recall

/digital-marketing-pro:recall

スクリプトの場所。 ホストが ${CLAUDE_PLUGIN_ROOT} を設定しない場合、スクリプトは skills/ と同じ階層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、macOS や多くの Linux システムでは python3 を使用します。

目的

ブランドの複合インテリジェンスグラフから、関連する学びを取得します。チャネル、オーディエンス、目標、状況などのコンテキストを指定すると、信頼度と新しさに基づいて関連性の高い検証済みのインサイトを返します。蓄積されたマーケティング知識を、あらゆるシナリオで実行可能なプレイブックに変換することで、記憶や古いレポートの検索に頼ることなく、過去の学びを現在の意思決定に直接活用できます。

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（または、入力を求められます）。

• クエリのコンテキスト：学びを振り返る状況です。次のうち1つ以上の観点を指定します。チャネル（メール、ソーシャル、有料検索、SEO、コンテンツ、SMS 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、エンタープライズの購買担当者など）、目標（認知、コンバージョン、継続利用、アップセル、離反顧客の再獲得など）、キャンペーンの種類（製品ローンチ、季節キャンペーン、常時運用型、ナーチャリング、イベントなど）、または自然な言葉でシナリオを表す自由形式の状況説明（例：「休眠顧客を対象にしたブラックフライデーのメールキャンペーンを計画している」や「コンテンツマーケティングを通じて、開発者向けに新製品をローンチする」）。
• 信頼度のしきい値（任意）：対象に含める最低信頼度スコアです。既定値は 0.3（仮説以上を含む）です。検証済みのインサイトのみを対象にするには 0.7 以上に設定し、初期段階の観察を含むすべてを確認するには 0.0 に設定します。
• 期間（任意）：学びを記録時期で絞り込みます。「過去 30 日間」、「今四半期」、「全期間」（既定値）を指定できます。有料ソーシャルのように変化の速いチャネルでは最近の学びがより関連性を持つ場合がありますが、オーディエンスの心理に関する常時有効な学びは、記録時期にかかわらず価値がある可能性があります。
• 最大結果数（任意）：返す学びの件数です。既定値は 10 です。包括的な調査では増やし、迅速な意思決定の支援では減らします。

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 を読み取り、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。ブランドの業界、オーディエンスのセグメント、アクティブなチャネルを適用してクエリの背景を設定し、一致する学習内容の関連性を高めます。~/.claude-marketing/sops/ に代理店の 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. インテリジェンスグラフにクエリする：python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action query-relevant --context '{context_json}' --min-confidence {threshold} を実行します。このクエリは、インデックス化されたすべての条件（チャネル、オーディエンス、目的、キャンペーンの種類）と照合し、自由形式の状況説明に対するセマンティック検索も行います。--min-confidence は信頼度のしきい値フィルターを適用します。期間の優先設定はクエリフラグではなく、手順 3 のランキング時に適用します。
3. 結果をランク付けする：返された各学習内容を、関連性（学習内容の条件がクエリのコンテキストとどの程度一致するか）、信頼度（蓄積された証拠に基づき、そのインサイトがどの程度検証されているか）、新しさ（学習内容が記録または最終更新された時期。変化の激しいチャネルでは最近の学習内容をより高く評価する減衰曲線を適用）の複合スコアで評価します。複合スコアの高い順に上位の結果を返します。
4. 実行可能なテーマに分類する：ランク付けした学習内容を、「コンテンツとメッセージング」（何を伝えるか）、「タイミングと頻度」（いつ伝えるか）、「オーディエンスの行動」（どのように反応するか）、「チャネル戦術」（プラットフォーム固有の手法）、「避けるべきこと」（検証済みのアンチパターン）など、まとまりのあるテーマに分類します。各テーマには、分類したインサイトをまとめた要約文を付けます。
5. 相反するインサイトを強調する：結果に含まれる学習内容同士に矛盾がないか確認します。矛盾がある場合は、双方の内容、それぞれの信頼度スコア、違いを説明できる条件（例：「SMB には当てはまるが、エンタープライズには当てはまらない」）を明示します。信頼度と新しさに基づいて、どちらに従うべきかを推奨するか、矛盾を解消するための A/B テストを提案します。
6. 実行可能なプレイブックとして提示する：出力を、意思決定にすぐ活用できるプレイブックの形式にします。テーマ別セクションにはランク付けした学習内容を配置し、信頼度が高く実行可能なインサイトをまとめた「すぐに実施できること」、信頼度は低いものの検証する価値のある仮説をまとめた「テストすること」、検証済みのアンチパターンや矛盾をまとめた「注意事項」の各コールアウトを含めます。

出力

• 信頼度順に並べた関連する学習内容：各学習内容について、インサイトの文章、信頼度スコア、情報源、記録日、一致するコンテキスト条件を表示します。関連性・信頼度・新しさの複合スコア順に並べます。
• テーマ別の分類：学習内容を、コンテンツ、タイミング、オーディエンス、チャネル戦術、アンチパターンなどの実行可能なテーマに分類します。各テーマには、全体的なインサイトをまとめた要約文を付けます。
• 相反するインサイトの明示：結果内に矛盾があれば、双方の見解、信頼度スコア、該当条件、どちらに従うべきか、またはどのようにテストするかの推奨を明示します。
• 実行可能な推奨事項：クエリ対象の状況に合わせて、生の学習内容を具体的な推奨事項にまとめたプレイブックのセクションを作成します。実施すること、避けること、テストすることを示します。
• インテリジェンスベースの統計：ブランドのグラフにある学習内容の総数、このクエリに一致した件数、一致した結果の平均信頼度、一致した学習内容の経過期間の分布を示します。

使用するエージェント

• intelligence-curator — 多次元のコンテキスト照合と自由形式のクエリに対するセマンティック検索を用いたインテリジェンスグラフへのクエリ実行、関連性・信頼度・新しさの複合スコアによる結果のランキング、結果の実行可能なグループへのテーマ別分類、返された学習内容間の矛盾の検出と解決策の推奨、生のインテリジェンスを意思決定にすぐ活用できる推奨事項に変換するプレイブックの作成