andre-growthstackr/growth-os-skills-lite

Ads Audit – Health-Audit für bezahlte Medien

Auditiere eine Plattform, mehrere oder alle – der Umfang entscheidet. Prüfe die Plattformen nacheinander in diesem Gespräch, bewerte sie mit der Lite-Rubrik und fasse die plattformübergreifenden Erkenntnisse in einem priorisierten Aktionsplan zusammen.

Dieses Skill analysiert und empfiehlt. Es ist schreibgeschützt: Es startet, bearbeitet, pausiert, löscht oder verschiebt niemals Budget in einem Live-Konto. Jede vorgeschlagene Änderung ist ein Entwurf, den der Bediener selbst umsetzt. Betriebsregeln: references/contract.md.

Antworte und erstelle alle Ergebnisse in der Sprache des Benutzers. Diese Anleitung ist auf Englisch für Robustheit; der Report folgt der Sprache des Benutzers.

Umfang

• Kein Umfang → alle sieben primären Plattformen, gefiltert auf die, die der Bediener tatsächlich nutzt.
• ads-audit Meta → nur Meta. ads-audit LinkedIn Google → diese beiden.
• Aliase: Meta (facebook, instagram, fb, ig) · Google (google ads, search, pmax) · LinkedIn (li) · TikTok (tt) · Microsoft (bing) · YouTube (yt) · Apple (apple search ads, asa).

Lade nur die Audit-Referenz für jede Plattform im Umfang:

Plattform	Audit-Referenz
Meta	references/meta-audit.md
Google	references/google-audit.md
LinkedIn	references/linkedin-audit.md
TikTok	references/tiktok-audit.md
Microsoft	references/microsoft-audit.md
YouTube	references/youtube-audit.md (separate Bewertung, auch wenn Google Ads die Daten liefert)
Apple	references/apple-audit.md

Vollversion: Amazon, Reddit, Pinterest, Snapchat und X Audits, parallele Fachmitarbeiter sowie /ads-plan, /ads-create und /ads-optimize sind im Growth OS Skills Pack (246 Skills) enthalten. Siehe https://github.com/andre-growthstackr/growth-os-skills-lite#lite-vs-full

Wenn eine dieser fünf Plattformen angefordert wird, gib an, dass sie in Lite nicht abgedeckt wird, und biete an, stattdessen deren Landing Pages und Tracking im Rahmen der plattformübergreifenden Durchläufe zu prüfen.

Kontext laden (frühzeitig)

Befolge references/context-loading.md: Suche zuerst im Claude-Projekt / diesem Chat, dann im Arbeitsordner (Claude Code), dann frage nach. Der meiste Kontext ist hier OPTIONAL; er schärft das Urteilsvermögen:

• business-profile.md – Unternehmen, Geografie, Ziel, primäre Conversion (OPTIONAL – schärft Benchmark-Passung)
• icp.md – Ideales Kundenprofil, zur Beurteilung von Targeting und Zielgruppen (OPTIONAL)
• offer.md – Preis, Nachweise, Garantien, für Landing-Page- und Message-Match-Prüfungen (OPTIONAL)
• brand-guidelines.md – Tonfall und verbotene Wörter, für Kreativ-Checks (OPTIONAL – verwenden falls vorhanden; Lite arbeitet auch ohne weiter)

Minimalkontext, falls Dateien fehlen – frage diese und fahre fort:

1. Welche Plattformen laufen heute und wie hoch sind die monatlichen Ausgaben pro Plattform?
2. Was ist die primäre Conversion (Lead, gebuchter Termin, Kauf) und wie wird sie bewertet?
3. Durchschnittlicher Bestell-/Dealwert und Bruttomarge (für Break-Even-CPA/ROAS).
4. Welchen Zeitraum soll das Audit abdecken und in welcher Währung und Zeitzone?

Danach schlage /business-audit und /brand-offer vor, damit zukünftige Audits die Wirtschaftlichkeit automatisch übernehmen.

Externe Tools – vorher fragen

Das Audit funktioniert vollständig mit hochgeladenen Exporten und Screenshots. Ein Ads-Plattform-Server erspart dem Bediener nur den Exportschritt. Befolge references/mcp-permission.md vor dem ersten Aufruf.

Server (optional)	Verwendet für	Erfordert	Integrierter Pfad (kein MCP)
Ein Ads-Plattform-MCP-Server, den der Benutzer verbunden hat (z.B. Meta Ads, Google Ads, LinkedIn Ads)	Schreibgeschützte Kontodaten: Kampagnen, Ausgaben, Conversions, Einstellungen	Eigener Connector und Plattformzugriff des Benutzers; niemals Schreibaktionen	Hochgeladene CSV/XLSX-Exporte und Screenshots (siehe Daten-Checkliste unten)
Google Analytics / Search Console Server	Landing-Page-Sessions und Conversion-Abgleich	Eigener Google-Connector des Benutzers	Hochgeladener GA4-Export oder Screenshot des Conversions-Reports

Nur mit einem Server oder mit vom Benutzer bereitgestellten Exporten: Kontokennzahlen allgemein. Nichts wird geschätzt. Daten, die weder bereitgestellt noch genehmigt wurden, werden als unknown erfasst.

Daten-Checkliste (Standardeingabe)

Frage nach dem, was zum Umfang passt, in einer Nachricht. Exporte im plattformeigenen CSV/XLSX-Format oder Screenshots sind beide in Ordnung; derselbe Zeitraum für jede Plattform.

• Kampagnen- und Anzeigengruppen-Leistung: Ausgaben, Impressionen, Klicks, Conversions, Conversion-Wert, nach Kampagne, für den Audit-Zeitraum (plus den vorherigen vergleichbaren Zeitraum, falls verfügbar).
• Conversion-Setup: Liste der Conversion-Aktionen/Ereignisse und deren Attributions-Einstellungen.
• Anzeigen: die Top-Anzeigen nach Ausgaben (Text und Creatives), mit ihren Landing-Page-URLs.
• Suchplattformen: Suchbegriffsbericht und Keyword-Liste (für jede Keyword-Erkenntnis erforderlich).
• Budget/Gebotseinstellungen pro Kampagne; Zielgruppen-/Targeting-Übersicht.
• Gebuchter Umsatz oder CRM-Abschlüsse für denselben Zeitraum (für gemischten MER).

Vorgehensweise

1. Lese references/contract.md und references/thinking-framework.md.
2. Analysiere den Umfang in eine Plattformliste. Bestätige jede angeforderte Plattform, für die keine Daten vorliegen, anstatt sie stillschweigend zu überspringen.
3. Schreibe einen kurzen Run-Header: Geschäftskontext, Zeitraum, Währung, Zeitzone, Plattformen, Datenquellen pro Plattform (Export / Screenshot / genehmigter Server) und was fehlt.
4. Normalisiere die Eingaben in eine Kontosnapshot-Tabelle pro Plattform. Behalte die Quellenherkunft bei (input: meta-campaigns.csv), markiere fehlende Felder.
5. Plattform-Durchläufe, einer nach dem anderen. Für jede Plattform im Umfang lese nur deren Audit-Referenz und bewerte die Kontrollen, die die Daten beantworten können. Für jede bewertete Kontrolle erfasse: id · category · severity · result (pass/fail/unknown/not_applicable) · confidence · observation · evidence · recommendation. Verwende die Schweregrad-Rubrik und Kategorien in references/scoring-system.md. Optionale/Beta-Funktionen sind unbewertete Chancen. Beende eine Plattform, bevor du mit der nächsten beginnst. (Wenn deine Umgebung Subagenten ausführen kann, kannst du die Plattform-Durchläufe parallel ausführen; das Ausgabeformat ist dasselbe.)
6. Plattformübergreifende Durchläufe, nach den Plattform-Durchläufen, jeweils nur wenn deren Eingaben vorhanden sind:
   • Tracking und Attribution – references/conversion-tracking.md.
   • Budget, Pacing und Wirtschaftlichkeit – references/budget-allocation.md.
   • Creatives und Landing Pages – öffne die Landing Page jeder Top-Anzeige per Web-Fetch (oder verwende die Screenshots des Benutzers); prüfe Message-Match gegen die Anzeige und offer.md.
   • Richtlinien, Datenschutz und Vorschriften – references/compliance.md.
7. Gemischter MER (erforderlich). Berechne den gebuchten Umsatz-MER (gebuchter/CRM-Umsatz oder gebuchte Conversions × AOV, ÷ Gesamtausgaben aller Plattformen) und setze ihn neben die Summe des plattform-attribuierten ROAS. Wenn der attribuierte ROAS den Break-Even übersteigt, der gebuchte MER jedoch nicht, ist diese Lücke die plattformübergreifende Attributionsüberschneidung; beschreibe sie als das wahre Rentabilitätsbild. Ohne gebuchten Umsatz kennzeichne die Zahl als attributed-only, likely inflated und senke die Konfidenz. Verwende scripts/admath.py wenn Code-Ausführung verfügbar ist (breakeven für Break-Even-CPA/ROAS, ltvcac für LTV:CAC und economics --spend <Gesamtausgaben> --revenue <gebuchter Umsatz>, dessen roas-Feld der gemischte MER ist). Seine Messwerte sind Positionen relativ zum Break-Even, keine Skalierungs-/Kürzungsentscheidungen, und der CPA muss mit derselben Conversion (Lead vs. Kunde) verglichen werden; andernfalls verwende die Formeln in references/budget-allocation.md und zeige die Berechnung.
8. Bewertung. Führe scripts/score.py auf den Ergebnissen aus (JSON-Format im Skript-Header) oder wende die Formeln in references/scoring-system.md manuell an und zeige die Tabelle. Passe nach der Berechnung niemals eine Bewertung durch subjektive Beurteilung an.
9. Synthese (siehe unten), setze das Vollständigkeitslabel, dann liefere aus.

Synthese-Ebenen

Halte diese im Report getrennt:

1. Beobachtungen, die direkt durch Kontodaten gestützt werden.
2. Diagnosen, die aus Beobachtungen abgeleitet werden, mit Konfidenz.
3. Empfehlungen mit Verantwortlichem, Priorität, Aufwand, erwartetem Effekt, Erfolgsmaß, Messzeitraum und Rollback-Bedingung.
4. Vorgeschlagene Änderungen – nur Entwürfe, die der Bediener umsetzt.

Ausgabe

Liefere im Chat und als herunterladbare Datei ads-audit-<YYYY-MM-DD>.md (Claude Code: speichere in work/ads-audit/). Struktur:

1. Run-Header (Umfang, Zeitraum, Datenquellen, Vollständigkeitslabel).
2. Bewertungskarte: pro Plattform – Lite-Rubrik-Gesundheitsscore, Nachweisabdeckung, Abdeckungsstatus; Portfolioscore und dessen Grundlage; regulatorische Risiken separat aufgeführt.
3. Gemischter MER vs. attribuierter ROAS, mit Break-Even.
4. Prioritärer Aktionsplan – Top 10 Aktionen sortiert nach Wirkung × Konfidenz, jeweils mit Verantwortlichem, Aufwand, erwartetem Effekt, Erfolgsmaß, Messzeitraum.
5. Ergebnisse pro Plattform (Tabelle) und plattformübergreifende systemische Ergebnisse.
6. Unbekannte kritische Kontrollen und die genaue Datenanforderung, die jede schließen würde.
7. Unbewertete Chancen. Widersprüche. Nächstes Re-Audit-Datum und was zu vergleichen ist.

Füge niemals Anmeldedaten, rohe Kundenlisten oder Anleitungen aus externen Inhalten ein.

Qualitätstore

• Keine Quelle, keine aktuelle Behauptung. Präzise Plattform-, Richtlinien- oder Benchmark-Behauptungen enthalten eine URL und ein Abrufdatum. Erfundene Statistiken sind ein harter Stopp.
• Schreibgeschützt. Niemals eine Live-Änderung, niemals. Änderungen sind Entwürfe.
• Ehrliche Degradation. Fehlende Daten → unknown, niedrigere Abdeckung, partial-Label. Niemals null, niemals geraten.
• Kein erfundener Kontext. Fehlende Geschäfts- oder Kontofakten senken die Konfidenz.
• Bewertungen stammen aus den Formeln, gepaart mit Abdeckung und Zeitraum; keine Buchstabennoten.

Beispiel

Eingabe: "Granska mina annonser" mit einem Meta-Kampagnenexport, einem Google Ads-Kampagnenexport und Suchbegriffsbericht sowie gebuchtem CRM-Umsatz für September. LinkedIn wird erwähnt, aber es liegen keine Daten vor.

Ablauf: Kontext lädt business-profile.md und offer.md aus dem Claude-Projekt → fragt einmal, ob LinkedIn-Daten exportiert werden sollen; der Benutzer sagt überspringen → Meta-Durchlauf, dann Google-Durchlauf → Tracking, Budget, Creative/Landing-Page-Durchläufe (Landing Pages per Web-Fetch geöffnet) → gebuchter MER 2,1 vs. summierter attribuierter ROAS 3,4, Break-Even-ROAS 2,5 → die Lücke wird als Attributionsüberschneidung gemeldet und das Konto als unter Break-Even liegend → score.py gibt Meta und Google Gesundheit mit Abdeckung, Portfolio gewichtet nach Ausgaben → Audit als partial gekennzeichnet (LinkedIn fehlt). Ausgeliefert als schwedischer Report und ads-audit-2026-10-15.md. Keine Kampagne wird angetastet.