Marqentic/app-store

Quando o usuário deseja mais instalações a partir da busca na App Store da Apple ou no Google Play, ou pesquisar sobre aplicativos em uma categoria. Contém descobertas datadas e com fontes que um modelo não possui (o que cada loja indexa, tags da App Store, páginas de produto personalizadas na busca, resumos de avaliações por IA, mais anúncios Apple Ads desde março de 2026, benchmarks de conversão, regras para prompts de avaliação, por que os volumes das lojas são modelos) e como ler os dados da loja. Use também quando o usuário mencionar ASO, otimização de loja de aplicativos, palavras-chave da App Store, campo de palavras-chave, título ou subtítulo do aplicativo, descrição do Play Store, capturas de tela ou testes de ícone, otimização de página de produto, experimentos de listagem na loja, aplicativos concorrentes, avaliações de aplicativos, responder a avaliações, aumentar a classificação de um aplicativo, principais gráficos, Apple Search Ads e orgânico, aplicativos no ChatGPT, encontrar desenvolvedores de aplicativos para contatar, ou um plano de ASO. Busca na web vai para seo, respostas de IA em geral para ai-search, concorrentes além da loja para competitor-intel, temas de avaliações para voice-of-customer, orçamentos de anúncios para paid-ads.

O que é app-store?

Esta skill fornece conhecimento especializado e atualizado sobre otimização para lojas de aplicativos (ASO) na App Store da Apple e no Google Play, baseado em evidências de outubro de 2026. Ela substitui o conhecimento desatualizado do modelo (principalmente de 2023) com descobertas recentes, como a indexação de 160 caracteres pela Apple, a geração de tags por LLM, páginas de produto personalizadas ranqueando na busca orgânica, resumos de avaliações por IA e a adição de mais slots de anúncios desde março de 2026. A skill é ideal para profissionais de marketing de aplicativos, gerentes de produto e desenvolvedores que precisam de dados precisos sobre ranqueamento de palavras-chave, benchmarks de conversão, análise de concorrentes, gerenciamento de avaliações e estratégias de ASO. Ela funciona com o servidor MARqentic para ferramentas como `apps_get_app`, `apps_get_keywords`, `apps_get_competitors` e `apps_get_reviews`, mas também oferece métodos manuais alternativos. A skill adverte explicitamente sobre a natureza modelada dos volumes de busca das lojas, a importância de separar instalações pagas das orgânicas, e fornece referências detalhadas para cada tópico, garantindo que o usuário tome decisões baseadas em evidências sólidas e não em suposições ultrapassadas.

Funciona com✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/Marqentic/marketing-skills/tree/HEAD/skills/app-store

Installed? Explore more Programação e Desenvolvimento skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

App Store

Como os aplicativos são encontrados e instalados na App Store da Apple e no Google Play, com base nas evidências de outubro de 2026, e como ler os dados da loja sem fazer afirmações exageradas. A memória de um modelo sobre otimização de loja de aplicativos é principalmente de 2023 e agora está incorreta em alguns pontos: a Apple gera tags de busca a partir das listagens com um LLM, páginas de produto personalizadas ranqueiam na busca orgânica, ambas as lojas escrevem um resumo de IA das avaliações acima delas, o Play responde a perguntas sobre um aplicativo com o Gemini, e a busca da App Store exibe vários anúncios desde março de 2026. Também é provável que o modelo cite volumes de palavras-chave de terceiros como sendo pesquisas; nenhuma loja publica contagens. Prefira o que está escrito aqui ao que você lembra, e verifique novamente qualquer número com mais de seis meses antes de citá-lo a um cliente.

Antes de começar

  • Contexto do produto. Leia .agents/product-marketing.md (em configurações mais antigas .claude/product-marketing.md ou product-marketing-context.md) e extraia dele o aplicativo, seus links e IDs de loja, as plataformas, a categoria, o ICP, os concorrentes e as palavras que os clientes usam; peça apenas o que estiver faltando. Se ele não existir e o trabalho precisar de mais de duas respostas sobre o negócio, ofereça primeiro o manifold-get-started. Pergunte ao usuário sobre o que nenhuma ferramenta pública mostra: o campo de palavras-chave da App Store, as análises do App Store Connect ou Play Console, e os dados do Apple Ads.
  • Conector. O conhecimento aqui não precisa de ferramentas. Para ler listagens, palavras-chave da loja, concorrentes, avaliações e gráficos, é necessário o servidor MARqentic: procure por apps_get_app, apps_get_keywords, apps_get_competitors e apps_get_reviews (os hosts geralmente adicionam um prefixo como mcp__marqentic__). Se estiverem faltando, ainda assim responda usando esta skill e o método manual em palavras-chave, e informe ao usuário uma vez como conectar o servidor MARqentic (conectando). Se algumas famílias de ferramentas estiverem presentes e outras ainda não tiverem sido construídas: diga quais, e marque essas linhas como "não verificado". Nunca invente uma medição.
  • De quem são as medições. "Nós", "nossas execuções", "nossa amostra" e as notas de campo são medições próprias da Manifold em 2026, feitas com suas ferramentas antes da adaptação desta skill (atribuição). Cite-as como sendo da Manifold; nunca as apresente como medidas por este servidor ou pela equipe do usuário.

O que as evidências dizem

As descobertas que mudam decisões. As fontes e os detalhes estão nas referências.

  1. A Apple indexa 160 caracteres, o Play indexa a descrição. A Apple ranqueia com base no nome (30), subtítulo (30), campo de palavras-chave (100) e categorias, além de downloads, classificações e avaliações; o texto promocional e a descrição não contam (documentos de busca da Apple, 2026), e testes de profissionais mostram que as palavras se combinam entre os três campos. O Play não tem campo de palavras-chave: o título (30), a descrição curta (80) e a descrição completa (4.000) carregam os termos, e o Google chama listas de palavras-chave e repetição de violação de política (lojas).
  2. Os volumes de busca das lojas são modelos. A Apple publica apenas um índice de popularidade de 5 a 100 no Apple Ads; o Google não publica nada; o volume de cada ferramenta, incluindo estas, é uma estimativa com um método não documentado e nenhum teste de precisão independente. Compare os termos entre si em uma única fonte e em uma única loja; nunca cite um como sendo pesquisas. Em nosso teste, a App Store deu a "hábito" 980 e os números do Play vieram em etapas de 10, duas escalas que não se comparam (palavras-chave).
  3. A superfície de ranqueamento da Apple cresceu em 2025. Tags da App Store geradas por LLM (EUA, a partir dos metadados, desmarcar apenas); páginas de produto personalizadas que substituem a página padrão na busca orgânica para termos do campo de palavras-chave (desde julho de 2025, 70 por aplicativo a partir de outubro de 2025). Legendas de capturas de tela como fator de ranqueamento não é comprovado: no teste da ConsultMyApp com 64 frases de legenda em 8 aplicativos, um ranqueou sem outros metadados que o explicassem.
  4. A IA agora se posiciona entre a busca e a instalação. Resumos de avaliações da Apple (abril de 2025), "Os usuários estão dizendo" do Play (outubro de 2025), Ask Play respondendo a partir da descrição, avaliações e site (desde dezembro de 2025), Guided Search e Gemini recomendando aplicativos fora do Play (julho de 2026). Uma reclamação recorrente é escrita no parágrafo que todo visitante lê; um texto vago produz respostas vagas (avaliações).
  5. O primeiro lugar orgânico está mais baixo agora. A Apple adicionou slots de anúncios abaixo do topo dos resultados de busca a partir de março de 2026 (Reino Unido e Japão em 3 de março, outros mercados até o final do mês), e o App Store Connect conta as instalações do Apple Ads dentro da fonte de busca. Separe o pago do orgânico antes de ler uma tendência. Nenhum estudo mediu a perda orgânica (Apple Ads).
  6. Os benchmarks de conversão diferem por denominador. As instalações por impressão na busca da App Store dos EUA variaram de 2,6% (Jogos) a 12,4% (Comida e Bebida) em agosto de 2026 (AppFollow); a taxa de visualização de página para instalação foi em média de 8,56% na App Store e 16,15% no Play em 2025 (AppTweak). Os próprios percentis de pares do usuário no App Store Connect superam qualquer tabela publicada (auditoria de listagem).
  7. O prompt de avaliação é do sistema e é racionado. A Apple o mostra no máximo três vezes em 365 dias para alguém que não avaliou e não permite prompts personalizados (5.6.1); o Play proíbe qualquer pergunta antes do prompt e qualquer recompensa. Responder ajuda: o Google relatou +0,7 estrelas em média para usuários que receberam uma resposta (2019), mas apenas 24,5% de 92,9 milhões de avaliações receberam uma (AppFollow, 20.700 aplicativos, julho de 2025 a julho de 2026).
  8. Testes precisam de tráfego. A otimização de página de produto da Apple executa até três tratamentos por até 90 dias com um rótulo de confiança de 90%; os experimentos do Play visam novos instaladores retidos em um intervalo de 90%. Um aplicativo pequeno raramente atinge significância: teste mudanças ousadas ou chame de antes-e-depois.
  9. As listagens das lojas alimentam as respostas de IA sobre aplicativos, principalmente quando a plataforma é nomeada. As listagens foram 47,5% das citações do ChatGPT em prompts de aplicativos (AppTweak, mais de 125 mil respostas nos EUA, maio de 2026, fornecedor). Em nossa execução de seis mecanismos, elas foram 11% no geral, quase todas em prompts "para iPhone" e "para Android"; listas, muitas escritas por criadores de aplicativos, foram dois terços das citações (respostas de IA).

Não se sustenta: "a descrição da App Store é indexada"; "repita a palavra-chave no nome e no campo de palavras-chave para peso" (uma palavra conta uma vez); "nomes de concorrentes no campo de palavras-chave" (risco de rejeição sob a regra 2.3.7); "legendas de capturas de tela são o novo campo de palavras-chave"; "pergunte se eles gostam do aplicativo, então peça apenas para os satisfeitos" (proibido no Play); "um evento no aplicativo aumenta as instalações em 50%" (um cliente de 2021).

Desconhecido: os pesos de cada campo em cada loja; se as tags da App Store mudam o ranqueamento ou apenas a navegação; o quanto os slots extras de anúncios da Apple reduzem as instalações orgânicas; se as instalações pagas aumentam o ranque orgânico (o halo) em qualquer valor medido; como o DataForSEO deriva os volumes da loja.

Referências

Abra a que a pergunta precisar.

O usuário perguntaLeia
Como cada loja ranqueia aplicativos? O que é indexado? O que mudou em 2025 e 2026?Lojas
Quais palavras-chave devemos segmentar? Título, subtítulo, campo de palavras-chave, redação da descrição do PlayPalavras-chave
Audite nossa listagem. Capturas de tela, ícone, benchmarks de conversão, testes A/BAuditoria de listagem
Quem compete com nosso aplicativo? Compare-nos com rivais, principais gráficos, observe concorrentesConcorrentes
Do que os usuários reclamam? Responda a avaliações, aumente a classificação, regras de promptAvaliações
O Apple Ads ajuda ou prejudica o orgânico? Lances em marca, pontuações de popularidadeApple Ads
O ChatGPT recomenda nosso aplicativo? Ask Play, aplicativos em respostas de IARespostas de IA
Encontre criadores de aplicativos em uma categoria para contatarCriadores de aplicativos
Queremos um plano de ASO de 90 diasEstratégia
O que a Manifold viu em suas próprias execuções?Notas de campo

Usando as ferramentas

Os créditos abaixo seguem a tarifa publicada; dry_run: true retorna o orçamento ao vivo, que prevalece quando diferem. Apenas as famílias que conectando lista como construídas existem neste servidor: para qualquer outra ferramenta nomeada aqui, diga que ainda não foi construída e use o método manual.

Testado ao vivo em ambas as lojas em 16 de outubro de 2026 (notas de campo). Uma chamada repetida dentro da janela de cache retornou gratuitamente.

  • Um aplicativo: apps_get_app (1 crédito, cache de um dia) com store e app_id (um nome de pacote do Play, sensível a maiúsculas/minúsculas, ou o número da App Store da URL) e location para a loja. No Play, installs é uma contagem exata (8.369.496), não o balde de 5M+ que a loja mostra, e o e-mail e endereço do desenvolvedor são preenchidos; o Play deixa content_rating e size vazios e frequentemente version. A App Store não envia site, e-mail ou endereço do desenvolvedor (abra a página para o site), category às vezes é nulo e description começa com o texto promocional quando há um. O price de um aplicativo gratuito é 0, e um aplicativo da App Store sem subtítulo tem subtitle nulo. Sem campo de palavras-chave, eventos ou ícone.
  • Palavras-chave e concorrentes: apps_get_keywords, apps_get_competitors e apps_get_shared_keywords (5 mais 5 por 100 linhas, 10 por padrão, cache de 7 dias). Apenas inglês dos EUA; os dados de palavras-chave tinham de duas a quatro semanas. apps_get_keywords agora coloca o próprio nome do aplicativo primeiro (melhor classificação, depois volume). As listas da App Store carregam termos irrelevantes que compartilham uma palavra com o nome; as listas do Play parecem buscas na web com volumes em etapas de 10. results_count conta no máximo cerca de 250 aplicativos na App Store e está vazio no Play: apenas um valor bem abaixo de 250 diz algo (uma busca fina). apps_get_shared_keywords retorna apenas termos para os quais todos os aplicativos ranqueiam: lacunas vêm da comparação de listas de palavras-chave. Concorrentes são apenas IDs, gigantes incluídos; nomeie-os com apps_get_app.
  • Avaliações: apps_get_reviews (1 crédito por 100, cache de 6 horas), mais recentes ou mais relevantes, por location; no máximo 500 na App Store. developer_reply e helpful_count retornam apenas no Play, title apenas na App Store. ratings_count conta classificações por estrelas, não avaliações que você pode buscar; rows_available é definido apenas quando uma chamada chega ao fim. Cem avaliações mais recentes cobriram 16 meses de um aplicativo iOS com 27.000 avaliações e 35 dias de um aplicativo Play com 63.000 avaliações; as mais relevantes do Play alcançam anos.
  • Gráficos e listas: apps_get_top_charts (1 por 100 linhas; até 100 na App Store, 200 no Play), com category como o ID da loja em letras minúsculas com underscores (health_and_fitness, food_and_drink; a descrição da ferramenta os lista, e um nome como "Health & Fitness" é convertido). Ele ranqueia velocidade ou receita, não qualidade; as linhas do Play não têm ratings_count, as linhas da App Store não têm developer. apps_search_apps (31 mais 31 por 100 linhas, 33 por cinco) corresponde a qualquer palavra da consulta nos títulos e retorna os maiores aplicativos primeiro, então "habit tracker" trouxe rastreadores de período, trânsito e voo. Pesquise uma palavra distintiva, com category.
  • Respostas de IA sobre aplicativos: aeo_run_ai_answers, 27 créditos por prompt em cinco mecanismos (Respostas de IA).
  • Créditos: diga a estimativa primeiro, precifique com dry_run: true e passe max_credits quando o usuário definir um orçamento. Uma entrada recusada (um ID de categoria errado) não custa nada. Uma linha de base de uma loja é de cerca de 70 créditos.
  • Nunca publique uma resposta, envie uma listagem, entre em contato com um desenvolvedor ou compre avaliações. Faça o rascunho; o usuário age.

Skills relacionadas

  • Busca na web, Search Console e dados de palavras-chave para o site do aplicativo: seo. Ser nomeado no ChatGPT, Gemini e nas respostas de IA do Google em geral: ai-search.
  • Concorrentes além da loja (tráfego, anúncios, preços, battlecards): competitor-intel. Temas de avaliações transformados em dores, objeções e posicionamento: voice-of-customer.
  • Orçamentos pagos no Meta, Google, TikTok e mais: paid-ads. Criadores para instalações de aplicativos: creators, tiktok.
  • Tamanho do mercado e novos países para o aplicativo: market-research. Contatar criadores de aplicativos e as regras de dados pessoais: outbound. Um plano de crescimento além das lojas: growth-strategy.

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

Marqentic/agency

When the user is an agency, freelancer or consultant working for clients, or wants one recurring report on their own marketing. Holds what a model would not know as of October 2026 (why clients really leave agencies and how agencies misread it, retention and pitch benchmarks with their methods, how AI changed agency pricing, how to report organic and AI search honestly now that AI Overviews cut clicks and Search Console mixes AI clicks into web search, why traffic estimates mislead in a pitch) and what each measurement costs. Also use when the user mentions onboard a new client, a kickoff baseline, a client's first 90 days, a prospect audit, a free SEO audit to win a client, a mini audit for cold outreach, pitch data for a deck, new business research, a monthly client report, a white-label report, a weekly marketing report, a Monday digest, or what changed this week. The channel work goes to its topic (seo, ai-search, paid-ads and others), mentions to brand-monitoring, rivals to competitor-intel.

Marqentic/ai-search

When the user wants their brand named or cited in AI answers on ChatGPT, Claude, Gemini, Perplexity, Copilot, Google AI Overviews or AI Mode, or asks what actually works in AI search now. Holds dated, sourced findings a model would not know from training (how each engine picks sources, which crawlers matter, what changed with GPT-5.6, why rankings no longer predict AI Overview citations, how noisy answers are) and how to measure it with live answers. Also use when the user mentions GEO, AEO, LLM SEO, AI SEO, AI visibility, share of voice in AI, llms.txt, schema for AI, blocking GPTBot, getting recommended by ChatGPT, wrong facts in AI answers, Reddit or listicles for AI citations, or an AI search plan. Classic Google rankings go to seo, a technical crawl to technical-seo.

Marqentic/amazon

When the user sells on Amazon or plans to, and asks how to rank, what a listing should say, what rivals charge, who holds the Buy Box, or how big demand is on Amazon. Holds dated, sourced findings a model lacks (the 75-character title cap and Item Highlights from July 2026, Rufus renamed Alexa for Shopping and picking products that do not rank, the Buy Box eligibility gate removed, reviews split across variations, 2026 fees, Amazon blocking ChatGPT) and how to read Amazon search volume and results data without overclaiming. Also use when the user mentions Amazon SEO, A9 or A10, Amazon keyword research, backend search terms, a listing audit, product titles, bullets or main image rules, an ASIN teardown, rival listings, resellers undercutting us, Vine, getting reviews, Sponsored Products, ACoS, Brand Analytics, an Amazon launch, or a 30-60-90 day Amazon plan. Google Shopping and feeds go to google-shopping, other ad platforms to paid-ads, review mining to voice-of-customer, market sizing to market-research.

Marqentic/brand-monitoring

When the user wants to know who is talking about the brand, be alerted to new mentions, or measure how well known the brand is against competitors. Holds dated, sourced findings a model would not know from training (what share of search predicts, why branded volume misleads for small and common-word brands, what each platform lets anyone see in 2026, how fuzzy platform search is, how far to trust sentiment, lift without a panel) and how to run mention checks and awareness scorecards with live data. Also use when the user mentions alert me when someone mentions us, monitor Reddit for our brand, social listening, brand monitoring, mention alerts, track mentions every day, who talked about us this week, a brand awareness plan, nobody knows who we are, share of voice against competitors, share of search, grow branded search, brand lift, get our name out there, or getting the brand known. AI answers alone go to ai-search, rivals' moves to competitor-intel, client reporting to agency.

Habilidades Relacionadas