Competitive Tracker

Competitive Tracker v3.0

核心コンセプト: "比較 → ギャップ発見 → 機会定量化 → 既存パイプライン接続"

このスキルは**検出(Detection), 定量化(Quantification), 接続(Connection)**を担当する。 優先順位/定義/実装は既存ツールに委任する。

SSOT (Single Source of Truth)

┌─────────────────────────────────────────────────────────────┐
│  SSOT 構造                                                    │
├─────────────────────────────────────────────────────────────┤
│  docs/analysis/competitor-registry.json  → 競合機能 DB     │
│  docs/analysis/mece-feature-analysis.md  → MECE 分析レポート   │
│  docs/features/*/CONTEXT.json            → 内部機能状態      │
│  docs/features/index.md                  → 機能リスト           │
│  .claude/state/audit-snapshots/          → 監査履歴スナップショット    │
└─────────────────────────────────────────────────────────────┘

⚠️ 原則:
   - 競合データはcompetitor-registry.jsonでのみ管理
   - ギャップ深刻度はregistryのgap_severity フィールドでのみ定義
   - MECE レポートはaudit-runnerの--save 出力物
   - Importance データはDeep Research 結果をregistryに統合

自動化エンジン: audit-runner.mjs v3.0

AI トークンコスト $0 — 決定論的(deterministic) Node.js スクリプト

# 基本実行 (全体レポート)
node .claude/scripts/audit-runner.mjs

# 主要CLI フラグ
node .claude/scripts/audit-runner.mjs --summary       # カバレッジ要約のみ
node .claude/scripts/audit-runner.mjs --gaps-only     # ギャップのみフィルタリング
node .claude/scripts/audit-runner.mjs --validate      # マッピング整合性検証
node .claude/scripts/audit-runner.mjs --json          # JSON 出力
node .claude/scripts/audit-runner.mjs --save          # mece-feature-analysis.md 保存
node .claude/scripts/audit-runner.mjs --diff          # 以前スナップショットと比較
node .claude/scripts/audit-runner.mjs --snapshot      # スナップショットのみ保存 (レポートなし)
node .claude/scripts/audit-runner.mjs --recommend     # MVP 推奨のみ出力
node .claude/scripts/audit-runner.mjs --no-recommend  # MVP 推奨除外
node .claude/scripts/audit-runner.mjs --refresh-plan  # 更新必要アプリ/機能優先順位リスト

3-tier カバレッジ指標

JTBD Opportunity Score (Strategyn ODI)

Opportunity = Importance + max(Importance - Satisfaction, 0)

範囲: 1.0 ~ 10.0
- 7.0+ → 🔴 核心投資領域
- 5.0~6.9 → 🟡 改善推奨
- < 5.0 → 🟢 現状維持可能

• Importance: Deep Research ベース学習者動機調査 (世宗学堂財団, Duolingo レポート, 学術研究)
• Satisfaction: registryのjtbd_satisfaction.matrix.hackathon_project 値

フィードバックループ検出

audit-runnerは2つの不一致を自動検出する:

1. Registry 更新必要: CONTEXT.json progressが100%なのにregistryにdepth_gapで残っている場合
2. 未登録機能: CONTEXT.jsonに進行中だがregistryにマッピングがない機能 (差別化登録候補)

トリガー条件

基本モード (監査)

1. 定期チェック: "競合比較して", "ベンチマーク回して"
2. 業界標準確認: "業界標準と差何?", "当社アプリ欠けた機能ある?"
3. ポートフォリオ分析: "機能ポートフォリオチェック", "MECE 確認"
4. ギャップ現状: "ギャップ追跡", "competitive tracker"
5. 機会分析: "JTBD 分析", "機会スコア", "opportunity"

サブコマンド

核心原則

1. このスキルは"検出 + 定量化 + 接続"をする

❌ このスキルがしないこと:
   - 競合データ直接収集 (→ deep-research)
   - ギャップの優先順位算出 (→ priority-analyzer)
   - ギャップを機能として定義 (→ feature-architect)
   - 機能実装 (→ feature-pilot)

✅ このスキルがすること:
   - 内部機能 vs 競合機能比較 (3-tier カバレッジ)
   - ギャップ/重複/変化検出
   - JTBD Opportunity Scoreで機会定量化
   - MVP 推奨 (4要素複合スコアベース自動推奨, --recommend)
   - 双方向比較 (当社独自の差別化12個追跡)
   - フィードバックループ検出 (registry ↔ CONTEXT.json 不一致)
   - 発見されたギャップをmarket-intelligence-scanner 候補として接続提案
   - mece-feature-analysis.md 自動更新 (--save)
   - 監査スナップショット保存 + Diff 追跡

2. 批判的思考5段階適用

3. "全てのギャップを埋める必要はない"

ギャップ発見時3つに分類:

ワークフロー

Phase 1: audit-runner 自動実行

# 基本: 全体レポート + スナップショット自動保存
node .claude/scripts/audit-runner.mjs

# レポート出力内容:
# 1. カバレッジ要約 (Binary/Weighted/Effective)
# 2. 🔴 緊急ギャップ (業界標準未カバー)
# 3. 🟡 Depth Gap (あるが競合より浅い)
# 4. 🎯 JTBD Opportunity Score 表
# 5. 🛡️ 当社独自の差別化12個
# 6. 📂 カテゴリ別ギャップ分布
# 7. 🔄 フィードバックループ通知
# 8. 🎯 MVP 推奨 (4要素複合スコア TOP 10 + 2×2 マトリックス)
# 9. 💡 推奨アクション

Phase 2: ユーザー決定

HIGH ギャップ:
  → "comp-025 (Speaking SRS)をmarket-intelligence-scanner 候補として登録しますか?"
  → 承認時: /market-intelligence-scanner --accept comp-025
  → その後: /feature-architect → /feature-pilot パイプラインで自動接続

戦略的skip:
  → "comp-029 (コミュニティ添削)はAI 100% 戦略と衝突します. Skip 処理しますか?"
  → 承認時: registryにstrategic_skip マーキング

JTBD 機会:
  → "culture (機会スコア7.0)が最優先投資領域です"
  → K-コンテンツ統合機能強化のためのfeature-architect 呼び出し提案

--add-competitor ワークフロー (competitor-importer.mjs)

AI トークンコスト $0 — 決定論的Node.js スクリプト (検証/統合/バックアップ)

新しい競合アプリをregistryに追加する7-Step パイプライン:

# Step 1: 空テンプレート生成 ($0)
node .claude/scripts/competitor-importer.mjs --generate-template rosetta
# → .claude/state/import-templates/rosetta-profile.json (64機能 + 8 JTBD 空値)

# Step 2: Deep Research ($1-2)
/deep-research --provider gemini "Rosetta Stone Korean 機能分析"

# Step 3: AIがテンプレート記入
# Deep Research 結果をベースにhas_feature/depth/evidence 作成

# Step 4: 検証 ($0)
node .claude/scripts/competitor-importer.mjs --validate .claude/state/import-templates/rosetta-profile.json

# Step 5: プレビュー ($0)
node .claude/scripts/competitor-importer.mjs --dry-run .claude/state/import-templates/rosetta-profile.json

# Step 6: 適用 ($0, 自動バックアップ)
node .claude/scripts/competitor-importer.mjs --apply .claude/state/import-templates/rosetta-profile.json

# Step 7: 影響度確認 ($0)
node .claude/scripts/audit-runner.mjs --diff

テンプレートスキーマ

{
  "$schema": "competitor-app-profile-v1",
  "generated_date": "2026-02-07",
  "registry_feature_count": 64,
  "app": {
    "id": "rosetta",
    "name": "Rosetta Stone",
    "note": "Immersion-based learning",
    "mau": "12M+"
  },
  "features": [
    {
      "registry_id": "comp-001",
      "registry_name": "配置試験 / レベルテスト",
      "category": "Onboarding",
      "has_feature": true,
      "depth": 3,
      "evidence": "Rosetta Stone: Placement assessment..."
    }
  ],
  "jtbd_satisfaction": {
    "listening": 3,
    "speaking": 2,
    "reading": 3,
    "writing": 2,
    "exam_prep": 2,
    "culture": 1,
    "habit": 3,
    "retention": 3
  },
  "new_features": []
}

検証ルール (15個)

--remove-competitor

競合アプリをregistryから完全削除:

# アプリリスト確認
node .claude/scripts/competitor-importer.mjs --list-apps

# 削除 (自動バックアップ)
node .claude/scripts/competitor-importer.mjs --remove-app <app_id>

削除時処理:

• apps[]から除去
• 全てのfeatures[].appsから除去
• features[].app_depthから除去
• app_count, is_industry_standard 再計算
• jtbd_satisfaction.matrixから除去
• summary 再計算
• 自動バックアップ → .claude/state/import-backups/

ユーティリティコマンド

# 現在登録済みアプリリスト
node .claude/scripts/competitor-importer.mjs --list-apps

# 手動バックアップ
node .claude/scripts/competitor-importer.mjs --backup

2-Phase LLM Pipeline (dr-extractor.mjs)

Phase 1: DR Markdown → Gemini 構造化抽出 → profile-v2 JSON (コスト: ~$0.02-0.05/アプリ) Phase 2: profile → competitor-importer.mjs → registry 統合 (コスト: $0)

# Phase 1: DR 分析 → Gemini 構造化抽出
node .claude/scripts/dr-extractor.mjs --extract docs/research/rosetta-stone-analysis.md --app rosetta
# → .claude/state/import-templates/rosetta-profile.json

# 検討: 低信頼度項目ハイライト
node .claude/scripts/dr-extractor.mjs --review .claude/state/import-templates/rosetta-profile.json

# Phase 2: profile → registry 統合
node .claude/scripts/competitor-importer.mjs --validate .claude/state/import-templates/rosetta-profile.json
node .claude/scripts/competitor-importer.mjs --apply .claude/state/import-templates/rosetta-profile.json

# 影響度確認
node .claude/scripts/audit-runner.mjs --diff

# 更新必要リスト確認
node .claude/scripts/audit-runner.mjs --refresh-plan

Confidence モデル (4要素加重)

confidence = 0.4 × evidence_quality + 0.2 × source_freshness
           + 0.2 × cross_reference + 0.2 × extraction_clarity

evidence_quality: 証拠テキスト長(200字基準) + 具体的数値/表現有無
source_freshness: DR 生成日基準180日減衰
cross_reference: 既存registry アプリ数ベースクロス検証度
extraction_clarity: Gemini certainty 値直接使用

信頼度ベース報告 (audit-runner v3.0)

📊 信頼度報告 (Confidence Report)
┌─────────────────────┬───────┐
│ 総Assessment       │ N個   │
│ 平均信頼度         │ 0.XX  │
│ 🟢 High (≥0.80)    │ N個   │
│ 🟡 Medium (0.50-79) │ N個   │
│ 🔴 Low (0.30-0.49)  │ N個   │
│ ❌ Rejected (<0.30)  │ N個   │
│ ⏰ Stale (90日+)    │ N個   │
│ ⚠️ 根拠不足        │ N個   │
└─────────────────────┴───────┘

--import モード詳細 (レガシー)

⚠️ 構造化されたテンプレートベース--add-competitor ワークフローを推奨します。

Deep Research 結果(マークダウン)をregistry.jsonに変換:

入力

docs/analysis/deep-research-competitor-features.md
(またはユーザーが指定したDeep Research 結果ファイル)

処理

1. マークダウンパース: アプリ別セクション → 機能抽出
2. 既存registryと比較: 新規/変更/削除検出
3. MECE カテゴリ自動マッピング (Lifecycle × Domain)
4. Depth Score 算定 (1-5)
5. JTBD タグ付け
6. ユーザー確認後registry 更新

出力

## Import 結果

- 新規機能: N個追加
- 既存機能更新: N個
- 削除された機能: N個 (確認必要)
- registry 更新完了: YYYY-MM-DD

更新周期ガイド

既存ツール接続マップ

[半期ごと]
/deep-research --provider gemini "JTBD Importance 学習者動機調査"
    └→ registry.jtbd_satisfaction.importance 手動更新

[四半期ごと]
/deep-research --provider gemini "競合機能更新2026"
    └→ /competitive-tracker --import
        └→ competitor-registry.json 更新

[毎週/随時]
node .claude/scripts/audit-runner.mjs    ← $0 自動化
    ├→ ギャップレポート出力 (ターミナル)
    ├→ mece-feature-analysis.md 更新 (--save)
    ├→ 監査スナップショット保存 (--snapshot)
    └→ HIGH ギャップ発見時:
        └→ /market-intelligence-scanner (候補登録提案)
            └→ --accept 時:
                └→ /feature-architect (CONTEXT.json 生成)
                    └→ /feature-pilot (実装)

[優先順位調整必要時]
/priority-analyzer (全体ポートフォリオWSJF 再分析)

制限事項

スキーマ: competitor-registry.json (v3)

{
  "$schema": "competitor-registry-v3",
  "last_updated": "ISO 8601 date",
  "data_source": "出典説明",
  "next_refresh_due": "ISO 8601 date",
  "confidence_thresholds": {
    "high": 0.80,
    "medium": 0.50,
    "low": 0.30,
    "reject_below": 0.30,
    "auto_approve_above": 0.80,
    "stale_days": 90
  },
  "apps": [
    { "id": "string", "name": "string", "note": "string", "mau": "string" }
  ],
  "features": [
    {
      "id": "comp-NNN",
      "name": "機能名",
      "category": "Speaking|Writing|Reading|...",
      "sub_category": "詳細分類",
      "lifecycle": "L1-L8|cross",
      "domain": "D1-D8|P1-P8|cross",
      "apps": ["app_id"],
      "app_count": "number",
      "is_industry_standard": "boolean (app_count >= 4)",
      "app_depth": { "app_id": "1-5 depth score" },
      "assessments": {
        "app_id": {
          "has_feature": "boolean",
          "depth": "1-5|null",
          "confidence": "0.0-1.0",
          "evidence_excerpt": "string (最大200字)",
          "source_id": "R-YYYY-MM-DD-competitor-{app_id}",
          "last_verified": "ISO 8601 date"
        }
      },
      "hackathon_project_coverage": "feature_id|null|feature_id-partial",
      "hackathon_project_depth": "1-5|null",
      "gap_severity": "HIGH|MEDIUM|LOW|null",
      "gap_type": "missing|depth_gap|partial|null",
      "jtbd": ["job_id"],
      "strategic_skip": "boolean (optional)",
      "strategic_skip_reason": "string (optional)",
      "evidence": "根拠説明",
      "detected_date": "ISO 8601 date"
    }
  ],
  "extraction_log": [
    {
      "source_id": "R-YYYY-MM-DD-competitor-{app_id}",
      "app_id": "string",
      "extracted_at": "ISO 8601 timestamp",
      "model": "gemini-2.5-flash-preview-05-20",
      "feature_count": "number",
      "avg_confidence": "0.0-1.0",
      "low_confidence_count": "number"
    }
  ],
  "our_differentiators": [...],
  "jtbd_satisfaction": {
    "jobs": [{ "id": "string", "name": "string" }],
    "matrix": { "job_id": { "app_id": "1-5 score" } },
    "importance": {
      "_source": "Deep Research 出典",
      "_methodology": "方法論説明",
      "job_id": "1.0-5.0 importance score"
    }
  },
  "summary": {
    "total_features_tracked": "number",
    "industry_standards": "number",
    "our_gaps": { "HIGH": [], "MEDIUM": [], "LOW": [] },
    "fully_covered": "number",
    "partially_covered": "number",
    "depth_gaps": "number",
    "not_covered": "number",
    "coverage_rate_binary": "string (%)",
    "coverage_rate_weighted": "string (%)",
    "our_unique_differentiators": "number"
  }
}

v3 新規フィールド説明