simulate

/digital-marketing-pro:simulate

目的

マーケティングシナリオのモンテカルロシミュレーションを実行し、確率分布を用いて収益の結果を予測します。チャネルミックスの変更、予算の再配分、新しいチャネルの開始、支出の調整を、実際の予算を投じる前にテストできます。このコマンドでは不確実性を明示的にモデル化します。リスクを隠してしまう単一の予測値ではなく、シナリオごとに数千通りの結果をシミュレーションし、信頼区間を適切に調整したうえで、起こり得る結果の全範囲を示します。「期待 ROI」だけでは不十分で、下振れリスク、上振れの可能性、特定の収益目標を達成する確率を把握する必要がある、重要度の高い場面で使用してください。

必要な入力

ユーザーは以下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）。

• シミュレーションするシナリオ：モデル化するマーケティングシナリオを1つ以上指定します。それぞれ、チャネルごとの予算と前提条件で定義します。シナリオの例：「有料検索の予算の30％を TikTok に移す」「現在の支出を維持しながら、YouTube Ads を月額$15Kで開始する」「ディスプレイ広告を50％削減し、メールと SEO に再配分する」。各シナリオにはチャネルごとの予算配分を含める必要があり、必要に応じてチャネルごとにカスタムの ROI 前提条件を指定できます
• シナリオごとのチャネルパラメーター：各シナリオの各チャネルについて、月ごとの予算配分、平均値と標準偏差を含む期待 ROI（たとえば、過去の変動幅があるチャネルの場合は「3.2x +/- 0.8x」）、既知の場合は飽和点（それを超えるとリターンが急激に減少する支出額）を指定します。ユーザーが標準偏差を指定しない場合は、ブランドの過去のデータや業界のベンチマークから推定します
• 予測期間：シミュレーションを行う期間の月数を指定します。通常は3か月、6か月、または12か月です。不確実性が累積するため、予測期間が長いほど信頼区間は広くなります
• 収益目標（任意）：達成できる確率を評価したい具体的な収益額を指定します。例：「第3四半期に$2Mを達成する確率は？」。シミュレーションでは、シナリオごとにこの目標を達成する正確な確率を計算します
• シミュレーション回数（任意）：シナリオごとに実行するモンテカルロ反復回数を指定します。統計的精度と速度のバランスを考慮し、デフォルトは10,000回です。信頼区間をより狭くする必要がある重要度の高い判断では、50,000回以上に増やせます
• 制約条件（任意）：チャネルごとの最低支出額または最高支出額、予算総額の上限、チャネルの利用必須条件を指定します。シミュレーションでは、結果をモデル化する際にこれらの制約を反映します

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。過去のキャンペーンの実績データ、チャネルのベンチマーク、既知の飽和曲線、季節性のパターンを適用します。~/.claude-marketing/brands/{slug}/guidelines/_manifest.json にガイドラインがあるかも確認し、存在する場合は予算またはチャネルの制約を読み込みます。~/.claude-marketing/sops/ にエージェンシーのSOPがあるか確認します。ブランドが存在しない場合は、「先にブランドを設定しますか（/digital-marketing-pro:brand-setup）？」と尋ねるか、業界のデフォルト値を使って進めます。
2. シナリオのパラメーターを定義する：各シナリオについて、チャネル単位の入力（予算、ROIの平均値、ROIの標準偏差、飽和点、チャネル間の相互作用の影響（例：有料検索がオーガニックCTRを高める、メールがコンテンツのパフォーマンスを増幅する））を整理します。ユーザーから標準偏差が提示されていない場合は、ブランドの過去のキャンペーンデータを使って調整します。それができない場合は、skills/context-engine/industry-profiles.md（典型的なチャネルのパフォーマンス範囲を示す16業界のプロファイル）と、skills/context-engine/channel-families.md のチャネルファミリーのベンチマークから算出した業界別のデフォルト値を使います。すべてのシナリオで整合性を検証します。予算の合計が正しいこと、配分がマイナスになっていないこと、飽和点が現在の支出を上回っていることを確認します。
3. モンテカルロシミュレーションを実行する：構造化したシナリオパラメーターを指定して revenue-simulator.py を実行します。各シナリオについてN回（デフォルトは10,000回）のシミュレーションを行います。各反復では、チャネルのROIを確率分布からサンプリングし、飽和点付近での限界効果の逓減を適用し、チャネル間の相互作用をモデル化し、時間差の影響（SEOとコンテンツは数か月かけて効果が現れ、有料施策はすぐに成果が出る）を考慮し、季節調整係数を適用します。結果をシナリオごとの確率分布に集計します。
4. 確率加重の結果を計算する：各シナリオについて、期待収益（すべてのシミュレーションの平均値）、収益の中央値（P50）、悲観的ケース（P10。この値を上回る確率は90%）、楽観的ケース（P90。この値を上回る確率は10%）、およびユーザーが収益目標を指定している場合は目標達成確率を算出します。期待リターンを結果の分散で割ったシャープレシオに類似する比率を使って、リスク調整後リターンを算出します。
5. シナリオを並べて比較する：現在のベースラインとすべてのシナリオを比較するマトリクスを作成します。期待収益、リスク調整後リターン、収益目標の達成確率の各指標で順位付けします。最も多くの指標で優れているシナリオを特定し、別の選択肢よりすべての指標で劣るシナリオにはフラグを付けます。
6. 感度分析を実行する：上位2～3件のシナリオについて、結果への影響が最も大きい入力変数を特定します。どのチャネルのROIの不確実性が最も大きな分散をもたらすか、結果が飽和に関する仮定にどの程度左右されるか、主要な仮定を20%変えた場合に推奨内容がどの程度変わるかを明らかにします。影響度の高い順に変数を並べたトルネードチャートとして提示します。

出力

以下を含む包括的なシミュレーションレポートです。

• シナリオ別の結果：予想収益（平均）、収益の中央値（P50）、悲観ケース（P10）、楽観ケース（P90）、収益目標の達成確率、リスク調整後リターンスコア、および収益確率分布の可視化に関する説明
• シナリオ比較表：すべてのシナリオを、予想収益、リスク調整後リターン、目標達成確率、現在のベースラインとの差分で並べて比較します。推奨シナリオを強調表示し、優位性の関係も示します。
• 感度分析：上位シナリオで結果の分散に最も影響する変数を、トルネードチャートで分類します。ROI の前提、飽和点、チャネル間の相互作用、季節要因を影響度の大きい順に示します。
• チャネル別の貢献度の内訳：シナリオごとに、各チャネルが信頼区間とともに予想収益合計にどの程度貢献するかを示し、価値が生み出される箇所と不確実性の所在を明らかにします。
• 最適なシナリオの推奨：信頼度、期待リターンとリスクプロファイルの両方を考慮した理由、および推奨が変わる具体的な条件を添えて、推奨シナリオを提示します。
• シミュレーションのメタデータ：反復回数、収束チェック（結果が安定したか）、文書化された主要な前提、およびキャリブレーションに使用したデータソース

使用したエージェント

• marketing-scientist — 分布の選択と相関モデリングを含むモンテカルロシミュレーションの設計、履歴データと業界ベンチマークに基づくパラメータ推定、チャネル間の相互作用と飽和曲線のモデリング、感度分析とトルネードチャートの作成、信頼区間のキャリブレーションを含む統計的に厳密な結果の解釈、シナリオの優位性分析、および推奨の順位付けに用いるリスク調整後リターンの計算
• analytics-analyst — ROI のキャリブレーションに向けた過去のパフォーマンスデータの抽出と傾向分析、過去のキャンペーンデータからの季節パターンの特定、ブランドの実績との照合によるベンチマークの情報源確認と妥当性検証、およびシミュレーション出力の収束検証