Communitygithub.com

競爭者平台分析

在開始任何評分之前,決定要與誰進行基準比較以及在哪裡找到他們。幫助你建立一個可防禦且與決策相關的競爭者組合,而非一份詳盡的清單。

競爭者平台分析 是什麼?

此技能用於在競爭基準測試專案中,系統性地定義競爭者組合。它強調整體框架的重要性——錯誤的競爭者組合會讓客戶看起來所向披靡或萬劫不復。此技能會引導使用者先建立客戶定位簡報,再根據八個通用軸向(定位立場、專業化程度、規模、參與模式、區隔性姿態、信譽模型、品牌強度、市場範圍)來篩選與分類競爭者。最終產出一個分為直接、相鄰和理想三個層級的競爭者組合(通常從10-18個候選名單縮減為8-12個深入分析的對象),並附上各自在這些軸向上的位置及資料來源,為後續的基準測試方法論做好準備。它支援任何創意服務市場(如設計、動態、文案、品牌、內容),並能防範缺乏定位簡報盲目篩選、列舉所有類似公司等常見錯誤。

相容平台~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

競爭者平台分析 是做什麼的?

使用此技能,在任何評分開始前,決定要跟誰做基準比較以及在哪裡找到他們。競爭分析的價值完全取決於其框架:錯誤的競爭者組合會讓客戶看起來不是無人能敵就是無藥可救。目標是建立一個可防禦、與決策相關的組合,而非一份詳盡的清單。

何時啟用

  • 即將開始一個競爭基準測試專案,且需要先定義競爭者組合。
  • 不確定哪些公司應歸屬於直接 / 相鄰 / 理想層級。
  • 需要一個可防禦、經過精簡的市場概況報告範圍。
  • 手邊有定位簡報,並希望找出與該定位競爭的對手。
  • 這是執行基準測試方法論前的第一步。

客戶定位簡報(請先建立)

在定義範圍之前,請先建立客戶的定位簡報。如果您尚未取得,請執行一個簡短的品牌探索訪談來取得——切勿憑空捏造,也切勿在沒有定位簡報的情況下盲目設定範圍。這份簡報應提供:

  • 身份 / 美學調性 — 該工作室或公司屬於何種類型,以及它如何呈現自己。
  • 服務 / 產品 — 它提供哪些服務或產品。
  • 目標客戶 — 它銷售對象是誰。
  • 差異化優勢 — 客戶相信的護城河或定位論述。
  • 範圍定義的影響 — 這決定了如何權衡競爭者(例如,根據獨特性 vs. 能力重疊度 vs. 價格來排序)。
  • 策略張力 — 定義客戶目標市場空白區間的一組成對軸線(例如,記憶度 × 聘用度)。

沒有定位簡報,請勿繼續。 沒有客戶視角的競爭者清單只是雜訊,而非情報。特別是「範圍定義的影響」決定了哪些競爭者是強勁對手(那些挑戰客戶護城河的) vs. 僅僅在服務菜單上有所重疊的。

篩選標準

針對每個候選者,記錄以下軸向——它們決定了是否納入以及歸屬哪個層級:

  • 規模 / 模式 — 個人工作室、微型工作室(2-8人)、精品工作室(30人以下)、中型代理商。應與客戶自身的規模相符;同規模的工作室才是真正可進行一對一比較的對象。
  • 利基 / 專業領域 — 候選者的核心業務與客戶服務之間的接近程度。重疊度越高,關係越直接。
  • 地理 / 市場 — 歐盟 vs 美國 vs 全球遠端;語言;時區覆蓋範圍。注意他們是否與客戶目標群體中的客戶合作。
  • 定價與合作模式 — Productized Sprint、固定月費、專案制、日費率;價格透明 vs 「請聯絡我們」。這反映了其定位的成熟度。
  • 作品集風格 — 通用 vs. 具觀點編輯風格 vs. 反主流風格。越接近客戶的美學調性,越會挑戰客戶的獨特性。
  • 技術深度 / 工藝成熟度 — 當客戶的信譽故事包含公開的流程作品、開源工具或文件化系統時,此項特別相關。
  • 品牌強度 — 該工作室是否擁有可擁有的文字/視覺識別,還是可以被輕易取代?根據客戶的範圍定義影響來權重此項。

玩家分類——需涵蓋的軸向

不要將競爭者歸入利基特定的類別;而是沿著幾個通用軸向對其進行分類,以避免市場風景圖向某一特定原型傾斜。這些軸向適用於任何創意服務市場(設計、動態設計、文案、品牌、內容、影片等)。首先追求每個軸向的廣度,然後再進行精簡,只保留最具有啟發性的對象。

  1. 定位立場 — 品牌主導 / 編輯型(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)。兩端都應有代表;客戶距離最近的那面鏡子應位於其自身所在的那一端。
  2. 專業領域 — 專家型(專注於單一且緊密的學科或垂直領域)vs 通才型(提供廣泛的服務菜單)。與客戶核心業務重疊度越高,關係越直接。
  3. 規模 / 模式 — 個人 / 微型工作室 vs 精品工作室 vs 中型 vs 企業級。同一規模的參與者是實際的一對一競爭對手;規模較大的則是理想/商業成熟度的參考。
  4. 合作形式 — 產品化(具名的Sprint、審計、固定套裝方案)vs 客製化(專案 / 固定月費制)。這反映了其定位的成熟度。
  5. 區隔性姿態 — 傳統 / 安全 vs 反主流 / 宣言式。在主觀意見強烈的領域,這對於獨特性基準測試至關重要。
  6. 證據 / 信譽模型 — 成果主導(指標、知名客戶、案例深度)vs 美學主導(作品集、獎項)。這顯示了每個參與者如何贏得信任。
  7. 營運者的品牌強度 — 可互換 vs 有粉絲/可擁有的身份(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 / 影響範圍 — 本地 / 區域 vs 全球遠端;注意他們是否與客戶目標中的客戶合作。

將每個候選者標記在相關的軸向上;當一個競爭者在定位、專業領域、規模和市場上同時接近客戶時,它就是直接競爭對手。

競爭者層級(組合如何分類)

將最終組合分為三個層級——此結構將貫穿到最終報告中:

  • 直接 — 相同規模、重疊的服務、相同的目標客戶。這是最實際的一對一競爭對手。
  • 相鄰 — 部分重疊(某項能力,或不同客戶規模),在邊緣地帶構成壓力。
  • 理想 — 客戶目前尚未與其直接競爭的參與者,但其品牌或商業成熟度設定了值得追求的目標。
  • (同時留意替代品:無程式碼/AI 工具、內部團隊、通才型自由工作者——將其記錄為一種威脅,除非有實質相關性,否則不對其進行詳細分析。)

資料來源(在哪裡尋找)

根據您需要的維度選擇資料來源。下方的平台類型是通用的;請根據客戶所在的利基市場替換為原生的平台(例如,設計領域可用 Dribbble/Behance,動態設計可用 Showreel/Vimeo,文案可用寫作樣本/已發表作品):

  • 作品集 / 工藝平台 — 工藝品質、範圍、美學調性(例如 Dribbble、Behance、Vimeo,或該利基市場的等效展示平台)。
  • 獎項 / 策展型展示 — 工藝野心和編輯認可度;可能過度偏重花俏作品,因此需與商業信譽交叉驗證(例如 Awwwards、行業獎項列表)。
  • 競爭者自有網站 — 是獲取定位、聲音、服務包裝、定價姿態、知名客戶、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、知名客戶、專案規模、合作模式;這是商業可信度和企業就緒狀態的最強信號(例如 Clutch.co 或該利基市場的等效平台)。
  • 開放 / 公開作品 — 流程代碼庫、已發布的樣本、開放的創意產出: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。

在將某個競爭者屬性視為事實之前,務必至少從兩個來源驗證其主張(自行報告的網站文案 ≠ 驗證過的結果)。在每個個人檔案中都要保持一種「敵意驗證」的紀律。

評分矩陣模板(篩選階段)

一個輕量級的前置過濾器,用以決定哪些競爭者值得進入完整的基準測試。評分範圍為1–5;保留那些在獨特性或可信度上得分高的候選者——客戶的策略張力意味著這兩個極端都具有啟發性。

候選者定位立場專業領域規模區間層級服務重疊度 (1–5)獨特性 (1–5)商業可信度 (1–5)工藝接近度 (1–5)是否納入?

經驗法則(根據定位簡報中客戶的範圍定義影響來應用):

  • 高獨特性 且 高可信度 → 必分析對象(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(令人難忘但無法被聘用——一個可從中學習的潛在失敗模式)。
  • 高可信度,低獨特性 → 客戶用來定義自身差異化的「有能力但平庸」的大多數。
  • 兩者皆低 → 除非為了市場風景的廣度而需要,否則予以剔除。

此階段的產出

一個範圍明確、分層級的競爭者組合(通常是10–18個候選者 → 8–12個深入分析對象),每個競爭者都帶有其軸向位置、層級和來源連結,準備交付給 benchmark-methodology。

反模式

  • 在沒有定位簡報的情況下設定範圍。 沒有客戶視角的競爭者清單只是雜訊。定位簡報決定了什麼是真正的對手。
  • 列出所有類似的公司。 目標是建立一個可防禦的10–18個候選者的組合,而不是做人口普查。缺乏精簡的廣度會讓基準測試變得難以管理。
  • 模糊直接 / 相鄰 / 理想層級。 這些層級服務於不同的策略目的。將它們混在一起會產生一個無法驅動決策的扁平清單。
  • 每個競爭者只依賴單一來源。 自行報告的網站文案是行銷,不是事實。請至少從兩個來源驗證其屬性。
  • 直接跳入評分階段。 此技能的任務是定義範圍和層級。基準測試方法論負責處理評分。不要將兩個步驟混淆。

範例

情境: 一個精品品牌識別工作室(2人團隊,歐盟遠端工作,提供Productized Sprint,採反主流/宣言式美學)希望在進行基準測試前定義其競爭者組合。根據定位簡報,其策略張力是記憶度 × 聘用度。

第一步 — 八軸向分類(範例候選者):

候選者定位立場專業領域規模區間合作形式獨特性證據模型品牌強度市場範圍
工作室A品牌主導 / 編輯型僅品牌識別微型工作室產品化反主流美學主導有粉絲全球遠端
工作室B能力主導廣泛設計+動態精品工作室客製化傳統成果主導可互換美國市場
代理商C能力主導品牌+數位中型固定月費傳統成果主導可互換歐盟市場
自由工作者D品牌主導僅品牌聲音個人工作室日費率編輯型美學主導可擁有全球客戶
工作室E品牌主導品牌策略微型工作室產品化宣言式成果主導有粉絲歐盟遠端

第二步 — 前置過濾評分(客戶範圍定義影響:由於客戶的護城河是觀點優先,而非能力廣度,因此權重獨特性):

候選者服務重疊度 (1–5)獨特性 (1–5)商業可信度 (1–5)工藝接近度 (1–5)層級是否納入?
工作室A5535直接✓ 必分析對象
工作室B3253相鄰✓ 可信度標竿
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✓ 必分析對象

第三步 — 交付給 benchmark-methodology 的產出: 五個候選者(3個直接、1個相鄰、1個理想),每個都帶有軸向位置、層級和來源連結。工作室A和工作室E是最尖銳的一對一競爭對手;自由工作者D則是一個「令人難忘但無法被聘用」的警示案例,可供學習。

相關技能

  • brand-discovery — 請優先使用,以建立定位簡報和策略張力,以此來定義競爭者組合的範圍。
  • benchmark-methodology — 下一步驟;接收分層級的競爭者組合,並在九個維度上對每個競爭者進行評分。

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/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.

相關技能