Modo
Agendar llamada

ads-audit: auditar tus cuentas de anuncios con evidencia

Audita cuentas de anuncios de hasta 12 plataformas y separa lo que está bien, lo que está mal y lo que no se pudo revisar, con la evidencia de cada punto.

ads-audit: auditar tus cuentas de anuncios con evidencia

Respuesta rápida

Qué es
ads-audit es una skill de Agrici Daniel (licencia MIT) que audita cuentas de anuncios de Google, Meta, TikTok, LinkedIn y otras ocho plataformas con un revisor dedicado por plataforma y evidencia citada en cada hallazgo.
Qué le das
Exportaciones de tus cuentas (CSV o JSON), capturas o un resumen con fechas, moneda y zona horaria, más tu objetivo y tu conversión principal
Qué te devuelve
Un paquete de auditoría con hallazgos, cobertura de evidencia por plataforma, datos faltantes y un plan de acción priorizado en Markdown, HTML o PDF
Licencia
MIT
En GitHub
11 mil estrellas · actualizada el
Revisada por Claura

Instálala en una línea para todos tus proyectos, en Claude Code, Cursor, Codex y más:

npx skills add AgriciDaniel/claude-ads --skill ads-audit -g

Funciona en

Claude CodeEn ~/.claude/skills/

Pedidos para probarla

Con la skill instalada, copia uno y pégaselo a tu agente tal cual, o cambia los datos por los tuyos.

  • Audita mi cuenta de Meta Ads con esta exportación [adjunta el CSV] y separa lo que observas, lo que diagnosticas y lo que propones.

  • Revisa la cuenta de Google Ads de mi ecommerce y dime en qué se está yendo la plata sin traer ventas.

  • Arma el informe de auditoría en PDF para presentarle a mi cliente, con las prioridades de este mes.

#Qué hace

ads-audit es una de las más de 30 skills de Claude Ads, el plugin de publicidad paga de Agrici Daniel. No corre sola: primero lee la skill principal ads (el contrato de operación y el marco de razonamiento) y después sigue 11 pasos. Arma un manifiesto de la corrida (contexto del negocio, rango de fechas, moneda, zona horaria, plataformas pedidas y clasificación de privacidad), normaliza las exportaciones, capturas o métricas en una foto de la cuenta que guarda de dónde salió cada dato, descubre qué plataformas están activas y te consulta antes de saltear una que pediste y no tiene datos. Luego lanza en paralelo un revisor por plataforma (doce en total) y, si hay insumos, cuatro revisores transversales: medición y atribución, creatividades y páginas de destino, presupuesto y viabilidad financiera, y políticas, privacidad y regulación.

Cada revisor devuelve un objeto con formato fijo: el control revisado, su estado, la evidencia, la confianza, la observación, el diagnóstico y la recomendación, más los datos faltantes y cómo conseguirlos. La skill valida cada resultado, reintenta una sola vez si hubo una falla pasajera y calcula el puntaje con código, no en el texto del modelo. La auditoría queda en uno de cuatro estados: completa, provisoria (alguna plataforma con 60 a 79 % de cobertura de evidencia), parcial (falló o faltó un revisor) o con evidencia insuficiente (menos de 60 %).

El resultado es una carpeta con manifest.json, account-snapshot.json, audit.json, action-plan.json y report.md (HTML y PDF opcionales). El informe trae salud y cobertura por plataforma, exposición regulatoria, problemas que cruzan varias plataformas, contradicciones, datos faltantes, acciones priorizadas y un plan de medición. Nunca incluye credenciales ni listas de clientes, y no da reglas universales de pausa, puja o presupuesto: pide considerar el retraso de las conversiones, el tamaño de la muestra, el margen y la madurez de la cuenta.

#Cómo aplicarla a tu negocio

Caso de ejemplo: una agencia de Santiago de Chile que suma como cliente a un ecommerce de muebles con campañas en Google, Meta y TikTok, y quiere entregarle en la primera semana un diagnóstico que pueda defender.

  1. Perfil del cliente. Con /ads setup carga el rubro, el objetivo (ventas online), la conversión principal (compra), el gasto mensual por plataforma y quién aprueba cambios.
  2. Evidencia. Exporta 90 días de Google y Meta en CSV, con pesos chilenos y la zona horaria de Santiago. TikTok no se puede exportar a tiempo porque nadie tiene acceso.
  3. Auditoría. Corre /ads audit all. Google y Meta salen con sus hallazgos (por ejemplo, conversiones de compra contadas dos veces entre la etiqueta y el feed, o anuncios activos sin cambio de creatividad en meses). TikTok queda como faltante con la indicación de qué acceso pedir, y la auditoría se marca parcial, no completa.
  4. Entrega. Con /ads report arma el PDF para el cliente. Cada recomendación lleva responsable, esfuerzo y cómo se va a medir. Los cambios quedan como borrador: ninguno se aplica sin la aprobación de quien figura en el perfil.

Lo valioso para la agencia es poder decir con precisión qué revisó y qué no, en vez de entregar una nota de salud que nadie sabe de dónde salió.

#Cómo instalarla

ads-audit depende de la skill principal ads, de los revisores de la carpeta agents/ y de un motor en Python, así que la vía recomendada es instalar el plugin completo.

  • Como plugin de Claude Code (recomendado por el autor): /plugin marketplace add agricidaniel/claude-ads y después /plugin install claude-ads@ai-marketing-hub-claude-ads. Como plugin, los comandos llevan prefijo: /claude-ads:ads audit.
  • Desde una copia del repositorio: git clone https://github.com/AgriciDaniel/claude-ads.git, entras a la carpeta y corres bash install.sh --source=local (con --target=codex o --target=gemini para esos destinos, que el autor marca como experimentales). En Windows existe install.ps1.
  • Con una línea: npx skills add AgriciDaniel/claude-ads --skill ads-audit -g copia solo esta pieza. Sin la skill ads, los revisores y el motor no corre la auditoría completa, por eso no es la vía recomendada.
  • A mano: copiar la carpeta a ~/.claude/skills/ (Claude Code) o a ~/.agents/skills/ (Cursor, Codex y Gemini CLI) tiene el mismo problema: hace falta el resto del plugin.
  • App de Claude: subirla como ZIP en Customize, Skills, «Upload a skill» no alcanza, porque la skill necesita los revisores y el motor en Python.

Necesitas Python 3.11 o 3.12 (macOS, Windows o Linux con glibc 2.28 o superior). Para PDF hacen falta WeasyPrint y Pango, y para capturas, un navegador de Playwright. El autor pide no ejecutar instaladores remotos directo en la terminal y verificar las versiones publicadas con su archivo SHA256SUMS.

El SKILL.md completo (con la licencia y la fuente) está más abajo.

El SKILL.md completo

Skill original de Agrici Daniel (MIT). Fuente: github.com/AgriciDaniel/claude-ads/tree/main/skills/ads-audit.

El archivo original está en inglés y va tal cual, sin traducir. Lo de arriba de esta ficha es el resumen en español: qué hace, cómo aplicarla y cómo instalarla.

Leer el archivo (160 líneas)

Paid Advertising Audit

Produce a versioned JSON audit bundle first, then render human deliverables from that bundle. Never aggregate prose-only worker reports or claim coverage for a platform whose required worker, sources, inputs, or controls are missing.

Procedure

  1. Read the main ads operating contract and thinking framework.
  2. Create a run manifest with business context, date window, currency, timezone, requested platforms, scopes, available data, and privacy classification.
  3. Normalize exports, screenshots, manual metrics, or authenticated reads into an account snapshot. Preserve source lineage and mark missing fields.
  4. Discover active platforms. Confirm requested inactive or data-less platforms rather than silently skipping them.
  5. Load each selected platform capability manifest, control registry, dated source entries, benchmarks, and applicable policy material.
  6. Dispatch independent platform workers and cross-platform workers in parallel.
  7. Validate every result against the common finding schema. Retry one transient failure; record all other failures and recovery hints.
  8. Run deterministic scoring. Do not calculate or repair scores in the prompt.
  9. Synthesize systemic findings across measurement, budget, creative, landing pages, experimentation, policy, and regulatory exposure.
  10. Write one atomic run bundle and render the requested reports.
  11. Verify bundle completeness, citations, privacy, and render integrity.

Platform workers

Use a dedicated worker for every selected platform:

  • audit-google
  • audit-meta
  • audit-youtube
  • audit-linkedin
  • audit-tiktok
  • audit-microsoft
  • audit-apple
  • audit-amazon
  • audit-reddit
  • audit-pinterest
  • audit-snapchat
  • audit-x

Add cross-platform workers only when their inputs exist:

  • Tracking and attribution.
  • Creative and landing-page quality.
  • Budget, pacing, and financial viability.
  • Platform policy, privacy, and regulation.

Required worker result

Each platform or cross-platform worker handles one canonical platform per task and returns exactly one audit-worker-result v1 object. Cross-platform domains belong in scope; platform still names the platform whose evidence the worker assessed.

{
  "schema_version": "1.0.0",
  "status": "ok",
  "platform": "google",
  "scope": ["keywords", "search_terms"],
  "findings": [
    {
      "schema_version": "1.0.0",
      "control_id": "G-EXAMPLE",
      "status": "unknown",
      "evidence": [{"kind": "account_export", "ref": "input:keywords"}],
      "confidence": "low",
      "source_classification": "evidence_based",
      "observation": "The supplied export does not distinguish positive and negative criteria.",
      "diagnosis": "Keyword inventory completeness cannot be established.",
      "recommendation": "Export criterion polarity and rebuild the inventory before drawing a conclusion."
    }
  ],
  "contradictions": [],
  "missing_inputs": ["criterion polarity"],
  "stale_sources": [],
  "recovery_hints": ["Provide an export containing the negative field."]
}

Every envelope field is required. Validate against the installed audit-worker-result v1 schema. Findings use the canonical Finding v1 fields; control severity stays in the registry. Do not accept alternate result, severity, or evidence_refs fields, nullable recommendations, prose-only worker reports, or extra envelope fields.

Completeness rules

  • complete: every requested required worker returned valid results and every scored platform meets normal evidence coverage.
  • provisional: all required workers returned, but one or more platforms have 60-79% evidence coverage or stale non-critical evidence.
  • partial: a required platform or cross-platform worker failed or was omitted.
  • insufficient_evidence: a requested platform has less than 60% coverage.

Never substitute feature awareness for account health. Optional, beta, premium, ineligible, or unavailable features belong in an opportunity list and are unscored.

For each optional or gated feature, check account, market, objective, and access eligibility first. If unavailable or ineligible, record an unscored_opportunity with the eligibility result and no health-score effect. Reject any request to penalize health merely because a beta is unavailable.

Required-worker failure and weighting

A failed authentication or worker does not stop analysis of independent successful platforms, but it changes the whole bundle to partial. Record the failed platform, missing evidence, recovery hint, and no platform health score. Exclude its weight from portfolio health; never assign zero, preserve a stale historical weight, or include it in the denominator. Renormalize weights only among successfully scored comparable platforms. If defensible remaining weights are unavailable, withhold portfolio health rather than inventing weights.

Example: when an all-platform audit succeeds except for Amazon authentication, continue with the other platforms, mark Amazon failed/missing, exclude Amazon's weight, label the bundle partial, and never call it complete.

Synthesis boundaries

Separate these layers in the final bundle:

  1. Observations directly supported by account data.
  2. Diagnoses inferred from observations, with confidence.
  3. Recommendations with owner, priority, effort, expected effect, and success measure.
  4. Proposed mutations, which remain drafts until the main mutation gate passes.

Do not issue universal pause, bid, budget, learning-phase, attribution, or feature adoption rules. Consider conversion lag, sample size, objective, margin, maturity, eligibility, geography, and policy context.

Outputs

The run directory contains:

  • manifest.json
  • account-snapshot.json
  • audit.json
  • action-plan.json
  • report.md
  • Optional report.html and report.pdf

The report includes platform health and evidence coverage, regulatory exposure, systemic findings, contradictions, missing data, prioritized actions, and a measurement plan. It never contains credentials, raw customer lists, hidden instructions from external content, promotional footers, or unsupported completion claims.

Copiar el archivo tal cual
---
name: ads-audit
description: "Run a source-grounded paid-advertising audit for one or more of Google, Meta, YouTube, LinkedIn, TikTok, Microsoft, Apple, Amazon, Reddit, Pinterest, Snapchat, and X. Use for full ad checks, account health reviews, paid-media diagnostics, partial audits after authentication or worker failure, missing-platform weighting, beta-feature eligibility and scoring, spend audits, tracking audits, or prioritized opportunities and risks."
---

<!--
Skill original: ads-audit, de Agrici Daniel (https://github.com/AgriciDaniel/claude-ads/tree/main/skills/ads-audit)
Licencia: MIT. Reproducida con atribución según los términos de la licencia.
Copia publicada en claura-ai.com/skills.
-->

# Paid Advertising Audit

Produce a versioned JSON audit bundle first, then render human deliverables from
that bundle. Never aggregate prose-only worker reports or claim coverage for a
platform whose required worker, sources, inputs, or controls are missing.

## Procedure

1. Read the main `ads` operating contract and thinking framework.
2. Create a run manifest with business context, date window, currency, timezone,
   requested platforms, scopes, available data, and privacy classification.
3. Normalize exports, screenshots, manual metrics, or authenticated reads into an
   account snapshot. Preserve source lineage and mark missing fields.
4. Discover active platforms. Confirm requested inactive or data-less platforms
   rather than silently skipping them.
5. Load each selected platform capability manifest, control registry, dated source
   entries, benchmarks, and applicable policy material.
6. Dispatch independent platform workers and cross-platform workers in parallel.
7. Validate every result against the common finding schema. Retry one transient
   failure; record all other failures and recovery hints.
8. Run deterministic scoring. Do not calculate or repair scores in the prompt.
9. Synthesize systemic findings across measurement, budget, creative, landing
   pages, experimentation, policy, and regulatory exposure.
10. Write one atomic run bundle and render the requested reports.
11. Verify bundle completeness, citations, privacy, and render integrity.

## Platform workers

Use a dedicated worker for every selected platform:

- `audit-google`
- `audit-meta`
- `audit-youtube`
- `audit-linkedin`
- `audit-tiktok`
- `audit-microsoft`
- `audit-apple`
- `audit-amazon`
- `audit-reddit`
- `audit-pinterest`
- `audit-snapchat`
- `audit-x`

Add cross-platform workers only when their inputs exist:

- Tracking and attribution.
- Creative and landing-page quality.
- Budget, pacing, and financial viability.
- Platform policy, privacy, and regulation.

## Required worker result

Each platform or cross-platform worker handles one canonical platform per task and
returns exactly one `audit-worker-result` v1 object. Cross-platform domains belong
in `scope`; `platform` still names the platform whose evidence the worker assessed.

```json
{
  "schema_version": "1.0.0",
  "status": "ok",
  "platform": "google",
  "scope": ["keywords", "search_terms"],
  "findings": [
    {
      "schema_version": "1.0.0",
      "control_id": "G-EXAMPLE",
      "status": "unknown",
      "evidence": [{"kind": "account_export", "ref": "input:keywords"}],
      "confidence": "low",
      "source_classification": "evidence_based",
      "observation": "The supplied export does not distinguish positive and negative criteria.",
      "diagnosis": "Keyword inventory completeness cannot be established.",
      "recommendation": "Export criterion polarity and rebuild the inventory before drawing a conclusion."
    }
  ],
  "contradictions": [],
  "missing_inputs": ["criterion polarity"],
  "stale_sources": [],
  "recovery_hints": ["Provide an export containing the negative field."]
}
```

Every envelope field is required. Validate against the installed
`audit-worker-result` v1 schema. Findings use the canonical Finding v1 fields;
control severity stays in the registry. Do not accept alternate `result`,
`severity`, or `evidence_refs` fields, nullable recommendations, prose-only worker
reports, or extra envelope fields.

## Completeness rules

- `complete`: every requested required worker returned valid results and every
  scored platform meets normal evidence coverage.
- `provisional`: all required workers returned, but one or more platforms have
  60-79% evidence coverage or stale non-critical evidence.
- `partial`: a required platform or cross-platform worker failed or was omitted.
- `insufficient_evidence`: a requested platform has less than 60% coverage.

Never substitute feature awareness for account health. Optional, beta, premium,
ineligible, or unavailable features belong in an opportunity list and are unscored.

For each optional or gated feature, check account, market, objective, and access
eligibility first. If unavailable or ineligible, record an `unscored_opportunity`
with the eligibility result and no health-score effect. Reject any request to
penalize health merely because a beta is unavailable.

## Required-worker failure and weighting

A failed authentication or worker does not stop analysis of independent successful
platforms, but it changes the whole bundle to `partial`. Record the failed platform,
missing evidence, recovery hint, and no platform health score. Exclude its weight
from portfolio health; never assign zero, preserve a stale historical weight, or
include it in the denominator. Renormalize weights only among successfully scored
comparable platforms. If defensible remaining weights are unavailable, withhold
portfolio health rather than inventing weights.

Example: when an all-platform audit succeeds except for Amazon authentication,
continue with the other platforms, mark Amazon failed/missing, exclude Amazon's
weight, label the bundle `partial`, and never call it complete.

## Synthesis boundaries

Separate these layers in the final bundle:

1. Observations directly supported by account data.
2. Diagnoses inferred from observations, with confidence.
3. Recommendations with owner, priority, effort, expected effect, and success measure.
4. Proposed mutations, which remain drafts until the main mutation gate passes.

Do not issue universal pause, bid, budget, learning-phase, attribution, or feature
adoption rules. Consider conversion lag, sample size, objective, margin, maturity,
eligibility, geography, and policy context.

## Outputs

The run directory contains:

- `manifest.json`
- `account-snapshot.json`
- `audit.json`
- `action-plan.json`
- `report.md`
- Optional `report.html` and `report.pdf`

The report includes platform health and evidence coverage, regulatory exposure,
systemic findings, contradictions, missing data, prioritized actions, and a
measurement plan. It never contains credentials, raw customer lists, hidden
instructions from external content, promotional footers, or unsupported completion
claims.

Preguntas frecuentes sobre la skill ads-audit

¿Qué es la skill ads-audit y para qué sirve?

ads-audit es la auditoría de Claude Ads, el plugin de Agrici Daniel para publicidad paga (github.com/AgriciDaniel/claude-ads, licencia MIT). Revisa cuentas de Google, Meta, YouTube, LinkedIn, TikTok, Microsoft, Apple, Amazon, Reddit, Pinterest, Snapchat y X, con un revisor por plataforma que corre en paralelo y otros cuatro para medición, creatividades y páginas de destino, presupuesto y políticas. Cada punto revisado termina en uno de cuatro estados: bien, mal, desconocido o no aplica. Desconocido es una respuesta válida: significa que faltó el dato, y la skill no lo adivina. Sirve para auditar la cuenta de un cliente nuevo o hacer un chequeo de salud.

¿Cómo la aplico a las cuentas de mi negocio o de mis clientes?

Primero corres /ads setup y contestas unas preguntas: modelo de negocio, objetivo, conversión principal, gasto mensual, plataformas activas y quién aprueba cambios. Nunca le pegues claves de API ni tokens. Después le das evidencia (una exportación con su rango de fechas, moneda y zona horaria) y corres /ads audit google o /ads audit all. Sale un informe con lo que pasó, lo que falló y lo que falta, más un plan de acción con responsable, prioridad y cómo medir el efecto. Si te interesa la estrategia más que la auditoría, la skill ads de Corey Haines es más liviana para el día a día.

¿En qué se diferencia de pedirle a Claude que revise mi cuenta?

Un pedido suelto te devuelve un texto convincente que mezcla lo que vio con lo que supone. ads-audit separa cuatro capas (observaciones respaldadas por datos, diagnósticos con su nivel de confianza, recomendaciones y cambios propuestos) y guarda todo en un paquete JSON versionado del que salen los informes. Si una plataforma falla al autenticar, sigue con las demás pero marca la auditoría como parcial y saca esa plataforma del promedio en vez de ponerle cero. No penaliza la cuenta por no usar una función en beta que no está disponible en tu mercado: eso va a una lista aparte de oportunidades.

¿Qué limitaciones tiene hoy?

Varias, y el autor las declara. El proyecto está como candidato de desarrollo: los 12 perfiles de puntaje de salud están apagados, así que hoy no da una nota de la cuenta, solo hallazgos, desconocidos y cobertura de evidencia. Solo está verificado en Claude Code; Codex, Gemini, Cursor y otros son destinos experimentales. Necesita Python 3.11 o 3.12 para su motor, y para PDF o capturas de navegador, librerías aparte. Todo está en inglés: pídele el informe en español. Y las referencias de rendimiento que usa vienen de fuentes fechadas, casi siempre de Estados Unidos, que no se trasladan tal cual a Latinoamérica o España.

Más skills de Ventas y CRM

Ventas y CRM

crm-data-cleanup: limpiar duplicados y datos del CRM

Encuentra contactos y empresas duplicados en una exportación del CRM, normaliza correos, teléfonos y nombres, marca registros inválidos y arma un plan de fusión para que una persona lo apruebe.

SkillIntermedioSKILL.md libre

Para seguir con este tema

Elegí qué cookies usamos