Suivi de contenu KOL - surfez les tendances au lieu de les créer — Claude Skill

Suivi de contenu KOL

Suit ce que les Key Opinion Leaders de votre marché écrivent. Fait remonter les narratifs tendances tôt, avant leur pic, pour que votre équipe rejoigne la conversation au bon moment avec un contenu pertinent.

Principe clé : pour les équipes seed-stage, le chemin le plus rapide vers la distribution contenu est de surfer une vague qui se forme déjà, pas d'en créer une de zéro.

Quand l'utiliser

• "De quoi parlent les voix principales de [notre marché] ?"
• "Quels sujets trendent sur LinkedIn dans [industrie] ?"
• "Je veux savoir quel contenu résonne avant d'écrire quoi que ce soit"
• "Suis [liste de fondateurs/experts] et dis-moi ce qu'ils racontent"
• "Trouve des narratifs tendances auxquels je peux contribuer"

Phase 0 : intake

Liste de KOL

1. Noms et URLs LinkedIn des KOL à suivre, si connus
   • Si inconnus : utiliser d'abord le skill kol-discovery pour construire la liste
2. Handles Twitter/X des mêmes KOL, optionnel mais recommandé pour une vue complète
3. Sujets ou mots-clés spécifiques qui comptent ? Pour filtrer les feeds bruités.

Périmètre

4. Jusqu'où remonter ? Par défaut : 7 jours pour un monitoring hebdomadaire, 30 jours au premier run.
5. Seuil d'engagement minimum pour inclure un post ? Par défaut : 20 réactions/likes.

Enregistrer la config dans clients/<client-name>/configs/kol-monitor.json.

{
  "kols": [
    {
      "name": "Lenny Rachitsky",
      "linkedin": "https://www.linkedin.com/in/lennyrachitsky/",
      "twitter": "@lennysan"
    },
    {
      "name": "Kyle Poyar",
      "linkedin": "https://www.linkedin.com/in/kylepoyar/",
      "twitter": "@kylepoyar"
    }
  ],
  "days_back": 7,
  "min_reactions": 20,
  "keywords": ["GTM", "growth", "AI", "prospection sortante", "founder"],
  "output_path": "clients/<client-name>/intelligence/kol-monitor-[DATE].md"
}

Phase 1 : scraper les posts LinkedIn

Lancer linkedin-profile-post-scraper pour tous les profils LinkedIn KOL :

python3 skills/linkedin-profile-post-scraper/scripts/scrape_linkedin_posts.py \
  --profiles "<url1>,<url2>,<url3>" \
  --days <days_back> \
  --max-posts 20 \
  --output json

Filtrer : n'inclure que les posts avec réactions >= min_reactions.

Phase 2 : scraper les posts Twitter/X

Lancer twitter-scraper pour chaque handle :

python3 skills/twitter-scraper/scripts/search_twitter.py \
  --query "from:<handle>" \
  --since <YYYY-MM-DD> \
  --until <YYYY-MM-DD> \
  --max-tweets 20 \
  --output json

Filtrer : n'inclure que les tweets avec likes >= min_reactions / 2, car l'engagement Twitter est plus bas que LinkedIn.

Phase 3 : clustering des sujets

Regrouper tous les posts de tous les KOL par sujet/thème.

Approche de clustering

1. Extraire le sujet principal de chaque post (label de 1 à 3 mots)
2. Grouper les sujets similaires
3. Compter : combien de KOL ont touché ce sujet ? Combien de posts au total ?
4. Classer par engagement total (somme des réactions/likes sur tous les posts du sujet)

Cela fait ressortir les sujets à consensus large (plusieurs KOL en parlent) vs les prises individuelles.

Types de signaux à flagger

Phase 4 : format de sortie

# Suivi de contenu KOL - Semaine du [DATE]

## KOL suivis
[N] KOL | [N] posts LinkedIn | [N] tweets | Période : [date range]

---

## Sujets tendances cette semaine

### 1. [Nom du sujet] - SIGNAL DE CONVERGENCE
- **KOL qui en parlent :** [Nom 1], [Nom 2], [Nom 3]
- **Posts totaux :** [N] | **Engagement total :** [N] réactions/likes
- **Direction de tendance :** ↑ Nouveau cette semaine / ↑↑ En croissance / → Stable

**Meilleurs posts sur ce sujet :**

> "[Extrait du post - 150 premiers caractères]"
- [Auteur], [Date] | [N] réactions
[URL LinkedIn]

> "[Texte du tweet]"
- [@handle], [Date] | [N] likes
[URL Twitter]

**Opportunité de contenu :** [1-2 phrases sur comment contribuer à cette conversation]

---

### 2. [Nom du sujet]
...

---

## Posts à fort engagement (Top 5 cette semaine)

| Post | Auteur | Plateforme | Engagement | Sujet |
|------|--------|------------|------------|-------|
| "[Aperçu...]" | [Nom] | LinkedIn | [N] réactions | [topic] |
...

---

## Sujets émergents à surveiller

Sujets repris par 1 KOL cette semaine : trop tôt pour appeler cela une tendance, mais à suivre.
- [Sujet] - [Nom du KOL] - [brève description]
- [Sujet] - ...

---

## Actions contenu recommandées

### Cette semaine (surfer la vague)
1. **[Sujet]** atteint un pic : moment idéal pour publier votre point de vue. Angle suggéré : [angle]
2. **[Controverse]** génère du débat : envisagez une réponse nuancée. Votre positionnement : [suggestion]

### Semaine prochaine (prendre de l'avance)
1. **[Sujet émergent]** est encore tôt : écrivez maintenant avant que ce soit saturé.

Enregistrer dans clients/<client-name>/intelligence/kol-monitor-[YYYY-MM-DD].md.

Phase 5 : construire un calendrier contenu déclenché par signaux

Optionnel : à partir du monitoring, proposer une entrée de calendrier pour chaque opportunité "surfer la vague" :

Sujet : [topic]
Meilleur format : [post insight LinkedIn / thread tweet / blog]
Hook suggéré : [hook]
Points de soutien : [3 bullets issus de votre produit/expérience]
Date idéale de publication : [dans les 3 jours du pic]

Planification

Lancer chaque semaine, vendredi après-midi, pour capter les pics de la semaine et laisser le week-end pour rédiger :

0 14 * * 5 python3 run_skill.py kol-content-monitor --client <client-name>

Coût

Outils requis

• Token API Apify - variable env APIFY_API_TOKEN
• Skills amont : linkedin-profile-post-scraper, twitter-scraper
• Amont optionnel : kol-discovery pour construire la liste initiale

Phrases déclencheuses

• "De quoi parlent les voix principales de [marché] cette semaine ?"
• "Suis ma liste de KOL et donne-moi des idées de contenu"
• "Lance KOL content monitor pour [client]"
• "Qu'est-ce qui tendance sur LinkedIn dans [industrie] ?"