Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →새 페이지·콘텐츠·캠페인을 위해 네이버·구글·AI 검색(GEO)에서 노릴 키워드를 발굴하고, 검색 의도·경쟁도·롱테일로 분류해 토픽 클러스터로 묶어 드립니다. 다음과 같은 요청 시 사용하세요: - "이 주제로 뭐 쓸지 키워드 뽑아줘" - "검색 의도별로 키워드 분류해줘" - "롱테일 키워드 발굴해줘" - "토픽 클러스터 설계해줘 (필러+클러스터 구조)" - "네이버·구글·ChatGPT에서 노릴 키워드 리서치해줘" - "경쟁 낮고 검색량 있는 키워드 찾아줘" - "AI 검색이 인용할 만한 질의(query) 후보 뽑아줘" 검색 의도 4분류·롱테일·키워드 난이도·쿼리 팬아웃(query fan-out)·토픽 클러스터 프레임으로 키워드 목록과 클러스터 맵을 만들고, 서술형 권고는 moai-coworker:ai-slop-reviewer → moai-writer:korean-humanize으로 다듬습니다. [책임 경계] vs moai-marketer:marketing-seo-audit: 이 스킬
.claude/skills/modu-ai-marketing-keyword-research/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-03 | ✗→✓ | ▲ Improved | 67% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 120% | 0% |
| case-20 | ✗→✓ | ▲ Improved | 57% | 0% |
| case-15 | ✗→✓ | ▲ Improved | 138% | 0% |
| case-21 | ✗→✓ | ▲ Improved | 95% | 0% |
새 콘텐츠·페이지·캠페인을 시작하기 전에 "무엇을 노릴 것인가"를 정하는 스킬입니다. 검색량·경쟁도·검색 의도를 기준으로 키워드를 우선순위화하고, 관련 키워드를 토픽 클러스터로 묶어 네이버·구글·AI 검색(GEO)을 동시에 겨냥하는 키워드 지도를 만듭니다.
2026년 검색은 단일 키워드 경쟁에서 토픽·질의 묶음 경쟁으로 이동했습니다. 구글 AI 검색은 하나의 질의를 여러 관련 질의로 확장(query fan-out)하고, AI 검색은 상위 3위가 아니어도 구조가 좋은 페이지를 인용합니다. 그래서 리서치 단계에서부터 낱개 키워드가 아니라 클러스터 + 검색 의도로 접근해야 합니다.
참고 원본: github.com/coreyhaines31/marketingskills (MIT — 전문 고지: 저장소 루트 NOTICE) — ai-seo·programmatic-seo·competitors 스킬의 방법론을 한국 검색 시장(네이버·구글·GEO)에 맞게 재구성했습니다.
키워드 리서치, 키워드 발굴, 검색어 발굴, 검색 의도, 롱테일 키워드, 토픽 클러스터, 필러 클러스터, 키워드 난이도, 검색량 분석, 콘텐츠 선정, 쿼리 팬아웃, 시드 키워드
키워드는 검색량보다 의도가 먼저입니다. 의도가 맞지 않으면 유입돼도 전환되지 않습니다.
| 의도 | 질의 패턴 | 노릴 콘텐츠 | 전환 거리 | |---|---|---|---| | 정보형 (Informational) | "OO이란", "OO 방법", "왜 OO" | 가이드·설명·하우투 | 멀다 (인지 단계) | | 내비게이션형 (Navigational) | "OO 브랜드", "OO 로그인" | 공식 페이지·랜딩 | — (이미 아는 상태) | | 상업조사형 (Commercial) | "OO 비교", "OO 추천", "OO 후기" | 비교표·리뷰·리스티클 | 가깝다 (고려 단계) | | 트랜잭션형 (Transactional) | "OO 구매", "OO 가격", "OO 신청" | 상품·가격·신청 페이지 | 가장 가깝다 (결정) |
> 핵심: 신규 사이트·저권위 도메인은 정보형 롱테일 + 상업조사형부터. 트랜잭션형 빅키워드는 경쟁이 세서 초반에 잡히지 않습니다.
구글 AI 검색은 "잔디 관리법" 하나에 제초·화학약품·잡초예방 등 관련 질의를 동시 생성합니다. 낱개 키워드만 노리면 팬아웃 가지에서 누락됩니다.
필러-클러스터 구조:
[필러 페이지] 이메일 마케팅 기초 (헤드, 정보형)
├─ [클러스터] 이메일 리스트 만드는 법
├─ [클러스터] 이메일 세그먼트 전략
├─ [클러스터] 제목 A/B 테스트
└─ [클러스터] 이메일 도달률 높이기필러가 클러스터를 내부 링크로 묶으면 주제 전문성(네이버 C-Rank·구글 토픽 권위)이 쌓입니다. 한 클러스터는 보통 관련 질의 5-10개로 구성합니다.
정밀 KD 점수(Ahrefs·Semrush)가 없을 때 실무 추정법:
| 신호 | 해석 | |---|---| | 상위 10위가 대형 매체·공식 도메인뿐 | 난이도 높음 → 회피 | | 상위에 개인 블로그·소형 사이트 섞임 | 진입 가능 → 노려볼 만 | | 질의가 구체적·롱테일 | 난이도 낮음 | | 상업조사형인데 비교 콘텐츠가 빈약 | 기회 | | AI 검색은 상위 3위 아니어도 구조 좋으면 인용 | 순위 난이도 ≠ AI 인용 난이도 |
> AI 인용은 순위보다 추출 가능한 구조(정의 블록·표·40-60자 답변 단락)에 좌우됩니다. 순위 난이도가 높아도 GEO로 우회 가능합니다.
| 채널 | 발굴 도구·방법 | |---|---| | 네이버 | 네이버 검색광고 키워드 도구(검색량·경쟁), 자동완성, 연관검색어, 인기주제 | | 구글 | Google Keyword Planner, Search Console 질의, People Also Ask, 자동완성 | | AI 검색(GEO) | ChatGPT·Perplexity에 직접 질의해 "AI가 되묻는 후속 질문" 채집, 비교·리스트형 질의 우선 |
각 후보를 검색량 × 경쟁도 × 의도 적합 × 전환 거리로 점수화해 정렬합니다.
우선순위 = (검색량 정규화 + 의도 적합) − (경쟁 난이도) + 전환 가치 가중초반 12주는 "검색량 중 + 경쟁 하 + 의도 명확" 롱테일에 자원을 몰아 빠른 승리를 확보한 뒤 헤드로 확장합니다.
주제·업종, 목표 채널(네이버/구글/AI 검색/전체), 비즈니스 목표(트래픽/리드/전환), 타깃 독자, 시드 키워드 2-5개를 확인합니다. 검색량 데이터 접근 가능 여부(네이버 검색광고 계정·GSC·툴)도 확인합니다.
시드 키워드에서 자동완성·연관검색어·People Also Ask·AI 후속질문으로 후보를 넓힙니다. 각 후보의 예상 검색 의도를 4분류로 태깅합니다.
후보를 정보형/내비게이션형/상업조사형/트랜잭션형으로 나누고, 헤드는 롱테일로 분해합니다. 로컬·구체 롱테일을 별도 표시합니다.
관련 키워드를 필러-클러스터 구조로 묶습니다. 필러 1개 + 클러스터 5-10개를 한 세트로 구성하고, 내부 링크 방향을 명시합니다.
각 키워드에 난이도(상/중/하)와 우선순위 점수를 매깁니다. 초기 12주 타깃과 중기 확장 타깃을 분리합니다.
키워드 목록표(검색량·경쟁·의도·클러스터), 토픽 클러스터 맵, 우선순위 로드맵, 채널별(네이버/구글/GEO) 노림 전략을 정리합니다.
예시 1: "필라테스 스튜디오 블로그, 뭐부터 쓸지 키워드 뽑아줘" → 시드 확장 → 의도 분류 → 로컬 롱테일 발굴 → 클러스터 3개 → 12주 타깃
예시 2: "B2B SaaS인데 ChatGPT·Perplexity가 인용할 질의 후보 리서치해줘" → 비교·리스트형 질의 채집 → 쿼리 팬아웃 매핑 → 추출 구조 요건 → GEO 우선순위
| 상황 | 대응 | |------|------| | 검색량 데이터가 없는 경우 | 네이버 검색광고·Google Keyword Planner 안내 후 상대적 추정(자동완성 노출·연관검색어 밀도)으로 우선순위 제시 | | 정밀 키워드 난이도 점수가 없는 경우 | 상위 10위 도메인 구성으로 상/중/하 추정. 툴 확보 후 재보정 권고 | | 시드 키워드가 모호한 경우 | 업종·타깃·목표로 시드 후보를 먼저 도출한 뒤 확장 | | 이미 있는 페이지의 SEO 문제 진단 요청 | 본 스킬 범위 밖. moai-marketer:marketing-seo-audit로 안내 |
키워드 전략 설명·클러스터 근거·채널 전략 등 서술형(prose) 산출물은 발행 전 후처리 체인을 거칩니다. 키워드 목록표·검색량 수치·우선순위 점수표 등 수치·표 산출물은 대상이 아닙니다.
권장 체인(서술형 권고): marketing-keyword-research(서술형 권고) → moai-coworker:ai-slop-reviewer → moai-writer:korean-humanize
| 스킬 | 사용 시점 | |------|----------| | moai-marketer:marketing-seo-audit | 키워드를 정한 뒤 실제 페이지·사이트 SEO 건강도 진단 (페어 분리) | | moai-marketer:content-blog | 발굴한 키워드로 SEO 블로그 작성 | | moai-marketer:content-editorial-calendar | 클러스터를 콘텐츠 발행 일정으로 전개 | | moai-marketer:marketing-campaign-planner | 키워드를 검색·콘텐츠 캠페인으로 확장 | | moai-coworker:ai-slop-reviewer | 사후 체이닝(필수, 서술형 권고): 전략 서술의 AI 패턴 검수 | | moai-writer:korean-humanize | 사후 체이닝(필수, 서술형 권고): ai-slop-reviewer 다음 단계로 한국어 AI 티 제거 |
moai-marketer:marketing-seo-audit 사용moai-marketer:content-blog 사용moai-marketer:content-editorial-calendar 사용| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→fail | 28,968 | 25,731 | -11% | 1 | 1 | 0% | 3,925 | 6,798 | +73% | 0 | 0 | — |
case-02 | fail→fail | 26,499 | 28,514 | +8% | 1 | 1 | 0% | 3,521 | 6,902 | +96% | 0 | 0 | — |
case-03 | fail→pass | 32,452 | 26,055 | -20% | 1 | 1 | 0% | 4,335 | 7,221 | +67% | 0 | 0 | — |
case-04 | fail→fail | 14,597 | 22,579 | +55% | 1 | 1 | 0% | 2,558 | 6,326 | +147% | 0 | 0 | — |
case-05 | pass→pass | 28,857 | 14,257 | -51% | 1 | 1 | 0% | 2,208 | 5,324 | +141% | 0 | 0 | — |
case-06 | pass→fail | 20,342 | 21,656 | +6% | 1 | 1 | 0% | 2,574 | 5,994 | +133% | 0 | 0 | — |
case-07 | fail→pass | 14,059 | 14,317 | +2% | 1 | 1 | 0% | 2,470 | 5,424 | +120% | 0 | 0 | — |
case-08 | fail→fail | 20,501 | 19,020 | -7% | 1 | 1 | 0% | 2,650 | 5,649 | +113% | 0 | 0 | — |
case-09 | pass→pass | 18,511 | 20,000 | +8% | 1 | 1 | 0% | 2,355 | 5,429 | +131% | 0 | 0 | — |
case-10 | pass→pass | 16,381 | 19,676 | +20% | 1 | 1 | 0% | 1,900 | 5,375 | +183% | 0 | 0 | — |
case-11 | fail→fail | 21,286 | 27,936 | +31% | 1 | 1 | 0% | 2,793 | 6,857 | +146% | 0 | 0 | — |
case-12 | pass→pass | 22,224 | 24,979 | +12% | 1 | 1 | 0% | 2,830 | 6,186 | +119% | 0 | 0 | — |
case-13 | pass→pass | 20,675 | 22,119 | +7% | 1 | 1 | 0% | 2,504 | 5,674 | +127% | 0 | 0 | — |
case-14 | pass→pass | 22,267 | 21,314 | -4% | 1 | 1 | 0% | 2,480 | 6,657 | +168% | 0 | 0 | — |
case-20 | fail→pass | 16,095 | 11,044 | -31% | 1 | 1 | 0% | 2,482 | 3,897 | +57% | 0 | 0 | — |
case-15 | fail→pass | 19,619 | 21,502 | +10% | 1 | 1 | 0% | 2,462 | 5,854 | +138% | 0 | 0 | — |
case-16 | fail→fail | 22,079 | 15,749 | -29% | 1 | 1 | 0% | 2,637 | 5,358 | +103% | 0 | 0 | — |
case-17 | pass→pass | 22,271 | 24,091 | +8% | 1 | 1 | 0% | 3,546 | 7,291 | +106% | 0 | 0 | — |
case-18 | pass→pass | 18,029 | 21,457 | +19% | 1 | 1 | 0% | 2,879 | 6,446 | +124% | 0 | 0 | — |
case-19 | pass→pass | 16,203 | 18,513 | +14% | 1 | 1 | 0% | 2,472 | 6,032 | +144% | 0 | 0 | — |
case-21 | fail→pass | 23,306 | 20,433 | -12% | 1 | 1 | 0% | 2,970 | 5,799 | +95% | 0 | 0 | — |
case-22 | fail→pass | 18,327 | 4,939 | -73% | 1 | 1 | 0% | 3,074 | 3,823 | +24% | 0 | 0 | — |
case-23 | pass→pass | 25,441 | 16,874 | -34% | 1 | 1 | 0% | 1,855 | 5,762 | +211% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 23 cases were attempted. The headline lift of +22 percentage points is the difference between those two pass rates over the 23 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.