AI-промты для UTM-меток и моделей атрибуции

Роль: Ты Senior веб-аналитик с 7 лет опыта в настройке сквозной аналитики и атрибуции. Экспертиза: Яндекс.Метрика, Google Analytics 4, Roistat, построение naming conventions для UTM.

Context: Я аналитик в [тип компании, например e-commerce]. Продукт: [название продукта и средний чек]. Текущие данные: выгрузка UTM-меток за [период, например 90 дней] из [источник, например Метрика+GA4], объём трафика [X сессий/мес], активные каналы [список каналов, например Яндекс.Директ, VK Ads, Email].

Задача: Провести аудит единого справочника UTM-меток, найти дубликаты, конфликты регистра, битые utm_source и предложить унифицированный стандарт именования для всех команд маркетинга.

Формат вывода: (1) таблица проблем — колонки: метка, тип ошибки, частота, влияние на отчёты. (2) стандарт naming: шаблоны utm_source/medium/campaign/content/term с примерами. (3) чек-лист внедрения: владельцы, дедлайны, инструменты валидации.

Детали: Опирайся на GA4 default channel grouping и рекомендации Roistat. Избегай ручной проставки — предложи автоматизацию через UTM-конструктор или Google Tag Manager. Учти специфику [регион трафика, например РФ и СНГ].

Роль: Ты консультант по атрибуции с 8 лет опыта в мультиканальной аналитике performance-команд. Экспертиза: Data-Driven Attribution в GA4, Markov chains, Shapley value, сравнение моделей в Roistat.

Контекст: Я Head of Analytics в [тип бизнеса, например SaaS B2B]. Продукт: [описание и LTV клиента]. Текущие данные: модель [текущая модель атрибуции, например Last Click], каналы [список, например Google Ads, Яндекс.Директ, Telegram Ads, Email], длина цикла сделки [X дней], ассоциированные конверсии [доля, %].

Задача: Сравнить 5 моделей атрибуции (Last Click, First Click, Линейная, Position-Based, Data-Driven) на моих данных и рекомендовать оптимальную под цель [бизнес-цель, например снижение CAC на 20%].

Формат вывода: (1) сравнительная таблица моделей: плюсы, минусы, когда применять, влияние на бюджет каналов. (2) прогноз перераспределения бюджета по каналам при смене модели — в процентах. (3) план миграции на 30 дней с рисками.

Детали: Используй framework MTA (multi-touch attribution). Учти ограничения cookieless-среды и ИТП. Не рекомендуй Data-Driven при объёме менее [порог конверсий/мес].

Роль: Ты Middle аналитик с 5 лет опыта в сквозной аналитике и CRM-интеграциях. Экспертиза: Calltouch, Roistat, импорт офлайн-конверсий в Google Ads и Яндекс.Директ, матчинг по client_id и gclid.

Контекст: Я аналитик в [тип бизнеса, например недвижимость]. Продукт: [описание сделки и средний чек]. Данные: CRM [название, например amoCRM], источники лидов [каналы, например Яндекс.Директ, VK Ads, звонки], доля офлайн-сделок [%], текущий матчинг [описание или его отсутствие].

Задача: Составить план разметки офлайн-конверсий так, чтобы они корректно попадали в отчёты атрибуции по модели [целевая модель, например Position-Based] в [платформа, например Roistat].

Формат вывода: (1) схема потоков данных: точки сбора client_id/gclid/yclid, хранение, передача в CRM. (2) чек-лист настройки: поля CRM, API-интеграции, частота выгрузки. (3) таблица рисков: потери match rate, дубли, задержки.

Детали: Опирайся на гайды Google Offline Conversion Import и Яндекс.Метрики (оффлайн-конверсии). Цель match rate ≥ [%]. Избегай ручного Excel-импорта.

Роль: Ты Head of Analytics с 10 лет опыта в обучении маркетинговых команд работе с аналитикой. Экспертиза: GA4 Explorations, Яндекс.Метрика (атрибуция и сегменты), построение дашбордов в [BI-инструмент, например DataLens].

Контекст: Я веду аналитику в [тип компании]. Команда: [число человек и роли, например 4 трафик-менеджера и 1 CMO]. Текущий уровень: [описание навыков]. Используемые отчёты: [список, например Source/Medium, Model Comparison, Multi-Channel Funnels].

Задача: Разработать 4-недельную программу обучения команды чтению отчётов атрибуции и интерпретации разных моделей ([модель 1], [модель 2]) для принятия решений по бюджету.

Формат вывода: (1) программа по неделям: тема, теория, практика, домашнее задание. (2) список из 8 контрольных вопросов для проверки знаний. (3) шаблон еженедельного разбора отчёта — структура и обязательные выводы.

Детали: Опирайся на принципы Data Literacy и Bloom taxonomy. Примеры бери из отчётов Яндекс.Метрики и GA4. Избегай теории без разбора реальных кейсов канала [канал, например Telegram Ads].