Промты для маркетинга и продаж: 14 сценариев, которые заменят вам целый отдел роста
Когда маркетинговый бюджет ограничен, а гипотезы нужно проверять ежедневно, на выручку приходят большие языковые модели (LLM). Однако магия происходит не от самого факта наличия ChatGPT, а от качества промта — постановки задачи. В этой подборке я собрал 14 сценариев, которые закрывают ключевые этапы воронки продаж: от генерации идей до анализа возражений и сегментации клиентов. Каждый промт — это готовый инструмент, который можно скопировать и адаптировать под свой бизнес.
Базовые промты: быстрый старт
Эти сценарии не требуют глубоких технических знаний. Они подойдут маркетологам, которые только начинают использовать AI в маркетинге.
1. Генерация гипотез для A/B-тестов
Задача: Быстро получить список проверяемых гипотез для лендинга или рекламного объявления.
Промт:
Ты — опытный маркетолог-аналитик. Предложи 5 гипотез для A/B-теста посадочной страницы [описание продукта]. Каждая гипотеза должна содержать: изменение (что меняем), метрику (что измеряем) и ожидаемый эффект. Учитывай психологию потребителя и предыдущие исследования.
Пример результата:
1. Замена заголовка с «Купите курс» на «Получите профессию за 3 месяца» → метрика: конверсия в регистрацию → ожидаемый рост на 15–20%.
2. Добавление блока с отзывами сразу под CTA → метрика: время на странице, клики → ожидаемый рост кликов на 10%.
2. Написание цепляющих заголовков для email-рассылки
Задача: Создать тему письма, которую откроют.
Промт:
Сгенерируй 10 вариантов темы письма для рассылки по теме [тема]. Целевая аудитория: [описание]. Используй разные триггеры: срочность, выгода, любопытство, персонализация. Не используй спам-слова.
Пример результата:
- «[Имя], ваш доступ к шаблонам истекает сегодня»
- «Как мы сократили расходы на 30% с помощью одного промта»
- «Не открывайте это письмо, если не хотите расти»
3. Скрипт для холодного звонка
Задача: Подготовить структуру разговора с потенциальным клиентом.
Промт:
Ты — руководитель отдела продаж. Напиши скрипт холодного звонка для [продукт/услуга]. Включи: представление, крюк (боль клиента), 3 открытых вопроса, обработку возражения «дорого» и закрытие на следующий шаг.
Пример результата:
Здравствуйте, [Имя]. Меня зовут [Имя], компания [Название]. Мы помогаем [сегмент] решать [проблема]. Например, недавно клиент сократил время на отчёты на 40%. Могу я задать пару вопросов, чтобы понять, актуально ли это для вас? ...
4. Сегментация клиентской базы по описанию
Задача: Разбить существующих клиентов на группы для таргетированных предложений.
Промт:
У меня есть список клиентов с полями: возраст, сумма покупок, частота покупок, последняя покупка. Предложи 4 сегмента на основе RFM-анализа и опиши, какие акции для каждого подойдут.
Пример результата:
| Сегмент | Характеристика | Рекомендация |
|---|---|---|
| VIP | R<30, F>5, M>10000 | Персональный менеджер, ранний доступ |
| Постоянные | R<60, F 2-5 | Программа лояльности |
| Спящие | R>90, F>0 | Реактивационная скидка |
| Новые | R<14, F=1 | Welcome-серия писем |
Продвинутые промты: автоматизация процессов
Здесь мы добавляем контекст, переменные и требуем от модели анализа данных. Эти промты для маркетинга требуют предварительной подготовки входных данных.
5. Анализ конкурентов и SWOT
Задача: Собрать конкурентную среду и выявить возможности.
Промт:
Проведи SWOT-анализ для компании [название] в нише [ниша]. Используй следующие данные о конкурентах: [список с ссылками]. Выдели 3 ключевых преимущества и 3 угрозы. Предложи стратегию дифференциации.
Пример результата:
Сильные стороны: уникальная технология, низкая цена. Слабые: слабый бренд. Возможности: рост спроса в сегменте B2B. Угрозы: демпинг конкурентов. Стратегия: фокус на качестве сервиса.
6. Генерация контент-плана на месяц
Задача: Создать план публикаций для блога и соцсетей.
Промт:
Составь контент-план на 4 недели для [тематика]. Формат: таблица с колонками: дата, канал, тип контента, заголовок, целевое действие. Учти 3 рубрики: образовательная, развлекательная, продающая.
Пример результата:
| Дата | Канал | Тип | Заголовок | Целевое действие |
|---|---|---|---|---|
| 01.11 | Блог | Статья | Как AI меняет маркетинг | Подписка |
| 03.11 | Telegram | Опрос | Какая CRM у вас? | Вовлечение |
7. Обработка возражений в продажах
Задача: Подготовить ответы на частые возражения.
Промт:
Собери топ-5 возражений клиентов для [продукт] и напиши для каждого ответ, который переводит разговор в конструктивное русло. Используй технику «Присоединение + Аргумент + Вопрос».
Пример результата:
Возражение: «Дорого». Ответ: «Понимаю, цена важна. Но наши клиенты экономят в среднем 20 часов в месяц, что окупает стоимость за первый месяц. Как вы сейчас решаете эту задачу?»
8. Составление CJM (Customer Journey Map)
Задача: Визуализировать путь клиента от знакомства до покупки.
Промт:
Опиши путь клиента для [продукт] в формате таблицы: этап, действия клиента, точки контакта, эмоции, боли. Предложи, как улучшить каждый этап.
Пример результата:
| Этап | Действия | Точки контакта | Боли | Улучшение |
|---|---|---|---|---|
| Осознание | Поиск в Google | Реклама, блог | Не доверяет | Кейсы |
| Выбор | Сравнение | Сайт, отзывы | Сложно выбрать | Калькулятор |
Экспертные промты: глубокий анализ и автоматизация
Эти промты для автоматизации продаж предполагают работу с данными и интеграцию с API. Они показывают, как AI в маркетинге может заменить аналитика.
9. Прогнозирование оттока клиентов (Churn Prediction)
Задача: Выявить клиентов, склонных к уходу.
Промт:
У меня есть данные о клиентах: [поля]. Проанализируй и выдели признаки, которые коррелируют с оттоком. Предложи формулу скоринга и список действий для удержания.
Пример результата:
Признаки: снижение частоты покупок, рост обращений в поддержку. Формула: Churn Score = 0.4(дней с последней покупки) + 0.3(количество обращений) + 0.3*(снижение трат). Действия: персональное предложение, звонок менеджера.
10. Автоматическая генерация UTM-меток
Задача: Стандартизировать разметку ссылок для аналитики.
Промт:
Напиши Python-скрипт, который принимает на вход базовый URL, источник, канал, кампанию и генерирует UTM-метки. Добавь валидацию и сохранение в CSV.
Пример результата:
import pandas as pd
from urllib.parse import urlencode
def generate_utm(base_url, source, medium, campaign):
params = {'utm_source': source, 'utm_medium': medium, 'utm_campaign': campaign}
return f"{base_url}?{urlencode(params)}"
# Пример
print(generate_utm('https://example.com', 'google', 'cpc', 'summer_sale'))
11. Кластеризация клиентов с помощью K-means
Задача: Разбить клиентов на группы по поведению.
Промт:
Дан датасет с признаками: [список]. Напиши код на Python для кластеризации методом K-means. Определи оптимальное число кластеров, выведи центроиды и интерпретируй каждый кластер.
Пример результата:
from sklearn.cluster import KMeans
import pandas as pd
df = pd.read_csv('clients.csv')
X = df[['age', 'purchases', 'avg_check']]
kmeans = KMeans(n_clusters=4, random_state=42).fit(X)
df['cluster'] = kmeans.labels_
print(df.groupby('cluster').mean())
Интерпретация: кластер 0 — молодые с низким чеком, кластер 1 — возрастные с высоким чеком и т.д.
12. Написание продающего лендинга под сегмент
Задача: Создать персонализированный текст для конкретной аудитории.
Промт:
Напиши текст лендинга для [продукт] для аудитории [сегмент]. Структура: заголовок, подзаголовок, 3 блока с выгодами, блок с отзывами, CTA. Используй язык, понятный этой аудитории.
Пример результата:
Заголовок: «Для владельцев кафе: увеличьте выручку на 20% без найма маркетолога». Блоки: 1) Автоматические рассылки для постоянных гостей. 2) Программа лояльности в смартфоне. 3) Аналитика по чекам.
13. Анализ тональности отзывов
Задача: Быстро понять настроение клиентов.
Промт:
Проанализируй отзывы из файла [название]. Определи тональность (позитив/негатив/нейтрал), выдели топ-3 причины недовольства и предложи решения.
Пример результата:
Из 100 отзывов: 60% позитив, 30% негатив, 10% нейтрал. Причины негатива: долгая доставка, грубость курьера, несоответствие описания. Решения: сменить службу доставки, обучить курьеров, улучшить карточки товаров.
14. Создание чат-бота для квалификации лидов
Задача: Автоматизировать первичный сбор информации.
Промт:
Напиши скрипт для чат-бота, который задаёт 3 вопроса для квалификации лида (бюджет, срок, потребность) и на основе ответов предлагает встречу или отправляет в рассылку. Используй Python и библиотеку telebot.
Пример результата:
import telebot
bot = telebot.TeleBot('TOKEN')
@bot.message_handler(commands=['start'])
def start(message):
bot.send_message(message.chat.id, 'Какой у вас бюджет?')
bot.register_next_step_handler(message, get_budget)
def get_budget(message):
budget = message.text
bot.send_message(message.chat.id, 'Когда планируете старт?')
bot.register_next_step_handler(message, get_timing, budget)
def get_timing(message, budget):
timing = message.text
if int(budget) > 50000:
bot.send_message(message.chat.id, 'Отлично! Давайте созвонимся.')
else:
bot.send_message(message.chat.id, 'Оставьте email, пришлём материалы.')
Как внедрять промты в бизнес-процессы
Чтобы AI в маркетинге приносил результат, важно не просто использовать отдельные промты, а встроить их в регулярные задачи. Начните с базовых сценариев: генерация гипотез и заголовков. Затем переходите к продвинутым — анализ конкурентов и CJM. Экспертные промты требуют доступа к данным и навыков программирования, но именно они дают максимальный эффект автоматизации продаж.
Помните: LLM не заменяет стратегическое мышление, но снимает рутину. Чем точнее вы описываете контекст и критерии успеха, тем полезнее будет ответ. Используйте эти 14 сценариев как основу и адаптируйте под свою нишу. Экспериментируйте, замеряйте результаты и масштабируйте то, что работает.
Источники и рекомендации:
- Документация OpenAI по промт-инжинирингу: platform.openai.com/docs/guides/prompt-engineering
- Google Analytics UTM Guide: support.google.com/analytics/answer/1033863
- RFM-анализ: статья на Wikipedia «RFM-анализ»
Если вы хотите глубже разобраться в автоматизации маркетинга с помощью AI, изучите наш курс — там мы разбираем реальные кейсы и даём шаблоны промтов для разных отраслей.
Комментарии