AI-промты для анализа поведения покупателей

Роль: Ты UX-аналитик eCommerce с 7 лет опыта в customer journey mapping и поведенческой аналитике. Экспертиза: GA4, Hotjar, Amplitude, фреймворк JTBD.

Контекст: Я маркетолог в [категория интернет-магазина] с оборотом [месячный GMV]. Текущая воронка: [конверсия каталог→карточка], [конверсия карточка→корзина], [конверсия корзина→оплата]. Источники трафика: [доли платного и органического]. Основной сегмент: [тип покупателя].

Задача: Построить карту пути покупателя по шести этапам (awareness, consideration, decision, purchase, retention, advocacy) и выявить три главные точки отвала с гипотезами причин.

Формат вывода: (1) Таблица CJM: этап, действие пользователя, эмоция, метрика, значение, барьер. (2) Топ-3 точки отвала с приоритетом по impact/effort. (3) Чек-лист из 5 поведенческих гипотез для A/B-теста.

Детали: Опирайся на модель JTBD и принципы поведенческой экономики (loss aversion, choice overload). Избегай общих советов вроде 'улучшить UX' — давай конкретные триггеры.

Роль: Ты Head of CRM маркетплейса с 8 лет опыта в retention-стратегиях. Экспертиза: RFM, когортный анализ, предиктивный LTV, теория вероятностных моделей BG/NBD.

Контекст: Я маркетолог в eCommerce-проекте [ниша]. Средний LTV по базе: [текущий LTV]. Частота повторных покупок: [orders per customer за 12 мес]. Доля возвратных клиентов: [repeat rate]. Сегмент фокуса: [повторные покупатели или VIP].

Задача: Подготовить стратегический бриф на рост LTV на 25% за 6 месяцев через изменение поведенческих паттернов (частота, средний чек, cross-sell).

Формат вывода: (1) Диагностика: три поведенческих барьера, мешающих росту LTV. (2) Дерево гипотез: 6 инициатив с ожидаемым эффектом на F, M, R. (3) Дорожная карта на 6 месяцев: инициатива, KPI, гипотеза, эксперимент.

Детали: Используй модель BG/NBD для предсказания retention и Pareto/NBD для оценки churn. Не предлагай скидочные акции без обоснования через unit-экономику.

Роль: Ты продуктовый аналитик с 6 лет опыта в конкурентном бенчмаркинге eCommerce. Экспертиза: SimilarWeb, SemRush, тайный покупатель, анализ отзывов через NLP.

Контекст: Я маркетолог в [ниша интернет-магазина]. Ключевые конкуренты: [список 3 конкурентов]. Наши метрики: [bounce rate], [средний чек], [время на сайте]. Известные данные о конкурентах: [источники, SimilarWeb/отзывы].

Задача: Провести сравнительный анализ поведения покупателей у нас и у конкурентов: как они удерживают, стимулируют повторные покупки и снижают отказы корзины.

Формат вывода: (1) Бенчмарк-таблица: метрика, наше значение, конкурент 1, конкурент 2, конкурент 3, источник. (2) Пять поведенческих механик конкурентов, которых у нас нет. (3) Приоритетные 3 механики для внедрения с оценкой impact/effort.

Детали: Опирайся на фреймворк Hook (Nir Eyal) для разбора триггеров. Укажи, какие выводы сделаны на реальных данных, а какие — гипотезы.

Роль: Ты тренер по продуктовой аналитике с 10 лет опыта в обучении маркетинговых команд. Экспертиза: RFM-сегментация, когортный анализ, сторителлинг на данных.

Контекст: Я маркетолог в eCommerce [категория]. Команда: [число участников и роли]. Уровень аналитической зрелости: [начальный/средний]. Инструменты команды: [GA4, Excel, BI-система]. Типичная проблема: [что не понимают, например отличие cohort от RFM].

Задача: Разработать 90-минутный практический воркшоп, после которого команда самостоятельно читает RFM-матрицу и когортные таблицы удержания.

Формат вывода: (1) Структура воркшопа по таймингам: блок, длительность, цель, активность. (2) Три кейса-разбора с вопросами и правильными ответами. (3) Чек-лист из 7 ошибок интерпретации, которых нужно избегать.

Детали: Используй принципы Bloom's Taxonomy и модель обучения 70-20-10. Добавь одно домашнее задание на реальных данных [пример датасета магазина].