name	seo-aio-skill
description	seo-aio MCP（mcp.aibrainpartners.jp）で取得した SEO/AIO/LLMO データ（research.json）を、決定的な数表に整え、考察・施策をエージェントが書くための最小スキル。取得=MCP、分析=本スキルの二層構成。定期モニタリング（毎朝の差分通知）レシピ付き。

seo-aio-skill — 検索/AI露出データの分析（最小・OSS）

二層構成: データ取得は seo-aio MCP（run_research / get_run_data / check_status）、 分析・レポート化は本スキル＋あなたの AI エージェント。本スキルは「決定的に作れる数表」をスクリプトで生成し、考察・優先順位・施策はエージェントが書く。

0. MCP に接続（1回だけ）

# キー無しで接続して signup を呼ぶ → 返ってきた ?key= 付き1行で登録し直す
claude mcp add -t http seo-aio https://mcp.aibrainpartners.jp/mcp
# 「seo-aio の signup を呼んで」→ カード登録(¥0)で 260cr 付与 → 接続コマンドを貼り直す

1. データを取得（MCP）

エージェントにこう頼む:

seo-aio で example.com を診断したい。create_spec → update_spec で競合を採用 → run_research(with_llmo=true)
を実行して、research.json をダウンロードして ./research.json に保存して。

research.json には keywords / serp / footprint / site_matrix / llm_probe（SoV）などがエンジン出力のまま透過格納されている。

2. 分析の骨格を生成（本スキル・決定的）

python3 scripts/analyze.py research.json -o analysis.md

出力 analysis.md:

1. 自然検索フットプリント（自社 vs 競合：ランク語数・推定流入 eTV）
2. キーワード機会（検索ボリューム降順・競合・CPC）
3. 生成AI SoV（ChatGPT/Gemini/Claude 実査の言及率）
4. 考察（← エージェントが書く） プレースホルダ

3. 考察を書かせる（エージェント）

analysis.md を渡してこう頼む:

この analysis.md の数表を根拠に、§4 を埋めて。
「現状を一言で」「3つの重要発見（事実→構造的欠陥→改善余地）」「90日の最優先アクション」。
数字は表から引用し、勝手な推測値は入れないこと。

4. 定期モニタリングを自動化（スケジュール処理）

継続観測は check_status（同日再実行は無料） と get_history（推移） で行う。頻度の管理はあなたのエージェントのスケジュール機能に委ねる（サーバ側設定は不要）。

Claude Code の Schedule に登録する依頼文（例・毎朝9時）:

seo-aio の check_status を run_id=<RID> で実行し、get_history(run_id) を取得して
./history.json に保存。その後 `python3 scripts/watch.py history.json` を実行し、
SoV が前回より下落していたら原因仮説を添えて Slack に要約を投げて。変化が無ければ通知不要。

差分判定の処理（scripts/watch.py） — get_history の時系列から最新の変化を判定:

python3 scripts/watch.py history.json        # 下落時のみ exit code 1 + アラート文を出力

直近2点の sov_pct を比較し、低下していれば ALERT 行を出力して exit 1（＝通知トリガ）。
横ばい/改善なら OK を出力して exit 0（＝通知不要）。
しきい値は --drop（既定 0.5 ポイント）で調整可能。

5. GSC（Search Console）/ Google Ads と紐づける

取得側（seo-aio MCP）の 検索ボリューム・SERP順位 に、あなたの実データ（GSC の表示/クリック/CTR/順位、Google Ads の費用/CV）をキーワードで結合して使う。

5-1. GSC と突き合わせ（決定的）

GSC データを用意（どちらでも）:

A. CSV: Search Console → 検索パフォーマンス → 「クエリ」をエクスポート
B. MCP: あなたのエージェントに接続した GSC 用 MCP の出力を CSV/JSON で保存

結合:

python3 scripts/merge_gsc.py research.json gsc-queries.csv -o gsc_merge.md

出力 gsc_merge.md:

§1 順位は◯位以内なのに CTR が中央値未満 → title/description 改善候補
§2 検索需要はあるのに GSC 未出現 → 新規/強化すべきページ候補

エージェントへの依頼例: 「gsc_merge.md の §1 は title/meta のリライト案、§2 は新規ページ案を、検索意図ごとに優先度つきで出して」

5-2. Google Ads と紐づけ

出稿候補の選定: analyze.py の §2（検索ボリューム×CPC×自社未ランク）がそのまま Keyword Planner 的なショートリスト。「CPC が安く検索数があり競合が上位＝広告と自然検索の両取り」を狙う。
実績との突き合わせ: Ads の実績（キーワード別クリック/費用/CV）を CSV にして同じ join で「費用はかかっているが research 上は競合も弱い＝自然検索に寄せられる語」「CV しているのに自然検索で未ランク＝SEO 強化の優先語」を抽出（merge_gsc.py を雛形に列を差し替え、もしくはエージェントに research.json と Ads CSV を渡して突き合わせを依頼）。

いずれも GSC / Ads 側の接続はあなたの環境の MCP / エクスポート。本サービスは検索データ側を担当し、突き合わせ（紐づけ）は本スキル＋エージェントで行う、という二層構成のまま。

注意

本スキルは取得側（DataForSEO/LLM 実査）には触れない。原価のかかる取得は MCP 側で課金される。
research.json のフィールド名はエンジン出力をそのまま使う。スクリプトは欠損に強く、無いセクションはスキップする。
分析ロジックは自由に fork・改変可（MIT）。これは「分析側」の出発点サンプル。

name	seo-aio-skill
description	seo-aio MCP（mcp.aibrainpartners.jp）で取得した SEO/AIO/LLMO データ（research.json）を、決定的な数表に整え、考察・施策をエージェントが書くための最小スキル。取得=MCP、分析=本スキルの二層構成。定期モニタリング（毎朝の差分通知）レシピ付き。