Communitygithub.com

竞争平台分析

在进行任何评分之前,使用此技能决定**对标谁**以及**在哪里找到他们**。目标是构建一个可辩护、与决策相关的竞争组合,而非详尽的普查。

竞争平台分析 是什么?

竞争平台分析是一项专业AI代理技能,旨在帮助用户在开始竞争性对标项目之前,定义并构建一个结构化的竞争对手组合。它强调,没有客户定位简报的竞争分析是无效的,因此首要步骤是通过品牌发现访谈确立定位简报,确保竞争集与客户的视角和战略紧张度(如可记忆性×可聘用性)保持一致。该技能支持在各类创意服务市场中工作,包括设计、动画、文案、品牌、内容和电影等。其工作流程包括使用8个通用轴(如定位立场、专业化、规模、参与模式等)对候选对手进行分类,然后通过预过滤评分矩阵将其分为直接、相邻和理想三个层级,输出8-12个被分析对象供后续对标方法使用。此技能特别适用于规划市场景观报告、识别与客户定位相竞争的公司,以及在投标阶段前建立竞争框架。它明确反对在没有定位简报的情况下进行范围界定,并强调跨来源验证对手属性以避免依赖自我宣传。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/competitive-platform-analysis

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

竞争平台分析 是做什么的?

使用此技能在开始任何评分之前决定对标谁以及在哪里找到他们。竞争分析的价值取决于其框架:错误的集合会让客户看起来要么不可战胜,要么难以挽救。目标是构建一个可辩护、与决策相关的集合,而非详尽的普查。

何时激活

  • 即将开始一个竞争性对标项目,且需要首先定义竞争对手集合。
  • 不确定哪些公司应属于直接/相邻/理想层级。
  • 需要为市场景观报告提供可辩护的、经过精简的范围。
  • 拥有定位简报,并希望识别出谁在该位置上竞争。
  • 在运行 benchmark-methodology 之前的第一步。

客户定位简报(首先建立)

在界定范围之前,先确立客户的定位简报。如果你还没有,运行一次简短的品牌发现访谈来获取它——不要凭空编造,也不要盲目界定集合。该简报提供:

  • 身份/美学基调 —— 这是什么样的工作室或公司,以及它如何展示自己。
  • 产品/服务 —— 它交付哪些服务或产品。
  • 目标客户 —— 它向谁销售。
  • 差异化因素 —— 客户认为的护城河或定位论点。
  • 范围界定影响 —— 如何权衡竞争对手的推论(例如,根据独特性 vs. 能力重叠 vs. 价格进行优先排序)。
  • 战略紧张度 —— 定义客户空白空间的成对轴(例如,可记忆性 × 可聘用性)。

没有定位简报,请不要继续。 没有客户视角而界定的竞争对手列表只是噪音,而非情报。特别是范围界定影响决定了哪些竞争对手是强对手(那些挑战客户护城河的)与仅仅在服务菜单上重叠的对手。

选择标准

对于每个候选者,捕捉以下轴 —— 它们决定是否包含以及层级:

  • 规模/模式 —— 独立、微型工作室(2–8人)、精品店(30人以下)、中型代理机构。与客户自身规模匹配;同规模的工作室是现实中的直接对手。
  • 细分/专业化 —— 候选者的专长与客户产品/服务的重合程度。重合度越高 = 越直接。
  • 地理/市场 —— 欧盟与美国或全球远程;语言;时区覆盖范围。注意他们是否赢得了客户所瞄准的同一批客户。
  • 定价与参与模式 —— 产品化冲刺、保留服务、项目、日费率;透明定价 vs “联系我们”。表明定位成熟度。
  • 作品集风格 —— 通用型 vs. 有观点/编辑型 vs. 反叛型。与客户的美学基调越接近,越挑战客户的独特性。
  • 技术深度/工艺成熟度 —— 如果客户的可信度故事包括公开的工作流程、开源工具或系统文档,则相关。
  • 品牌实力 —— 该工作室是否拥有可拥有的语言/视觉身份,还是可互换的?根据客户的范围界定影响来权衡这一点。

参与者分类法 —— 要填充的轴

不要将竞争对手按特定细分市场分类;而是沿着几个通用轴对它们进行分类,这样景观就不会偏向于某一种原型。这些轴适用于任何创意服务市场(设计、动画、文案、品牌、内容、电影等)。首先在每个轴上追求广度,然后缩减到最具启发性的部分。

  1. 定位立场 —— 品牌导向/编辑型(在身份、声音、观点上竞争)与能力导向(在工艺、产出、成果上竞争)。填充两个极端;客户最接近的镜像位于其自身的一端。
  2. 专业化 —— 专家(一个狭窄的学科或垂直领域)与通才(广泛的服务菜单)。与客户专长重合度越高 = 越直接。
  3. 规模/模式 —— 独立/微型与精品店与中型与企业级。同规模参与者是现实中的直接对手;更大规模的是理想/商业成熟度参考。
  4. 参与形式 —— 产品化(命名的冲刺、审计、固定套餐)与定制(定制项目/保留服务)。表明定位成熟度。
  5. 独特性姿态 —— 传统/安全与反叛/以宣言驱动。有观点的端点在任何细分市场的独特性对标中都很关键。
  6. 证据/可信度模型 —— 结果导向(指标、具名客户、案例深度)与美学导向(作品集、奖项)。告诉你每个参与者如何赢得信任。
  7. 运营者品牌实力 —— 可互换与小众/可拥有的身份(包括证明“可记忆的独立品牌”模式的高级独立从业者)。
  8. 市场/覆盖范围 —— 本地/区域与全球远程;注意他们是否赢得了客户所瞄准的同一批客户。

将每个候选者绘制在相关的轴上;当竞争对手在定位、专业化、规模和市场上都接近客户时,它就是直接竞争对手。

竞争层级(集合如何划分)

将最终集合分为三个层级 —— 这一结构会延续到报告中:

  • 直接 —— 相同规模、重叠的产品/服务、相同客户目标。现实中的直接对手。
  • 相邻 —— 部分重叠(一个能力,或不同的客户规模),在边缘施加压力。
  • 理想 —— 客户今天未与之竞争,但其品牌或商业成熟度设定了目标的参与者。
  • (还要注意替代品:无代码/AI工具、内部团队、通才自由职业者 —— 将其作为威胁向量记录,除非实质相关,否则不作为分析的竞争对手。)

数据来源(去哪里找)

将来源与你需要的维度匹配。下面的平台类型是通用的;用客户细分市场原生的平台替代(例如,设计领域用 Dribbble/Behance,动画领域用 showreel/Vimeo,文案领域用写作样本/已发表作品):

  • 作品集/工艺平台 —— 工艺质量、范围、美学基调(例如,Dribbble、Behance、Vimeo,或该细分市场的等效展示平台)。
  • 奖项/策展展示 —— 工艺雄心和编辑认可;过度侧重于花哨的作品,因此与商业可信度交叉验证(例如,Awwwards、行业奖项列表)。
  • 竞争对手自有网站 —— 定位、声音、产品/服务包装、定价姿态、具名客户、宣言/观点的主要来源。
  • LinkedIn —— 团队规模/模式、创始人叙事、帖子频率、客户标志、地理位置。
  • 评论目录 —— 评论、具名客户、项目规模、参与模式;商业可信度和企业就绪度的最强信号(例如,Clutch.co 或该细分市场的等效平台)。
  • 公开/公开作品 —— 流程仓库、发布的样本、公开创意输出:深度和工艺透明度证据。
  • 会议演讲/播客/新闻通讯 —— 思想领导力深度和观点所有权。

在将某个竞争对手属性视为事实之前,始终通过至少两个来源验证声明(自我报告网站文案 ≠ 已验证的成果)。将对抗性验证纪律带入每个简介。

评分矩阵模板(选择阶段)

轻量级预过滤器,决定谁进入全面对标。评分 1–5;保留在独特性或可信度上得分高的候选者 —— 客户的战略紧张度意味着两个极端都有指导意义。

候选者定位立场专业化规模区间层级产品/服务重叠 (1–5)独特性 (1–5)商业可信度 (1–5)工艺接近度 (1–5)包含?

经验法则(根据定位简报中的客户范围界定影响应用):

  • 高独特性 且 高可信度 → 必须分析(证明客户的目标紧张度是可以实现的)。
  • 高独特性,低可信度 → 警示案例(可记忆但不可聘用 —— 值得学习的潜在失败模式)。
  • 高可信度,低独特性 → “有能力但容易被遗忘”的大量公司,客户以此定义自己。
  • 两者都低 → 除非景观需要广度,否则剔除。

此阶段的输出

一个经过范围界定和层级划分的竞争对手集合(通常 10–18 个候选者 → 8–12 个被分析),每个都标有其轴位置、层级和来源链接,随时可以交给 benchmark-methodology。

反模式

  • 没有定位简报就界定范围。 没有客户视角构建的竞争对手列表只是噪音。简报决定了什么是真正的对手。
  • 列出每一个类似的公司。 目标是可辩护的 10–18 个候选者集合,而非普查。广度而不做剪枝会使对标变得难以管理。
  • 模糊直接/相邻/理想层级。 这些层级服务于不同的战略目的。将它们混在一起会产生一个平坦的列表,无法驱动决策。
  • 每个竞争对手只依赖一个来源。 自我报告网站文案是营销,而非事实。通过至少两个来源验证属性。
  • 直接跳到评分。 此技能界定范围和划分层级。Benchmark-methodology 处理评分。不要混淆这两个步骤。

示例

场景: 一家精品品牌形象工作室(2人,欧盟远程,产品化冲刺,反叛/以宣言驱动的美学)想要在标杆之前界定其竞争集合。来自定位简报的战略紧张度是可记忆性 × 可聘用性。

第 1 步 —— 八轴填充(示例候选者):

候选者定位立场专业化规模区间参与形式独特性证据模型品牌实力市场
工作室 A品牌导向/编辑型仅形象微型产品化反叛美学导向小众全球远程
工作室 B能力导向广泛的设计+动画精品店定制传统结果导向可互换美国
代理机构 C能力导向品牌+数字中型保留服务传统结果导向可互换欧盟
自由职业者 D品牌导向仅品牌声音独立日费率编辑型美学导向可拥有全球
工作室 E品牌导向品牌策略微型产品化以宣言驱动结果导向小众欧盟远程

第 2 步 —— 预过滤评分(客户范围界定影响:权重独特性,因为客户的护城河是观点优先,而非能力广度):

候选者产品/服务重叠 (1–5)独特性 (1–5)商业可信度 (1–5)工艺接近度 (1–5)层级包含?
工作室 A5535直接✓ 必须分析
工作室 B3253相邻✓ 可信度锚点
代理机构 C2152理想✓ 规模参考
自由职业者 D4424直接✓ 警示案例
工作室 E5544直接✓ 必须分析

第 3 步 —— 交给 benchmark-methodology 的输出: 五个候选者(3 个直接,1 个相邻,1 个理想),每个都标有轴位置、层级和来源链接。工作室 A 和工作室 E 是最尖锐的直接对手;自由职业者 D 是“可记忆但不可聘用”的警示案例,可供学习。

相关技能

  • brand-discovery —— 首先使用以建立定位简报和战略紧张度,从而界定竞争集合的范围。
  • benchmark-methodology —— 下一步;获取层级划分的集合并在九个维度上对每个竞争对手进行评分。

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.

相关技能