核心用法
ROI Calculator 是一款面向网红营销（Influencer Marketing）的专业财务评估技能，用于计算、验证并汇报营销活动的投入产出比。用户只需提供基础投入数据（如 $25K 花费）和结果数据（如 $72K 收入、210万触达），即可通过自然语言指令触发完整的多维度 ROI 分析流程。
该技能内置 10 步标准化计算流程：从数据收集、直接 ROI/ROAS 计算，到 EMV（ earned media value，赢得媒体价值）、成本效率指标（CPM、CPE、CPA/CAC）、多触点归因建模（首次触达、末次触达、线性、时间衰减、位置归因），再到客户生命周期价值（LTV）影响评估及达人层级 ROI 拆解。最终输出包含投资摘要、方法论对比、关键指标基准对照、盈亏判定及 1-3 条可执行建议。
特别值得注意的是，该技能是 STAR 评估框架中「Return (R)」维度的专用证据生产工具，其计算结果（R1-R6）可直接投喂至 creator-content-auditor 门控进行 SQS（STAR Quality Score）综合评分，实现从财务数据到质量认证的闭环。
显著优点
1. 零集成依赖：作为 Tier 1 技能，无需任何 API 或实时数据连接，纯手动输入即可运行全部计算，极适合数据基础设施不完善的团队快速启动。
2. 方法论完备：覆盖从简单粗暴的直接 ROAS 到复杂的归因建模和 LTV 预测，支持短期效果与长期价值双视角评估，避免单一指标决策偏差。
3. 跨学科复用：明确设计为网红营销与付费广告（paid ads）共享的「return-math engine」，ROI 计算结果可被预算优化器、归因协调器等下游技能复用。
4. 审计友好：强制要求每个 headline metric 必须附带「声明的来源日期对比基准」，禁止编造通用 benchmark，并区分 Measured/User-provided/Calculated/Estimated 四类数据置信度，满足合规审计需求。
5. STAR 框架原生支持：步骤 9 专为生成 STAR 认证的 Return (R) 证据设计，天然支持营销效果的质量标准化评估。
潜在缺点与局限性
1. 非实时数据依赖：虽然零集成是优势，但也意味着数据时效性完全依赖用户输入质量，无法自动抓取平台最新数据，可能产生滞后评估。
2. EMV 方向性警示：技能明确标注 earned media value 为「directional, not absolute」，若用户误将 EMV 当作实际收入用于预算审批，可能导致决策失误。
3. 归因模型选择无绝对标准：虽提供 5 种归因模型并建议适配客户旅程，但最终推荐仍依赖人工判断，缺乏自动化最优模型选择机制。
4. 多达人聚合简化风险：技能声明「预算加权平均的 SQS 仅用于摘要，不可替代单达人诊断」，但实际操作中用户可能忽略此约束，用聚合分数掩盖个体问题。
5. 权限管理严格：需单独授权才能持久化存储或写入热缓存，在敏捷协作场景中可能增加流程摩擦。
适合的目标群体
- 营销效果分析师：需要向管理层证明网红营销价值的 in-house 分析师。
- 达人营销操盘手：管理多层级 KOL/KOC 组合，需评估单达人性价比的 campaign manager。
- 预算审批决策者：CMO、品牌总监等需基于 ROI 数据做 scale/break/hold 战略决策的高管。
- 电商增长团队：同时运营付费广告与网红内容，需统一回报计算口径的 cross-functional 团队。
- 营销审计与合规岗：需生成可追溯、带置信度标签的财务证据以满足内部风控或外部审计要求。
常规使用风险
1. 性能风险：复杂归因计算与 LTV 预测涉及多表关联，若用户一次性输入大量达人（>100）或长周期历史数据，响应延迟可能显著增加。
2. 数据一致性风险：技能虽强制声明数据来源类型，但无法验证用户输入真伪，虚假或错误数据将直接污染下游 STAR 评分与预算优化决策。
3. 过度归因风险：attribution-modeled revenue 的计算依赖用户声明的归因窗口，若窗口设置与业务实际不匹配（如将 90 天 LTV 压缩进 7 天窗口），将高估短期 ROI。
4. 技能链循环风险：技能内置「visited-set」防重机制，但若用户在复杂工作流中手动绕过此机制，可能导致与 report-generator 或 budget-optimizer 的循环调用。
5. 存储路径混淆风险：网红营销与付费广告的数据分别写入 memory/influencer/roi-calculator/ 与 memory/ad/roi-calculator/，跨学科调用时若未正确指定路径，可能导致数据孤岛或覆盖。