share-of-voice

/digital-marketing-pro:share-of-voice

脚本位置。 如果宿主未设置 ${CLAUDE_PLUGIN_ROOT}，脚本位于此插件的 scripts/ 文件夹中，与 skills/ 并列。请使用 Python 3.10 或更高版本运行：python；如果找不到 python，则使用 python3（macOS 和许多 Linux 系统）。

用途

计算并跟踪多个竞争维度的声量份额。衡量品牌相对于竞争对手在自然搜索（按搜索量加权的关键词排名）、付费搜索（展示份额和竞价动态）、社交媒体（提及量和按情绪加权的影响力）以及 AI 引擎（GEO 可见度和引用率）中的可见度。声量份额是市场份额的领先指标——持续在可见度方面胜过竞争对手的品牌，往往会随着时间推移获得更大的市场份额，因此 SOV 是最具战略意义的竞争指标之一。本命令通过汇总各维度的 SOV 得分，全面呈现竞争可见度，并跟踪趋势，在势头变化影响销售管道或收入之前及时发现。既支持评估当前竞争地位的某一时点快照，也支持在此前运行中已有 SOV 测量结果时进行历史趋势分析。

所需输入

用户必须提供（或将收到提示提供）：

• 要比较的竞争对手：要纳入 SOV 计算的竞争对手名称列表，例如“Acme Corp、Beta Inc、Gamma Labs”。这些名称最好与通过 competitor-monitor 跟踪且已保存基线的竞争对手一致，以便进行最全面的分析；也可以随时添加新竞争对手，但历史背景较少，且首次测量时没有趋势数据。建议至少提供两家竞争对手，以进行有意义的竞争比较；也支持针对单个竞争对手进行一对一分析，以重点评估竞争关系
• 要计算的 SOV 维度：要纳入分析的可见度维度——organic（按月搜索量加权的目标关键词集排名可见度）、paid（Google Ads 展示份额、竞价洞察，以及可用时的 Meta 广告展示数据）、social（指定时间段内各社交平台的提及量和按情绪加权的影响力）、ai（6 个标准 AI 平面的 AI 引擎引用率和 GEO 可见度得分——Google AI Mode、Google AI Overviews、ChatGPT、Perplexity、Gemini 和 Copilot；这些平面集合与评分标准均定义于 /digital-marketing-pro:aeo-audit）。选择所有维度可全面了解竞争可见度，也可选择个别维度，专注分析特定渠道
• 目标关键词列表：用于计算自然搜索和付费搜索 SOV 的关键词集，包括品牌词、品类核心词、特定产品词，以及会直接影响销售管道的高意向商业查询。如果未提供，则默认使用品牌背景资料中的关键词、此前 keyword-research 或 seo-audit 命令跟踪的关键词列表，以及基线收集期间识别出的竞争对手重叠词
• 社交聆听数据的时间段：用于社交提及量和情绪分析的日期范围，例如“过去 30 天”“2025 年第四季度”“2026 年 1 月”“过去 90 天”。较长的时间段可以平缓事件驱动的峰值，得出更可靠的 SOV 百分比，反映持续影响力，而非短暂的病毒式传播。如果未指定，默认采用过去 30 天
• 比较时段（可选）：用于趋势分析的此前时间段，例如“前 30 天”“去年同期”“上一季度”。启用增减变化报告，按维度和竞争对手展示 SOV 的增减情况，揭示竞争势头变化，并识别哪些主体正在提升或失去竞争优势

流程

1. 加载品牌背景并加载竞争对手基准数据：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌定位、目标市场定义和竞争格局背景。加载 competitor-tracker.py 中现有的竞争对手基准数据和监测数据，以提取已保存的竞争对手档案、跟踪的关键词列表，以及此前的 SOV 测量数据，用于趋势比较。如果指定了比较时段，则检索该时段的 SOV 快照以计算差值。检查 ~/.claude-marketing/sops/ 中是否有代理机构 SOP。如果不存在品牌，请询问：“先设置一个品牌（/digital-marketing-pro:brand-setup）？”——或者使用默认设置继续。
2. 计算自然关键词 SOV：对于关键词集中的每个目标关键词，使用可用的搜索排名数据确定品牌和每个竞争对手当前的排名位置。根据每月搜索量为每个关键词加权，以反映实际可见度的影响——在搜索量为 50,000 的关键词上排名第 3，对 SOV 的贡献大于在搜索量为 500 的关键词上排名第 1。使用基于点击率的模型，按排名位置计算可见度分数——第 1 位的可见度为 100%，第 2 位约为 65%，第 3 位约为 45%，第 4 位约为 30%，第 5 位约为 22%，逐渐降至第 10 位的约 10%，第 2 页及之后的排名可见度为 0%。对于每个实体（品牌及其各竞争对手），将关键词集中所有加权可见度分数相加，并以总可用可见度池的百分比表示。结果即为自然 SOV——每个实体在所跟踪关键词范围内获得的自然搜索总可见度份额。
3. 计算付费 SOV：从 Google Ads MCP 获取目标关键词集的竞价洞察数据——展示份额（实际赢得的符合条件的展示次数所占百分比）、重叠率（每个竞争对手的广告与品牌广告同时出现的频率）、超越份额（品牌广告排名高于每个竞争对手的竞价次数所占百分比），以及页首展示率（展示在自然搜索结果上方的展示次数所占百分比）。汇总这些指标，为每个实体计算付费搜索 SOV 分数，同时反映可见度规模和竞争定位质量。如果可通过 Meta Ads MCP 获取 Meta Ads 数据，则纳入与品牌目标市场相关细分受众的展示份额、预估覆盖人数指标和受众重叠数据。结合搜索和社交广告指标，计算反映跨平台付费总可见度的加权付费 SOV 分数。
4. 计算社交 SOV：如果已配置社交监听连接器（默认未附带——通过 /digital-marketing-pro:add-integration 连接一个，或使用下文所述的已批准公开来源证据包），则提取指定时段内品牌及各竞争对手的提及量和情绪数据。计算原始声量份额——每个实体的提及总数占所有跟踪实体提及总量的百分比，代表纯粹的对话份额。然后计算情绪加权份额——将每个实体的声量份额乘以其按标准化量表计算的平均情绪分数（正面提及按 1.5 倍加权，中性按 1.0 倍加权，负面按 0.5 倍折减），得出质量调整后的社交 SOV，从而奖励能引发正面讨论而不仅仅是高声量的品牌。报告原始社交 SOV 和情绪加权社交 SOV，以揭示声量高但情绪不佳的竞争对手，表明其表现可能源于争议而非优势。
   • 如果 X/Twitter 在范围内且连接器覆盖不完整，则在评分前加载 skills/share-of-voice/x-twitter-source-evidence.md。使用该文件，通过已批准的公开来源构建可审计的来源证据包，然后在此技能中完成提及计数、情绪评分和建议。
5. 计算 AI 可见度 SOV：使用 geo-tracker.py 中的 GEO 审核数据，比较品牌与竞争对手在 6 个标准 AI 平台上的引用率和推荐频率——Google AI Mode、Google AI Overviews、ChatGPT、Perplexity、Gemini 和 Copilot（即 scripts/geo-tracker.py 中的 PLATFORMS 常量；评分采用 /digital-marketing-pro:aeo-audit 中的标准评分规则）。对于每个实体，计算在与品类相关的查询所生成的 AI 回复中，以名称引用、推荐或提及该实体的百分比。以 AI SOV 表示每个实体在该品类中获得的 AI 引擎可见度份额。如果有 AI 引擎市场份额数据，则据此加权（例如，ChatGPT 的引用权重高于较小型引擎）。如果并非所有竞争对手都有 GEO 数据，则明确标记数据缺口，并根据可用数据提供 SOV 计算结果，同时标注置信度，指出哪些竞争对手的 AI 可见度档案不完整。
6. 汇总为统一的 SOV 仪表板：合并所有维度的 SOV 分数，形成统一的竞争可见度评估。计算各维度的 SOV 百分比（自然、付费、社交、AI）以及总体加权 SOV 分数，默认维度权重为：自然 35%、付费 25%、社交 25%、AI 15%——可根据行业特征和品牌渠道优先级进行调整（例如，B2B SaaS 品牌可以提高自然和 AI 的权重，同时降低社交权重）。如果指定了比较时段，则计算各竞争对手各维度 SOV 变化值，并用方向性指标展示。找出品牌最强的维度（应维护的竞争优势）和最弱的维度（应弥补的差距），并标记连续多个时段增长、可能构成新兴竞争威胁的竞争对手。
7. 通过 competitor-tracker.py 保存 SOV 数据：保存完整的 SOV 测量数据——包括完整的维度明细、各竞争对手的分数、关键词级自然 SOV 明细、平台级付费和社交 SOV 明细、AI 平台级 GEO SOV 明细，以及测量时间戳，保存至：

   python "${CLAUDE_PLUGIN_ROOT}/scripts/competitor-tracker.py" \
       --brand {slug} --action share-of-voice \
       --data '{"dimensions":{...},"competitors":[...],"measured_at":"YYYY-MM-DD"}'
   

   这会在品牌竞争可见度历史中创建一个时间序列数据点。每次保存的测量都能为后续运行提供趋势分析依据——支持跨时段比较、动量检测、季节性模式识别，以及所有维度的长期竞争走势分析。

输出

结构化的声量份额分析，包含：

• SOV 仪表板：品牌及各竞争对手的总体声量份额百分比，以及各维度的 SOV 明细（自然搜索 %、付费 %、社交媒体 %、AI %），以竞争对比表的形式展示，突出显示品牌并将其与所有受追踪的竞争对手进行排名。包括总体评分计算所用的维度权重
• 竞争对手对比表：所有实体在所有衡量维度上的并列矩阵——总体 SOV 排名和百分比、自然搜索 SOV、付费 SOV、社交媒体 SOV、AI SOV——按总体 SOV 降序排列，包含排名位置标记，以及各非领先实体与领先者之间的差距指标
• 与上次测量结果的趋势对比：如果存在之前运行的历史 SOV 数据，则显示变化量，反映自上次测量以来的变化——总体 SOV 的点数变动以及各实体在各维度上的变化，并标注方向（上升、稳定、下降）；为连续两期或以上实现逐期增长的实体添加势头标记；为跨越重要 SOV 阈值的实体添加警示标记（例如，在某个维度超过品牌）
• 维度级别明细：按维度深入展示具体驱动因素——哪些关键词对自然搜索 SOV 贡献最大、排名差距最大的地方在哪里；哪些竞价细分和匹配类型导致付费 SOV 差异；哪些社交平台和对话主题推动社交媒体 SOV；哪些 AI 引擎和查询类别对 AI SOV 有贡献。助力针对最具影响力的具体机会采取战术行动
• 来源证据附录：对于 X/Twitter 社交媒体 SOV，包含查询集、时间范围、采集来源、抽样限制、去重规则，以及各实体的记录数，以便审核人员追溯公开对话证据如何转化为 SOV 输入
• 机会领域：按优先级列出品牌 SOV 相较竞争对手最低的维度和具体领域，并估算弥补各项差距所需的工作量及潜在 SOV 影响——例如：“‘项目管理软件’关键词群的自然搜索 SOV 为 8%，而 Acme 为 34%——针对这 12 个关键词制作专属内容，预计可在 6 个月内提升 12 个百分点的自然搜索 SOV”
• 历史 SOV 趋势图表数据：以适用于可视化的结构和格式提供所有实体在所有维度上的时间序列数据点，支持在仪表板中绘制趋势图，直观发现竞争势头变化、季节性模式，以及跨周和跨月测量历史中的长期趋势分化

使用的 Agent

• competitive-intel — 收集所有 SOV 维度的竞争数据，包括自然搜索排名研究、广告资料库分析、社交聆听查询和 AI 引用审计。检索竞争对手基准数据和历史数据，以进行趋势对比。结合战略背景解读竞争定位，说明 SOV 变化对市场动态、收入影响和竞争应对优先级的意义
• analytics-analyst — 汇总多维度数据，通过可配置权重计算总体 SOV 评分；建立自然搜索关键词 SOV 的点击率可见性模型；计算情感加权的社交媒体 SOV；分析趋势并计算逐期变化量、检测势头；评估弥补 SOV 差距所需的机会规模及投入产出；并整理适用于可视化的数据，生成仪表板表格和历史趋势图表输出