Communitygithub.com

벤치마크 방법론

경쟁 플랫폼 분석이 계층화된 경쟁사 세트를 생성한 후 사용합니다. 9개의 가중치가 부여된 차원(포지셔닝, 브랜드 보이스, 시각적 완성도, 서비스 패키징, 증거, 엔터프라이즈 대비, 싱크 리더십, 가격, 클라이언트 전략적 텐션)을 기준으로 각 경쟁사를 평가합니다.

벤치마크 방법론란 무엇인가요?

이 스킬은 경쟁사 분석 결과를 체계적이고 방어 가능한 점수로 전환합니다. 각 경쟁사는 명시적인 1~5점 평가 기준표와 함께 9가지 차원에서 평가되며, 균일한 프로필 카드로 기록됩니다. 일관성이 핵심입니다. 동일한 증거는 모든 경쟁사에 대해 동일한 점수를 받아야 합니다. 주요 기능은 다음과 같습니다: 포지셔닝 명확성, 브랜드 보이스, 시각적 아이덴티티, 서비스 패키징, 증거 및 신뢰성 등 각 차원에 명시적 가중치를 적용합니다. 특히, 클라이언트의 전략적 텐션(차원 9)은 두 극을 별도로 평가하여 단순 평균을 피함으로써 인사이트를 도출합니다. 이 스킬은 또한 증거 기반 평가의 중요성을 강조하며, 주관적 편향(예: 미적 친화도, 최신성 편향)을 방지하기 위한 구체적인 제어 장치를 제공합니다. 최종 결과는 경쟁사 프로필 카드로, 이는 경쟁 보고서 구조 스킬이 최종 보고서를 조립하는 데 사용하는 기본 단위입니다.

지원 대상~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/benchmark-methodology

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

벤치마크 방법론은(는) 무엇을 하나요?

이 스킬을 사용하여 범위가 지정된 경쟁사 세트를 비교 가능하고 방어 가능한 점수로 전환하세요. 각 경쟁사는 동일한 9가지 차원에서 평가되며, 명시적인 1~5점 평가 기준표를 사용하여 균일한 프로필 카드에 기록됩니다. 일관성이 핵심입니다. 동일한 증거가 모든 경쟁사에 대해 동일한 점수를 받을 수 있어야만 점수가 유용합니다.

활성화 시점

  • 경쟁 플랫폼 분석에서 계층화된 경쟁사 세트가 준비되어 점수를 매길 준비가 되었을 때.
  • 경쟁사 간에 비교 가능하고 증거에 기반한 점수가 필요할 때(직감적 순위가 아닌).
  • 클라이언트의 전략적 텐션(타겟 화이트스페이스를 정의하는 쌍을 이루는 축)이 설정되었을 때.
  • 경쟁 보고서 구조에 조립할 프로필 카드를 준비할 때.

클라이언트 포지셔닝 브리프(먼저 설정)

점수를 매기기 전에 클라이언트의 포지셔닝 브리프를 설정하세요. 이 브리프는 다음을 제공합니다:

  • 전략적 텐션 — 교차점이 클라이언트의 타겟 화이트스페이스를 표시하는 두 축(예: 기억도 × 채용 가능성). 차원 9는 항상 클라이언트가 명명한 텐션이며, 두 극을 별도로 보고하고 절대 평균하지 마세요.
  • 차별화 요소 — 클라이언트의 해자를 만드는 요소. 이는 클라이언트의 포지셔닝 주장에 가장 중요한 차원이 무엇인지 알려줍니다.
  • 브랜드 밸런스 — 의도된 다양한 전략적 강조점의 혼합. 전략적 권장 사항은 표시하지 않고 이 밸런스를 깨뜨리면 안 됩니다.

이러한 차원의 이유

클라이언트는 서비스 폭이 아닌 두 극 사이의 특정 텐션을 기반으로 경쟁합니다. 차원은 이러한 해자를 반영하도록 가중치가 부여됩니다. 두 차원(텐션 극)은 별도로 점수가 매겨지며 절대 평균되지 않습니다. 클라이언트의 전략적 질문은 정확히 경쟁사가 두 가지를 동시에 달성하는지 여부이기 때문입니다.

9가지 차원(가중치 포함)

가중치는 합성 시 강조점을 안내하지만 단일 혼합 점수는 아닙니다(잘못된 합성 점수 방지 — 편향 제어 참조). 합계 = 100%.

  1. 포지셔닝 명확성 및 차별성 (18%) — 스튜디오의 포지션이 명확하고, 소유 가능하며, 즉시 식별 가능한가? 아니면 일반적인가?
  2. 브랜드 보이스 / 언어적 차별성 (15%) — 카피가 고유한 레지스터를 가지고 있는가, 아니면 상호 교환 가능한 에이전시 용어인가?
  3. 시각적 아이덴티티 및 사이트 완성도 (15%) — 시각적 시스템의 품질 및 소유권; 사이트는 완성도의 증거.
  4. 서비스 제공 및 패키징 (12%) — 제품화되고 명확한(명명된 스프린트/감사) vs 모호함. 패키징 성숙도.
  5. 증거 및 신뢰성 (12%) — 명명된 클라이언트, 정량화된 결과, 사례 연구 깊이. 주장 이상의 증거.
  6. 엔터프라이즈 대비 / 상업적 성숙도 (10%) — SaaS/핀테크/B2B/엔터프라이즈 작업을 수행하고 유지할 수 있는 신호(프로세스, 로고, 규모, 계약).
  7. 싱크 리더십 / 콘텐츠 프레즌스 (8%) — 소유한 POV: 글쓰기, 강연, 뉴스레터, 프레임워크. 양보다 깊이.
  8. 가격 투명성 및 참여 모델 (5%) — 가격 책정/참여 방식이 명확한가? 제품화 vs 맞춤형 vs 불투명.
  9. [클라이언트의 전략적 텐션] (5% 플래그; 두 극 모두 점수 매기고 별도로 보고) — 클라이언트 포지셔닝 브리프에서 텐션 이름과 축 설명을 읽습니다. 둘 다 표시하고, 그 차이가 인사이트입니다. 클라이언트의 타겟 사분면은 가장 중요한 발견입니다: 누가 이미 그곳에 있습니까?

평가 기준표 (1~5, 차원 1-8에 적용)

모든 점수를 관찰 가능한 증거에 고정하세요. 아래는 일반적인 설명이며, 차원별로 세부 사항을 조정하되 수준의 의미는 일정하게 유지하세요.

  • 1 — 부재 / 일반적. 식별 가능한 포지션이나 완성도 없음; 템플릿과 구별 불가. 적극적 약점.
  • 2 — 기준 이하. 일부 의도는 있지만 일관성 없고, 파생적이거나 설득력 없음. 나란히 비교에서 살아남지 못함.
  • 3 — 적절 / 기본 수준. 견고하고, 전문적이며, 눈에 띄지 않음. 기대치 충족, 누구도 소유할 수 없음.
  • 4 — 강력 / 차별적. 동료보다 확실히 우수함; 구매자가 알아차리고 인용할 실제 강점.
  • 5 — 카테고리 정의. 최고 수준, 소유 가능, 모방 어려움. 다른 이들이 반응하는 기준 설정.

텐션 축 (차원 9) — 각각 1~5점 평가

클라이언트 포지셔닝 브리프에서 축 레이블과 1/3/5 앵커를 읽습니다. 기억도 × 신뢰성 텐션에 대한 예시 앵커:

  • 기억도 — 1: 즉시 잊혀짐 · 3: 맥락에서 인식 가능 · 5: 잊히지 않고, 화제가 되며, 독특하게 소유됨.
  • 신뢰성 — 1: 위험/아마추어처럼 느껴짐 · 3: 안전하고, 적절하며, 지루하지 않음 · 5: 엔터프라이즈 신뢰, 명백한 안전한 선택.

텐션 2×2에 경쟁사를 표시합니다. 클라이언트의 타겟 사분면은 포지셔닝 브리지에 명시되어 있습니다. 해당 사분면을 점유한 다른 경쟁사가 벤치마크에서 가장 중요한 발견입니다.

데이터 수집 방법

각 경쟁사에 대해 다음 순서로 차원을 작업합니다(가장 저렴한 신호부터):

  1. 경쟁사 자체 사이트 — 포지셔닝, 브랜드 보이스, 서비스 패키징, 가격 책정 태도, 명명된 클라이언트, 매니페스토/POV. 홈페이지 + 사례 연구 하나를 스크린샷으로 캡처.
  2. 사례 연구 / 작업물 — 증거 깊이, 정량화된 결과, 클라이언트 이름. 주장된("우리가 X를 전달했습니다") 것과 입증된(메트릭, 명명, 검증 가능) 것을 구분.
  3. 리뷰 디렉토리 — 클라이언트, 프로젝트 규모, 참여 모델 확인 → 신뢰성 및 엔터프라이즈 대비(예: Clutch.co 또는 해당 분야의 유사 플랫폼).
  4. LinkedIn — 팀 규모/모델, 창립자 내러티브, 콘텐츠 게시 빈도 → 싱크 리더십, 모델.
  5. 포트폴리오 / 완성도 플랫폼 — 완성도 레지스터(해당 분야의 전용 쇼케이스 사용: 디자인 보드, 쇼릴, 게시된 샘플 등).
  6. 콘텐츠 채널 — 뉴스레터/강연/글쓰기 → 싱크 리더십 깊이.

차원별 기록 사항: 점수, 한 줄 근거, 그리고 해당 점수를 획득한 출처 링크/스크린샷. 증거 없는 점수는 없습니다.

편향 제어

  • 단일 합성 점수 없음. 차원 점수와 텐션 플롯을 별도로 보고합니다. 가중 평균은 중요한 비대칭성을 숨깁니다.
  • 주장 vs 입증. 확인되지 않은 자체 보고 주장에 대해 신뢰성/증거 점수를 낮춥니다. 사이트 카피는 마케팅이지 사실이 아닙니다.
  • 미적 친화도 편향. 평가자는 자신이 선호하는 미적 스타일의 스튜디오를 높게 평가하고 경쟁사의 상업적 강점을 낮게 평가할 수 있습니다. 완성도와 신뢰성을 독립적으로 평가하십시오; "지루한" 사이트가 더 큰 클라이언트를 유치하고 있을 수 있습니다.
  • 최신성 / 화려함 편향. 수상 경력이 있는 인상적인 작업은 눈부시지만 상업적 깊이가 부족할 수 있습니다 — 신뢰성 점수를 매기기 전에 디렉토리/클라이언트로 확인하십시오.
  • 생존자 편향. 눈에 띄고 마케팅이 잘 된 스튜디오만이 시장의 전부가 아닙니다. 디렉토리/리뷰를 통해 발견된 강력하지만 조용한 운영자를 기록하십시오.
  • 세트 전체에 걸쳐 보정, 고립되지 않게. 최종 확정 전에 점수를 나란히 다시 읽으십시오 — "4"는 모든 경쟁사에 대해 동일한 의미여야 합니다. 이상치를 조정하십시오.

경쟁사 프로필 카드 (출력 형식)

프로필된 각 경쟁사에 대해 하나의 카드를 생성합니다 — 보고서가 조립하는 기본 단위입니다:

## <경쟁사 이름>
- **프로필 / 계층:** <포지셔닝 태도 · 전문 분야 · 규모 밴드> / <직접 | 인접 | 야망>
- **한 줄 요약:** <그들이 스스로를 어떻게 포지셔닝하는지, 자신의 말로>
- **모델 / 규모 / 지역:** <솔로|마이크로|부티크> · <지역> · <가격/참여 모델>
- **주목할 클라이언트 / 증거:** <명명됨, 입증/주장 태그 포함>

### 차원 점수
| 차원 | 점수 (1–5) | 근거 (1줄) | 출처 |
|---|---|---|---|
| 포지셔닝 명확성 및 차별성 | | | |
| 브랜드 보이스 / 언어적 차별성 | | | |
| 시각적 아이덴티티 및 사이트 완성도 | | | |
| 서비스 제공 및 패키징 | | | |
| 증거 및 신뢰성 | | | |
| 엔터프라이즈 대비 / 상업적 성숙도 | | | |
| 싱크 리더십 / 콘텐츠 프레즌스 | | | |
| 가격 투명성 및 참여 모델 | | | |

### 텐션 플롯
- **[포지셔닝 브리프의 축 1]:** <1–5> — <이유>
- **[포지셔닝 브리프의 축 2]:** <1–5> — <이유>
- **사분면:** <높음/높음 | 높은-1/낮은-2 | 낮은-1/높은-2 | 낮음/낮음>

### [클라이언트]를 위한 읽기
- **배울 강점:** <...>
- **활용할 약점 / 노출된 화이트스페이스:** <...>
- **[클라이언트]에 대한 위협:** <...>

완성된 카드와 텐션 플롯을 competitive-report-structure에 전달하세요.

안티 패턴

  • 텐션 축 평균화. 클라이언트 전략적 텐션의 두 극은 별도로 점수가 매겨지고 보고되어야 합니다. 평균화는 인사이트를 파괴합니다 — 극 사이의 간격이 발견입니다.
  • 증거 없이 점수 매기기. 모든 점수는 한 줄 근거와 출처 링크가 필요합니다. 증거 없는 점수는 의견이지 벤치마크가 아닙니다.
  • 단일 합성 점수 생성. 차원 점수를 개별적으로 보고하십시오. 가중 평균은 포지셔닝에 중요한 비대칭적 강점을 숨깁니다.
  • 조정 없이 일반 평가 기준표 앵커 적용. 1–5 앵커는 특정 차원과 경쟁사 세트에 맞게 보정되어야 합니다. 일반적인 설명은 시작점이지 고정된 표준이 아닙니다.
  • 경쟁사 세트가 범위 지정되기 전에 실행. 먼저 competitive-platform-analysis를 사용하여 계층화되고 정리된 세트를 생성하십시오. 범위가 지정되지 않은 목록에 점수를 매기는 것은 관련 없는 경쟁사에 노력을 낭비하는 것입니다.

관련 스킬

  • competitive-platform-analysis — 전제 조건; 이 스킬이 점수를 매길 계층화된 경쟁사 세트를 생성합니다.
  • competitive-report-structure — 다음 단계; 점수가 매겨진 프로필 카드를 클라이언트 전달 가능한 보고서로 조립합니다.

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.

관련 스킬