Communitygithub.com

競合プラットフォーム分析

このスキルは、ベンチマークを開始する前に「誰をベンチマークするか」と「どこでそれらを見つけるか」を決定するために使用します。競合分析は、そのフレームが適切である場合にのみ価値を持ちます。目標は、防御可能で意思決定に役立つ競合セットを作成することであり、網羅的な列挙ではありません。

競合プラットフォーム分析 とは?

このスキルは、競合ベンチマークプロジェクトの開始時に、クライアントのポジショニングブリーフに基づいて、防御可能で意思決定に役立つ競合セットを体系的にスコープし、階層化するためのものです。 まず、`brand-discovery` スキルなどを用いてクライアントのポジショニングブリーフ(アイデンティティ、提供サービス、ターゲットクライアント、差別化要因、スコーピングへの影響、戦略的緊張)を確立します。このブリーフなしに競合をリストアップすることはノイズでしかありません。 次に、サイズ、専門性、地理、価格設定、ポートフォリオスタイル、技術的深度、ブランド力といった軸で各候補を評価し、Direct、Adjacent、Aspirational の3つのティアに分類します。これには、8つの汎用的な軸に沿ったプレイヤー分類と、軽量なスコアリングマトリックス(1-5)を用いた事前フィルタリングが含まれます。 このスキルは、最終的にスコープされ階層化された競合セット(通常10-18候補から8-12プロファイル)を出力し、それを次の `benchmark-methodology` スキルに引き渡します。Claude Code、Cursor、Codex などのAIエージェントが実行可能で、ポジショニングブリーフなしのスコーピングや単一情報源への依存といったアンチパターンを避けるためのガイドラインも提供します。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/competitive-platform-analysis

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

競合プラットフォーム分析 は何をしますか?

このスキルを使用して、採点を開始する前に誰をベンチマークするか、そしてどこでそれらを見つけるかを決定します。競合分析は、そのフレームが適切である場合にのみ価値を持ちます。間違ったセットは、クライアントを無敵か絶望的に見せてしまいます。目標は、防御可能で意思決定に役立つセットを作成することであり、網羅的な列挙ではありません。

アクティベートするタイミング

  • 競合ベンチマークプロジェクトを開始しようとしており、最初に競合セットを定義する必要がある場合。
  • どの企業が「直接競合/隣接/目標」のどのティアに属するか不明な場合。
  • 市場ランドスケープレポートのために、防御可能で絞り込まれたスコープが必要な場合。
  • ポジショニングの概要があり、そのポジションに挑戦する企業を特定したい場合。
  • benchmark-methodology を実行する前の最初のステップ。

クライアントのポジショニングブリーフ(最初に確立する)

セットをスコープする前に、クライアントのポジショニングブリーフを確立します。まだ入手していない場合は、短いブランド発見インタビューを実行して引き出してください。でっち上げたり、何も知らずにセットをスコープしたりしないでください。 ブリーフは以下を提供します。

  • アイデンティティ/美的レジスター — これがどのようなスタジオまたは企業であり、どのように自己を表現しているか。
  • 提供サービス — 提供するサービスまたは製品。
  • ターゲットクライアント — 誰に販売しているか。
  • 差別化要因 — クライアントが信じる参入障壁またはポジショニング上の主張。
  • スコーピングへの影響 — 競合他社をどのように重み付けするかへの影響(例:独自性、能力の重複、価格のどれを優先するか)。
  • 戦略的緊張 — クライアントのホワイトスペースを定義する対になった軸(例:記憶に残るか × 採用されやすさ)。

ポジショニングブリーフなしで進めないでください。 クライアントの視点なしにスコープされた競合リストはノイズであり、インテリジェンスではありません。特にスコーピングへの影響は、どの競合他社が強力なライバル(クライアントの参入障壁に挑戦するもの)であり、単にサービスメニューが重複しているだけかを決定します。

選択基準

各候補について、以下の軸を取得します。これらは包含とティアの両方を決定します。

  • 規模/モデル — 個人、マイクロスタジオ(2~8名)、ブティック(30名未満)、中規模エージェンシー。クライアント自身のバンドに合わせます。同じバンドのスタジオが現実的な直接対決のセットです。
  • ニッチ/専門性 — 候補の焦点がクライアントの提供サービスとどの程度近いか。重複が緊密であればあるほど、より直接的です。
  • 地理/市場 — EU vs US vs グローバルリモート、言語、タイムゾーンのリーチ。クライアントがターゲットとする同じクライアントを獲得しているかどうかに注目します。
  • 価格設定とエンゲージメントモデル — 製品化されたスプリント、リテーナー、プロジェクト、日額制。透明性がある vs 「お問い合わせください」。ポジショニングの成熟度を示します。
  • ポートフォリオスタイル — ジェネリック vs 意見重視/編集的 vs 逆張り。クライアントの美的レジスターに近いほど、クライアントの独自性に挑戦することになります。
  • 技術的深さ/クラフトの成熟度 — クライアントの信頼性ストーリーに公開プロセス作業、オープンツーリング、文書化されたシステムが含まれる場合に関連します。
  • ブランド力 — スタジオが独自の言語的/視覚的アイデンティティを持っているか、それとも交換可能か。クライアントのスコーピングへの影響に従って重み付けします。

プレイヤーの分類法 — 横断的に設定する軸

競合他社をニッチ固有のバケットに分類するのではなく、いくつかの汎用的な軸に沿って分類します。そうすることで、ランドスケープが一つのアーキタイプに偏るのを防ぎます。これらの軸はあらゆるクリエイティブサービス市場(デザイン、モーション、コピーライティング、ブランディング、コンテンツ、映画など)に適用できます。まず各軸で広範囲をカバーし、その後最も示唆に富むものに絞り込みます。

  1. ポジショニングスタンス — ブランド主導 / 編集重視(アイデンティティ、ボイス、POVで競争) vs 能力主導(クラフト、スループット、成果で競争)。両極を埋めます。クライアントに最も近い鏡は、クライアント自身の端に位置します。
  2. 専門性 — スペシャリスト(一つの狭い分野または業界) vs ジェネラリスト(広範なサービスメニュー)。クライアントの焦点との重複が緊密であればあるほど、より直接的です。
  3. 規模/モデル — 個人 / マイクロ vs ブティック vs 中規模 vs エンタープライズ規模。同じバンドのプレイヤーが現実的な直接対決です。より大きなバンドは、目標または商業的成熟度の参照点となります。
  4. エンゲージメント形式 — 製品化(名前付きスプリント、監査、固定パッケージ) vs 特注(カスタムプロジェクト/リテーナー)。ポジショニングの成熟度を示します。
  5. 独自性の姿勢 — 従来型 / 安全 vs 逆張り / マニフェスト主導。意見重視の端は、あらゆるニッチにおける独自性のベンチマークにとって重要です。
  6. 証拠 / 信頼性モデル — 成果主導(指標、有名クライアント、ケースの深さ) vs 美学主導(ポートフォリオ、受賞歴)。各プレイヤーがどのように信頼を獲得しているかを示します。
  7. 運営者のブランド力 — 交換可能 vs カルト / 独自のアイデンティティ(「記憶に残る個人ブランド」モデルを証明するシニアな個人事業主を含む)。
  8. 市場 / リーチ — ローカル / 地域 vs グローバルリモート。クライアントがターゲットとする同じクライアントを獲得しているかどうかに注目します。

各候補を該当する軸にプロットします。競合他社が直接的であるのは、ポジショニング、専門性、規模、市場においてクライアントの近くに位置する場合です。

競合ティア(セットの解決方法)

最終セットを3つのティアにグループ化します。この構造はレポート全体で引き継がれます。

  • 直接競合 — 同じバンド、重複する提供サービス、同じターゲットクライアント。現実的な直接対決。
  • 隣接競合 — 部分的な重複(一つの能力、または異なるクライアント規模)で、端から圧力をかけるもの。
  • 目標競合 — クライアントが現在競合していないが、そのブランド力や商業的成熟度が目指すべき基準を設定しているプレイヤー。
  • (代替手段にも注意:ノーコード/AIツール、社内チーム、ジェネラリストフリーランサー — 脅威ベクトルとして記録しますが、実質的に関連する場合を除き、プロファイリング対象の競合他社とはしません。)

データソース(どこを見るか)

必要な側面にソースを合わせます。以下のプラットフォームタイプは汎用的なものです。クライアントのニッチにネイティブなものに置き換えてください(例:デザインなら Dribbble/Behance、モーションなら showreel/Vimeo、コピーならサンプル/公開作品)。

  • ポートフォリオ / クラフトプラットフォーム — クラフト品質、範囲、美的レジスター(例:Dribbble、Behance、Vimeo、またはそのニッチに相当するショーケース)。
  • 受賞歴 / キュレーションされたショーケース — クラフトの野心と編集上の認知度。派手さに偏りがちなので、商業的信頼性とクロスチェックします(例:Awwwards、業界賞リスト)。
  • 競合他社の自社サイト — ポジショニング、ボイス、提供パッケージング、価格設定姿勢、有名クライアント、マニフェスト/POVの主要ソース。
  • LinkedIn — チーム規模/モデル、創業者のストーリー、投稿頻度、クライアントのロゴ、地理。
  • レビューディレクトリ — レビュー、有名クライアント、プロジェクト規模、エンゲージメントモデル。商業的信頼性とエンタープライズ対応の最も強力なシグナル(例:Clutch.co またはそのニッチに相当するもの)。
  • オープン / 公開された作品 — プロセスリポジトリ、公開サンプル、オープンなクリエイティブアウトプット。深さとクラフトの透明性の証拠。
  • カンファレンストーク / ポッドキャスト / ニュースレター — ソートリーダーシップの深さとPOVの所有。

競合他社の属性を事実として扱う前に、常に少なくとも2つのソース間で主張を検証してください(自己報告のサイトコピーは確認された成果とは異なります)。すべてのプロファイルに敵対的検証の規律を持ち込みます。

スコアリングマトリックステンプレート(選定段階)

誰が本格的なベンチマークに進むかを決定するための軽量な事前フィルター。1~5でスコアリングします。独自性または信頼性のいずれかで高スコアの候補を保持します。クライアントの戦略的緊張は、両極が有益であることを意味します。

候補ポジショニングスタンス専門性規模ティア提供サービスの重複 (1-5)独自性 (1-5)商業的信頼性 (1-5)クラフトの近さ (1-5)含めるか?

経験則(クライアントのポジショニングブリーフにおけるスコーピングへの影響に従って適用):

  • 高い独自性 かつ 高い信頼性 → 必須プロファイル(クライアントの目標とする緊張が達成可能であることを証明する)。
  • 高い独自性、低い信頼性 → 注意喚起ケース(記憶に残るが採用されにくい — 学ぶべき潜在的な失敗モード)。
  • 低い独自性、高い信頼性 → 「有能だが忘れられがち」であり、クライアントが自らを定義する対象。
  • 両方が低い → ランドスケープの広さのために必要な場合を除き、削除。

この段階の出力

スコープされ、階層化された競合セット(通常10~18候補 → 8~12プロファイリング)。各候補には、軸の位置、ティア、ソースリンクがタグ付けされ、benchmark-methodology に引き渡す準備が整っています。

アンチパターン

  • ポジショニングブリーフなしでのスコーピング。 クライアントの視点なしに構築された競合リストはノイズです。ブリーフが真のライバルを決定します。
  • 類似企業をすべてリストアップすること。 目標は防御可能な10~18候補セットであり、国勢調査ではありません。絞り込みなしの広さは、ベンチマークを管理不可能にします。
  • 直接/隣接/目標ティアを曖昧にすること。 これらのティアは異なる戦略的目的を果たします。混合すると、意思決定を導くことができないフラットなリストが生成されます。
  • 競合他社ごとに単一の情報源に依存すること。 自己報告のサイトコピーはマーケティングであり、事実ではありません。少なくとも2つのソース間で属性を検証します。
  • いきなりスコアリングに飛びつくこと。 このスキルはセットをスコープし階層化します。benchmark-methodology がスコアリングを処理します。2つのステップを混同しないでください。

例

シナリオ: ブティックブランドアイデンティティスタジオ(2名、EUリモート、製品化スプリント、逆張り/マニフェスト主導の美学)が、ベンチマーク前に競合セットをスコープしたいと考えています。ポジショニングブリーフからの戦略的緊張は記憶に残るか × 採用されやすさです。

ステップ1 — 8軸の設定(サンプル候補):

候補ポジショニングスタンス専門性規模エンゲージメント独自性証拠モデルブランド力市場
Studio Aブランド主導/編集重視アイデンティティのみマイクロ製品化逆張り美学主導カルトグローバルリモート
Studio B能力主導広範なDS+モーションブティック特注従来型成果主導交換可能US
Agency C能力主導ブランド+デジタル中規模リテーナー従来型成果主導交換可能EU
Freelancer Dブランド主導ブランドボイスのみ個人日額制編集重視美学主導独自性グローバル
Studio Eブランド主導ブランド戦略マイクロ製品化マニフェスト主導成果主導カルトEUリモート

ステップ2 — 事前フィルタースコアリング(クライアントのスコーピングへの影響:クライアントの参入障壁がPOV優先であり能力の広さではないため、独自性を重視):

候補提供サービスの重複 (1-5)独自性 (1-5)商業的信頼性 (1-5)クラフトの近さ (1-5)ティア含めるか?
Studio A5535直接競合✓ 必須プロファイル
Studio B3253隣接✓ 信頼性のアンカー
Agency C2152目標✓ 規模の参照点
Freelancer D4424直接競合✓ 注意喚起ケース
Studio E5544直接競合✓ 必須プロファイル

ステップ3 — benchmark-methodology に引き渡す出力: 5つの候補(3つが直接競合、1つが隣接、1つが目標)。各候補には軸の位置、ティア、ソースリンクがタグ付けされています。Studio A と Studio E が最も直接的で真っ向勝負のライバルです。Freelancer D は「記憶に残るが採用されにくい」注意喚起ケースであり、学ぶべき対象です。

関連スキル

  • brand-discovery — 最初に使用して、競合セットをスコープするポジショニングブリーフと戦略的緊張を確立します。
  • benchmark-methodology — 次のステップ。階層化されたセットを受け取り、9つの側面にわたって各競合他社をスコアリングします。

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

関連スキル