agentleFS
tatagoncalvesoftatagoncalvesof/imperatriz-toolkit/skills/deep-market-research/SKILL.md

deep-market-research

Skill2 starsChanged 7 months agoMITView on GitHub

Motor de pesquisa profunda de mercado em PT-BR — captura os 50 termos EXATOS que o público alvo digita em Google/YouTube/TikTok/Instagram/LinkedIn, mapeia 3 objeções por termo e gera ponte estratégica busca→produto. Usa WebSearch/WebFetch ao vivo. Diferente de /deep-research (relatórios formais multi-pass): esta skill é tática pra marketing — extrai linguagem real do comprador pra alimentar copy, anúncio, persona, calendário editorial. Use quando o usuário pedir: 'pesquisa de mercado profunda', 'o que meu público pesquisa', 'termos reais do meu nicho', 'objeções escondidas', 'ideias de conteúdo do zero', 'mapeamento de audiência multi-plataforma', 'voice of customer', 'VOC', 'social listening', 'thinking with the buyer's head'. Saída integra com /skill-persona-profunda, /briefing-copy-360, /headline-imperatriz, /calendario-imperatriz, /linha-editorial-imperatriz.

1 other project uses a version of this.

Adopted by

Most recently taken up by

The file

We split this skill into the rules it gives an agent

1 rule. About 0 are common, 1 is distinctive, and 0 are very specific to this project.

  • ≈0

    Common · estimate

    Many files like this have a rule of this kind.

  • ≈1

    Distinctive · estimate

    This author's own choices. Worth a look.

  • 0

    Very specific

    Tied to their project's names, files or tools. Probably skip.

  • Common
  • Distinctive
  • Very specific
  1. Distinctive:

    "People also ask": do Google (objeções implícitas)

    line 86

≈ “Common” is an estimate: at least 1 in 5 of the 364,980 skill files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.

Keep what fits and drop the rest. Your version, ready for your agents.
Files
SKILL.md

Deep Market Research — Motor de VOC Multi-Plataforma

Captura a linguagem real do comprador em 5 plataformas, mapeia objeções por trás de cada termo e gera ponte estratégica busca → produto. Diferente de /deep-research (relatórios acadêmicos/B2B com format-control rígido), esta skill é o motor tático que abastece toda a stack de copy/persona/conteúdo da Tata com matéria-prima REAL extraída de Google/YouTube/TikTok/Instagram/LinkedIn ao vivo.

Pensar com a cabeça do comprador, não com a do dono do produto.

Quando usar

Ative quando o usuário pedir:

  • "pesquisa de mercado profunda" / "pesquisa de mercado pra meu nicho"
  • "o que meu público pesquisa de verdade"
  • "quais as objeções do meu cliente"
  • "ideias de conteúdo do zero" / "não sei sobre o que postar"
  • "social listening" / "voice of customer" / "VOC"
  • "mapeamento de audiência multi-plataforma"
  • "thinking with the buyer's head"
  • Antes de rodar /skill-persona-profunda, /calendario-imperatriz, /briefing-copy-360 quando o nicho é novo ou pouco mapeado

NÃO use pra: relatório acadêmico/literatura/policy brief (→ /deep-research), análise de concorrente específico (→ /competitors-analysis), análise de anúncio existente (→ /analise-anuncio-1000).

Modos

ModoQuando usarSaída
--full (padrão)Pesquisa completa 5 plataformas, 50 termos, 150 objeçõesRelatório mestre + JSON canônico
--canal=<google|youtube|tiktok|instagram|linkedin>Foco em um único canalRelatório por canal
--rapido20 termos top, 1 objeção por termo, 1h de execuçãoMini-relatório acionável
--auditar=<arquivo>Audita pesquisa existente contra os 10 anti-patternsRelatório de drift + correções
--atualizar=<arquivo>Refaz pesquisa de relatório antigo, mostra o que mudouDiff temporal

Workflow das 7 fases

[1] Briefing de Escopo         → entrevista o usuário em 8 perguntas
[2] Plano de Queries           → monta query set por plataforma
[3] Coleta Multi-Plataforma    → WebSearch/WebFetch ao vivo
[4] Extração de Linguagem      → captura termos EXATOS, não parafraseados
[5] Mapeamento de Objeções     → 3 objeções por top-50 termo
[6] Ponte Busca → Produto      → ideias de conteúdo conectando intent + oferta
[7] Empacotamento + Validação  → roda 10 validadores, salva no vault

Fase 1 — Briefing de Escopo

Pergunte e capture (uma por vez, não despeje todas):

  1. Nicho/setor específico (não "marketing", mas "marketing pra dentista")
  2. Produto/serviço que vai ser vendido a partir dessa pesquisa
  3. Cliente ideal em 1 frase (quem, idade aprox, dor central)
  4. Ticket (até R$97 / R$97-997 / R$997-5k / R$5k+) — muda profundidade de objeção
  5. Estágio de consciência Schwartz (inconsciente / consciente da dor / consciente da solução / consciente do produto / mais consciente)
  6. Geografia (Brasil todo / Sul / SP / global PT-BR)
  7. Idioma que o cliente usa internamente (português coloquial / jargão técnico / inglês-misturado)
  8. Concorrentes diretos (3-5 nomes pra cruzar termos depois)

Se o usuário não souber 5/6/8, marque "INVESTIGAR" e siga — fases 3/4 vão devolver dados pra preencher.

Salve briefing em variável de sessão e referencie em TODAS as fases seguintes.

Fase 2 — Plano de Queries

Pra cada plataforma, monte 8-12 queries baseadas em:

  • Termo-raiz (palavra-chave central do nicho)
  • Modificadores de dor ("não consigo", "como resolver", "por que não funciona")
  • Modificadores de comparação ("X vs Y", "melhor", "vale a pena")
  • Modificadores de jornada ("começar", "primeiros passos", "depois de anos")
  • Modificadores demográficos (idade, profissão, momento de vida)
  • Síndrome do impostor ("será que sou capaz", "tenho perfil pra")
  • Negação/desistência ("desistir de", "parar de tentar", "não é pra mim")

Detalhe completo em references/01-platforms-playbook.md.

Fase 3 — Coleta Multi-Plataforma

Execute WebSearch ao vivo, plataforma por plataforma. Pra cada query, capture:

  • Resultados orgânicos top 10 (títulos + descrições — linguagem usada)
  • Sugestões de autocomplete (faça query <termo> e variações <termo> que, <termo> como, <termo> porque)
  • "People also ask" do Google (objeções implícitas)
  • YouTube: títulos top + 30 comentários top do vídeo nº1 (objeções explícitas)
  • TikTok/Instagram: hooks de Reels populares + hashtags adjacentes + comentários
  • LinkedIn: posts mais comentados sobre o termo + linguagem profissional

Pra cada peça coletada, anote:

[fonte] [plataforma] [data] [termo exato] [contexto: dor/objeção/comparação/celebração]

Anti-pattern crítico: Nunca parafrasear. Se a pessoa escreveu "to puta de cansada de tentar emagrecer", você captura ISSO, não "está frustrada com tentativas de emagrecimento".

Fase 4 — Extração de Linguagem

Dos dados brutos da fase 3, destile:

  • 50 termos exatos que mais aparecem (frequência + relevância pra produto)
  • 20 expressões idiomáticas (gírias, frases típicas do nicho)
  • 15 metáforas recorrentes (como o público descreve a dor — "tô na corda bamba", "meu negócio é uma vela acesa")
  • 10 anti-termos (palavras que o público REJEITA — pra você NÃO usar)

Cada termo vai pra tabela com colunas: Termo Exato | Plataforma onde apareceu | Frequência | Contexto dominante | Nível de Schwartz | Score de oportunidade (1-10).

Fase 5 — Mapeamento de Objeções

Pra cada um dos 50 termos top, identifique as 3 objeções dominantes seguindo o framework PADC:

  • Preço — "é muito caro?", "vale o investimento?"
  • Autoridade — "será que essa pessoa sabe?", "tem prova?"
  • Dúvida pessoal — "vai funcionar PRA MIM?", "tenho perfil?"
  • Condição — "tenho tempo?", "tenho estrutura?", "é a hora certa?"

Pra cada objeção, capture:

  • Frase literal que apareceu na coleta (não inventar)
  • Plataforma onde apareceu
  • Como quebrar (1 linha de copy-resposta — não escreve copy completo aqui, só semente)

Framework completo em references/02-objection-mapping.md.

Fase 6 — Ponte Busca → Produto

Pra cada termo top-50, gere 1 sugestão de conteúdo que:

  1. Usa o termo exato no hook (não parafraseia)
  2. Quebra a objeção principal daquele termo
  3. Termina conectando ao produto/oferta do briefing (sem ser vendedor)
  4. Especifica formato por plataforma (Reel, Carrossel, Post LinkedIn, Vídeo YT longo, Story)

Estrutura da ponte:

[HOOK: termo exato] → [VALOR: quebra objeção] → [PONTE: conexão com produto]

Framework detalhado em references/03-content-bridge.md.

Fase 7 — Empacotamento + Validação

  1. Rode os 10 validadores anti-AI-slop (references/05-anti-ai-slop.md). Bloqueia entrega se algum falhar:
    • V1: Termos são literais (não parafraseados)
    • V2: Objeções têm frase de origem citada
    • V3: Pelo menos 3 plataformas representadas
    • V4: Nenhum termo é abstração ("ferramenta de produtividade" sem nome)
    • V5: Sugestões de conteúdo são específicas (não "fazer um post")
    • V6: Ponte busca→produto não é genérica
    • V7: Score de oportunidade tem racional (não chutado)
    • V8: Linguagem do output respeita o registro do nicho (não "leverage synergies" pra esteticista)
    • V9: Anti-termos foram listados (não só os termos pra usar)
    • V10: Output passa por /voz-humana-br antes de salvar
  2. Gere 3 artefatos:
    • Relatório mestre em templates/relatorio-mestre.md
    • JSON canônico em templates/saida-canonica.json — lido por outras skills
    • Recortes por canal (templates/relatorio-por-canal.md)
  3. Salve em:
    ~/Documents/Obsidian Vault/05 - Pesquisa de Mercado/[nicho-slug]/
    ├── relatorio-mestre.md
    ├── saida-canonica.json
    ├── recorte-google.md
    ├── recorte-youtube.md
    ├── recorte-tiktok.md
    ├── recorte-instagram.md
    └── recorte-linkedin.md

Integração com a stack Tata

O JSON canônico desta skill é lido automaticamente por:

SkillO que consome
/skill-persona-profunda50 termos + 20 expressões idiomáticas + objeções PADC → alimentam dimensões psicográficas
/briefing-copy-360Linguagem real + anti-termos → preenchem bloco "Voz do Cliente"
/headline-imperatrizTop 10 termos por temperatura → viram hooks por nível Schwartz
/mecanismo-unicoObjeções recorrentes → revelam "vilão externo" pro mecanismo
/calendario-imperatriz50 sugestões de conteúdo → pauta de 30-60 dias
/linha-editorial-imperatrizAnti-termos + registro detectado → vocabulário OFF
/copy-conversacional-dmObjeções literais → roteiro de quebra em DM
/analise-anuncio-1000Termos top → benchmarks pra angle de criativo

Detalhe completo de cada integração em references/06-integracao-stack.md.

Anti-patterns (NÃO faça)

  1. Parafrasear o que o público disse — captura LITERAL ou nada
  2. Inventar objeções "que faz sentido" — toda objeção tem que ter frase-origem
  3. Pular plataformas porque "não é onde meu público está" — você não sabe até pesquisar
  4. Confundir busca com volume — termo de cauda longa com 100 buscas/mês pode ser ouro
  5. Ignorar comentários — comentário é onde mora a objeção; descrição/título é onde mora o desejo
  6. Misturar produto da Tata com produto do cliente — o produto do briefing é o ÚNICO ponto de conexão
  7. Saída em inglês quando o público é BR — sempre PT-BR, exceto jargão técnico que o nicho usa
  8. Pular validadores anti-slop — sem validar, não entrega
  9. Output em arquivo solto — sempre no vault, nicho organizado
  10. Não cruzar com /voz-humana-br — toda peça final passa pelo humanizador

Tom de saída

  • Direto, sem hedging ("você precisa" não "talvez seja interessante considerar")
  • PT-BR coloquial quando o nicho é B2C; PT-BR profissional quando B2B
  • Frases curtas misturadas com longas (regra /voz-humana-br)
  • Zero jargão de IA ("delivers value", "insights acionáveis", "unlock potential" estão banidos)
  • Citação obrigatória da fonte quando capturar frase literal

Output canônico

Salva sempre em ~/Documents/Obsidian Vault/05 - Pesquisa de Mercado/[nicho-slug]/. Se a pasta 05 - Pesquisa de Mercado não existir, crie. O JSON canônico vai pra saida-canonica.json no mesmo diretório e é a fonte de verdade lida pelas outras skills.

Formato detalhado dos outputs: references/04-output-formats.md.

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.