How do I install the Sealeap Amazon Prime Day Planning skill?

Run npx skillmds@latest add xjli360/sealeap-amazon-prime-day-planning in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.

Is Sealeap Amazon Prime Day Planning safe to use?

This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.

Which AI agents work with Sealeap Amazon Prime Day Planning?

This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.

Is Sealeap Amazon Prime Day Planning free to use?

Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.

Who published Sealeap Amazon Prime Day Planning?

xjli360 (@xjli360) published this skill. Their other Agent Skills are listed on their SkillMD profile.

Sealeap Amazon Prime Day Planning by xjli360

Name: Sealeap Amazon Prime Day Planning
Author: xjli360

Sealeap Amazon Prime Day Planning

Filter, interpret, and turn the authorized 2025 Amazon Prime Day advertising insight records into a qualified event plan without averaging incompatible slices or treating historical benchmarks as forecasts. Use for Prime Day/会员日广告规划, 旺季预算, ROAS/DPV/Units/Sales benchmark, marketplace insight lookup, Sponsored Ads/SP/SB/Display mix, event baseline comparison, preheat/peak/tail plan, or querying the included 116-row insight dataset. Default to analysis and draft; verify the current event dates, eligibility, policies, inventory, economics, and account data before any live change.

xjli360 Updated Sep 17, 2026

File contents

Amazon Prime Day 广告规划

目标

从 116 条带限定条件的历史洞察中找到“真正适用于当前问题的行”，保留 marketplace、广告产品、指标、广告主资格、品类、花费门槛和时间窗口，再将其降级为规划先验，用当前账户数据决定活动节奏与实验。

先读 references/source-and-guardrails.md。查询数据使用 scripts/filter_insights.py；输出计划参考 references/planning-workflow.md。

查询数据

查看摘要：

python3 scripts/filter_insights.py --summary

按站点、指标和广告产品筛选：

python3 scripts/filter_insights.py --marketplace DE --metric ROAS --ad-product "Sponsored Brands"

搜索限定条件：

python3 scripts/filter_insights.py --marketplace US --contains "brand owner" --format json

marketplace 会匹配行中列出的单站点/区域；All 不是任意行通配符，而是源数据明确标记的全球切片。

工作流

1. 锁定当前事件

确认年份、marketplace、官方 event dates、广告 profile、时区、币种、ASIN/品类、Deal/优惠资格、库存到仓时间和活动目标。不得沿用 2025 时间窗口作为当前日历。

2. 锁定经济性与库存

计算贡献毛利、盈亏平衡 ACOS、促销成本、库存覆盖天数、补货截止和断货风险。销量目标超出库存或现金流承受时先 HOLD_SCALE。

3. 筛选可比洞察

从最严格条件开始：单站点 > 区域 > All；同指标、同广告产品、相近广告主资格/品类/花费门槛。每个候选行完整保留 Content 中的限定说明。

如果没有足够可比行，输出 NO_COMPARABLE_SOURCE_SLICE，不要拿全球/其它品类数字填空。

4. 解释而非平均

DPV、Units、Sales 的 uplift 是事件期对材料所列基准期的比较；
ROAS 是材料所列事件期内的比率；
各行可能来自不同 marketplace、资格和广告产品，不得求简单平均或排名；
历史洞察只帮助设定问题和护栏，不直接设置预算或目标。

5. 形成三阶段计划

PREHEAT：验证零售准备、扩充合格搜索词/人群、建立基线；
EVENT：把预算优先给当前账户已证明的高贡献对象，设置实时停止线；
TAIL：收紧低效流量、继续合规再营销、等待归因成熟并复盘。

每阶段只给活动角色、证据和上下限；不照抄资料预算比例。

6. 设计一个实验

只改变一个变量，例如预算释放节奏、广告产品组合、关键词层或创意。固定其它主要条件，记录最大花费、库存护栏、成功/停止线和回退。

7. 审批与复读

所有 bid、budget、campaign 状态、target、Deal 或优惠变更必须列出逐对象旧值/新值并等待批准。写后复读当前值；请求成功不等于事件表现已改善。

必须交付

当前事件、账户、经济性和库存作用域；
选中的源行及全部 qualifier；
为什么可比、为什么其它行被拒绝；
PREHEAT / EVENT / TAIL 草案；
一个单变量实验、审批和回退；
DRAFT / READY_FOR_REVIEW / HOLD 状态。

---name: sealeap-amazon-prime-day-planningdescription: Filter, interpret, and turn the authorized 2025 Amazon Prime Day advertising insight records into a qualified event plan without averaging incompatible slices or treating historical benchmarks as forecasts. Use for Prime Day/会员日广告规划, 旺季预算, ROAS/DPV/Units/Sales benchmark, marketplace insight lookup, Sponsored Ads/SP/SB/Display mix, event baseline comparison, preheat/peak/tail plan, or querying the included 116-row insight dataset. Default to analysis and draft; verify the current event dates, eligibility, policies, inventory, economics, and account data before any live change.---# Amazon Prime Day 广告规划## 目标从 116 条带限定条件的历史洞察中找到“真正适用于当前问题的行”，保留 marketplace、广告产品、指标、广告主资格、品类、花费门槛和时间窗口，再将其降级为规划先验，用当前账户数据决定活动节奏与实验。先读 [references/source-and-guardrails.md](references/source-and-guardrails.md)。查询数据使用 `scripts/filter_insights.py`；输出计划参考 [references/planning-workflow.md](references/planning-workflow.md)。## 查询数据查看摘要：```bashpython3 scripts/filter_insights.py --summary```按站点、指标和广告产品筛选：```bashpython3 scripts/filter_insights.py --marketplace DE --metric ROAS --ad-product "Sponsored Brands"```搜索限定条件：```bashpython3 scripts/filter_insights.py --marketplace US --contains "brand owner" --format json````marketplace` 会匹配行中列出的单站点/区域；`All` 不是任意行通配符，而是源数据明确标记的全球切片。## 工作流### 1. 锁定当前事件确认年份、marketplace、官方 event dates、广告 profile、时区、币种、ASIN/品类、Deal/优惠资格、库存到仓时间和活动目标。不得沿用 2025 时间窗口作为当前日历。### 2. 锁定经济性与库存计算贡献毛利、盈亏平衡 ACOS、促销成本、库存覆盖天数、补货截止和断货风险。销量目标超出库存或现金流承受时先 `HOLD_SCALE`。### 3. 筛选可比洞察从最严格条件开始：单站点 > 区域 > `All`；同指标、同广告产品、相近广告主资格/品类/花费门槛。每个候选行完整保留 `Content` 中的限定说明。如果没有足够可比行，输出 `NO_COMPARABLE_SOURCE_SLICE`，不要拿全球/其它品类数字填空。### 4. 解释而非平均- DPV、Units、Sales 的 uplift 是事件期对材料所列基准期的比较；- ROAS 是材料所列事件期内的比率；- 各行可能来自不同 marketplace、资格和广告产品，不得求简单平均或排名；- 历史洞察只帮助设定问题和护栏，不直接设置预算或目标。### 5. 形成三阶段计划- `PREHEAT`：验证零售准备、扩充合格搜索词/人群、建立基线；- `EVENT`：把预算优先给当前账户已证明的高贡献对象，设置实时停止线；- `TAIL`：收紧低效流量、继续合规再营销、等待归因成熟并复盘。每阶段只给活动角色、证据和上下限；不照抄资料预算比例。### 6. 设计一个实验只改变一个变量，例如预算释放节奏、广告产品组合、关键词层或创意。固定其它主要条件，记录最大花费、库存护栏、成功/停止线和回退。### 7. 审批与复读所有 bid、budget、campaign 状态、target、Deal 或优惠变更必须列出逐对象旧值/新值并等待批准。写后复读当前值；请求成功不等于事件表现已改善。## 必须交付- 当前事件、账户、经济性和库存作用域；- 选中的源行及全部 qualifier；- 为什么可比、为什么其它行被拒绝；- PREHEAT / EVENT / TAIL 草案；- 一个单变量实验、审批和回退；- `DRAFT / READY_FOR_REVIEW / HOLD` 状态。

Frequently asked questions