RFM Analysis
Что это
Анализ по частоте и ценности
Описание
Оценивает клиентов по давности, частоте и сумме покупок для выявления лояльных и убывающих.
Входные данные
Данные о времени, частоте и суммах покупок клиентов
Пример промпта
«[Роль]: Ты CRM-аналитик в онлайн-магазине косметики.
[Задача]: Проведи RFM-анализ клиентов на основе следующих данных: дата последней покупки, количество заказов за год, общая сумма покупок. Выяви клиентов с высоким RFM-скором.
[Входные данные]:
Тип бизнеса: онлайн-продажа натуральной косметики
Целевая аудитория: женщины 20–45 лет
Продукт: уходовая косметика, органические средства
Цель: выделить сегменты для кампаний лояльности и персонализированных предложений
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных подхода к интерпретации RFM-оценок, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Для каждого ключевого сегмента предложи стратегию взаимодействия»
Predictive Analytics for Customer Lifetime Value
Что это
Прогнозирование LTV клиента
Описание
Прогнозирует долгосрочную ценность клиента на основе исторических данных
Входные данные
История покупок, демография, поведение
Пример промпта
[Роль ]: Ты [CRM-аналитик ], специализирующийся на применении [искусственного интеллекта ] в [маркетинговой аналитике ].
[Задача ]: Используя модель [Predictive Analytics for Customer Lifetime Value ], спрогнозируй долгосрочную ценность клиентов для бизнеса, предлагающего [колпачки для упаковки соусов, кетчупа, сгущённого молока и других жидких продуктов ].
[Контекст ]: Не ограничивайся простым расчётом CLV – проанализируй, какие типы клиентов имеют наибольшую вероятность повторных закупок, какие факторы повышают лояльность, и как можно влиять на показатель через маркетинговые действия.
[Входные данные ]:
[История покупок ]: частота, объём, ассортимент
[Демография ]: регион, тип клиента (B2B/B2C), размер компании или потребление
[Поведение ]: уровень вовлечённости, обращения в поддержку, отзывы
[Формат ]: Сначала объясни, что такое [Predictive Analytics for Customer Lifetime Value ], затем покажи свой ход мыслей [шаг за шагом ], применяя модель к этой ситуации. Опиши, какие параметры ты считаешь наиболее значимыми для прогнозирования дохода от клиента.
[Дополнительно ]: Предложи 2–3 [сегмента клиентов по доходности ], оцени их потенциал и предложи стратегию удержания или роста каждого из них.»
Churn Prediction Models
Что это
Модель предсказания оттока
Описание
Модели прогнозируют вероятность ухода клиентов на основе их поведения.
Входные данные
Входные данные зависят от задачи – это могут быть профили клиентов, данные аналитики, контент, описания продукта
Пример промпта
«[Роль]: Ты аналитик по удержанию клиентов в компании, предоставляющей подписку на онлайн-курсы.
[Задача]: Определи клиентов с высоким риском оттока на основе следующих данных: частота входов в аккаунт, длительность просмотра контента, активность в чатах, покупка допопций, обращения в поддержку, завершение курсов.
[Входные данные]:
Тип бизнеса: онлайн-образование (подписка)
Целевая аудитория: взрослые 25–45 лет
Продукт: платформа с курсами по IT, маркетингу и soft skills
Цель: предотвратить отток через спецпредложения
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных варианта оценки риска оттока, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Выдели ключевые признаки оттока и предложи целевую стратегию для снижения ухода клиентов.»
Attribution Models
Что это
Модели атрибуции
Описание
Анализ вклада разных каналов в достижение конверсии.
Входные данные
Каналы взаимодействия, история касаний.
Пример промпта
«[Роль]: Ты performance-маркетолог с опытом анализа эффективности рекламных кампаний.
[Задача]: Оцени вклад каждого канала в конверсию, используя разные модели атрибуции: First-touch, Last-touch, Multi-touch. Сравни результаты и предложи рекомендации по перераспределению бюджета.
[Входные данные]:
Каналы трафика: Google Ads, Instagram, Email, Organic Search, Referral
Путь клиента: большинство пользователей приходят через Instagram, затем – через органический поиск, финальный клик – через Google Ads
Цель: определить, какой канал заслуживает увеличения инвестиций
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных интерпретации данных, затем выбери наиболее согласованный вариант. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Объясни, почему ты выбрал именно эту модель атрибуции и как она лучше отражает реальный вклад каналов.»
AI-Powered Customer Segmentation
Что это
Сегментация клиентов на базе ИИ
Описание
ИИ анализирует поведение клиентов для создания персонализированных сегментов.
Входные данные
Входные данные зависят от задачи – это могут быть профили клиентов, данные аналитики, контент, описания продукта
Пример промпта
«[Роль]: Ты CRM-аналитик в онлайн-магазине по продаже спортивного питания.
[Задача]: Сегментируй клиентов по паттернам поведения: частота покупок, сумма заказов, время последней покупки, категории товаров, уровень взаимодействия с email-рассылками.
[Входные данные]:
Тип бизнеса: онлайн-магазин спортивного питания
Целевая аудитория: мужчины и женщины 18–45 лет
Продукт: протеин, BCAA, жиросжигатели, витамины
Цель: персонализировать коммуникацию и повысить повторные покупки
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных способа группировки клиентов, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Для каждой группы предложи целевую маркетинговую стратегию»
NLP in Sentiment Analysis
Что это
Анализ настроений с помощью NLP
Описание
NLP помогает оценивать уровень удовлетворенности и вовлеченности клиентов по отзывам и комментариям.
Входные данные
Отзывы, комментарии, соцмедиа сообщения
Пример промпта
«[Роль]: Ты эксперт по клиентскому опыту в сфере пищевой упаковки.
[Задача]: Проанализируй 10 последних отзывов о колпачках для упаковки соусов и продуктов вроде кетчупа и сгущённого молока. Определи тональность каждого отзыва и выдели ключевые причины удовлетворённости или недовольства.
[Входные данные]:
"Колпачок удобно открывается и плотно закрывается обратно."
"После открытия остаются следы продукта на крышке – неудобно чистить."
"Хорошая защита от протекания в багаже."
"Трудно открыть одной рукой – неудобно на кухне."
"Удобен для детского питания, ничего не проливается."
"Материал кажется непрочным, боюсь, что сломается при транспортировке."
"Легко повторно закрыть – это большой плюс!"
"Не хватает индикатора вскрытия упаковки."
"Скользит в руках при открытии, особенно если мокрые пальцы."
"Отличное решение для хранения после вскрытия."
[Формат]: Текстовый вывод: сначала покажи свой ход мыслей шаг за шагом, затем представь результат в виде краткого отчёта: категории эмоций, основные темы, рекомендации.
[Дополнительно]: Не используй таблицы, оформи всё в виде связного текста.»
CSPM (Customer Sentiment Prediction Models)
Что это
Модели прогнозирования клиентских эмоций, основанные на анализе текстовых данных и поведенческих паттернов.
Описание
Эти модели позволяют предсказывать отношение клиентов к продуктам, услугам или бренду в целом. Используются методы машинного обучения, NLP (Natural Language Processing), а иногда и данные о взаимодействии пользователей с платформой (например, время просмотра, частота визитов, клики). Основная цель – понять, какие факторы формируют положительное, нейтральное или отрицательное отношение и как его можно скорректировать.
Входные данные
Отзывы на сайтах, в социальных сетях и маркетплейсах
Чат-логи поддержки
Данные CRM: история покупок, отток, активность
Тексты из опросов удовлетворённости (NPS, CES)
Демографические данные клиентов
Метаданные взаимодействия (время, длительность, частота)
Пример промпта
[Роль]: Ты аналитик данных с опытом в области обработки естественного языка и прогнозирования клиентского опыта.
[Задача]: Построй модель прогнозирования клиентской эмоции для онлайн-магазина натуральной одежды "GreenThreads". Определи ключевые триггеры положительных и отрицательных отзывов.
[Входные данные]:
Тип бизнеса: D2C продажа экологичной одежды
Целевая аудитория: молодые люди 18–35 лет, ценящие устойчивое потребление
Исходные данные:
– 5000 отзывов клиентов за последние 6 месяцев
– Данные CRM: тип покупателя (новый/повторный), сумма заказа, срок доставки
– Социальные медиа: комментарии и репосты в Instagram и TikTok
Цель: выявить ключевые факторы влияния на клиентскую эмоцию и предложить стратегию повышения лояльности
[Формат]:
Сначала покажи свой ход мыслей шаг за шагом. Примени подходы NLP (Sentiment Analysis, Topic Modelling) и простую корреляционную интерпретацию поведенческих метрик. Выбери наиболее вероятные триггеры. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Сформулируй рекомендации по улучшению слабых зон и использованию сильных сторон в коммуникации и UX.
Predictive Analytics
Что это
Прогнозная аналитика
Описание
Использует исторические данные для прогнозирования будущего поведения клиентов.
Входные данные
Входные данные зависят от задачи – это могут быть профили клиентов, данные аналитики, контент, описания продукта
Пример промпта
«[Роль]: Ты маркетолог по акциям в онлайн-магазине одежды.
[Задача]: Спрогнозируй влияние предстоящей акции "Скидка 30% на всю одежду" на уровень конверсии сайта.
[Входные данные]:
Тип бизнеса: онлайн-продажа одежды
Целевая аудитория: женщины 25–40 лет
Продукт: повседневная и офисная одежда
Исторические данные: прошлые акции, конверсия, трафик, сезонность
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных сценария развития событий после запуска акции, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц и графиков.
[Дополнительно]: Оцени вероятное изменение конверсии, укажи ключевые факторы, которые могут повлиять на результат, и дай рекомендации по оптимизации акции.»
Attribution Models
Что это
Модели атрибуции
Описание
Анализируют путь клиента и ценность каждого канала: First/Last/Multi-touch.
Входные данные
История взаимодействия пользователей с каналами маркетинга
Пример промпта
«[Роль]: Ты performance-маркетолог в компании, которая продвигает онлайн-курсы по программированию.
[Задача]: Определи наиболее эффективные маркетинговые каналы на основе модели Multi-touch attribution. Рассмотри вклад каждого канала на разных этапах воронки: осведомлённость, интерес, конверсия.
[Входные данные]:
Тип бизнеса: онлайн-образование (курсы по IT)
Целевая аудитория: молодые специалисты и студенты 18–35 лет
Продукт: платформа с курсами по Python, Data Science, DevOps
Цель: перераспределить рекламный бюджет в пользу самых эффективных каналов
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных варианта оценки эффективности каналов, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Предложи рекомендации по перераспределению бюджета между каналами.»
Predictive Customer Behavior Modeling
Что это
Предсказание поведения клиентов
Описание
Анализ прошлого поведения для прогноза будущих действий.
Входные данные
Входные данные зависят от задачи – это могут быть профили клиентов, данные аналитики, контент, описания продукта
Пример промпта
[Роль]: Ты data scientist в компании, производящей колпачки для упаковки жидких и густых пищевых продуктов: кетчуп, горчица, сгущённое молоко, соусы.
[Задача]: Определи группы клиентов (оптовые покупатели, перерабатывающие предприятия, производители FMCG), которые с высокой вероятностью увеличат объёмы закупок в следующем квартале, на основе их исторических данных: частота заказов, сезонность, объём партий, реакция на предложения, сроки оплаты.
[Входные данные]:
Тип бизнеса: B2B-производство упаковочных решений
Целевая аудитория: Предприятия пищевой промышленности, фасовочные цеха, розничные сети
Продукт: Колпачки Twist-Off, Flip-Top, Dosator, индивидуальные решения для упаковки
Цель: Повысить повторные продажи и средний чек через персонализированный подход к клиентам
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных подхода к оценке вероятности повторных заказов или роста спроса, затем выбери наиболее обоснованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Для каждой выделенной группы клиентов предложи рекомендации по стратегии взаимодействия: коммуникации, стимулирование спроса, работа с возражениями.
Machine Learning in Conversion Rate Optimization
Что это
ML в оптимизации конверсии
Описание
Анализирует поведение на сайте и предлагает варианты улучшения для роста конверсий.
Входные данные
История взаимодействия пользователей с каналами маркетинга
Пример промпта
[Входные данные]: Уточни тип упаковки (например, колпачки для соусов, кетчупа, сгущённого молока), целевую аудиторию, канал продвижения и текущие проблемы с конверсией.
[Роль]: Эксперт по упаковке и пользовательскому опыту
[Задача]: Определить ключевые факторы влияния на выбор потребителя и предложить оптимизацию упаковки/описания
[Формат]: ML-анализ поведенческих данных + рекомендации по улучшению
[Результат]: Повышение конверсии за счёт более точного соответствия ожиданиям потребителей
Intent-Based Marketing Algorithms
Что это
Алгоритмы на основе намерений пользователей
Описание
Выявляют поведенческие сигналы и создают персонализированные предложения
Входные данные
Логи кликов, просмотров, история покупок
Пример промпта
«[Роль ]: Ты [digital marketer ], специализирующийся на применении [искусственного интеллекта ] в [маркетинговой аналитике ].
[Задача ]: Используя данные о поведении пользователей, разработай стратегию [Intent-Based Marketing ] для продвижения [колпачков для упаковки соусов, кетчупа, сгущённого молока и других жидких продуктов ].
[Контекст ]: Вместо простого анализа действий пользователя, тебе нужно выявить его реальные [поведенческие сигналы ] – например, интерес к герметичности, удобству открывания или экологичности упаковки. Затем создай [персонализированные предложения ], которые соответствуют этим намерениям.
[Входные данные ]:
[История взаимодействия пользователя с сайтом ]: просмотры страниц, время на сайте, клики по характеристикам колпачка, добавление в корзину
[Целевая аудитория ]: производители продуктов питания, ритейлеры, B2B-закупщики или конечные потребители – родители, семьи, любители фастфуда
[Тип продукта ]: [колпачки для упаковки жидких продуктов ] различных видов (герметичные, многоразовые, порционные и т. д.)
[Формат ]: Сначала объясни, что такое [Intent-Based Marketing Algorithms ], затем покажи свой ход мыслей [шаг за шагом ], применяя модель к этой ситуации. Опиши, какие [поведенческие сигналы ] могли бы указывать на интерес к определённым типам колпачков, и как на их основе можно создать [персонализированные предложения ].
[Дополнительно ]: Предложи пример [персонализированной рекламы или email-рассылки ], которая будет резонировать с пользователем на основе выявленной намеренности.»
Automated Lead Scoring Systems
Что это
Оценка лидов
Описание
Присваивает оценку лидам на основе уровня их вовлеченности для приоритезации.
Входные данные
CRM-данные и действия пользователей на сайте
Пример промпта
«[Роль]: Ты менеджер по продажам в компании, предлагающей онлайн-курсы по программированию.
[Задача]: Проведи автоматическую оценку лида по их активности: посещение страниц курса, просмотры видео, время на сайте, заполнение формы, клики по email-рассылке, участие в вебинарах.
[Входные данные]:
Тип бизнеса: онлайн-образование
Целевая аудитория: начинающие разработчики 20–35 лет
Продукт: курс по Python для начинающих
Цель: приоритизировать горячих лида для персонального контакта
[Формат]: Сначала покажи свой ход мыслей шаг за шагом. Рассмотри 2–3 возможных способа оценки лида, затем выбери наиболее согласованный. Представь результат в виде текстового отчёта без таблиц.
[Дополнительно]: Опиши, почему этот лид получает такую оценку, и дай рекомендации по дальнейшим действиям.»
О проекте
О подписке
Другие проекты