anomaly-scan

/digital-marketing-pro:anomaly-scan

スクリプトの場所。 ホストで ${CLAUDE_PLUGIN_ROOT} が設定されていない場合、スクリプトはこのプラグインの scripts/ フォルダー内にあり、skills/ と同じ階層にあります。Python 3.10 以降で実行してください。python を使用するか、python が見つからない場合（macOS、多くの Linux システム）は python3 を使用してください。

目的

接続されているすべてのマーケティングプラットフォームをスキャンし、異常を検出します。異常とは、確立されたベースラインから統計的に有意な逸脱のことで、問題（トラフィックの減少、CPA の急上昇、配信可能性の崩壊、予算超過）または機会（コンテンツのバイラル化、コンバージョン率の改善、予想外のチャネル成長）を示している可能性があります。問題が拡大してコストのかかる事態になる前に早期に発見し、さらに拡大する価値のある成果を見つけることを目的としています。

必要な入力

ユーザーは次の情報を提供する必要があります（または、入力を求められます）。

• 感度レベル：厳格（ベースラインからの逸脱が標準偏差 1.5 超の場合に検出）、標準（標準偏差 2 超）、 または緩和（標準偏差 3 超）。デフォルトは標準です
• 期間：異常をスキャンする期間。今日、過去 3 日間、過去 7 日間、過去 30 日間、またはカスタム範囲から選択します。 デフォルトは過去 7 日間です
• プラットフォーム（任意）：スキャン対象とする特定のプラットフォーム（例：「Google Ads と Meta のみ」）。 省略すると、接続されているすべてのプラットフォームがスキャンされます
• 指標のフォーカス（任意）：優先する特定の指標（例：「CPA とコンバージョン率のみ」）。 省略すると、利用可能なすべての指標が評価されます
• ベースライン期間（任意）：デフォルトのベースラインの代わりに比較対象とするカスタムベースライン。 デフォルトは、performance-monitor.py が維持する過去 30 日間の移動平均です
• 既知のイベントを除外（任意）：予想される逸脱が異常として検出されないよう、除外する既知のイベントのリスト（例：「ブラックフライデーセール」、 「1 月 15 日のサイト移行」）

プロセス

1. ブランドのコンテキストを読み込む：~/.claude-marketing/brands/_active-brand.json を読み、アクティブなスラッグを確認してから、~/.claude-marketing/brands/{slug}/profile.json を読み込みます。ブランドのボイス、対象市場のコンプライアンスルール（skills/context-engine/compliance-rules.md）、業界のコンテキストを適用します。また、~/.claude-marketing/brands/{slug}/guidelines/_manifest.json にガイドラインがあるか確認し、存在する場合は制約を読み込みます。~/.claude-marketing/sops/ にエージェンシーの SOP があるかも確認します。ブランドが存在しない場合は、「先にブランドを設定しますか（/digital-marketing-pro:brand-setup）？」と尋ねるか、デフォルト設定で続行します。
2. 接続されているすべての MCP から現在の指標を取得する：接続されている各分析プラットフォーム（google-analytics、google-ads、meta-marketing、linkedin-marketing、tiktok-ads、mailchimp、stripe、mixpanel、amplitude、shopify など）にクエリを実行し、指定されたスキャン期間の利用可能なすべての指標を取得します。トラフィック、広告費、コンバージョン、CPA、ROAS、エンゲージメント率、メール配信到達率、収益の指標を含めます。
3. 過去のベースラインを読み込む：python "${CLAUDE_PLUGIN_ROOT}/scripts/performance-monitor.py" --brand {slug} --action get-baseline を実行し、各指標の移動平均、標準偏差、予測範囲を取得します。ベースラインがまだ存在しない場合は、比較期間のデータを使って一時的なベースラインを設定し、その旨を出力に記載します。
4. 異常を検出する：python "${CLAUDE_PLUGIN_ROOT}/scripts/performance-monitor.py" --brand {slug} --action detect-anomalies --data '{...current-period metrics...}' を実行し、保存済みのベースライン（平均値 ± 標準偏差）から算出した予測範囲を外れる指標を検出します。過去のデータで裏付けられる場合は、曜日および季節性による調整を適用します。
5. 最近の実行履歴と照合する：python "${CLAUDE_PLUGIN_ROOT}/scripts/execution-tracker.py" --brand {slug} --action get-history --limit 14 を使って実行履歴を確認し、異常と最近の変更を照合します。異常の前に、キャンペーンの開始や一時停止、予算変更、クリエイティブの差し替え、ランディングページの変更、オーディエンスの拡大が行われていないか確認します。
6. 既知の要因と照合する：既知のプラットフォーム障害、アルゴリズムの更新（Google のコアアップデート、Meta のポリシー変更）、業界イベント、季節的なパターン、偏差を説明し得るユーザー提供の既知のイベントを確認します。
7. 異常の重大度を分類する：重大（収益に影響し、即時の対応が必要です。トラッキングの破損、CPA がベースラインの 3 倍以上、予算超過が 20% 超、メール配信到達率が 80% 未満）、警告（大きな偏差があり、24 時間以内の調査が推奨されます。トラフィックが 30% 以上減少、エンゲージメントが半減、CTR が 40% 以上低下）、情報（注目に値しますが緊急ではありません。緩やかなトレンドの変化、軽微な CPA の増加、季節的なパターンの兆候）に分類します。
8. 考えられる原因を特定する：各異常について、skills/analytics-insights/anomaly-diagnosis.md の診断フレームワークを使って根本原因を分析します。データ／トラッキングの問題、外部要因（アルゴリズムの更新、競合他社の動き、季節の変化）、内部変更（キャンペーンの変更、ランディングページの更新）、プラットフォームの変更（ポリシーの更新、機能の廃止、オークションの動向の変化）に分類します。
9. 重大な異常をインサイトとして保存する：重大または警告レベルの異常について、python "${CLAUDE_PLUGIN_ROOT}/scripts/campaign-tracker.py" --brand {slug} --action save-insight --data '{"type":"anomaly","insight":"...","context":"..."}' を実行して保存します。これにより、異常が追跡され、今後のレポートに表示され、事後検証で参照できるようになります。

出力

以下を含む、構造化された異常レポートです。

• スキャンの概要：スキャンしたプラットフォーム、分析対象期間、使用した感度レベル、ベースライン期間、検出された異常の総数（重大度別）、マーケティング全体の健全性評価（健全、注意、または重大）
• 重大な異常（該当する場合）：指標名、プラットフォーム、予測範囲（平均値 ± しきい値）、実際の値、偏差の大きさ（標準偏差単位および割合）、推定原因、推定収益への影響、推奨される即時対応
• 警告レベルの異常：重大な異常と同じ項目に加え、推奨される調査手順と、それぞれの24時間以内の対応計画
• 情報レベルの異常：監視する価値のある注目すべき偏差と、傾向が継続または反転しているかを判断するための監視基準
• 相関分析：異常と最近の実行履歴との関連性（どの変更がどの偏差を引き起こした可能性があるか、および確信度（高い、可能性あり、低い））
• プラットフォームの健全性の概要：検出された異常の数と重大度に基づくプラットフォームごとの健全性指標（緑／黄／赤）。以前のスキャンデータがある場合は、前回のスキャンとの傾向も示します
• 推奨される対応：優先度順の対応リスト（重大な問題への即時対処、警告レベルの異常の調査、情報レベルの項目の監視設定の調整、必要なベースラインの再調整）
• ベースライン更新に関する注記：構造的な変化（新しいキャンペーンの開始、チャネルの追加、季節の変化、または予測範囲を恒久的に変える価格変更など）により、ベースラインの再調整が必要かどうか

使用するエージェント

• performance-monitor-agent — 異常検出エンジン、ベースライン管理、統計的なしきい値の評価、過去の傾向分析、重大度の分類、季節性の調整
• analytics-analyst — 根本原因の解釈、プラットフォーム間の相関分析、文脈分析（季節性、アルゴリズムの更新、競合状況の変化）、影響の推定、実行可能な推奨事項の作成