Communitygithub.com

경쟁 플랫폼 분석

경쟁 벤치마킹에 앞서 **누구를** 벤치마킹할지, **어디서** 찾을지 결정하는 스킬입니다. 방어 가능하고 의사 결정에 적합한 경쟁사 세트를 만드는 것을 목표로 합니다.

경쟁 플랫폼 분석란 무엇인가요?

이 스킬은 경쟁 벤치마킹 프로젝트를 시작할 때 먼저 활성화하여 분석의 프레임을 올바르게 설정하는 데 사용됩니다. 클라이언트의 포지셔닝 브리프(positioning brief)가 우선 확립되어야 하며, 이를 바탕으로 직접(Direct), 인접(Adjacent), 지향(Aspirational) 세 가지 계층으로 경쟁사를 분류합니다. 각 경쟁사는 포지셔닝, 전문성, 규모, 참여 형식 등 8가지 축에 따라 평가되어 최종적으로 10~18개 후보군에서 8~12개로 압축됩니다. 이 스킬은 Claude Code, Cursor, Codex 등 여러 AI 에이전트 플랫폼에서 사용할 수 있도록 설계되었으며, `benchmark-methodology`와 같은 후속 스킬에 데이터를 전달합니다.

지원 대상~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 점수 매기기를 시작하기 전에 누구를 벤치마킹할지, 어디서 찾을지 결정하세요. 경쟁 분석은 그 프레임에 의해서만 가치가 결정됩니다. 잘못된 세트는 클라이언트가 무적이거나 파멸할 것처럼 보이게 만듭니다. 목표는 방어 가능하고 의사 결정과 관련된 세트를 만드는 것이지, 완전한 목록을 만드는 것이 아닙니다.

활성화 시점

  • 경쟁 벤치마킹 프로젝트를 시작하려고 하고, 먼저 경쟁사 세트를 정의해야 할 때
  • 어떤 회사가 직접(Direct) / 인접(Adjacent) / 지향(Aspirational) 계층에 속하는지 확실하지 않을 때
  • 시장 상황 보고서를 위해 방어 가능하고 정리된 범위가 필요할 때
  • 포지셔닝 브리프를 가지고 있고, 그 포지션을 두고 경쟁하는 업체를 식별하려 할 때
  • benchmark-methodology를 실행하기 전 첫 번째 단계로

클라이언트 포지셔닝 브리프 (먼저 수립)

세트를 구성하기 전에 클라이언트의 포지셔닝 브리프를 수립하세요. 아직 없다면, 간단한 브랜드 발견 인터뷰를 통해 도출하세요. 절대 임의로 만들지 말고, 절대 브리프 없이 세트를 구성하지 마세요. 브리프는 다음을 제공합니다.

  • 아이덴티티 / 미적 레지스터 — 이 회사가 어떤 종류의 스튜디오 또는 회사이며, 어떻게 자신을 표현하는지
  • 제안 — 제공하는 서비스 또는 제품
  • 목표 클라이언트 — 판매 대상
  • 차별화 요소 — 클라이언트가 믿는 해자 또는 포지셔닝 주장
  • 범위 설정 결과 — 경쟁사에 가중치를 부여하는 방법 (예: 차별성, 역량 중복, 가격 중 우선순위에 따라)
  • 전략적 긴장 — 클라이언트의 화이트 스페이스를 정의하는 짝을 이루는 축 (예: 기억력 × 고용 가능성)

포지셔닝 브리프 없이 진행하지 마세요. 클라이언트의 관점 없이 구성된 경쟁사 목록은 잡음일 뿐, 인텔리전스가 아닙니다. 특히 범위 설정 결과는 어떤 경쟁사가 강력한 라이벌(클라이언트의 해자를 위협하는 업체)인지, 단순히 서비스 메뉴가 겹치는 업체인지를 결정합니다.

선정 기준

각 후보에 대해 다음 축을 캡처하세요. 이 축은 포함 여부와 계층을 모두 결정합니다.

  • 규모 / 모델 — 솔로, 마이크로 스튜디오(2-8명), 부티크(30명 미만), 중간 규모 에이전시. 클라이언트의 자체 밴드와 일치시킵니다. 같은 밴드의 스튜디오가 현실적인 1:1 세트입니다.
  • 니치 / 전문성 — 후보의 초점이 클라이언트의 제안과 얼마나 가까운지. 중복성이 높을수록 더 직접적입니다.
  • 지역 / 시장 — EU 대 US 대 글로벌 원격, 언어, 시간대 도달 범위. 클라이언트가 목표로 하는 동일한 클라이언트를 확보하는지 확인합니다.
  • 가격 및 참여 모델 — 제품화된 스프린트, 리테이너, 프로젝트, 일일 요금, 투명한 vs "문의 요망". 포지셔닝 성숙도를 나타냅니다.
  • 포트폴리오 스타일 — 일반적 vs 독창적/에디토리얼 vs 반항적. 클라이언트의 미적 레지스터와 가까울수록 클라이언트의 차별성을 더 위협합니다.
  • 기술적 깊이 / 장인 정신 성숙도 — 클라이언트의 신뢰성 스토리에 공개 프로세스 작업, 오픈 툴링, 문서화된 시스템이 포함된 경우 관련 있습니다.
  • 브랜드 강도 — 스튜디오가 고유한 언어적/시각적 아이덴티티를 가지고 있는지, 아니면 대체 가능한지. 클라이언트의 범위 설정 결과에 따라 가중치를 부여합니다.

플레이어 분류 — 축 채우기

경쟁사를 틈새별 버킷으로 분류하지 말고; 몇 가지 일반적인 축을 따라 분류하여 경쟁 구도가 한 가지 유형에 치우치지 않도록 하세요. 이 축은 모든 창의적 서비스 시장(디자인, 모션, 카피라이팅, 브랜딩, 콘텐츠, 영화 등)에 적용됩니다. 먼저 각 축에서 폭넓게 채운 다음, 가장 유익한 것으로 정리하세요.

  1. 포지셔닝 태도 — 브랜드 주도 / 에디토리얼(아이덴티티, 보이스, POV로 경쟁) vs 역량 주도(장인 정신, 처리량, 결과물로 경쟁). 양극을 모두 채우고, 클라이언트와 가장 가까운 거울은 고유의 끝에 위치합니다.
  2. 전문성 — 전문가(하나의 좁은 분야 또는 수직 영역) vs 제너럴리스트(넓은 서비스 메뉴). 클라이언트의 초점과 더 가까운 중복 = 더 직접적입니다.
  3. 규모 / 모델 — 솔로 / 마이크로 vs 부티크 vs 중간 규모 vs 엔터프라이즈 규모. 같은 밴드의 플레이어가 현실적인 1:1이고, 더 큰 밴드는 지향/상업적 성숙도 참고 대상입니다.
  4. 참여 형식 — 제품화(명명된 스프린트, 감사, 고정 패키지) vs 맞춤형(맞춤 프로젝트 / 리테이너). 포지셔닝 성숙도를 나타냅니다.
  5. 차별성 태도 — 관습적 / 안전 vs 반항적 / 선언문 기반. 독창적인 쪽은 어떤 틈새에서든 차별성 벤치마킹의 핵심입니다.
  6. 증거 / 신뢰성 모델 — 결과 중심(메트릭, 명명된 클라이언트, 사례 깊이) vs 미적 중심(포트폴리오, 수상). 각 플레이어가 어떻게 신뢰를 얻는지 알려줍니다.
  7. 운영자의 브랜드 강도 — 대체 가능 vs 컬트 / 고유 아이덴티티(기억에 남는 솔로 브랜드 모델을 입증한 시니어 독립 전문가 포함).
  8. 시장 / 도달 범위 — 로컬 / 지역 vs 글로벌 원격; 클라이언트가 목표로 하는 동일한 클라이언트를 확보하는지 확인합니다.

각 후보를 관련 축에 표시하세요. 경쟁사가 포지셔닝, 전문성, 규모, 시장에서 클라이언트와 가까운 위치에 있을 때 직접 경쟁사입니다.

경쟁 계층 (세트가 결정되는 방식)

최종 세트를 세 가지 계층으로 그룹화합니다. 이 구조는 보고서까지 이어집니다.

  • 직접(Direct) — 같은 밴드, 중복 제안, 동일한 클라이언트 대상. 현실적인 1:1 경쟁사.
  • 인접(Adjacent) — 부분적 중복(하나의 역량 또는 다른 클라이언트 규모)으로 가장자리에서 압박.
  • 지향(Aspirational) — 현재 클라이언트가 경쟁하지 않지만, 브랜드 또는 상업적 성숙도가 목표로 하는 기준을 설정하는 플레이어.
  • (또한 대체재도 주시: 노코드/AI 도구, 사내 팀, 제너럴리스트 프리랜서 — 중요한 경우에만 위협 벡터로 기록하고 프로파일링하지 않음.)

데이터 출처 (찾아볼 곳)

필요한 차원에 맞게 출처를 선택하세요. 아래 유형은 일반적이며, 클라이언트의 틈새에 고유한 것으로 대체하세요(예: 디자인은 Dribbble/Behance, 모션은 showreel/Vimeo, 카피는 라이팅 샘플/게재 작업).

  • 포트폴리오 / 장인 정신 플랫폼 — 장인 정신 품질, 범위, 미적 레지스터 (예: Dribbble, Behance, Vimeo 또는 해당 틈새의 동등한 쇼케이스).
  • 수상 / 선별된 쇼케이스 — 장인 정신 야망과 에디토리얼 인정; 화려한 쪽에 치우칠 수 있으므로 상업적 신뢰성과 교차 확인 (예: Awwwards, 업계 수상 목록).
  • 경쟁사 자체 웹사이트 — 포지셔닝, 보이스, 제안 패키징, 가격 태도, 명명된 클라이언트, 선언문/POV의 주요 출처.
  • LinkedIn — 팀 규모/모델, 창업자 내러티브, 게시 빈도, 클라이언트 로고, 지역.
  • 리뷰 디렉토리 — 리뷰, 명명된 클라이언트, 프로젝트 규모, 참여 모델; 상업적 신뢰성과 엔터프라이즈 준비 상태의 가장 강력한 신호 (예: Clutch.co 또는 해당 틈새의 동등한 플랫폼).
  • 공개 / 공개 작업 — 프로세스 리포지토리, 게재 샘플, 공개 창의적 출력물: 깊이와 장인 정신 투명성 증거.
  • 컨퍼런스 발표 / 팟캐스트 / 뉴스레터 — 싱크 리더십 깊이와 POV 소유권.

항상 적어도 두 개의 출처에서 주장을 확인한 후에만 경쟁사 속성을 사실로 간주하세요(자체 보고된 사이트 카피는 검증된 결과가 아닙니다). 모든 프로파일에 적대적 검증 규율을 적용하세요.

점수 매트릭스 템플릿 (선정 단계)

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

후보포지셔닝 태도전문성규모 밴드계층제안 중복(1-5)차별성(1-5)상업적 신뢰성(1-5)장인 정신 근접성(1-5)포함?

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

  • 높은 차별성 및 높은 신뢰성 → 필수 프로필 (클라이언트의 목표 긴장이 달성 가능함을 입증).
  • 높은 차별성, 낮은 신뢰성 → 주의 사례 (기억에 남지만 고용 불가 — 배울 수 있는 잠재적 실패 모드).
  • 높은 신뢰성, 낮은 차별성 → "유능하지만 잊혀지는" 대중, 클라이언트가 자신을 정의하는 대상.
  • 둘 다 낮음 → 구도 폭을 위해 필요하지 않으면 제외.

이 단계의 출력

범위가 설정되고 계층화된 경쟁사 세트 (일반적으로 10-18개 후보 → 8-12개 프로파일), 각각 축 위치, 계층 및 출처 링크가 태그되어 benchmark-methodology에 전달할 준비가 됩니다.

안티 패턴

  • 포지셔닝 브리프 없이 세트 구성. 클라이언트의 관점 없이 구축된 경쟁사 목록은 잡음입니다. 브리프가 진정한 라이벌을 결정합니다.
  • 모든 유사 회사 나열. 목표는 방어 가능한 10-18개 후보 세트이지, 완전한 목록이 아닙니다. 정리 없이 폭만 넓히면 벤치마킹을 관리할 수 없습니다.
  • 직접/인접/지향 계층 모호화. 이 계층은 각각 다른 전략적 목적을 제공합니다. 혼합하면 결정을 이끌 수 없는 평평한 목록이 생성됩니다.
  • 경쟁사당 단일 출처에 의존. 자체 보고된 사이트 카피는 마케팅이지 사실이 아닙니다. 적어도 두 개의 출처에서 속성을 확인하세요.
  • 바로 점수 매기기로 건너뛰기. 이 스킬은 세트를 구성하고 계층화합니다. 벤치마크 방법론이 점수 매기기를 처리합니다. 두 단계를 혼동하지 마세요.

예시

시나리오: 부티크 브랜드 아이덴티티 스튜디오(2인, EU 원격, 제품화된 스프린트, 반항적/선언문 기반 미학)가 벤치마킹 전에 경쟁사 세트를 구성하려고 합니다. 포지셔닝 브리프의 전략적 긴장은 기억력 × 고용 가능성입니다.

1단계 — 8축 채우기 (샘플 후보):

후보포지셔닝 태도전문성규모 밴드참여차별성증거 모델브랜드 강도시장
Studio A브랜드 주도 / 에디토리얼아이덴티티 전용마이크로제품화반항적미적 중심컬트글로벌 원격
Studio B역량 주도광범위한 DS+모션부티크맞춤형관습적결과 중심대체 가능US
Agency C역량 주도브랜드+디지털중간 규모리테이너관습적결과 중심대체 가능EU
Freelancer D브랜드 주도브랜드 보이스 전용솔로일일 요금에디토리얼미적 중심고유글로벌
Studio E브랜드 주도브랜드 전략마이크로제품화선언문 기반결과 중심컬트EU 원격

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

후보제안 중복(1-5)차별성(1-5)상업적 신뢰성(1-5)장인 정신 근접성(1-5)계층포함?
Studio A5535직접✓ 필수 프로필
Studio B3253인접✓ 신뢰성 앵커
Agency C2152지향✓ 규모 참고
Freelancer D4424직접✓ 주의 사례
Studio E5544직접✓ 필수 프로필

3단계 — benchmark-methodology에 전달할 출력: 5개 후보 (3 직접, 1 인접, 1 지향), 각각 축 위치, 계층 및 출처 링크가 태그됨. Studio A와 Studio E는 가장 치열한 1:1 라이벌; Freelancer D는 "기억에 남지만 고용 불가" 주의 사례.

관련 스킬

  • brand-discovery — 먼저 사용하여 경쟁사 세트를 구성하는 포지셔닝 브리프와 전략적 긴장을 수립합니다.
  • benchmark-methodology — 다음 단계; 계층화된 세트를 가져와 각 경쟁사를 9가지 차원에 걸쳐 점수 매깁니다.

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

관련 스킬