kol-discovery

KOL の発見

LinkedIn の投稿を検索し、投稿数が多くエンゲージメントの高い著者を見つけ、ウェブ調査で見つけたインフルエンサーと統合することで、あらゆる分野のキーオピニオンリーダーを探します。

基本原則： 課題に関する言葉ではなく、権威やソートリーダーシップを示すキーワードで検索します。その分野の議論を形作る人々、つまりカンファレンスの登壇者、ニュースレターの執筆者、ポッドキャストのホスト、LinkedIn で頻繁に投稿する人々を探します。

フェーズ 0：ヒアリング

ユーザーに次の質問をします。

分野と対象者

1. 会社や製品は何をしていますか？どの分野に属していますか？
2. 探したい KOL は、どの具体的な分野やトピックの専門家ですか？
3. 対象者は誰ですか？（KOL が影響を与える人々）
4. すでに知っている KOL はいますか？（LinkedIn の URL。基準として使用します）
5. 除外したい人はいますか？（競合他社、自社チーム、関連性のない発信者）

フェーズ 1：分野のキーワードを生成

ヒアリングの内容に基づき、トピックや権威を示すキーワードを 15～25 個生成します。これらは課題に関する言葉ではなく、ソートリーダーが専門知識を共有する際に使う用語です。

• 業界用語 — 「freight tech」、「supply chain innovation」
• ソートリーダーシップのシグナル — 「lessons learned in logistics」、「future of dispatch」
• カンファレンス／イベント関連用語 — 「supply chain summit keynote」
• コンテンツクリエイターのシグナル — 「newsletter freight」、「podcast logistics」

さらに、次のキーワードも生成します。

• KOL の肩書きキーワード — ソートリーダーシップを示す肩書き（vp、founder、analyst、editor、host）
• ベンダー除外キーワード — 除外する肩書き（software engineer、recruiter、saas）
• 分野の関連性キーワード — 関連性のスコアリングに使う業界の主要用語

実行前にキーワードをユーザーに提示し、承認を得てください。

設定は現在の作業ディレクトリ、またはユーザーが希望する場所に保存します。

設定 JSON の構造：

{
  "client_name": "example",
  "domain_keywords": ["\"freight tech\" thought leadership", "supply chain innovation"],
  "exclusion_patterns": ["hiring.*position", "we.re recruiting"],
  "kol_title_keywords": ["vp", "founder", "analyst", "editor", "host"],
  "vendor_exclude_keywords": ["software engineer", "saas", "recruiter"],
  "domain_relevance_keywords": ["freight", "logistics", "supply chain"],
  "country_filter": "",
  "max_posts_per_keyword": 50,
  "min_posts": 2,
  "min_total_engagement": 50,
  "top_n_kols": 50
}

フェーズ 2：KOL 発見パイプラインを実行

python3 skills/kol-discovery/scripts/kol_discovery.py \
  --config kol-discovery.json \
  --output-dir . \
  [--test] [--web-kols kol-web-kols.json] [--yes]

フラグ：

• --config（必須） — クライアント設定 JSON のパス
• --output-dir — 出力 CSV のディレクトリ（デフォルト：現在の作業ディレクトリ）
• --test — キーワードを 5 個に制限（検証実行）
• --web-kols — ウェブ調査で見つけた KOL の JSON ファイルのパス（エージェントが生成）
• --yes — コスト確認のプロンプトをスキップ
• --max-runs — Apify の実行上限を上書き

スクリプトの処理内容：

1. キーワード検索 — 各分野キーワードに対して apimaestro/linkedin-posts-search-scraper-no-cookies を使用
2. 著者の集約 — 投稿を著者ごとにグループ化し、エンゲージメント指標を算出
3. スコアリング — KOL 総合スコア：エンゲージメント量（対数スケール）＋一貫性（投稿数）＋品質（平均エンゲージメント）＋関連性（キーワードの幅）＋ウェブ調査による加点
4. 統合 — 投稿データの KOL とウェブ調査の KOL を統合し、重複を記録
5. エクスポート — 順位付けした CSV

コストの目安： キーワード 1 個あたり約 0.10 ドル。キーワード 20 個で全件実行した場合、約 2～3 ドルです。

必ず最初に --test を指定して実行してください。

フェーズ 2b：ウェブ調査（エージェント主導）

スクリプトの実行前、または実行と並行して、ウェブ調査で著名な KOL を探します。

• 「top [industry] influencers on LinkedIn」を検索
• カンファレンスの登壇者、ニュースレターの執筆者、ポッドキャストのホストを探す
• 業界の出版物で頻繁に寄稿している人を確認

JSON として現在の作業ディレクトリに保存します。

[
  {
    "name": "Jane Doe",
    "linkedin_url": "https://www.linkedin.com/in/janedoe/",
    "source": "FreightWaves conference speaker 2025",
    "notes": "Hosts weekly logistics podcast"
  }
]

--web-kols を指定してスクリプトに渡します。

フェーズ 3：確認と調整

結果を提示します。

• 上位 20 人の KOL — 順位、名前、見出し、KOL スコア、エンゲージメント合計、代表的な投稿
• ソースの内訳 — 投稿データ、ウェブ調査、または両方から見つかった人数
• キーワードの成果 — 最も多くの KOL を見つけたキーワード

よくある調整：

• 関連性のない著者が多すぎる — 分野キーワードを見直し、除外パターンを追加
• 既知の KOL が見つからない — キーワードのバリエーションを増やし、ウェブ調査を拡充
• 結果が少なすぎる — min_posts または min_total_engagement のしきい値を下げる

フェーズ 4：出力

CSV が現在の作業ディレクトリにエクスポートされます。

列	説明
Rank	KOL スコアによる総合順位
Name	氏名
LinkedIn URL	プロフィールへのリンク
Headline	LinkedIn から取得
KOL Score	複合スコア
Total Posts	検索で見つかった投稿数
Total Reactions	投稿全体のリアクション数
Total Comments	投稿全体のコメント数
Avg Engagement	投稿あたりのリアクション数とコメント数の平均
Top Post URL	エンゲージメントが最も高い投稿
Top Post Preview	最もエンゲージメントが高い投稿の冒頭 100 文字
Source	post-data / web-research / both

必要なツール

• Apify API トークン — .env で APIFY_API_TOKEN として設定します
• 使用する Apify アクター：
  • apimaestro/linkedin-posts-search-scraper-no-cookies（キーワード検索）

使用例

トリガーフレーズ：

• 「貨物・物流分野の KOL を見つけて」
• 「[industry] のインフルエンサーは誰ですか？」
• 「[domain] のオピニオンリーダーを見つけて」
• 「[client] の KOL 調査を実行して」

既存の設定を使用：

python3 skills/kol-discovery/scripts/kol_discovery.py \
  --config clients/example/configs/kol-discovery.json \
  --output-dir clients/example/leads --yes