Communitygithub.com

競爭對手平台分析

決定要與誰進行基準比較以及在何處找到它們,確保競爭對手集合具有策略相關性且可防禦。

競爭對手平台分析 是什麼?

此技能(Competitive Platform Analysis)旨在幫助使用者在開始基準評估之前,建立一個策略性、可防禦的競爭對手集合。它強調不要盲目納入所有相似公司,而是基於客戶的定位簡報,透過八個通用軸線(如定位立場、專業化程度、規模、參與模式、區隔性、證據模型、品牌強度、市場範圍)來篩選與分級競爭對手。最終將集合區分為直接、相鄰與理想三個層級,並提供輕量化的預篩選評分矩陣,以決定哪些候選者應進入正式的基準評估。此技能支援多種平台(如Dribbble、Behance、LinkedIn、Clutch.co等),但要求使用者先用品牌發現技能建立客戶的定位簡報,否則會產生無效的列表。其典型工作流程為:先取得定位簡報,再依軸線分類候選者,然後進行預篩選評分,最後產出一個包含候選者及其軸線位置、層級與來源連結的結構化清單,供後續的基準評估方法技能使用。

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

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

競爭對手平台分析 是做什麼的?

使用此技能來決定要與誰進行基準比較以及在何處找到它們,然後再開始任何評分。競爭分析的品質取決於其框架:錯誤的集合會讓客戶看起來要麼無敵、要麼絕望。目標是做出一個可防禦且與決策相關的集合——而非詳盡的清單。

何時啟動

  • 即將開始一個競爭基準專案,且需要先界定競爭對手集合時。
  • 不確定哪些公司應歸屬於直接 / 相鄰 / 理想層級時。
  • 需要一個可防禦的、精簡的市場格局報告範圍時。
  • 手上有定位簡報,並想找出哪些公司爭奪該定位時。
  • 在執行 benchmark-methodology 之前的第一步。

客戶定位簡報(先建立)

在界定集合範圍之前,先建立客戶的定位簡報。如果您尚未取得,請進行一次簡短的品牌探索訪談以引出該簡報——切勿憑空編造,也不要盲目地界定集合範圍。該簡報提供:

  • 身份 / 美學風格——這是什麼樣的工作室或公司,以及它如何呈現自己。
  • 產品 / 服務——它提供哪些服務或產品。
  • 目標客戶——它將產品賣給誰。
  • 差異化因素——客戶所相信的護城河或定位論述。
  • 範圍界定影響——這對如何加權競爭對手所帶來的影響(例如,按獨特性 vs. 能力重疊 vs. 價格優先排序)。
  • 策略張力——定義客戶空白空間的成對軸線(例如,記憶性 × 僱用性)。

在沒有定位簡報的情況下,請勿繼續進行。 若未依據客戶的視角來界定競爭對手列表,那只是雜訊,而非情報。特別是「範圍界定影響」決定了哪些競爭對手是強勁對手(那些挑戰客戶護城河的公司),而那些僅僅在服務菜單上有所重疊的則不然。

選擇標準

針對每個候選者,收集以下軸線——它們同時決定了納入與分級:

  • 規模 / 模式——個人、微型工作室(2-8人)、精品工作室(30人以下)、中型代理商。匹配客戶自身的規模帶;同規模的工作室是實際的面對面競爭者。
  • 利基 / 專業化——候選者的重點與客戶的產品/服務重疊的程度。重疊越緊密 = 越直接。
  • 地理 / 市場——歐盟 vs. 美國 vs. 全球遠端;語言;時區覆蓋範圍。留意他們是否贏得了客戶所瞄準的相同客戶。
  • 定價與參與模式——產品化衝刺、顧問合約、專案制、日費制;透明 vs. 「聯絡我們」。這反映定位成熟度。
  • 作品集風格——通用 vs. 有觀點/編輯式 vs. 反向操作。越接近客戶的美學風格,就越挑戰客戶的獨特性。
  • 技術深度 / 工藝成熟度——如果客戶的可信度故事包含公開流程作品、開放式工具或記錄完整的系統時,此點相關。
  • 品牌強度——該工作室是否擁有可擁有的文字/視覺身份,還是可互換的?根據客戶的「範圍界定影響」來加權此項。

玩家分類法——要填寫的軸線

不要將競爭對手歸入特定利基領域;而是沿著一些通用軸線對它們進行分類,這樣市場格局才不會偏向某一種典型。這些軸線適用於任何創意服務市場(設計、動態設計、文案、品牌、內容、電影等)。先在各軸線上力求廣度,然後再精簡至最具啟發性的對象。

  1. 定位立場——品牌主導 / 編輯式(在身份、聲音、觀點上競爭) vs 能力主導(在工藝、產出、成果上競爭)。涵蓋兩極;客戶最相近的鏡像位於其自身的末端。
  2. 專業化——專家(一個狹窄的學科或垂直領域) vs 通才(廣泛的服務菜單)。與客戶重點的重疊越緊密 = 越直接。
  3. 規模 / 模式——個人 / 微型 vs 精品 vs 中型 vs 企業級。同規模的玩家是實際的面對面競爭者;較大的規模則是理想/商業成熟度的參考對象。
  4. 參與形式——產品化(具名的衝刺、審計、固定套裝) vs 客製化(客製專案 / 顧問合約)。反映定位成熟度。
  5. 區隔性姿態——傳統 / 安全 vs 反向操作 / 宣言驅動。在任何利基領域的區隔性基準評估中,有觀點的一端是關鍵。
  6. 證據 / 可信度模型——成果主導(指標、具名客戶、案例深度) vs 美學主導(作品集、獎項)。告訴您每個玩家如何贏得信任。
  7. 經營者的品牌強度——可互換 vs 擁有可擁有的/狂熱品牌身份(包括那些證明了「令人難忘的個人品牌」模式的資深獨立工作者)。
  8. 市場 / 觸及範圍——本地 / 區域 vs 全球遠端;留意他們是否贏得了客戶所瞄準的相同客戶。

將每個候選者標記到相關的軸線上;當一個競爭對手在定位、專業化、規模和市場上同時接近客戶時,它就是直接競爭對手。

競爭層級(集合如何形成)

將最終集合分為三個層級——此結構將貫穿整個報告:

  • 直接——相同規模、重疊的產品/服務、相同的客戶目標。實際的面對面競爭者。
  • 相鄰——部分重疊(一項能力,或不同的客戶規模),在邊緣施加壓力。
  • 理想——客戶目前尚未與其競爭的玩家,但其品牌或商業成熟度設定了要瞄準的標竿。
  • (同樣留意替代品:無程式碼/AI 工具、內部團隊、通才自由工作者——將其記錄為威脅向量,除非有實質相關性,否則不要將其作為詳細分析的競爭對手。)

資料來源(去哪裡找)

將來源與您需要的維度相匹配。以下類型的載體是通用的;請替換為客戶利基領域所固有的平台(例如設計領域的 Dribbble/Behance、動態設計領域的 showreel/Vimeo、文案領域的寫作範例/已發表作品):

  • 作品集 / 工藝平台——工藝品質、範圍、美學風格(例如 Dribbble、Behance、Vimeo,或該利基領域的等效展示平台)。
  • 獎項 / 策劃展示——工藝雄心與編輯認可;過度側重於華麗的內容,因此請交叉對比商業可信度(例如 Awwwards、行業獎項列表)。
  • 競爭對手自己的網站——定位、聲音、產品/服務包裝、定價姿態、具名客戶、宣言/觀點的主要來源。
  • LinkedIn——團隊規模/模式、創辦人敘事、發文頻率、客戶標誌、地理位置。
  • 評論目錄——評論、具名客戶、專案規模、參與模式;對於商業可信度和企業就緒度最強的信號(例如 Clutch.co 或該利基領域的等效平台)。
  • 公開 / 公共作品——流程儲存庫、已發布的範例、開放的創意輸出:深度和工藝透明度的證據。
  • 會議演講 / 播客 / 電子報——思想領導力的深度和觀點所有權。

在將競爭對手的屬性視為事實之前,請務必至少在兩個來源之間驗證主張(自我報告的網站內容 ≠ 驗證過的成果)。在每個檔案中都要帶入「對手驗證」的紀律。

評分矩陣模板(選擇階段)

一個輕量化的預篩選工具,以決定哪些候選者進入完整的基準評估。評分 1-5;在獨特性或可信度任一項上得分高的候選者予以保留——客戶的策略張力意味著兩極都具有啟發性。

候選者定位立場專業化程度規模帶層級產品/服務重疊 (1–5)獨特性 (1–5)商業可信度 (1–5)工藝接近度 (1–5)納入?

經驗法則(根據定位簡報中的客戶「範圍界定影響」來應用):

  • 高獨特性 且 高可信度 → 必須進行檔案分析(證明客戶的目標張力是可實現的)。
  • 高獨特性、低可信度 → 警示案例(令人難忘但無法僱用——一個可供學習的潛在失敗模式)。
  • 高可信度、低獨特性 → 「能幹但容易被遺忘」的群體,是客戶用來定義自身的反面教材。
  • 兩者皆低 → 除非是市場廣度所需,否則予以剔除。

此階段的輸出

一個經過範圍界定、分層的競爭對手集合(通常 10-18 個候選者 → 8-12 個進行檔案分析),每個都標記有其軸線位置、層級和來源連結,準備交給 benchmark-methodology。

反模式

  • 在沒有定位簡報的情況下界定範圍。 若未依據客戶的視角來建立競爭對手列表,那只是雜訊。該簡報決定了什麼才算真正的對手。
  • 列出每一家類似的公司。 目標是一個可防禦的 10-18 個候選者集合,而非詳盡清單。未經精簡的廣度會使基準評估變得難以管理。
  • 模糊直接/相鄰/理想層級。 這些層級服務於不同的策略目的。混合它們會產生一個無法驅動決策的扁平列表。
  • 每個競爭對手僅依賴單一來源。 自我報告的網站內容是行銷,而非事實。請至少在兩個來源之間驗證屬性。
  • 直接跳到評分。 此技能負責界定和分層集合。benchmark-methodology 負責處理評分。不要混淆這兩個步驟。

範例

情境: 一家精品品牌形象工作室(2人、歐盟遠端、產品化衝刺、反向操作/宣言驅動的美學)希望在其進行基準評估之前界定其競爭對手集合。來自定位簡報的策略張力是記憶性 × 僱用性。

步驟 1 — 八軸線分類(範例候選者):

候選者定位立場專業化程度規模帶參與形式獨特性證據模型品牌強度市場
工作室 A品牌主導 / 編輯式僅限品牌形象微型產品化反向操作美學主導狂熱品牌全球遠端
工作室 B能力主導廣泛的設計+動態設計精品客製化傳統成果主導可互換美國
代理商 C能力主導品牌+數位中型顧問合約傳統成果主導可互換歐盟
自由工作者 D品牌主導僅限品牌聲音個人日費制編輯式美學主導可擁有全球
工作室 E品牌主導品牌策略微型產品化宣言驅動成果主導狂熱品牌歐盟遠端

步驟 2 — 預篩選評分(客戶的「範圍界定影響」:因為客戶的護城河是以觀點為優先,而非能力廣度,所以加重獨特性):

候選者產品/服務重疊 (1–5)獨特性 (1–5)商業可信度 (1–5)工藝接近度 (1–5)層級納入?
工作室 A5535直接✓ 必須進行檔案分析
工作室 B3253相鄰✓ 可信度錨點
代理商 C2152理想✓ 規模參考
自由工作者 D4424直接✓ 警示案例
工作室 E5544直接✓ 必須進行檔案分析

步驟 3 — 輸出交給 benchmark-methodology: 五個候選者(3 個直接、1 個相鄰、1 個理想),每個都標記有軸線位置、層級和來源連結。工作室 A 和工作室 E 是最尖銳的面對面競爭對手;自由工作者 D 則是「令人難忘但無法僱用」的警示案例,可供學習。

相關技能

  • brand-discovery —— 先使用此技能來建立界定競爭對手集合所需的定位簡報和策略張力。
  • benchmark-methodology —— 下一步;接收分層的集合,並在九個維度上對每個競爭對手進行評分。

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/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.

相關技能