NanoSkill
Indsend din skill

YouTube-konkurrenceanalyse

afericosiu3KGitHub-stjernerGitHub

Analysér ethvert sæt YouTube-kanaler, find outlier-videoer med 2x+ over gennemsnittet, og udtræk vindende titelmønstre. Datadrevet konkurrenceanalyse på få minutter.

youtubeSikkerhedsscanning bestået
Resultatpreview

Fuld demo

Se en datadrevet konkurrenceanalyserapport om AI Agent YouTube-indhold med kanalbenchmarks, højtydende outliers og vindende indholdsmønstre genereret af denne Agent Skill.

Kom i gang

Kør din første opgave

  1. a simple demonstration of the first step in using YouTube Competitive Analysis Skill
    01

    Trin 1: Installér

    Tilføj færdigheden YouTube-konkurrenceanalyse til din AI-agent.

  2. a simple demonstration of the second step in using YouTube Competitive Analysis Skill
    02

    Trin 2: Beskriv opgave

    Beskriv de YouTube-kanaler eller den konkurrenceanalyseopgave, du ønsker at udforske.

  3. a simple demonstration of the third step in using YouTube Competitive Analysis Skill
    03

    Trin 3: Gennemgå analyse

    Få en konkurrenceanalyserapport med outlier-videoer og vindende indholdsmønstre.

Installationskommando

$ npx skills add https://github.com/ericosiu/ai-marketing-skills/tree/main/yt-competitive-analysis

Installationssignaler

Installationsaktivitet

Om

Konkurrenceanalyse på YouTube er afgørende for skabere og marketingfolk, der ønsker at vokse. Dette værktøj analyserer ethvert sæt kanaler, identificerer automatisk outlier-videoer med 2x+ gennemsnitlige visninger og udtrækker de titelmønstre, der får vinderne til at skille sig ud, hvilket giver dig en køreplan for din egen indholdsstrategi.

I modsætning til manuel sporing i regneark adskiller dette Python-værktøj long-form fra Shorts, beregner gennemsnit pr. kanal og fremhæver gennemprøvede pakkeformater – alt sammen på få sekunder. Foruddefinerede skabersæt til AI- og erhvervsnicher lader dig benchmarke med det samme, mens brugerdefinerede kanalinput og fleksible eksporter (konsol, JSON, Google Sheets) passer til enhver arbejdsgang.

Uanset om du er en indholdsskaber, der reverse-engineerer konkurrenter, et marketingbureau, der forbereder kunderapporter, eller en virksomhedsejer, der sporer tendenser, sikrer den ugentlige automatisering via cron, at du aldrig går glip af et skift. Det er bygget uden eksterne afhængigheder, kører på Python 3.8+ og bruger den gratis YouTube API-kvote, så du kan starte i dag med minimal opsætning.

Nøglefunktioner

Hvad der gør den stærk

  • Konkurrentanalyse i realtid

    Hent kanaldata og identificer øjeblikkeligt videoer, der klarer sig bedre, hvilket giver dig en konkurrencefordel.

  • Udtrækning af vindende mønstre

    Uddrag titelmønstre og almindelige ord fra afvigervideoer for at replikere dokumenterede formater.

  • Hentning af kanalvideoer

    Hent automatisk nylige videoer fra ethvert sæt YouTube-kanaler.

  • Fleksible eksportmuligheder

    Send resultater til konsol, JSON eller Google Sheets for problemfri integration.

  • Foruddefinerede kanalsæt

    Brug indbyggede AI- og business-skaber-lister, eller tilpas dine egne til målrettet analyse.

Use cases

Hvornår du bør bruge den

  • Analysér konkurrentkanaler

    Indtast ethvert YouTube-håndtag for at afdække topydende videoer og konkurrencestrategier.

  • Benchmark mod AI-skabere

    Brug indbyggede AI-skaber-lister til hurtig konkurrentanalyse af AI-nichen.

  • Automatisér ugentlige rapporter

    Planlæg via cron for at modtage opdateret afvigerregistrering og mønstre hver uge.

  • Eksportér indsigter til din stak

    Send til JSON eller Google Sheets for at føre konkurrencedata ind i dine rapporteringsværktøjer.

SKILL.md

YouTube-konkurrenceanalyse

Find ud af, hvad der faktisk virker på YouTube. Analyserer ethvert sæt kanaler, identificerer afvigende videoer (2x+ gennemsnitlige visninger) og udtrækker pakkemønstre fra vinderne.

Intet manuelt regnearksarbejde. Ingen gætteri. Datadrevet konkurrenceindsigt på få minutter.

Hvad værktøjet gør

  1. Henter seneste videoer fra en eller flere YouTube-kanal(er)
  2. Adskiller langformat fra Shorts
  3. Beregner gennemsnit pr. kanal
  4. Markerer afvigere (videoer, der klarer sig 2x+ over kanalgennemsnittet)
  5. Udtrækker titelmønstre fra vinderne
  6. Eksporterer til konsol, JSON eller Google Sheets

Hurtig start

# Set your YouTube API key
export YOUTUBE_API_KEY="your-key-here"

# Analyze specific channels
python3 analyze.py "$YOUTUBE_API_KEY" --channels "@AlexHormozi,@garyvee,@CodieSanchezCT"

# Use predefined channel sets
python3 analyze.py "$YOUTUBE_API_KEY" --set ai          # AI creator set
python3 analyze.py "$YOUTUBE_API_KEY" --set business    # Business creator set
python3 analyze.py "$YOUTUBE_API_KEY" --set both        # All channels

# Export to JSON for programmatic use
python3 analyze.py "$YOUTUBE_API_KEY" --set both --output json > results.json

# Custom lookback period
python3 analyze.py "$YOUTUBE_API_KEY" --channels "@mkbhd" --days 60

Opsætning

  1. Hent en YouTube Data API v3-nøgle
  2. Sæt den som miljøvariabel: export YOUTUBE_API_KEY="your-key"
  3. Installer afhængigheder: pip install -r requirements.txt

Output

Konsol (standard)

================================================================================
  AI Creators — LAST 30 DAYS
================================================================================

📊 CHANNEL SUMMARY:
  Alex Hormozi             |  2,400,000 subs |  12 videos (3.0/wk) | L:  8 S:  4

🔥 LONG-FORM OUTLIERS (top 15):
  4.2x |  1,200,000 | [Alex Hormozi] How I'd Start a Business in 2025
       2025-01-15 | https://youtube.com/watch?v=...

📦 TOP TITLE PATTERNS:
   8x  business
   6x  money
   5x  started

JSON

Fuld strukturerede data inklusive al videometadata, scorer og multiplikatorer.

Foruddefinerede kanalsæt

AI-skabere: Jeff Su, Alex Finn, Riley Brown, Dan Martell, Matt Wolfe, Nate Herk, Grace Leung, Matt Berman

Erhvervsskabere: Alex Hormozi, Gary Vaynerchuk, Patrick Bet-David, Codie Sanchez, Leila Hormozi, Iman Gadzhi, My First Million

Rediger kanalordbøgerne i analyze.py for at tilpasse.

Fortolkning af resultater

MetrikHvad den betyder
MultiplikatorHvor mange gange over kanalgennemsnittet (2.0x = dobbelt så normalt)
Afvigertærskel2x gennemsnit. Videoer over dette er værd at studere.
TitelmønstreAlmindelige ord i afvigertitler = dokumenterede formater
KadenceVideoer pr. uge. Højere kadence kan betyde lavere gennemsnit pr. video.

Dokumenterede pakkeformater

Baseret på afvigeranalyse overpræsterer disse titelformater konsekvent:

Langformat:

  • "X, tydeligt forklaret" (definitiv forklaring)
  • "X timers Y på Z minutter" (kondenseret værdi)
  • "Den dovne måde at X på" (løfte om lav indsats)
  • "Giv mig X minutter, og jeg vil Y" (tidsafgrænset løfte)
  • "X VANVITTIGE anvendelsesmuligheder for Y" (liste + kraftord)

Shorts:

  • "2024 vs 2025 X" (årssammenligning)
  • "Dårlig God Fantastisk X" (niveau-rangering)
  • "Stop med at gøre X, gør Y i stedet" (kontrær)

Ugentlig automatisering

Kør ugentligt for automatisk at finde nye afvigere:

# Cron: every Sunday at 8am
0 8 * * 0 YOUTUBE_API_KEY="your-key" python3 /path/to/analyze.py "$YOUTUBE_API_KEY" --set both --output json > /path/to/weekly-results.json

Krav

  • Python 3.8+
  • YouTube Data API v3-nøgle
  • Ingen eksterne Python-afhængigheder (bruger kun stdlib)

Licens

MIT

FAQ