Communitygithub.com

경쟁 플랫폼 분석

본 스킬은 경쟁 벤치마킹 프로젝트 시작 전, 방어 가능하고 의사 결정에 유용한 경쟁사 세트를 정의하는 데 사용됩니다. 클라이언트 포지셔닝 브리프를 기반으로 직접(Direct), 인접(Adjacent), 지향(Aspirational) 등급으로 경쟁사를 분류하고 선별합니다.

경쟁 플랫폼 분석란 무엇인가요?

이 스킬은 AI 에이전트(예: Claude Code, Cursor, Codex)가 경쟁 벤치마킹 프로젝트를 시작하기 전에 **방어 가능하고 의사 결정에 유용한 경쟁사 세트를 구성**하도록 설계되었습니다. 목표는 단순히 모든 유사 회사를 나열하는 것이 아니라, 클라이언트의 포지셔닝 브리프와 전략적 긴장 관계에 따라 경쟁사를 세 가지 등급(직접, 인접, 지향)으로 분류하는 것입니다. 이 스킬은 브리프 설정을 위한 `brand-discovery` 스킬 이후에 활성화되며, 산출물은 `benchmark-methodology` 스킬로 전달됩니다. 스킬은 8가지 축(포지셔닝, 전문성, 규모, 참여 형태, 차별성, 증거 모델, 브랜드 강도, 시장)에 걸쳐 후보를 평가하고, 경량화된 사전 필터 점수 매트릭스를 사용하여 최종 세트(보통 10~18개 후보 → 8~12개 프로파일링)로 압축합니다. 플랫폼 비의존적이므로 디자인(Dribbble/Behance), 모션(Vimeo), 카피라이팅(출판된 저작물) 등 모든 창의 서비스 시장에 적용 가능합니다. 특히 '포지셔닝 브리프 없는 범위 설정', '두 가지 미만의 출처에 의존하는 검증'과 같은 안티 패턴을 방지하도록 설계되어, 보다 체계적이고 신뢰할 수 있는 경쟁 정보 수집이 가능합니다.

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

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

경쟁 플랫폼 분석은(는) 무엇을 하나요?

이 스킬을 사용하여 누구를 벤치마킹할지, 어디서 찾을지 결정하세요. 점수 측정을 시작하기 전에 반드시 수행해야 합니다. 경쟁 분석은 그 프레임만큼만 유용합니다. 잘못된 세트는 클라이언트를 무적이거나 파멸한 것처럼 보이게 만듭니다. 목표는 방어 가능하고 의사 결정에 관련된 세트이지, 완전한 인구 조사가 아닙니다.

활성화 시점

  • 경쟁 벤치마킹 프로젝트를 시작하려고 하며, 먼저 경쟁사 세트를 정의해야 할 때
  • 어떤 회사가 직접(Direct) / 인접(Adjacent) / 지향(Aspirational) 등급에 속하는지 확실하지 않을 때
  • 시장 현황 보고서를 위해 방어 가능하고 정제된 범위가 필요할 때
  • 포지셔닝 브리프를 가지고 있고, 해당 포지션을 다투는 경쟁사를 식별하려 할 때
  • benchmark-methodology를 실행하기 전 첫 번째 단계로

클라이언트 포지셔닝 브리프 (먼저 수립)

세트 범위를 정하기 전에 클라이언트의 포지셔닝 브리프를 수립하세요. 아직 가지고 있지 않다면, 짧은 브랜드 발견 인터뷰(brand-discovery)를 실행하여 이를 도출하세요. 임의로 만들지 말고, 브리프 없이 범위를 정하지 마세요. 브리프는 다음을 제공합니다:

  • 정체성 / 미적 레지스터 — 이 스튜디오나 회사가 어떤 종류인지, 어떻게 자체를 표현하는지
  • 제안 — 제공하는 서비스나 제품
  • 대상 클라이언트 — 판매 대상
  • 차별화 요소 — 클라이언트가 믿는 해자(moat) 또는 포지셔닝 주장
  • 범위 설정 결과 — 경쟁사 가중치 부여 방식에 대한 시사점 (예: 차별성, 역량 중복, 가격 중 무엇을 우선시할지)
  • 전략적 긴장 관계 — 클라이언트의 화이트 스페이스를 정의하는 짝을 이루는 축 (예: 기억성 × 고용 가능성)

포지셔닝 브리프 없이 진행하지 마세요. 클라이언트의 관점 없이 범위가 정해진 경쟁사 목록은 노이즈일 뿐, 인텔리전스가 아닙니다. 특히 범위 설정 결과는 어떤 경쟁사가 강력한 라이벌(클라이언트의 해자를 다투는 회사)인지, 단순히 서비스 메뉴가 겹치는 회사인지를 결정합니다.

선정 기준

각 후보에 대해 다음 축을 파악하세요. 이 축이 포함 여부와 등급을 모두 결정합니다:

  • 규모 / 모델 — 솔로, 마이크로 스튜디오(2~8명), 부티크(30명 미만), 중견 에이전시. 클라이언트의 규모와 일치시켜야 하며, 같은 규모의 스튜디오가 현실적인 헤드투헤드 세트입니다.
  • 틈새 / 전문 분야 — 후보의 초점이 클라이언트의 제안과 얼마나 밀접하게 겹치는지. 겹침이 좁을수록 더 직접적입니다.
  • 지리 / 시장 — 유럽 대 미국 대 글로벌 원격; 언어; 시간대 접근성. 클라이언트가 목표로 하는 동일한 클라이언트를 확보하는지 여부를 기록합니다.
  • 가격 및 참여 모델 — 제품화된 스프린트, 리테이너, 프로젝트, 일일 단가; 투명 vs "문의". 포지셔닝 성숙도를 나타냅니다.
  • 포트폴리오 스타일 — 일반적 vs 독창적/에디토리얼 vs 반항적. 클라이언트의 미적 레지스터에 가까울수록 클라이언트의 차별성을 더 많이 다툽니다.
  • 기술적 깊이 / 장인 정신 성숙도 — 클라이언트의 신뢰도 스토리에 공개 프로세스 작업, 오픈 툴링, 문서화된 시스템이 포함된 경우 관련.
  • 브랜드 강도 — 스튜디오가 소유 가능한 언어적/시각적 정체성을 가지고 있는지, 아니면 대체 가능한지. 클라이언트의 범위 설정 결과에 따라 가중치를 부여하세요.

플레이어 분류 — 채워야 할 축

경쟁사를 틈새별 버킷으로 분류하지 마세요. 대신 몇 가지 일반적인 축을 따라 정렬하여 경쟁 환경이 하나의 아키타입으로 치우치지 않도록 하세요. 이러한 축은 모든 창의 서비스 시장(디자인, 모션, 카피라이팅, 브랜딩, 콘텐츠, 필름 등)에 적용됩니다. 먼저 각 축에서 폭넓게 확보한 후, 가장 유익한 후보로 정제하세요.

  1. 포지셔닝 입장 — 브랜드 주도 / 에디토리얼 (정체성, 목소리, 관점으로 경쟁) vs 역량 주도 (장인 정신, 처리량, 결과물로 경쟁). 양극을 모두 채우세요. 클라이언트와 가장 가까운 거울은 클라이언트 자신의 끝에 있습니다.
  2. 전문 분야 — 전문가 (하나의 좁은 분야 또는 수직) vs 일반주의 (넓은 서비스 메뉴). 클라이언트의 초점과 더 좁게 겹칠수록 더 직접적입니다.
  3. 규모 / 모델 — 솔로 / 마이크로 vs 부티크 vs 중견 vs 엔터프라이즈 규모. 같은 규모의 플레이어가 현실적인 헤드투헤드이며, 더 큰 규모는 지향 / 상업적 성숙도 참고 대상입니다.
  4. 참여 형식 — 제품화 (명명된 스프린트, 감사, 고정 패키지) vs 맞춤형 (커스텀 프로젝트 / 리테이너). 포지셔닝 성숙도를 나타냅니다.
  5. 차별성 자세 — 관습적 / 안전 vs 반항적 / 선언문 주도. 독창적인 쪽은 모든 틈새에서 차별성 벤치마킹의 핵심입니다.
  6. 증거 / 신뢰도 모델 — 결과 주도 (메트릭, 명명된 클라이언트, 사례 깊이) vs 미적 주도 (포트폴리오, 수상). 각 플레이어가 신뢰를 얻는 방식을 알려줍니다.
  7. 운영자의 브랜드 강도 — 대체 가능 vs 컬트 / 소유 가능한 정체성 ("기억에 남는 솔로 브랜드" 모델을 증명하는 시니어 독립 계약자 포함).
  8. 시장 / 범위 — 지역 / 로컬 vs 글로벌 원격. 클라이언트가 목표로 하는 동일한 클라이언트를 확보하는지 여부를 기록합니다.

각 후보를 관련 축에 배치하세요. 포지셔닝, 전문 분야, 규모, 시장에서 클라이언트와 가까운 위치에 있는 경쟁사가 직접 경쟁사입니다.

경쟁 등급 (세트가 결정되는 방식)

최종 세트를 세 가지 등급으로 그룹화하세요. 이 구조는 보고서에도 그대로 이어집니다:

  • 직접(Direct) — 같은 규모, 겹치는 제안, 동일한 클라이언트 대상. 현실적인 헤드투헤드.
  • 인접(Adjacent) — 부분적 겹침 (하나의 역량 또는 다른 클라이언트 규모)으로 가장자리에서 압력을 가함.
  • 지향(Aspirational) — 오늘날 클라이언트와 경쟁하지 않지만, 브랜드나 상업적 성숙도가 목표로 삼을 기준을 설정하는 플레이어.
  • (대체재도 주시하세요: 노코드/AI 도구, 사내 팀, 일반주의 프리랜서 — 프로파일링된 경쟁사가 아니라 위협 벡터로 기록, 단, 실질적으로 관련이 있는 경우는 제외.)

데이터 출처 (어디서 찾을지)

필요한 차원에 맞는 출처를 사용하세요. 아래 유형은 일반적입니다. 클라이언트의 틈새에 맞게 대체하세요 (예: 디자인은 Dribbble/Behance, 모션은 showreel/Vimeo, 카피라이팅은 샘플/출판물).

  • 포트폴리오 / 장인 정신 플랫폼 — 장인 정신 품질, 범위, 미적 레지스터 (예: Dribbble, Behance, Vimeo 또는 틈새에 해당하는 쇼케이스).
  • 수상 / 큐레이션된 쇼케이스 — 장인 정신 야망과 에디토리얼 인정; 화려한 쪽에 치우치므로 상업적 신뢰도와 교차 확인 필요 (예: Awwwards, 업계 수상 목록).
  • 경쟁사 자체 사이트 — 포지셔닝, 목소리, 제안 패키징, 가격 자세, 명명된 클라이언트, 선언문/POV의 주요 출처.
  • LinkedIn — 팀 규모/모델, 창업자 스토리, 게시 빈도, 클라이언트 로고, 지리.
  • 리뷰 디렉터리 — 리뷰, 명명된 클라이언트, 프로젝트 규모, 참여 모델; 상업적 신뢰도와 엔터프라이즈 준비성에 대한 가장 강력한 신호 (예: Clutch.co 또는 틈새에 해당하는 사이트).
  • 오픈 / 공개 작업 — 프로세스 저장소, 게시된 샘플, 공개 창의 결과물: 깊이와 장인 정신 투명성 증거.
  • 컨퍼런스 발표 / 팟캐스트 / 뉴스레터 — 사고 리더십 깊이와 POV 소유권.

경쟁사 속성을 사실로 취급하기 전에 항상 적어도 두 개의 출처에서 주장을 검증하세요 (자체 보고 사이트 카피 ≠ 검증된 결과물). 모든 프로필에 적대적 검증 규율을 적용하세요.

점수 매트릭스 템플릿 (선정 단계)

전체 벤치마킹에 포함할 후보를 결정하기 위한 경량 사전 필터. 1~5점으로 점수 매기고, 차별성 또는 신뢰도 중 하나에서 높은 점수를 받은 후보를 유지하세요. 클라이언트의 전략적 긴장 관계는 두 극이 모두 유익함을 의미합니다.

후보포지셔닝 입장전문 분야규모 등급등급제안 중복(1–5)차별성(1–5)상업적 신뢰도(1–5)장인 정신 근접성(1–5)포함?

경험 법칙 (클라이언트의 포지셔닝 브리프 범위 설정 결과에 따라 적용):

  • 높은 차별성 및 높은 신뢰도 → 필수 프로파일링 (클라이언트의 목표 긴장 관계가 달성 가능함을 증명).
  • 높은 차별성, 낮은 신뢰도 → 경고 사례 (기억에 남지만 고용 불가능 — 배울 수 있는 잠재적 실패 모드).
  • 높은 신뢰도, 낮은 차별성 → 클라이언트가 자신을 정의하는 "유능하지만 잊혀지는" 대중.
  • 둘 다 낮음 → 경쟁 환경 폭을 위해 필요하지 않으면 제외.

이 단계의 결과물

범위가 정해지고 등급이 매겨진 경쟁사 세트 (보통 1018개 후보 → 812개 프로파일링). 각 후보는 축 위치, 등급, 출처 링크가 태그되어 benchmark-methodology에 전달할 준비가 됩니다.

안티 패턴

  • 포지셔닝 브리프 없이 범위 설정. 클라이언트의 관점 없이 만든 경쟁사 목록은 노이즈입니다. 브리프가 진정한 라이벌을 결정합니다.
  • 모든 유사 회사 나열. 목표는 방어 가능한 10~18개 후보 세트이지 인구 조사가 아닙니다. 정제 없는 폭은 벤치마킹을 관리 불가능하게 만듭니다.
  • 직접/인접/지향 등급 혼동. 이 등급은 서로 다른 전략적 목적을 제공합니다. 혼합하면 결정을 유도할 수 없는 평면 목록이 생성됩니다.
  • 경쟁사당 단일 출처에 의존. 자체 보고 사이트 카피는 마케팅이지 사실이 아닙니다. 적어도 두 개의 출처에서 속성을 검증하세요.
  • 바로 점수 측정으로 건너뛰기. 이 스킬은 세트의 범위를 정하고 등급을 매깁니다. 벤치마크 방법론(benchmark-methodology)이 점수 측정을 처리합니다. 두 단계를 혼동하지 마세요.

예시

시나리오: 부티크 브랜드 정체성 스튜디오 (2인, EU-원격, 제품화된 스프린트, 반항적/선언문 주도 미학)가 벤치마킹 전에 경쟁 세트를 범위 지정하려고 합니다. 포지셔닝 브리프의 전략적 긴장 관계는 기억성 × 고용 가능성입니다.

1단계 — 8축 채우기 (샘플 후보):

후보포지셔닝 입장전문 분야규모 등급참여 형태차별성증거 모델브랜드 강도시장
스튜디오 A브랜드 주도 / 에디토리얼정체성 전용마이크로제품화반항적미적 주도컬트글로벌 원격
스튜디오 B역량 주도DS+모션 광범위부티크맞춤형관습적결과 주도대체 가능미국
에이전시 C역량 주도브랜드+디지털중견리테이너관습적결과 주도대체 가능EU
프리랜서 D브랜드 주도브랜드 목소리 전용솔로일일 단가에디토리얼미적 주도소유 가능글로벌
스튜디오 E브랜드 주도브랜드 전략마이크로제품화선언문 주도결과 주도컬트EU-원격

2단계 — 사전 필터 점수 (클라이언트 범위 설정 결과: 차별성에 가중치. 클라이언트의 해자는 POV 우선이지 역량 폭이 아니기 때문):

후보제안 중복(1–5)차별성(1–5)상업적 신뢰도(1–5)장인 정신 근접성(1–5)등급포함?
스튜디오 A5535직접✓ 필수 프로파일링
스튜디오 B3253인접✓ 신뢰도 앵커
에이전시 C2152지향✓ 규모 참고
프리랜서 D4424직접✓ 경고 사례
스튜디오 E5544직접✓ 필수 프로파일링

3단계 — benchmark-methodology에 전달된 결과물: 5개 후보 (3 직접, 1 인접, 1 지향), 각각 축 위치, 등급, 출처 링크 태그. 스튜디오 A와 스튜디오 E가 가장 치열한 헤드투헤드 라이벌; 프리랜서 D는 "기억에 남지만 고용 불가능한" 경고 사례로 배울 점을 제공합니다.

관련 스킬

  • brand-discovery — 먼저 사용하여 포지셔닝 브리프와 경쟁사 세트의 범위를 정하는 전략적 긴장 관계를 수립하세요.
  • benchmark-methodology — 다음 단계; 등급이 매겨진 세트를 받아 각 경쟁사를 9개 차원에서 점수 측정합니다.

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