intelligence-report

/digital-marketing-pro:intelligence-report

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 が見つからない環境（macOS、多くの Linux システム）では python3 を使用してください。

目的

ブランドの複合インテリジェンスシステムから、包括的なインテリジェンスブリーフィングを生成します。このコマンドでは、エージェントが時間をかけて蓄積した知識、つまり記録された学びの総数、インサイトの信頼度分布、エージェントやチャネルを横断して特定された主なパターン、実証済みの戦略から生成された実行可能なプレイブック、そして知識の強みと不足領域を示すインテリジェンスベースの健全性指標を確認できます。インテリジェンスレポートは、単一のエージェントでは明らかにできないエージェント横断のパターンを統合し、蓄積された生データを戦略的優位性へと変換します。四半期計画、戦略レビュー、新しいチームメンバーへのブランドのマーケティングインテリジェンスの共有、または意思決定の確信度を高めるために実験やデータ収集を強化すべき領域の特定に活用してください。

必要な入力

ユーザーは次の情報を指定する必要があります（指定がない場合は入力を求められます）。

• 注目領域（任意）：詳しく掘り下げる特定のチャネル（メール、有料検索、ソーシャル）、オーディエンスセグメント、キャンペーン目標（認知、コンバージョン、維持）、または戦略テーマです。指定すると、レポートではインテリジェンスベース全体の概要を含めつつ、その注目領域に関するパターン、プレイブック、推奨事項を優先します。指定しない場合は、すべての側面を均等に扱います
• プレイブックのリクエスト（任意）：実行可能なプレイブックを作成する特定のシナリオです。例：「有料ソーシャルでの第2四半期の製品ローンチ」、「離脱した購読者向けの再エンゲージメントキャンペーン」、「新市場でのブランド認知度向上施策」。インテリジェンスシステムは、ブランドのデータで実証されたパターンに基づいて、関連する学びを統合し、手順を追ったプレイブックを作成します

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。ブランドのポジショニング、チャネルの組み合わせ、キャンペーン履歴、戦略目標を反映します。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、「まずブランドを設定しますか（/digital-marketing-pro:brand-setup）？」と尋ねるか、デフォルト設定で進めます。
2. インテリジェンスの統計情報を取得する：python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action get-statsを実行し、インテリジェンスベースの概要（蓄積された学習の合計数、エージェント別・チャネル別の学習数、信頼度スコアの分布（高・中・低）、インテリジェンスの対象期間、最も新しい学習のタイムスタンプ）を取得します。
3. エージェント横断のパターンを取得する：主要なディメンションについて、python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action get-patterns --dimension channelを実行します（--dimension audienceと--dimension objectiveでも同様に実行します）。取得するのは、チャネルのパフォーマンスパターン、オーディエンスの反応パターン、タイミングと季節性のパターン、クリエイティブとメッセージングのパターン、予算効率のパターンです。重点領域が指定されている場合は、そのディメンションのパターンを優先して取得します。メールスペシャリストとソーシャルメディアマネージャーの両方が確認したタイミングのパターンなど、複数のエージェントにまたがるパターンを特定します。
4. プレイブックを生成する：プレイブックのリクエストがある場合は、python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action export-playbook --channel {channel} --min-confidence 0.6を実行し、そのチャネルの信頼度が最も高い学習内容を、実行可能な手順ごとのプレイブックにまとめます（自由記述の--scenarioフィルターはありません。指定されたシナリオを解釈して--channelを選び、返された学習内容に基づいて説明を組み立てます）。プレイブックの各手順には、その根拠となる具体的な学習内容と信頼度を記載します。プレイブックのリクエストがない場合は、最も強いパターンクラスターに基づき、利用可能な上位3つのプレイブックの概要を生成します。
5. 古くなった学習内容を特定する：推奨される再検証期間内（戦術的なインサイトは通常90日、戦略的なパターンは180日）に再検証されていない学習内容にフラグを付けます。古くなった学習内容も正確である可能性はありますが、信頼度を割り引く必要があります。影響度に基づいて再検証の推奨事項に優先順位を付け、影響度の高い古い学習内容を最初にフラグ付けします。
6. 複合インテリジェンススコアを算出する：学習内容の総数、平均信頼度、エージェント横断パターンの密度、インテリジェンスの鮮度、チャネルとオーディエンスの網羅性、検証済み学習と未検証学習の比率に基づいて、インテリジェンスの成熟度を示す総合スコアを算出します。スコアは0～100で、次の段階ラベルを付けます：創成期（0～25）、発展中（26～50）、確立（51～75）、先進（76～100）。

出力

以下を含む、構造化されたインテリジェンス・ブリーフィングです。

• インテリジェンスベースの健全性：収集した学習内容の総数、エージェント別およびチャネル別の内訳、平均信頼度スコア、信頼度の分布（高・中・低の割合）、インテリジェンスの対象期間、学習内容の最新および最古のタイムスタンプ、データが不十分なチャネルやオーディエンスがある場合のカバレッジのギャップ
• チャネル、オーディエンス、目的別の主要なパターン：次元別に整理した、複数のエージェントにまたがる最も信頼度の高いパターン。各チャネルで一貫して効果があるもの、どのようなアプローチに各オーディエンスが反応するか、実証済みのプレイブックがある目的と、さらなる実験が必要な目的を示します
• 実行可能なプレイブック：指定されたシナリオ向けの手順ごとのプレイブック、または利用可能な中で最も強力な上位3つのプレイブック。それぞれの手順は信頼度レベル付きの具体的な学習内容に基づき、過去のパターンに基づく期待される結果と、監視すべきリスク要因を示します
• 再検証が必要な古い学習内容：再検証期間を過ぎた学習内容を影響度順に並べたもの。それぞれについて、推奨される再検証方法（テストの再実施、最新の分析データの確認、新しいキャンペーンデータによる更新）と推定作業量を示します
• 複合インテリジェンススコア：ティアラベル付きの0～100の成熟度スコア、スコア構成要素別の内訳、前回の評価との比較による傾向、スコア向上のための具体的なアクション。例：「メールの最適化のギャップを埋めるため、メールの件名テストを実施する」や「現在のデータを使ってQ3のソーシャルメディアの投稿タイミングのパターンを検証する」
• インテリジェンスベースを強化するための推奨事項：インテリジェンスのカバレッジ、信頼度、実用性を最も高める実験、分析、データ収集活動の優先順位付きリスト。マーケティングナレッジへの投資で最も高いROIが見込めるものです

使用エージェント

• intelligence-curator — 複数のエージェントにまたがるパターンの統合と、複数の情報源で裏付けられた知見の特定、実証済みのパターンクラスターからの信頼度を加味した手順のプレイブック生成、カバレッジのギャップ分析を含むインテリジェンスベースの健全性評価、古い学習内容の特定と再検証の優先順位付け、構成要素別の内訳を含む複合インテリジェンススコアの算出、インテリジェンスベースを改善するための戦略的な推奨事項