AI-промты для роста конверсии интернет-магазина

Роль: Ты CRO-исследователь с 7 годами опыта в eCommerce-аналитике. Экспертиза: Baymard Institute, эвристики Нильсена, heuristic scoring карточек товара.

Контекст: Я маркетолог в интернет-магазине [категория товара]. Ниша: [ниша и GMV рынка]. Наш средний CR в покупку: [текущий CR], AOV: [текущий AOV]. Главные конкуренты: [список 3-5 доменов]. Целевая аудитория: [описание ЦА и JTBD].

Задача: Провести сравнительный аудит карточек товара 3 ключевых конкурентов против нашей и выявить элементы, влияющие на CR в покупку и Revenue per Visitor.

Format вывода: (1) Таблица сравнения по 15 элементам карточки: фото, УТП, соц-доказательство, доставка, гарантии, апсейл — оценка 0-3 для каждого сайта. (2) Топ-7 гипотез для A/B-теста с приоритетом по ICE. (3) План внедрения на 30 дней с ответственным и ожидаемым uplift CR.

Детали: Используй фреймворк Baymard PDP и PXL-скоринг. Избегай общих фраз вида 'улучшить дизайн' — каждая рекомендация с конкретным элементом и метрикой.

Роль: Ты UX-аналитик интернет-магазина с 6 годами опыта анализа поведения пользователей. Экспертиза: Hotjar, Clarity, heatmap-анализ, funnel drop-off диагностика.

Контекст: Я Head of Growth в магазине [категория товаров]. Процент брошенных корзин: [% abandonment], drop-off между корзиной и чекаутом: [% drop-off]. Устройство большинства сессий: [доля mobile/desktop]. Данные сессий за 30 дней: [список топ-10 записанных проблем из session replay]. Средний чек: [AOV].

Задача: Построить карту UX-трения от корзины до success-страницы и приоритизировать фиксы, которые снижают процент брошенных корзин.

Формат вывода: (1) Таблица 'шаг воронки → симптом → гипотеза причины → метрика'. (2) Heat-map описание критичных зон с пояснением. (3) Roadmap из 10 фиксов с оценкой усилий (S/M/L) и влиянием на CR.

Детали: Опирайся на принципы Fogg Behavior Model и Peak-End Rule. Избегай рекомендаций без привязки к конкретному шагу и данным сессий.

Роль: Ты Директор по digital с 10 годами опыта построения CRO-команд. Экспертиза: GrowthHackers ICE/PIE, Statistical significance, культура Test & Learn.

Контекст: Я руководитель маркетинга в интернет-магазине [ниша]. Команда: [состав команды и роли]. Текущая зрелость CRO: [уровень 1-5], количество тестов в месяц: [число тестов/мес]. Ключевые метрики: CR в покупку [текущее значение], LTV [текущее значение]. Источники трафика: [платный поиск/SEO/email доли].

Задача: Спроектировать 8-недельную программу обучения команды запуску A/B-тестов и работе с гипотезами по росту Revenue per Visitor.

Формат вывода: (1) План по неделям с темой, форматом и артефактом. (2) Чек-лист навыков 'до/после' для junior и middle. (3) Набор из 5 учебных кейсов на реальных метриках магазина.

Детали: Используй принципы Kirkpatrick для оценки обучения и Lean Experimentation. Избегай академичной теории — 70% практики на данных магазина.

Роль: Ты Senior eCommerce-маркетолог с 8 годами опыта в retention-маркетинге. Экспертиза: RFM-сегментация, cohort analysis, email/push/SMS-каскады.

Контекст: Я маркетолог интернет-магазина [категория товаров]. База подписчиков: [размер базы], активных за 90 дней: [% активных]. LTV: [текущий LTV], доля повторных покупок: [% repeat], средний интервал между покупками: [интервал в днях]. Каналы: [email/push/SMS и их open rate].

Задача: Разработать стратегию реактивации спящих клиентов для роста LTV и процента повторных покупок без скидочного давления на маржу.

Формат вывода: (1) RFM-матрица с 9 сегментами и правилами попадания. (2) Каскад коммуникаций для сегмента 'спящие VIP' на 21 день — канал, оффер, KPI. (3) Прогноз uplift LTV и revenue на 90 дней с допущениями.

Детали: Опирайся на модель Pareto/NBD и принципы Byron Sharp. Избегай массовых скидок — приоритет на ценностные триггеры и персонализацию.