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.

Quellinformationen

Repository
PrendsTaPart/Plugin-Claude-MCP-BraindCode-
Letzte Quellaktivität
6. Juli 2026 um 15:15
Erkannte Sprache von SKILL.md
Französisch
Sterne
8
Forks
0

Installationsoptionen

Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.

Quelldateien prüfen

Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.

Datei-Explorer
2 Dateien

SKILL.md wird angezeigt

SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau
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.
Auf GitHub ansehen