keyword-research

キーワード調査分析スキル

クイックリファレンス

手順	Sorftime API	用途	データ量
1	product_traffic_terms	商品流入キーワード	50-200
2	competitor_product_keywords	競合商品が対策しているキーワード	100-500
3	category_keywords	カテゴリの主要キーワード	100-500
4	keyword_related_words	ロングテールキーワードの拡張	1000-2000
5	LLM Agent	8 次元のインテリジェント分類	全件

ワンクリック実行:

# 在 Claude Code 环境中运行（自动触发 LLM 分类）
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --claude-code-env

その他のオプション:

# 跳过分类，仅采集数据（后续可手动LLM分类）
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --skip-classification

# 禁用LLM分类，使用规则分类
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --disable-llm-classification

トリガー条件

ユーザーが以下の形式で依頼した場合、この分析フローを開始します：

• コマンド: /keyword-research {ASIN} {サイト}
• 例: /keyword-research B07PWTJ4H1 US
• 自然言語: 「この商品のキーワードリストを分析して」、「B07PWTJ4H1 のキーワードを調査して」

---

役割設定

あなたは、10 年の経験を持つ「Amazon PPC 広告の専門家」兼「キーワード戦略アナリスト」です。Amazon A9 アルゴリズムとキーワード対策の戦略に精通しており、大量のキーワードの中から価値の高いキーワードと除外すべきキーワードを特定できます。

---

データ収集戦略：プラン A（ASIN に基づく詳細分析）

输入: ASIN + 站点 + (可选) 产品信息
  ↓
┌─────────────────────────────────────────────────────────────┐
│ Step 1: 基础数据采集                                         │
├─────────────────────────────────────────────────────────────┤
│ 1. product_traffic_terms      → 产品流量词 (50-200个)       │
│ 2. competitor_product_keywords → 竞品布局词 (100-500个)     │
│ 3. category_keywords           → 类目核心词 (100-500个)      │
└─────────────────────────────────────────────────────────────┘
  ↓
┌─────────────────────────────────────────────────────────────┐
│ Step 2: 长尾词扩展                                          │
├─────────────────────────────────────────────────────────────┤
│ 从基础词中选择 Top 30 核心词                                 │
│ → 对每个调用 keyword_related_words (50-100个延伸词)         │
│ → 预计获取 1000-2000 个长尾词                               │
└─────────────────────────────────────────────────────────────┘
  ↓
┌─────────────────────────────────────────────────────────────┐
│ Step 3: 数据清洗                                            │
├─────────────────────────────────────────────────────────────┤
│ 1. 去重（归一化：小写、去除特殊字符）                        │
│ 2. 过滤无效词（过短、非英文、乱码）                          │
│ 3. 合并搜索量/CPC 等指标                                    │
└─────────────────────────────────────────────────────────────┘
  ↓
最终词库: 2000+ 关键词

---

キーワード分類：8 次元インテリジェント分類モデル

分類の次元

次元	識別子	判定ルール	適用戦略
否定／要注意キーワード	NEGATIVE	商品と無関係、または商品説明と一致しないキーワード	否定キーワードとして直接追加
ブランドキーワード	BRAND	競合ブランド名	競合対策または否定
素材キーワード	MATERIAL	商品の素材に関連するキーワード	完全一致のキーワードターゲティング
シーンキーワード	SCENARIO	使用シーン／場所に関するキーワード	シーン別に広告グループを分割
属性修飾キーワード	ATTRIBUTE	商品の属性／特徴に関するキーワード	ロングテールの完全一致ターゲティング
機能キーワード	FUNCTION	商品の機能に関連するキーワード	部分一致で流入を拡大
主要商品キーワード	CORE	商品の主要名称	ビッグキーワードに出稿して掲載枠を獲得
その他	OTHER	未分類、スペルミス、その他の言語	キーワードの追加

分類の判定例（Coat Rack の場合）

产品信息: Coat Rack Wall Mount, Wood, 5 Hooks, Entryway

否定词: freestanding, over door, floor, tree, shoe
品牌词: umbra, simplehuman, mDesign, household essentials
材质词: wood, wooden, metal, aluminum, bamboo
场景词: entryway, bathroom, mudroom, garage, bedroom
属性词: wall mount, heavy duty, rustic, vintage, expandable, 5 hook
功能词: hanging, storage, organizer, display
核心词: coat rack, hook, hanger, hat rack, towel rack
其他: coatrac (拼写错误), perchero (西语)

---

実行フロー

フェーズ 1：データ収集

Step 1.1：商品流入キーワードを取得

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"product_traffic_terms","arguments":{"amzSite":"US","asin":"ASIN"}}}'

返されるデータ: 検索量、CPC などの指標を含むキーワードリスト

Step 1.2：競合商品が対策しているキーワードを取得

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"competitor_product_keywords","arguments":{"amzSite":"US","asin":"ASIN"}}}'

返されるデータ: 各キーワードにおける競合商品のランキング位置

Step 1.3：カテゴリの主要キーワードを取得

# 首先获取产品详情以获取 NodeID
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}'

# 然后获取类目关键词
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":4,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'

Step 1.4：ロングテールキーワードを拡張

基本キーワードから主要なものを上位 30 件選び、それぞれに対して呼び出します：

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"keyword_related_words","arguments":{"amzSite":"US","searchKeyword":"KEYWORD"}}}'

---

フェーズ 2：LLM によるインテリジェント分類

分類プロンプトのテンプレート

你是一位亚马逊关键词分类专家。请根据以下产品信息，将关键词列表按 8 个维度分类。

【产品信息】
产品名称: {product_name}
材质: {material}
核心属性: {features}
使用场景: {use_cases}
否定特征: {negative_features}

【分类维度】
1. NEGATIVE: 不相关的词，需直接否定
2. BRAND: 竞品品牌名称
3. MATERIAL: 材质相关词 (wood, metal, aluminum...)
4. SCENARIO: 使用场景词 (entryway, bathroom...)
5. ATTRIBUTE: 属性修饰词 (wall mount, heavy duty...)
6. FUNCTION: 功能词 (hanging, storage...)
7. CORE: 核心产品词 (coat rack, hook...)
8. OTHER: 其他（拼写错误、其他语言等）

【待分类关键词】
{keywords_json}

【输出格式】
请以 JSON 格式输出：
{
  "NEGATIVE": ["word1", "word2", ...],
  "BRAND": [...],
  ...
}

バッチ処理戦略

• バッチサイズ: 1 バッチあたり 150 個のキーワード
• 並列処理: 複数のバッチを並行して処理できます
• 結果の統合: 各分類の件数を集計し、キーワードをまとめます

---

フェーズ 3：レポート生成

出力ファイルの構成

keyword-reports/
└── {ASIN}_{Site}_{YYYYMMDD}/
    ├── report.md                    # Markdown 分析报告
    ├── keywords.csv                 # 完整关键词词库（分类后）
    ├── negative_words.txt           # 否定词清单
    ├── brand_words.txt              # 品牌词清单
    ├── categorized_summary.json     # 分类统计
    └── dashboard.html               # HTML 可视化仪表板

keywords.csv の形式

keyword,category,search_volume,cpc,competition,application,relevance_score
coat rack,CORE,54000,1.85,high,广泛匹配,1.00
wooden coat rack,MATERIAL,12000,1.25,medium,精准匹配,0.95
freestanding coat rack,NEGATIVE,4500,0.85,low,直接否定,0.00
...

---

商品情報のサポート（任意）

分類精度を高めるため、ユーザーからの商品情報の提供に対応しています：

入力方法

方法 1: コマンドライン引数

python workflow.py B07PWTJ4H1 US --product-info product.json

方法 2: 対話形式で収集

请输入产品核心属性（用逗号分隔）:
> Wall Mount, 5 Hooks, 16.5 inches, Heavy Duty

商品情報の JSON 形式

{
  "product_name": "Coat Rack Wall Mount",
  "material": "Wood",
  "features": ["Wall Mount", "5 Hooks", "16.5 inches", "Heavy Duty"],
  "use_cases": ["Entryway", "Bathroom", "Mudroom", "Garage"],
  "negative_features": ["Freestanding", "Over Door", "Floor"]
}

---

Sorftime API リファレンス

キーワード関連インターフェース

インターフェース	呼び出しコスト	パラメーター	戻り値
product_traffic_terms	1	asin, site	商品流入キーワード
competitor_product_keywords	1	asin, site	競合商品が対策しているキーワード
category_keywords	1	nodeId, site	カテゴリの主要キーワード
keyword_related_words	1	searchKeyword, site	関連するロングテールキーワード
keyword_detail	1	keyword, site	キーワードの詳細
product_detail	1	asin, site	商品の詳細

呼び出し形式

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","KEY":"VALUE"}}}'

---

対応サイト

Amazon: US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA

---

注意事項

1. API Key の設定: .mcp.json から自動的に読み込みます
2. データの重複排除: 正規化処理（小文字化、特殊文字の削除）
3. LLM 分類: バッチ処理で、1 バッチあたり 150 個のキーワード
4. 出力エンコーディング: UTF-8。中国語と特殊文字に対応
5. レポートの命名: {ASIN}_{Site}_{YYYYMMDD} 形式

---

トラブルシューティング

問題 1: API が「該当する商品が見つかりません」を返す

原因: ASIN が Sorftime データベースに存在しません 解決方法:

1. product_search を使用して ASIN を検証します
2. サイトが正しいか確認します

問題 2: 分類結果が不正確

原因: 商品情報のコンテキストが不足している、またはルールベースの分類が使用されています 解決方法:

1. 商品情報の JSON ファイルを提供します
2. Claude Code 環境で実行し、LLM 分類を使用します
3. LLM 分類を手動で実行した後、結果を categorized_result.json に保存します

問題 3: ロングテールキーワードの拡張数が不足

原因: 主要キーワードの選定が不正確、または API のレート制限 解決方法:

1. 検索量の重みを増やすように、主要キーワードの選定方法を調整します
2. API のレート制限を回避するため、--long-tail-limit の数を減らします
3. --skip-long-tail を使用してロングテールキーワードの拡張をスキップします

問題 4: 分類結果に「分類に失敗したか、結果が提供されていません」と表示される、またはルールベースの分類が使用されている

原因: コマンドライン環境で実行され、LLM 分類が開始されていません 解決方法:

1. --claude-code-env パラメーターを使用して、LLM 分類モードを強制的に有効にします：

   python workflow.py B07PWTJ4H1 US --claude-code-env
   

2. システムが分類プロンプトを出力します。プロンプトをコピーして Claude に送り、分類を実行します
3. 分類結果を categorized_result.json として保存します
4. workflow.py を再実行すると、分類結果が自動的に読み込まれ、レポートが再生成されます

問題 5: LLM 分類を手動で実行する方法

状況: データを収集したものの、分類が不正確 解決方法:

1. 出力ディレクトリ内の classification_prompt.txt を確認します
2. プロンプトを Claude に送り、分類を実行します
3. 分類結果を categorized_result.json として保存します
4. レポート再生成スクリプトを実行します

---

参考ドキュメント

• Sorftime API ドキュメント
• 分類ルールの説明

---

LLM 分類の手動実行フロー

ルールベースの分類結果が不正確な場合は、LLM 分類を手動で実行できます：

手順 1: 分類プロンプトを確認

cat keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/classification_prompt.txt

手順 2: プロンプトを Claude に送信

プロンプト全体をコピーし、Claude に送って分類を実行します

手順 3: 分類結果を保存

Claude から返された JSON を次の場所に保存します：

keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/categorized_result.json

手順 4: レポートを再生成

regenerate_reports.py には、次の複数の使用方法があります：

方法 1: レポートディレクトリ内から実行（自動検出）

cd keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/
python ../../.claude/skills/keyword-research/scripts/regenerate_reports.py

方法 2: ASIN とサイトを指定

python .claude/skills/keyword-research/scripts/regenerate_reports.py --asin B0FG6QG8C8 --site US

方法 3: 出力ディレクトリのフルパスを指定

python .claude/skills/keyword-research/scripts/regenerate_reports.py --dir "keyword-reports\B0FG6QG8C8_US_20260314"

方法 4: 利用可能なすべてのレポートディレクトリを一覧表示

python .claude/skills/keyword-research/scripts/regenerate_reports.py --list

---

バージョン更新履歴

v1.3 (2026-03-14)

• ✅ 优化 regenerate_reports.py: 移除硬编码 ASIN
• ✅ 支持多种使用方式:
  • 从报告目录内运行（自动检测）
  • 使用 --asis 和 --site 参数指定
  • 使用 --dir 参数指定完整目录
  • 使用 --list 列出所有可用报告
• ✅ 改进错误提示: 更友好的错误信息和帮助文档

v1.2 (2026-03-14)

• ✅ 修复 LLM 分类触发问题
• ✅ 添加 --claude-code-env 参数强制启用 LLM 分类
• ✅ 改进环境检测逻辑
• ✅ 在 Claude Code 环境中自动触发 LLM 分类
• ✅ 分类完成后自动使用 LLM 结果重新生成报告

v1.1 (2026-03-14)

• ✅ 添加 Claude Code 环境检测
• ✅ 添加 --skip-classification 选项
• ✅ 改进规则分类：扩展 IP 品牌词识别
• ✅ 改进规则分类：添加主题属性词
• ✅ 更新故障排查文档

v1.0 (2026-03-13)

• 初始版本
• 支持 Sorftime API 数据采集
• 支持 8 维智能分类
• 生成 Markdown/CSV/HTML 报告

---

本技能版本: v1.3 | 最后更新: 2026-03-14