métricas personalizadas como `product_margin` (se enviada via dataLayer) para analisar a rentabilidade de KPIs por segmentos específicos. Ex: \"Margem de Lucro por Categoria de Produto e Segmento VIP\".\n2.  **Análise de Cohort para Retenção e LTV (Lifetime Value)**: No GA4, use a \"Exploração de Cohort\" para analisar a retenção de usuários ao longo do tempo. Crie cohorts baseados na data da primeira compra e acompanhe KPIs como `Receita por Usuário` ou `Frequência de Compra` para entender o LTV. Isso permite identificar quais cohorts performam melhor e otimizar estratégias de aquisição.\n3.  **Integração GA4 com BigQuery para Modelagem de Atribuição Preditiva**: Exporte os dados brutos do GA4 para o BigQuery. Com SQL e modelos de machine learning (ex: Markov Chains, Shapley Values), desenvolva modelos de atribuição mais sofisticados que vão além dos padrões do GA4, permitindo prever a contribuição futura de canais e otimizar o investimento em marketing com base no LTV real.\n4.  **Criação de Audiências Preditivas no GA4**: Utilize os recursos de audiências preditivas do GA4 (ex: \"Potenciais Compradores\", \"Potenciais Abandono de Compra\") para segmentar usuários que provavelmente farão uma compra nos próximos 7 dias ou que tendem a abandonar. Integre essas audiências com Google Ads para campanhas de retargeting ou prospecção altamente direcionadas, otimizando o CPA.\n5.  **Análise de Desempenho de Campanha com Parâmetros UTM Avançados**: Implemente uma taxonomia de UTMs rigorosa e consistente (ex: `utm_source=facebook_ads`, `utm_medium=cpc`, `utm_campaign=black_friday_2024`, `utm_content=banner_promocional_2x1`, `utm_term=tenis_esportivo_azul`). Use essas dimensões no GA4 para analisar o desempenho de KPIs como `Taxa de Conversão` e `ROAS` em um nível granular, identificando quais criativos ou segmentos de campanha geram os melhores resultados.",{"name":5,"risk":24,"license":15,"metadata":25,"description":7},"safe",{"author":26,"updated":27,"version":28,"category":29},"Cafe Code AI",1772323200000,"1.0.0","15-analytics-dados","main","96f1c49829cef14a9744366f020b54c27ce1e8fc","analytics-dados\u002Fkpi-framework",0,"https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack","https:\u002F\u002Fgithub.com\u002Fdiegojcn","https:\u002F\u002Fbdconsult.net.br\u002F","Just a guy who believes anything is possible to do or learn.","2026-08-01 20:29:22",{"source":8,"skillName":5,"commands":40,"prompt":50,"zipAvailable":51},[41,44,47],{"tool":42,"command":43},"npx","npx skills add diegojcn\u002Fagent-skill-pack --skill kpi-framework",{"tool":45,"command":46},"bunx","bunx skills add diegojcn\u002Fagent-skill-pack --skill kpi-framework",{"tool":48,"command":49},"pnpm","pnpm dlx skills add diegojcn\u002Fagent-skill-pack --skill kpi-framework","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fanalytics-dados\u002Fkpi-framework\u002FSKILL.md",true,[],[54,62,69,76,85,93],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":58,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7A5F6060M1CMYXA32MAB5YK","clarity-gate","Pre-ingestion verification for epistemic quality in RAG systems. Ensures documents are properly qualified before entering knowledge bases. Produces CGD (Clarity-Gated Documents) and validates SOT (Source of Truth) files.","CC-BY-4.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fworkflow\u002Fclarity-gate\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7A5B3X23ME7CTA3B29C18EN","skill-check","Validate Claude Code skills against the agentskills specification. Catches structural, semantic, and naming issues before users do.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fskill-check\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7A5B06YPKDW1NQQ1185MME5","peon-ping-use","Set which voice pack (character voice) plays for the current chat session. Automatically enables session_override rotation mode if not already set. Use when user wants a specific character voice like GLaDOS, Peon, or Kerrigan for this conversation.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fpeon-ping-use\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":81,"sourceHtmlUrl":82,"categories":83,"keywords":84,"publishedAt":19},"01M7A5A24ANPXAK25W1BZB18TX","mcp-builder","Guide for creating high-quality MCP (Model Context Protocol) servers that enable LLMs to interact with external services through well-designed tools. Use when building MCP servers to integrate exte...","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Ftooling\u002Fmcp-builder\u002FSKILL.md",[],[],{"skillNo":86,"name":87,"nameZh":6,"description":88,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":80,"licenseFileUrl":89,"sourceHtmlUrl":90,"categories":91,"keywords":92,"publishedAt":19},"01M7A553V4A3J4YKMCE7PYQX8X","webapp-testing","Toolkit for interacting with and testing local web applications using Playwright. Supports verifying frontend functionality, debugging UI behavior, capturing browser screenshots, and viewing browse...","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Fwebapp-testing\u002FSKILL.md",[],[],{"skillNo":94,"name":95,"nameZh":6,"description":96,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":97,"categories":98,"keywords":99,"publishedAt":19},"01M7A53PZ7PJEMS2YVPJW3XN44","test-driven-development","TDD: enforce RED-GREEN-REFACTOR, tests before code.","https:\u002F\u002Fgithub.com\u002Fdiegojcn\u002Fagent-skill-pack\u002Fblob\u002Fmain\u002Fsoftware-development\u002Ftest-driven-development\u002FSKILL.md",[],[]]