核心用法
Shopify Tracking Auditor 是一款面向电商广告效果团队的诊断型工具，核心任务是定位从广告点击到最终购买的完整漏斗中，哪些环节出现了追踪数据断裂或归因泄漏。
典型使用场景包括：
- 平台端（Facebook/Google Ads）显示的转化数与 Shopify 后台订单数不一致
- ROAS 数据忽高忽低，怀疑是事件重复触发或漏报
- CAPI（Conversion API）部署后仍出现归因偏差
- 结账流程改版后，Purchase 事件丢失率上升
操作流程分为四步：
1. 漏斗映射：梳理 click → landing → add-to-cart → checkout → purchase 的完整事件链
2. 一致性校验：检查事件命名规范、去重机制（event_id）、时间戳连续性
3. 断点定位：识别数据缺失或不可靠的关键节点
4. 修复排序：按对归因准确性的影响程度输出优先级清单
输出格式固定为四部分：执行摘要（5行内）、分级行动项（P0/P1/P2）、证据矩阵（信号/置信度/风险）、7天执行计划。
显著优点
- 系统性诊断：不局限于单一环节（如只查 Pixel），而是覆盖 UTM、浏览器端、服务器端（CAPI）、结账事件的全栈追踪
- 证据驱动：要求每个发现必须关联具体的事件样本，避免主观猜测
- 优先级清晰：P0/P1/P2 分级帮助团队资源聚焦在最高归因影响的修复上
- 与下游工具衔接：明确建议修复后使用
creator-attribution-lite进行归因复盘，形成闭环
潜在缺点与局限性
- 依赖输入质量：需要用户提供事件样本、配置笔记、UTM 实例等，若原始数据不完整，输出会标记大量假设
- 非自动化修复：仅提供诊断和修复清单，实际代码/配置修改仍需开发或广告运营手动执行
- 平台特定：专为 Shopify 生态设计，对 WooCommerce、Magento 等其他电商平台的适配性未明确
- CAPI 复杂性：服务器端事件调试涉及 access token、测试事件 API 等，对非技术用户门槛较高
适合人群
- 广告效果优化师：负责 ROAS 监控和归因分析的投放团队
- 电商数据分析师：需要验证平台数据与第一方数据一致性的分析人员
- MarTech 工程师：负责 Pixel、CAPI、GTM 等技术部署的开发或运维
常规风险
| 风险类型 | 说明 |
|---------|------|
| 误归因风险 | 若修复过程中事件重复触发，可能导致平台端转化数虚高，进而错误优化广告出价 |
| 数据采样偏差 | 用户提供的"事件样本"若非随机抽取，可能导致诊断结论偏向特定流量渠道 |
| 隐私合规 | CAPI 涉及用户数据的 server-side 传输，需确保符合 GDPR/CCPA 等法规的同意机制 |
| 商业授权限制 | 技能采用 CC BY-NC-SA 4.0 协议，商业场景需单独购买授权，团队使用前需确认合规性 |
安全建议：在执行任何 CAPI 或 Pixel 配置变更前，务必先在 Shopify 的测试环境或低流量时段验证，并使用平台提供的测试事件工具（如 Meta Event Manager）确认事件回传正常后再全量上线。