agentleFS
LittlpinguinLittlpinguin/marketing-cockpit-template/.claude/skills/performance-report/SKILL.md

performance-report

Skill9 starsChanged 14 days agoMITView on GitHub

Rapport de performance mensuel de {{COMPANY_NAME}} : collecte GA4, Search Console, Postiz, emailing, snapshot data.json, analyse par performance-analyst, dashboard 11-reporting. À utiliser en début de mois ou sur « rapport de perf », « bilan du mois ». Mise en ligne : /deploy-reporting.

  • Reads credentials

9 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

performance-report — rapport de performance mensuel

Tu orchestres le bilan chiffré mensuel de {{COMPANY_NAME}}. Chaîne : collecte multi-sources → snapshot → analyse → dashboard. La mise en ligne sur l'espace client est une action externe qui ne fait pas partie de cette skill (étape 5). Chaque mois est archivé et navigable ; le dashboard présente toujours le dernier mois avec accès à l'historique.

Arborescence cible

02-strategy/performance/
├── 2026-06/
│   ├── data.json      # snapshot brut consolidé (source de vérité du mois)
│   └── analyse.md     # lecture des chiffres + recommandations (performance-analyst)
├── 2026-05/
│   └── ...

Étape 1 — Collecte des connecteurs configurés

Lire .setup-completed pour savoir quels connecteurs sont actifs (tools.web_analytics, tools.social_publishing, tools.email_marketing, et la config de reporting si présente). Pour le mois M (par défaut : le mois calendaire écoulé) :

SourceDonnées à collecter
GA4Sessions, utilisateurs, pages vues, top pages, sources de trafic, conversions/événements clés
Search ConsoleClics, impressions, CTR, position moyenne, top requêtes, top pages
Postiz (analytics social)Posts publiés par canal, impressions, engagement, followers, top posts
Emailing ({{EMAIL_MARKETING_TOOL}})Envois, taux d'ouverture, taux de clic, désabonnements, croissance de liste

Règles de collecte :

  • Utiliser les connecteurs de _integrations/ (credentials via .env, jamais en clair).
  • Un connecteur désactivé ou en erreur ne bloque pas le rapport : consigner "status": "unavailable" pour la source et continuer. Le rapport indique explicitement les sources manquantes.
  • Collecter aussi le mois M-1 (ou le relire depuis 02-strategy/performance/<M-1>/data.json s'il existe) pour permettre les comparaisons.

Étape 2 — Snapshot data.json

Écrire 02-strategy/performance/YYYY-MM/data.json :

{
  "period": "2026-06",
  "generated_at": "2026-07-01T09:00:00Z",
  "sources": {
    "ga4":            { "status": "ok", "metrics": { "...": "..." } },
    "search_console": { "status": "ok", "metrics": { "...": "..." } },
    "postiz":         { "status": "ok", "channels": { "linkedin": { "...": "..." } } },
    "email":          { "status": "unavailable", "reason": "connector disabled" }
  },
  "previous_period_ref": "02-strategy/performance/2026-05/data.json"
}

Le snapshot est brut et factuel : pas d'interprétation dedans. C'est l'entrée unique de l'analyse et du dashboard (rejouable).

Étape 3 — Analyse par le sous-agent

Dispatcher le sous-agent performance-analyst (voir .claude/agents/performance-analyst.md) avec :

  • le chemin du data.json du mois,
  • le chemin du data.json du mois précédent (s'il existe),
  • le contexte : objectifs/KPIs ({{CONTENT_KPIS}}), tent-poles du mois (calendrier, 02-strategy/reports/).

Il produit 02-strategy/performance/YYYY-MM/analyse.md : tendances, anomalies, hypothèses causales, 3-5 recommandations concrètes et ajustements de stratégie. Relire sa sortie : si une recommandation contredit la doctrine de marque ou la stratégie en cours, l'annoter plutôt que la supprimer.

Étape 4 — Régénérer le dashboard

Le dashboard HTML est généré par le module 11-reporting (voir son CLAUDE.md pour les options). Ne pas réécrire sa logique ici : se contenter d'appeler son générateur en lui passant le dossier 02-strategy/performance/ — il produit la vue du dernier mois et la navigation mois par mois via l'archive (chaque YYYY-MM/ devient une entrée de l'historique).

Vérifier après génération : le mois courant s'affiche, les mois archivés sont accessibles, les sources indisponibles sont signalées et non affichées à zéro.

Étape 5 — Mise en ligne : hors de cette skill

Cette skill ne publie rien. Une fois le dashboard vérifié et l'analyse du mois validée par l'utilisateur, la mise en ligne sur l'espace client passe par /deploy-reporting, sur accord de l'utilisateur (dry-run, confirmation, puis upload FTP). Le signaler en fin de rapport ; ne pas lancer l'upload ni reproduire ses commandes depuis cette skill.

Étape 6 — Boucler

  • Signaler le rapport dans 02-strategy/reports/YYYY-MM.md (revue mensuelle de content-strategy) : lien vers analyse.md + les 3 recommandations principales.
  • Si l'analyse recommande des ajustements éditoriaux, proposer de créer les entrées correspondantes dans le calendrier (statut idée), en citant le chiffre déclencheur.

Règles état de l'art (2026)

Voir docs/etat-de-lart/mesure-attribution.md (et email.md, contenu-aeo.md, social-linkedin.md) pour le détail sourcé :

  1. Structure narrative fixe de l'analyse : résumé exécutif en langage business (3-5 phrases) → 5-7 KPIs vs objectif (pas plus) → pourquoi ça a bougé → actions du mois prochain. Un rapport sans action item est raté ; un KPI en baisse porte toujours cause + plan, jamais le chiffre seul.
  2. Attribution assumée et documentée : last non-direct click GA4 + attribution auto-déclarée (champ « Comment nous avez-vous connus ? »), avec une note fixe dans le rapport ; ligne « part non attribuable / dark social » à part entière (20-40 % du pipeline en B2B), jamais fondue dans « direct ».
  3. Lire GSC en 3 découpes : requêtes marque vs non-marque, pages d'argent vs blog, delta impressions vs clics (un écart croissant = absorption par les AI Overviews, pas une perte de ranking).
  4. Canal « AI referrals » au snapshot mensuel : sessions référées par chatgpt.com / perplexity.ai / gemini.google.com / claude.ai, qualifiées par la conversion, pas le volume.
  5. Hiérarchie des métriques par canal : email = réponses > clics > ouvertures (open rate peu fiable post-Apple MPP) ; social = impressions, clics, saves, swipes — pas les likes ; recalibrer les attentes avec la déflation de portée LinkedIn documentée (−50 % de vues YoY).

Ce que cette skill ne fait PAS

  • ❌ Interpréter les chiffres elle-même (→ sous-agent performance-analyst)
  • ❌ Générer le HTML du dashboard (→ module 11-reporting, elle ne fait que l'appeler)
  • ❌ Publier le dashboard sur l'espace client (→ /deploy-reporting, sur accord de l'utilisateur)
  • ❌ Modifier la stratégie sans validation humaine — elle recommande, l'utilisateur décide

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.