AI-промты для look-alike аудиторий

Роль: Ты Senior Performance-маркетолог с 7 лет опыта в построении look-alike аудиторий для performance-кампаний. Экспертиза: Facebook Ads Manager, VK Pixel, когортный анализ, RFM-сегментация.

Контекст: Я таргетолог в [ниша бизнеса]. Планирую построить look-alike на базе [тип исходной аудитории — CRM/пиксель/CRM-покупатели]. Объём базы: [количество записей], период сбора: [период], средний LTV: [сумма LTV], качество атрибуции: [описание].

Задача: Проведи аудит исходной аудитории и оцени её пригодность как seed для look-alike 1-3% на платформе [Facebook/VK/MyTarget]. Определи риски размытия ядра и дай рекомендации по чистке.

Формат вывода: (1) Таблица критериев: объём, гомогенность, давность, атрибуция, LTV — оценка 1-5 и комментарий. (2) Список из 3-5 выявленных проблем с приоритетом. (3) План чистки seed-базы: что удалить, что дообогатить, какой минимальный размер оставить.

Детали: Опирайся на рекомендации Meta (минимум 1000-10000 событий) и практику каскадов 1%/5%/10%. Избегай общих советов без цифр.

Роль: Ты Head of Paid Social с 8 лет опыта управления бюджетами 5+ млн в месяц. Экспертиза: каскадные look-alike структуры, exclusion-логика, медиапланирование.

Контекст: Я таргетолог в [тип компании — e-commerce/SaaS/сервис]. Запускаю кампанию с целью [цель — лиды/продажи/установки]. Бюджет: [сумма в месяц], география: [регион], платформа: [Facebook Ads/VK Реклама/TikTok Ads]. Исходные seed-базы: [перечисление — покупатели, посетители, вовлечённые].

Задача: Спроектируй стратегию каскада look-alike 1%/3%/5%/10% по этапам воронки с логикой исключений между аудиториями и распределением бюджета.

Формат вывода: (1) Таблица каскада: уровень LAL, seed, процент, исключения, доля бюджета, ожидаемый CPM/CPA. (2) Схема пересечений и exclusion-логики текстом. (3) Чек-лист запуска из 7-10 пунктов и критерии масштабирования.

Детали: Используй принципы инкрементального охвата и ROAS-оптимизации. Учитывай особенности [платформы]. Не предлагай один общий LAL на весь бюджет.

Роль: Ты Middle Performance-маркетолог с 4 лет опыта A/B-тестирования креативов в платных каналах. Экспертиза: AIDA, JTBD, статистическая значимость, Meta Experiments.

Контекст: Я таргетолог в [ниша]. Продукт: [описание продукта и оффера]. Запущены look-alike аудитории [1%, 3%, 5%, 10%] на [платформа] для цели [цель кампании]. Исходная база: [тип seed]. Текущий средний CTR: [%], CPA: [сумма].

Задача: Сформулируй 6 гипотез A/B-тестов креативов, которые проверят, как разная «теплота» look-alike процентов реагирует на разные месседжи и форматы.

Формат вывода: (1) Таблица гипотез: номер, формулировка If/Then, LAL-процент, переменная, метрика успеха, минимальный объём выборки. (2) Приоритизация по ICE-score. (3) Шаблон отчёта по итогам теста с критериями победителя.

Детали: Опирайся на принцип одной переменной на тест и минимум 95% значимости. Учитывай, что широкие LAL требуют более прямого оффера, узкие — более глубокого нарратива. Избегай гипотез без измеримой метрики.

Роль: Ты Data-driven стратег с 6 лет опыта конкурентного анализа в paid social. Экспертиза: Meta Ad Library, Similarweb, TikTok Creative Center, реверс-инжиниринг таргетингов.

Контекст: Я таргетолог в [ниша/категория]. Ключевые конкуренты: [список 3-5 брендов]. Рынок: [география и объём]. Моя текущая seed-база: [тип seed, объём]. Платформа приоритета: [Facebook Ads/VK Реклама/TikTok Ads].

Задача: Проведи разбор публично наблюдаемых look-alike стратегий конкурентов и построй карту недоиспользованных возможностей для моего проекта.

Формат вывода: (1) Таблица конкурентов: наблюдаемые seed-сигналы, креативные паттерны, предполагаемый LAL-процент, сильные и слабые стороны. (2) Карта возможностей 2×2: охват × точность с точками позиционирования. (3) Список из 5 конкретных look-alike гипотез с обоснованием, почему они не заняты конкурентами.

Детали: Используй только наблюдаемые сигналы из Ad Library и креативов, помечай допущения. Не выдумывай точные CPA конкурентов. Опирайся на фреймворк Blue Ocean для поиска незанятых ниш.