learn

/digital-marketing-pro:learn

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 skills/ の隣にある、このプラグインの scripts/ フォルダーにあります。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 を使用します（macOS および多くの Linux システム）。

目的

構造化されたマーケティングの学びを、ブランドのインテリジェンスグラフに保存します。学んだ内容、それが適用される条件、信頼度、情報源となったエージェントを記録します。将来のキャンペーンをすべてより効果的にする、複合的なインテリジェンスを構築します。一度きりの観察を、キャンペーン、チャネル、チームメンバーをまたいで時間とともに蓄積される永続的なナレッジベースへと変えます。

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）。

• インサイトまたは学び：観察または発見した内容。たとえば、「開発者向けの件名に数字を含めると、開封率が23％上がる」のような具体的なマーケティング上の観察、「サイト訪問から48時間以内のリターゲティング広告が最もコンバージョンにつながる」のようなパターン、「第4四半期のエンタープライズアカウントでは、ファネル上部のコンテンツよりファネル下部のコンテンツのほうが成果を上げる」のような戦略的な発見です。
• 適用条件：この学びが当てはまる具体的な状況です。チャネル（メール、ソーシャル、有料検索、SEO など）、オーディエンスセグメント（開発者、マーケター、経営幹部、中小企業のオーナーなど）、目的（認知、コンバージョン、顧客維持、アップセルなど）、キャンペーンの種類（製品発表、季節キャンペーン、エバーグリーン、ナーチャリングなど）、およびこのインサイトがいつ有効かを判断するその他の条件を含めます。
• 信頼度：この学びがどれだけ検証されているかを示す、0～1のスコアです。限られたデータに基づく初期仮説なら0.3、中程度の裏付けがある新たな観察なら0.5（新しい学びに対するシステムのデフォルト値）、複数のキャンペーンで確認されたパターンなら0.7、十分なサンプルサイズに基づき統計的に検証されたインサイトなら0.9以上にします。指定されていない場合は、デフォルトで0.5になります。
• 情報源：この学びを生み出したエージェント、分析、またはワークフローです。例：「analytics-analyst による第4四半期メールパフォーマンスレビュー」「A/B テスト結果に基づく media-buyer」「ユーザーの観察」「エンゲージメント分析に基づく content-creator」などです。
• 裏付けとなる証拠（任意）：この学びを裏付けるデータポイント、テスト結果、指標のスナップショット、キャンペーンへの参照情報です。具体的な数値、期間、サンプルサイズ、またはインサイトを裏付けるレポートへのリンクを含めます。

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。ブランドのトーン、業界のコンテキスト、既知のオーディエンスセグメントを適用し、学びがブランドの領域に適合するかを検証します。~/.claude-marketing/sops/ にエージェンシーの SOP があるか確認します。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、デフォルト設定で続行します。
2. 学びを構成する：必要なすべてのメタデータ（インサイトのテキスト、コンテキスト条件（チャネル、オーディエンス、目標、キャンペーンの種類）、信頼度スコア、ソースとなるエージェントまたはワークフロー、タイムスタンプ、提供されている場合は裏付けとなる証拠）を含む学びのレコードを作成します。後で一貫性のある検索ができるよう、コンテキスト条件をブランドで確立された分類体系に合わせて標準化します。
3. 関連する学びを確認する：学びのコンテキスト条件を使い、python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action query-relevant --context '{"channel":"...","audience":"...","objective":"..."}' でインテリジェンスグラフを照会します。チャネル、オーディエンス、目標が重複する既存の学びを検索し、重複、裏付けとなる証拠、矛盾を検出します。
4. 関連する学びに対処する：関連する学びがあり、新しいインサイトがそれを裏付ける場合は、既存の学びの信頼度を +0.1 増やし（上限は 1.0）、新しい証拠を追加します。新しいインサイトが既存の学びと矛盾する場合は、それぞれの信頼度スコアと証拠とともに両方をユーザーに提示し、どちらを残すか、条件付きで分けるか（例：「SMB では当てはまるが、エンタープライズでは当てはまらない」）、または追加のテスト対象としてフラグを付けるかを尋ねます。
5. 学びを保存する：新しい学びである場合、またはユーザーが更新を確認した場合は、python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action save-learning --agent "{source}" --insight "{insight text}" --conditions '{"channel":"...","audience":"...","objective":"..."}' --confidence {score} を使って、完全に構造化されたレコードを保存します（証拠が提供されている場合は --evidence "{supporting evidence}" を追加します）。多次元検索ができるよう、学びにはすべてのコンテキスト条件がインデックスされます。
6. 関連するエージェントに共有する：学びのコンテキスト条件に基づいて、関連する専門エージェントに通知します。メールのインサイトは email-specialist、有料メディアのインサイトは media-buyer、コンテンツのインサイトは content-creator、チャネル横断のインサイトは marketing-strategist に送られます。各エージェントは以後の推奨に学びを反映します。

出力

• 学びの保存確認：インテリジェンスグラフへの保存が成功したことを確認する学びの ID、書式を整えたインサイトのテキスト、構造化されたすべてのメタデータ（条件、信頼度、ソース、タイムスタンプ）
• 初期信頼度スコア：割り当てられた信頼度とその説明（ユーザー指定、システムのデフォルト設定、または既存の学びのスコアからの調整のいずれか）
• 関連する既存の学び：インテリジェンスグラフで見つかった、新しいインサイトと条件が重複する、裏付ける、または矛盾する学び。信頼度スコアと関連性を添えて一覧表示します。
• インテリジェンスベースの統計更新：ブランドのインテリジェンスグラフの現在の合計値（保存された学びの総数、全学びの平均信頼度、今週追加された学びの数、貢献度の高いエージェント）

使用するエージェント

• intelligence-curator — メタデータをブランドの分類体系に合わせて標準化しながら学びを構成し、既存のインテリジェンスグラフでコンテキスト条件を照合して重複を排除し、裏付けや矛盾に対応しながら信頼度スコアを管理します。また、ユーザーが気づいていない可能性のあるつながりを明らかにするため関連する学びを相互参照し、チャネル、オーディエンス、目標のタグ付けに基づいて関連する専門エージェントへの共有を振り分けます。