Communitygithub.com

경쟁 보고서 구조

경쟁사 프로필 카드를 의사 결정이 가능한 보고서로 조립합니다. 보고서는 '누구와 경쟁하는가, 어떻게 경쟁하는가, 방어 가능한 백색 공간은 어디인가'라는 세 가지 질문에 답해야 합니다.

경쟁 보고서 구조란 무엇인가요?

이 스킬은 개별 경쟁사 평가 카드를 통합하여 경영진이나 의사 결정권자에게 바로 제출할 수 있는 수준의 경쟁 보고서를 작성하는 방법을 제공합니다. 보고서는 항상 클라이언트의 전략적 긴장(예: 기억성 × 채용 가능성)을 중심으로 구성되며, 모든 섹션은 '누구와 경쟁하는가', '어떻게 경쟁하는가', '방어 가능한 백색 공간은 어디인가'라는 세 가지 핵심 질문에 답하기 위해 존재합니다. 주요 기능으로는 포지셔닝 맵, 히트맵 매트릭스, 심층 분석, 백색 공간 및 위협 분석, 전략적 권장사항이 포함됩니다. 이 스킬은 Claude Code, Cursor, Codex와 같은 AI 에이전트 플랫폼에서 사용할 수 있으며, `benchmark-methodology` 스킬의 출력물을 입력으로 사용합니다. 벤치마킹 방법론을 먼저 완료하고 모든 프로필 카드가 준비된 후에만 활성화해야 하며, 복합 총점 열을 추가하거나 방법론을 서문에 배치하는 등의 안티패턴을 피해야 합니다.

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

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

경쟁 보고서 구조은(는) 무엇을 하나요?

이 스킬을 사용하여 평가된 경쟁사 카드를 의사 결정이 가능한 보고서로 조립하십시오. 보고서는 클라이언트를 위한 세 가지 질문에 답해야 합니다: 누구와 경쟁하는가, 어떻게 경쟁하는가, 방어 가능한 백색 공간은 어디인가? 모든 섹션은 해당 답변을 도출하는 데 기여해야 하며, 그렇지 않은 내용은 제거하십시오.

활성화 시기

  • benchmark-methodology의 모든 경쟁사 프로필 카드가 완료되어 조립 준비가 되었을 때.
  • 경쟁 분석 결과를 창업자, 리더십 팀 또는 이사회에 제시해야 할 때.
  • 보고서가 단순히 시장 현황을 문서화하는 것이 아니라 의사 결정(누구와 경쟁할지, 어떻게 경쟁할지, 해자는 어디인지)을 이끌어야 할 때.
  • 감사 가능하고 방어 가능해야 하는 클라이언트 인도물을 준비할 때.

클라이언트 포지셔닝 브리프 (먼저 설정)

보고서를 조립하기 전에 클라이언트의 포지셔닝 브리프를 설정하십시오. 브리프는 다음을 제공합니다:

  • 전략적 긴장 — 클라이언트의 목표 백색 공간을 정의하는 짝을 이루는 축(예: 기억성 × 채용 가능성). 모든 맵과 종합은 이 긴장으로 수렴됩니다.
  • 브랜드 균형 — 클라이언트의 전략적 강조점 의도된 비율적 혼합(예: 전략/증거 60%, 차별성 25%, 장인정신 15%). 모든 권장사항은 이 균형에 대해 확인되어야 하며, 이를 변경하는 권장사항은 플래그를 지정해야 합니다.
  • 차별화 요소 — 경영자 요약 및 백색 공간 섹션의 프레이밍 원칙.
  • 목표 사분면 — 클라이언트가 긴장 맵에서 위치하고자 하는 곳; 해당 사분면이 실제로 비어 있는지 확인하는 것이 보고서의 핵심 경험적 질문입니다.

프레이밍 원칙

전체 보고서는 클라이언트의 전략적 긴장을 중심으로 구성되며, 권장사항은 클라이언트의 의도된 브랜드 균형으로 다시 수렴됩니다. 해당 균형을 깨뜨리는 권장사항은 명시적으로 플래그를 지정해야 합니다 — "이 움직임은 균형을 X/Y/Z에서 A/B/C로 이동시킵니다. 의도를 확인하십시오."

보고서 섹션

1. 경영자 요약

35가지 핵심 요점, 의사 결정 우선. 가장 중요한 결과를 평이한 언어로 기술하십시오: 클라이언트가 강점을 가진 부분, 취약한 부분, 목표 백색 공간을 점유하고 있는 경쟁사, 그리고 상위 23가지 실행 방안. 창업자/PM이 이 부분만 읽어도 무엇을 해야 할지 알 수 있도록 작성하십시오. 여기에는 방법론을 포함하지 마십시오.

2. 시장 현황 및 카테고리 프레이밍

카테고리를 정의하고 맵으로 표현하십시오. 다축 맵을 사용하십시오 — 최소 2×2(예: 브랜드 주도 <-> 역량 주도 × 부티크 <-> 엔터프라이즈 규모), 이상적으로는 benchmark-methodology의 클라이언트 긴장 플롯을 헤드라인 맵으로 사용하십시오. 프로파일링된 모든 경쟁사와 클라이언트를 배치하십시오. 맵은 클라이언트의 의도된 위치를 시각적으로 명확하게 보여주고 해당 위치가 얼마나 혼잡한지(또는 비어 있는지)를 나타내야 합니다.

3. 경쟁사 계층

세트를 직접 / 인접 / 지향 (competitive-platform-analysis에서)으로 구성하십시오. 각 계층에 누가 속해 있으며 그것이 클라이언트에게 왜 중요한지 한 문단씩 간략히 설명하십시오. 이는 상세 정보에 앞서 독자의 기대를 설정합니다.

4. 벤치마킹 매트릭스

전체 경쟁사 × 차원 표 — 정량적 중추. 행 = 경쟁사(계층별 그룹화), 열 = 9가지 벤치마크 차원(참고: 차원 9 — 전략적 긴장 — 두 극(예: 브랜드 스튜디오 클라이언트의 경우 기억성과 채용 가능성)이 있습니다. 클라이언트의 고유한 짝 축으로 대체하십시오. 평균화하지 말고 두 개의 별도 하위 열로 표시하십시오). 대비를 위해 클라이언트 자신의 솔직한 자체 평가를 행으로 포함시키십시오. 히트맵(색상 또는 기호 척도)을 사용하여 강약점 패턴을 한눈에 파악할 수 있도록 하십시오. 혼합 총점 열을 추가하지 마십시오 — 차원을 개별적으로 보고하십시오(편향 통제에 따라). 클라이언트가 선두이거나 뒤처지는 열을 명시하십시오.

5. 심층 분석

가장 유익한 경쟁사 3~5개를 서술 형식으로 제시하십시오(프로필 카드에서). 순위가 아닌 교육을 위해 선택하십시오: 목표 긴장의 최고 모범 사례(두 극 모두 높음), 경고적인 "한 극만" 사례, 클라이언트가 정의하는 "유능하지만 잊혀지는" 원형, 그리고 직접적인 위협. 각 심층 분석: 그들이 하는 일, 클라이언트가 배워야 할 점, 클라이언트가 피해야 할 점.

6. 백색 공간 및 위협

전략적 핵심. 두 부분으로 구성:

  • 백색 공간: 경쟁사가 소유하지 않은 클라이언트가 소유할 수 있는 위치 — 맵과 매트릭스에서 논증되어야 하며, 단언되지 않아야 합니다. 목표 사분면(포지셔닝 브리프에서)이 실제로 비어 있는지 확인하십시오.
  • 위협: 클라이언트를 압박하는 대상 — 격차를 좁히는 경쟁사, 대체재(노코드/AI 도구, 사내 팀, 제너럴리스트 프리랜서) 또는 카테고리 변화. 클라이언트 자신의 위험에 대해 정직하십시오(예: 대담한 아이덴티티가 위험 회피 성향 구매자에게 진지하지 않게 읽힐 수 있음).

7. 전략적 권장사항

구체적이고 우선순위가 정해진 실행 방안: 클라이언트가 누구와 경쟁하는지, 어떻게 차별화하는지, 어디에 투자해야 하는지(제품 패키징, 증거/사례 연구, 생각 리더십, 브랜드 선명화). 모든 권장사항을 포지셔닝 브리프의 브랜드 균형에 연결하고 이를 변경할 수 있는 권장사항은 플래그를 지정하십시오. 영향 × 노력 순으로 정렬하십시오.

8. 출처 / 방법론 부록

차원, 가중치, 루브릭, 계층이 포함된 범위 설정, 경쟁사별 출처 링크, 그리고 검증 노트(주장 대 입증). 이는 보고서를 감사 가능하고 방어 가능하게 만듭니다 — 적대적 인용 규율을 유지하십시오.

데이터 제시 방법

  • 2×2 / 포지셔닝 맵 — 시장 현황 및 긴장 플롯용. 이를 먼저 제시하십시오. 산문보다 더 빠르게 논점을 전달합니다.
  • 히트맵 매트릭스 — 경쟁사 × 차원 비교용(섹션 4).
  • 프로필 카드 — 심층 분석(섹션 5)을 공급하는 원천 단위.
  • 사분면 콜아웃 — 특히 클라이언트의 목표 사분면에 누가 위치하는지 명시적으로 언급하십시오.
  • 표는 한눈에 파악할 수 있도록 유지하고, 원시 증거와 링크는 부록으로 미루십시오.

의사 결정 프레임워크 (보고서가 해결해야 할 사항)

  • 누구와 경쟁하는가? — 직접 계층을 구체적으로 명명하십시오. 그것이 실제 싸움입니다.
  • 어떻게 경쟁하는가? — 클라이언트의 차별화 요소를 한 문장으로 기술하되, 매트릭스(클라이언트가 소유한 차원)에 근거하십시오.
  • 차별화 요소는 어디에서 방어 가능한가? — 경쟁사가 쉽게 모방할 수 없는 차원/사분면(해자)과 기본 요건에 불과한 차원을 식별하십시오.

팀 정렬 세션을 위한 트리거 질문

분석에 대한 감탄이 아닌 결정을 강제하는 질문으로 마무리하십시오:

  • 목표 사분면이 정말 비어 있습니까, 아니면 경쟁사가 이미 진입하고 있습니까?
  • 향후 12개월 내 가장 심각한 위협이 되는 직접 경쟁사는 누구이며, 그에 대한 대응책은 무엇입니까?
  • 시장 현황을 고려할 때 브랜드 균형이 여전히 유효합니까? 강조점을 조정해야 합니까?
  • 클라이언트가 뒤처진 차원 중 어느 것을 개선할 가치가 있고, 어느 것을 의도적으로 포기해야 합니까?
  • 채용 가능성/신뢰도를 희생하지 않으면서 차별성을 가장 크게 확장할 수 있는 한 가지 움직임은 무엇입니까?

안티패턴

  • 방법론을 서문에 배치하는 것. 경영자 요약은 가장 중요한 결과로 시작해야 하며, 벤치마크 실행 방법에 대한 설명이 아닙니다. 방법론은 부록에 속합니다.
  • 긴장 플롯 없이 점수만 제시하는 것. 2×2 긴장 맵이 헤드라인 아티팩트입니다. 맵 없이 숫자 표만 제시하면 전략적 통찰력이 묻힙니다.
  • 의사 결정 프레임워크를 생략하는 것. 보고서는 세 가지 질문(누구와 경쟁할지, 어떻게 경쟁할지, 해자는 어디인지)을 해결해야 합니다. 이를 답하지 않으면 보고서는 문헌 검토에 불과해집니다.
  • 모든 프로필 카드가 완료되기 전에 시작하는 것. benchmark-methodology는 조립이 시작되기 전에 완료되어야 합니다. 부분 데이터는 히트맵과 백색 공간 분석을 약화시키는 공백을 만듭니다.
  • 매트릭스에 혼합 총점 열을 추가하는 것. 명시적으로 제외됩니다 — 이는 클라이언트가 조치해야 할 비대칭성을 모호하게 만드는 잘못된 복합 지표를 만듭니다.

관련 스킬

  • benchmark-methodology — 선행 조건; 이 스킬이 조립하는 평가된 경쟁사 프로필 카드를 생성합니다.
  • competitive-platform-analysis — 섹션 3에서 사용하는 계층 구조(직접/인접/지향)를 제공합니다.
  • brand-discovery — 클라이언트의 포지셔닝 브리프가 정의되지 않은 경우 이를 설정하는 데 사용합니다.

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