Amazon ABA爆発的キーワード監視システム（汎用版）

概要

Amazon ABAのトレンドキーワードランキングから、指定カテゴリの成長可能なキーワードを自動で発見し、Feishu多次元テーブル + ダッシュボードビジュアルレポートを生成します。 任意のAmazonカテゴリに対応（トランシーバー、サプリメント、ペット用品、コスメ・スキンケアなど）し、初回実行時にインタラクティブに設定します。 毎週のデータは同じ多次元テーブルに自動追加され、履歴トレンドが蓄積されます。

前提条件

• Python 3.8以上（依存関係は自動インストール）
• Sorftime MCPの設定が必須（keyはPythonが自動抽出）
• Feishu lark-cliの設定が必須（npm経由でインストール：npm install -g lark-cli、および lark-cli config init の初期化完了）

クイックスタート（プロンプト）

初心者ユーザーはAIチャットボックスに1文入力するだけで開始できます：

初回初期化： 「general-ABA-keyword-monitor を使用してAmazonキーワードを監視してください。私のカテゴリは【あなたのカテゴリ】です。python general-ABA-keyword-monitor/main.py init を実行してから、流れに従って完全な監視を行ってください」

毎週定期監視： 「今週のABAキーワード監視を実行してください」

レポート生成のみ（データ取得済みの場合）： 「python general-ABA-keyword-monitor/main.py step3 を実行してFeishuレポートを生成してください」

初回使用：カテゴリの初期化

Step 0：カテゴリの初期化

python general-ABA-keyword-monitor/main.py init

プロンプトに従い、ターゲットカテゴリ名を入力します（例：「トランシーバー」）。システムは reports/.exchange/dict_draft.json を出力します。

エージェントタスク：カテゴリ辞書の生成

reports/.exchange/dict_draft.json を読み込み、プロンプト要件に従って初期辞書と除外ルールを生成します。

reports/.exchange/dict_draft_output.json に書き込みます：

{
  "category_dict": {"ingredients": [...], "benefits": [...], "brands": [...], "health_markers": [...]},
  "exclusion_rules": {"exclude_patterns": [...], "exclude_keywords": [...]},
  "classification_labels": {"description": "各ラベルの説明"}
}

Step 0.5：辞書の確認

python general-ABA-keyword-monitor/main.py init-confirm

システムが辞書の概要を表示し、ユーザーが確認後に保存されます。

---

日常監視フロー（3ステップ）

Step 1：取得 + ローカル辞書マッチング

python general-ABA-keyword-monitor/main.py step1

reports/.exchange/llm_input.json を出力します。

エージェントタスク：LLM分類 + 中国語翻訳

reports/.exchange/llm_input.json を読み込み、各キーワードを分類および翻訳します。 分類ラベルはカテゴリに応じて動的に生成されます（llm_input.json内のプロンプトを参照）。

reports/.exchange/llm_output.json に書き込みます：

{"keyword": {"label": "ingredient", "zh": "中国語翻訳"}, ...}

Step 2：階層化 + Sorftime非同期クエリ

python general-ABA-keyword-monitor/main.py step2

エージェントタスク：分析サマリーの作成

reports/.exchange/analysis_input.json を読み込み、Tier 1の各キーワードについて分析サマリーを作成します。

reports/.exchange/analysis_output.json に書き込みます：

{
  "keyword_analysis": {"keyword": "分析サマリー", ...},
  "tracks": [{"name": "トラック名", "icon": "emoji", "keywords": [...], "summary": "説明"}],
  "core_findings": ["発見1", "発見2", ...]
}

Step 3：Feishu多次元テーブルレポート生成（必須実行）

python general-ABA-keyword-monitor/main.py step3

初回実行時は自動的にFeishu多次元テーブルを作成します（3つのデータテーブル + ダッシュボード + フィルタビュー含む）。その後の実行では既存テーブルを再利用してデータを追加します。

完了後、ユーザーにFeishu多次元テーブルのリンクを通知します。

---

Feishu多次元テーブルの構成

step3で生成される多次元テーブルには以下が含まれます：

3つのデータテーブル

テーブル名	内容
キーワード監視	メインテーブル、毎週のキーワードのランキング/検索数/CPC/爆発タイプ/AI分析など17項目
拡張キーワード	Tier 1キーワードの関連派生語データ
週次サマリー	毎週1件の集計記録（取得数、各Tierの数量、核心発見）

2つのフィルタビュー

• Tier 1高優先度 — Tier 1キーワードのみ表示、ランキング変化降順
• Tier 2観察エリア — Tier 2キーワードのみ表示、ランキング変化降順

ダッシュボード（5つのチャート）

チャート	タイプ	用途
キーワード総数	統計カード	現在のデータ総量
Tier分布	円グラフ	キーワード優先度分布
爆発タイプ分布	円グラフ	初爆発/反発/継続上昇などの割合
分類分布	円グラフ	コア製品/機能/ブランドなどの割合
週次検索数トレンド	棒グラフ	週を超えた検索数変化トレンド

データ永続化

多次元テーブルの設定（token、table_idなど）は category_config.json に保存され、後続の実行で自動的に再利用され、再構築の必要がありません。

---

トラブルシューティング

Pythonサブプロセス内で lark-cli が見つからない

Windows上では lark-cli がnpmのグローバルインストール.cmdファイルであり、Pythonの subprocess.run(["lark-cli", ...]) で見つからない場合があります。 解決策：コード内で shutil.which("lark-cli") を使用して自動検索し、Windowsのnpmデフォルトパス %APPDATA%/npm/lark-cli.cmd に対応します。

lark-cli戻り値の構造

• +base-create → tokenは data.base.base_token 内、URLは data.base.url 内
• +table-create → table_idは data.table.id 内
• +view-create → view_idは data.views[].id 内
• +dashboard-create → dashboard_idは data.dashboard.dashboard_id 内
• エラーメッセージはstdoutではなくstderrに出力される可能性があるため、両方を読み込む必要があります

フィールド形式（+table-createの--fields）

• select型："type": "select" + "multiple": false + "options": [...]（トップレベル）を使用します。"type": "single_select" + "property": {"options": [...]} ではありません
• number型："style" はトップレベルに配置します。"property": {"style": {...}} ではありません
• 完全な形式は lark-base-shortcut-field-properties.md を参照してください

Windows文字エンコーディングの問題

Pythonスクリプト実行時に export PYTHONIOENCODING=utf-8 が必要です。そうでない場合、中文emojiの出力でGBKエンコーディングエラーが発生します。

benefit词の誤マッチング

トランシーバーなどのニッチなカテゴリでは、「portable」、「wireless」、「rechargeable」などの汎用機能词で誤マッチしやすくなります。 除外ルールに portable air conditioners、portable fan、wireless keyboard and mouse などの高頻度汎用カテゴリ词を追加することをお勧めします。