Skip to main content

analyse-performance-contenu

Utiliser quand l'utilisateur demande quels posts marchent, une analyse de ses stats ou un bilan du mois. Lit les insights réels, identifie les patterns gagnants et livre 3 recommandations actionnables.

Source facts

Repository
PrendsTaPart/Plugin-Claude-MCP-BraindCode-
Last source activity
July 6, 2026 at 15:15
Detected SKILL.md language
French
Stars
8
Forks
0

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

File Explorer
2 files

Showing SKILL.md

SKILL.md
Source instructions · Read-only preview
name
analyse-performance-contenu
description
Utiliser quand l'utilisateur demande quels posts marchent, une analyse de ses stats ou un bilan du mois. Lit les insights réels, identifie les patterns gagnants et livre 3 recommandations actionnables.
# Analyse de performance du contenu ## Étape 0 — Références (obligatoire) Charger `${CLAUDE_PLUGIN_ROOT}/reference/directives-outils.md` et appliquer ses règles pendant toute l'exécution (IDs, données, formats, erreurs). ## Workflow (lecture seule) 1. **Périmètre** — préciser la période (défaut : 30 derniers jours) et les réseaux analysés. 2. **Collecter les données réelles** : - `list_scheduled_posts` (`start_date`/`end_date` `Y-m-d`, filtre `social`) pour retrouver les posts de la période ; - `post_insights` (`post_ids`, MAX 10 par appel — découper en lots) pour les métriques par post ; - `ingishts_campagne` (`campagne_id`) pour les campagnes de la période (`list_campagnes` pour les retrouver). Aucun chiffre inventé : un post sans insights est signalé, pas estimé. 3. **Calculer avec le SCRIPT — jamais de tête.** Utiliser le script pour tout calcul ; ne jamais calculer de tête. Construire le JSON d'entrée `[{id, nom, reseau, format, date, heure, likes, commentaires, partages, portee}]` à partir des insights de l'étape 2 et exécuter : `python3 "${CLAUDE_PLUGIN_ROOT}/skills/analyse-performance-contenu/scripts/content_scores.py" <fichier.json>` Le script renvoie l'engagement par post et par format/réseau/créneau, le top/flop 3, la tendance (1re vs 2e moitié de période) et marque `signal_faible` tout pattern sous 3 posts — reprendre ces chiffres tels quels. Le pattern « créneau » calculé prime sur les créneaux génériques du `community-manager` ; l'axe sujet/pilier reste une lecture qualitative à faire à partir du top/flop. 4. **Restituer le bilan** : ``` 📈 BILAN CONTENU — {période} Top 3 posts (réseau, format, pilier, chiffres) Flop 3 posts (et hypothèse de cause) Patterns : format / sujet / créneau / réseau 🎯 3 RECOMMANDATIONS pour le mois suivant ``` 5. **3 recommandations ACTIONNABLES, pas plus** — chacune : quoi changer + pourquoi (le chiffre qui la justifie) + comment (le skill à utiliser, ex. `calendrier-editorial` pour re-répartir les piliers, `prompt-engineering-visuel` si le format image sous-performe). ## Garde-fous - Skill en LECTURE SEULE : ne rien créer/modifier/annuler ; les ajustements passent par `calendrier-editorial` sur demande de l'utilisateur. - Distinguer corrélation et cause : un bon post au bon créneau ne prouve pas le créneau — le noter quand l'échantillon est petit. - Toujours indiquer la période, les réseaux couverts et les posts exclus faute de données.
View on GitHub