focus-group

/digital-marketing-pro:focus-group

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、skills/ フォルダーの隣にあります。Python 3.10 以降で実行してください。python が見つからない場合は、python3 を使用してください（macOS、多くの Linux システム）。

目的

実際の CRM データをもとに作成した合成オーディエンスパネルを使用して、フォーカスグループをシミュレーションします。メッセージ、価格設定、クリエイティブコンセプト、ポジショニングステートメントなどの刺激を、実際の顧客セグメントを代表する AI シミュレーションのペルソナに提示し、感情分析を含む構造化された反応予測を得ます。このコマンドは、実際の顧客ベースから導き出した行動プロファイルに基づく方向性のあるフィードバックを生成することで、直感に頼った意思決定と高額な実地調査との隔たりを埋めます。合成フォーカスグループは迅速かつ繰り返し実施でき、費用もかからないため、実際の定性調査やキャンペーンに予算を投じる前に選択肢を絞り込むのに最適です。すべての出力には信頼度に関する明示的な制限が含まれており、結果は検証済みのデータではなく、情報に基づいた仮説として扱われます。

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、提供を求められます）。

• テストする刺激：パネルに提示するメッセージのバリエーション、価格案、クリエイティブコンセプト、またはポジショニングステートメントです。反応分析用の単一の刺激でも、比較評価用の複数の刺激でも構いません。プレーンテキスト、構造化されたコピーのブロック、またはコンセプトの概要を指定できます。複数の刺激をテストする場合は、それぞれに明確なラベル（Variant A、Variant B など）を付けてください。
• オーディエンスパネル：以前の /digital-marketing-pro:focus-group または /digital-marketing-pro:message-test セッションで作成した既存のパネル ID、または CRM データからパネルを作成するための新しいセグメント定義です。新しいパネルには、人口統計、行動、サイコグラフィック、または価値に基づく属性などのセグメント条件が必要です。セグメント間の比較を有意義なものにするには、2～6 個のセグメントを指定してください。
• パネルへの質問：シミュレーションされたペルソナに尋ねる具体的な質問です。自由回答形式の反応質問（「第一印象はどうですか？」）、尺度評価の質問（「明確さを1～10で評価してください」）、懸念点を引き出す質問（「購入をためらう理由は何ですか？」）、比較して好みを尋ねる質問（「どの選択肢が好みですか？その理由は何ですか？」）などがあります。省略した場合は、第一印象、明確さ、信頼性、関連性、購入意向を網羅する既定の質問セットが使用されます。
• パネルに含めるセグメント数：パネルに含める、明確に異なるオーディエンスセグメントの数（2～6）です。セグメント数を増やすと、より豊富なセグメント間分析が可能になりますが、出力も長くなります。既存のパネルを使用する場合、この数はパネル定義から引き継がれます。

プロセス

1. ブランドコンテキストを読み込む：~/.claude-marketing/brands/_active-brand.jsonを読み込み、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。ブランドの声、ポジショニング、競合状況、ターゲットオーディエンスの定義を適用します。また、~/.claude-marketing/brands/{slug}/guidelines/_manifest.jsonにガイドラインがあるか確認し、存在する場合は制限事項を読み込みます。~/.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、「最初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. CRMデータから合成パネルを読み込む、または作成する：既存のパネルIDが指定されている場合は、--panel-idで参照します（python "${CLAUDE_PLUGIN_ROOT}/scripts/audience-simulator.py" --brand {slug} --action list-panelsでパネルを一覧表示します）。新しいセグメント定義が提示された場合は、CRMデータに基づいて、python "${CLAUDE_PLUGIN_ROOT}/scripts/audience-simulator.py" --brand {slug} --action create-panel --panel-name {name} --segments '[...]'でパネルを作成します。CRMから行動パターン、購入履歴の分布、エンゲージメントプロファイル、人口統計属性を取得し、各セグメントの現実的なペルソナの原型を構築します。その後、python "${CLAUDE_PLUGIN_ROOT}/scripts/audience-simulator.py" --brand {slug} --action focus-group --panel-id {id} --stimulus "..." --questions '[...]'でパネルを実行し、セグメントごとの構造化された反応を収集します。
3. 各セグメントのペルソナに刺激素材を提示する：パネル内の各セグメントに、ユーザーの質問とあわせて刺激素材を提示します。CRMデータに基づいて導き出した各ペルソナの行動プロファイル、好み、課題、コミュニケーションスタイルに沿った文脈で提示します。
4. セグメントごとの予測反応を生成する：行動プロファイルに基づいて、各セグメントの構造化された反応を生成します。感情（ポジティブ、中立、ネガティブとその強度）、主な懸念事項、関心度（1～10）、具体的な反対意見、改善案、および各セグメントが反応をどのように表現するかを示す、実際の発言を模した引用を含めます。
5. 反応パターンを分析する：複数のセグメントが同意する共通テーマ（強いシグナル）、セグメント間で意見が分かれる点（パーソナライズの機会またはリスク領域）、前提を覆す予想外の反応を特定します。全体的な感情の分布を算出し、強いネガティブ反応を示したセグメントにフラグを立てます。
6. 合成フィードバックに基づく推奨事項を生成する：セグメント横断の分析を実行可能な推奨事項にまとめます。維持すべき点、変更すべき点、最も好意的なセグメント、異なるアプローチが必要なセグメント、最も有益な追加テストを示します。
7. 信頼度の限界を明示する：合成反応はCRMから導出した行動プロファイルに基づく仮説であり、実際の消費者データではないことを明確に記載します。CRMデータの品質、セグメントのサンプル数、刺激素材の複雑さに基づいて、信頼度（低、中、高）を割り当てます。重要な調査結果を検証するため、実際のフォーカスグループ、アンケート、A/Bテストなど、具体的な現実世界での検証手順を推奨します。

出力

以下を含む、構造化されたフォーカスグループレポートです。

• フォーカスグループの記録：ペルソナの背景、感情を示す指標、刺激に対する各セグメントの予測反応を表す実際の発言風の引用を含む、セグメントごとの回答
• 合意されたテーマ：複数のセグメントが賛同している点 — 対象者全体を通じて、効果があるもの、または効果がないものを示す最も強いシグナル
• セグメント間の意見の相違点：セグメントごとに反応が分かれる点 — パーソナライズの機会、またはセグメント別の対応が必要なリスク領域
• 全体的な感情評価：強度スコアと傾向指標を含む、全セグメントの感情分布の集計
• 具体的に挙げられた異議：頻度と深刻度の評価を含む、セグメント別に分類された異議 — 対応が必要な、受け入れの障壁
• 改善案：刺激を強化するための合成パネルからの具体的な推奨事項 — 表現の変更、強調点の調整、不足している情報、または別の伝え方
• 予測の信頼度：信頼度（低、中、高）と、その評価を左右する要因（CRM データの深さ、セグメントの代表性、刺激の複雑さ）についての説明
• 留意事項を伴う推奨事項：合成フィードバックに基づく戦略的な推奨事項。方向性を示す仮説であることを明記し、実環境でのテストで異なる可能性について具体的な留意事項を記載
• 次のステップ：具体的な実環境での検証案 — 最初にテストする調査結果、推奨される調査手法（アンケート、A/B テスト、実際のフォーカスグループ）、サンプルサイズ、優先順位

使用したエージェント

• marketing-strategist — 各セグメントに合わせた刺激の構成と提示方法の設計、セグメント横断的なインサイトの解釈とパターンの特定、合成フィードバックに基づく戦略的な推奨事項の統合、信頼度評価の調整、優先順位を付けた次のステップを含む実環境での検証計画
• crm-manager — 行動プロファイルと購入履歴を用いたペルソナの根拠となる CRM データの抽出、データ品質と代表性に基づくセグメントの選定およびパネル構成、複数のフォーカスグループセッションで再利用するための継続的なパネル管理