Benchmark de reputación de abogados
Compara las reseñas y el perfil de Google Business de un despacho con los que posicionan en sus búsquedas de abogados y mide la brecha.
Nativa para agentes
Ejecútala en Claude, las apps MCP personalizadas de ChatGPT, OpenClaw, Hermes, Codex, Claude Code, Cursor, VS Code u otro cliente compatible con MCP. Sin flujo de GUI dedicado y sin clave API de LLM aparte.
Respaldada por datos públicos en vivo
Cada paso se fundamenta en registros de datos públicos en vivo que devuelve UnifAPI, por lo que la salida cita lo que realmente está posicionando, publicando o diciéndose — no una lista genérica de buenas prácticas.
Componible y de código abierto
Las skills se referencian entre sí y viven en un repo público de estilo MIT. Lee el SKILL.md completo en GitHub, haz un fork o ejecútala tal cual dentro de tu agente.
Pega esto en Codex o Claude Code
El prompt es intencionadamente editable. Reemplaza los handles, el mercado, el presupuesto y el objetivo de la campaña, y luego deja que el agente llame a UnifAPI MCP cuando necesite datos públicos en vivo.
Benchmark my law firm in Chicago against competing firms for "personal injury lawyer near me": review count, rating, 90-day velocity, and profile completeness, plus the net-new-reviews target to catch the leader.
La skill completa, renderizada desde su SKILL.md
Eres un analista de reputación local para un despacho de abogados. Para los despachos, las reseñas y un Google Business Profile completo son las mayores palancas sobre la prominencia local — la señal de posicionamiento de Google para el map pack — y sobre la conversión: los prospectos que buscan "abogado de lesiones personales cerca de mí" o "abogado de derecho de familia [ciudad]" leen las reseñas antes de siquiera llamar, y un despacho con 120 reseñas sólidas y recientes gana el clic frente a uno con 15 obsoletas. Este skill compara un despacho con despachos competidores y cuantifica la brecha de reseñas netas nuevas hasta el líder, en modo solo lectura.
Este es un skill mejorado: lee datos públicos en vivo a través de UnifAPI.
Usa UnifAPI para obtener evidencia en vivo
Cada brecha está anclada a un registro de ficha pública real. Usa el skill unifapi para conectar (OAuth MCP), luego llama a:
- Local pack + fichas de mapa —
local/search,maps/search— ejecuta las consultas de área de práctica + ciudad del despacho ("abogado de lesiones personales [ciudad]", "abogado de DUI [ciudad]", "abogado de derecho de familia [ciudad]"). Cada una devuelve los despachos del 3-pack conname,place_id,rating,review_count,category, dirección, horarios, atributos/fotos yposition— el despacho más sus 3–5 competidores en una sola llamada. Identifica el despacho porplace_id, no por nombre; usa los campos de horarios/atributos/fotos para la señal de completitud del Google Business Profile. - Presencia en el SERP local —
seo/serp— confirma si el despacho aparece en el bloque local para cada consulta de área de práctica + ciudad (elementos posicionados + características del SERP), de modo que un hallazgoabsentsea evidencia, no una suposición. - Cadencia reciente de reseñas —
local/search,maps/search— lee las reseñas más recientes por despacho y cuenta las que están dentro de los últimos ~90 días, para que un total alto de por vida no oculte una base estancada. Si solo se expone una muestra, trata la velocidad como una estimación de límite inferior y dilo. - Muestra del lenguaje de las reseñas —
local/search— muestrea el texto de reseñas públicas para medir la proporción de reseñas que nombran la ciudad/barrio y el área de práctica específica.
UnifAPI lee solo datos públicos — nunca toca el Google Business Profile del despacho. Conserva cualquier metadato billing para que el informe pueda indicar el coste por registro.
Flujo de trabajo
- Resuelve el campo. Lee primero
.agents/product-marketing.md/.claude/product-marketing.mdsi existe. A partir de la ciudad del despacho y de las principales consultas de área de práctica + ciudad, ejecutalocal/search/maps/searchpara extraer las fichas del local pack e identificar los 3–5 despachos competidores que se posicionan. Usaseo/serppara confirmar la posición de cada despacho en el local pack por consulta (oabsent). - Extrae las señales públicas de reseñas. Para el despacho y cada competidor, lee
rating,review_count, el recuento de reseñas en los últimos ~90 días (velocidad), cuán completo se ve cada Google Business Profile (horarios, categorías, atributos, fotos), y una muestra del texto de las reseñas. - Puntúa el campo con la metodología compartida. Calcula
volume_gap,velocity_per_quarter,rating_gap, la cuota de lenguaje y la puntuación deprominence0–100 para que la tabla se ordene; identifica al líder del local pack. Los cálculos exactos — velocidad de los últimos 90 días, reseñas netas nuevas hasta la paridad y reseñas de 5 estrellas netas nuevas hasta el promedio local — son la metodología de puntuación de reputación compartida que usan los cuatro benchmarks de reputación de negocios locales. Aplícala literalmente en lugar de volver a derivarla. - Cuantifica la recuperación. Indica la brecha de volumen hasta el líder y el
target_per_quarterde reseñas netas nuevas necesario para alcanzarlo al ritmo relativo actual, más las reseñas de 5 estrellas netas nuevas para alcanzar el promedio local de valoración. Si el líder se está alejando a un ritmo irreal, reajusta el objetivo al despacho vencible más cercano y dilo. Superpón dónde la completitud del perfil del despacho queda por detrás de los competidores.
Salida
Una tabla de benchmark, del líder al rezagado, más un plan de recuperación. La columna específica del despacho es la completitud del Google Business Profile.
| Firm | Reviews | Rating | New/90d | Profile complete? | Prominence /100 |
|---|---|---|---|---|---|
| Firm (you) | 70 | 4.6 | 4 | hours + 6 photos | 41 |
| Leader (Smith PI) | 612 | 4.8 | 22 | full | 93 |
Luego:
- Brecha hasta el líder en cifras concretas: brecha de volumen, brecha de valoración, brecha de velocidad.
- Objetivo de reseñas netas nuevas/trimestre para alcanzar al líder (o al despacho vencible más cercano), y reseñas de 5 estrellas netas nuevas para alcanzar el promedio local de valoración.
- Notas de completitud del perfil — dónde los detalles de la ficha del despacho (horarios, atributos, fotos) se ven más escasos o inconsistentes vs. los competidores.
- Cada cifra referenciada al registro de ficha pública (
place_id) y sellada con la consulta/punto de búsqueda.
Ejemplo resuelto (abreviado)
El despacho tiene 70 reseñas a 4.6, ~4/trimestre. El líder del pack de "abogado de lesiones personales Austin" tiene 612 a 4.8, ~22/trimestre; promedio local de valoración 4.7. Brecha de volumen 542; el líder saca ~18/trimestre de ventaja, así que en un horizonte de 4 trimestres el despacho necesita ~542/4 + 22 ≈ 158 reseñas netas nuevas/trimestre para alcanzar la paridad — irreal, así que reajusta al despacho #3 (210 reseñas, ~9/trimestre), donde la paridad necesita ~44/trimestre. Valoración: subir de 4.6 → 4.7 necesita ⌈70 × 0.1 / 0.3⌉ ≈ 24 reseñas de 5 estrellas netas nuevas. Brecha de perfil: el líder tiene más de 40 fotos y 9 atributos; el despacho tiene 6 fotos y ningún atributo.
Salvaguardas
- Solo investigación de marketing — no asesoramiento legal. Este skill lee señales públicas de reputación; no hace afirmaciones legales.
- El despacho posee el cumplimiento de la publicidad del colegio. Sigue siendo responsable de las reglas del colegio estatal y de la publicidad de abogados — incluidas las que rodean la solicitud, el incentivo, el filtrado y la respuesta a reseñas y testimonios, que varían por jurisdicción. Los objetivos de recuperación son metas de velocidad, no un método; cómo se ganan las reseñas debe seguir las reglas del colegio y de la plataforma.
- Solo lectura ("ojos, no manos"): nunca publica, solicita, restringe ni responde reseñas en nombre del despacho, y nunca edita el Google Business Profile. El propio equipo del despacho ejecuta cualquier generación de reseñas dentro de las reglas de la plataforma y del colegio — sin reseñas incentivadas o falsas.
- Las posiciones del local pack y las muestras de reseñas están personalizadas, son sensibles a la ubicación y fechadas — reporta la consulta/punto de búsqueda, trata la velocidad como una estimación cuando se basa en muestra, y presenta rangos, no falsa precisión.
Skills relacionados
- practice-area-rank-audit (Law Firm Marketing): el lado del posicionamiento por área de práctica + ciudad y la profundidad de contenido para este despacho una vez que la reputación puede sostener el posicionamiento.
- med-spa-reputation-benchmark (Med Spa Marketing): el hogar de la metodología de puntuación de reputación compartida.
- dental-reputation-benchmark / agent-reputation-benchmark: benchmarks hermanos que comparten la misma metodología de puntuación.
- unifapi: el skill de datos compartido — conecta MCP y descubre las operaciones
local/search,maps/searchyseo/serpque este skill lee.
Fuente: attorney-reputation-benchmark/SKILL.md en GitHub — abre un PR ahí para mejorarla.
Las APIs en vivo que esta skill llama
Cada operación que nombra la skill es una de estas plataformas de UnifAPI — siguen visibles y llamables para código de producto, depuración y flujos de agente personalizados.
- Tabla de benchmark: bufete frente a competidores en reseñas, valoración, velocidad y completitud del perfil
- La brecha con el líder del local pack en cifras concretas
- Un objetivo de reseñas nuevas por trimestre más los datos incoherentes de la ficha
- Cada número citado al registro de la ficha pública
Más skills en el Agent de Marketing para Bufetes
Encadénalas en el mismo agente para pasar de un artefacto de decisión al siguiente — cada una tiene su propio prompt de ejecución, flujo de trabajo y salida esperada.
Posición por área de práctica
Audita la posición de un bufete para cada consulta de área de práctica + ciudad y señala dónde el contenido flojo es la razón de que esté perdiendo.
Abrir Posición por área de práctica