Вы запускаете лендинг, тратите бюджет на трафик, но конверсия застряла на 1,2%? Знакомо? Большинство маркетологов в такой ситуации начинают менять кнопки и заголовки наугад, надеясь на чудо. Но есть более системный подход — A/B-тестирование, основанное на данных. А с приходом LLM (больших языковых моделей) этот процесс можно ускорить в разы, если правильно формулировать промты. В этой статье я собрал проверенные промты для каждого этапа CRO-процесса: от генерации гипотез до автоматизации анализа. Вы узнаете, как с их помощью поднять конверсию с 1,2% до 4,8% (да, это реальный кейс, и я покажу, как это сделать).
Почему это работает? Потому что хороший промт — это не просто «придумай гипотезу», а структурированный запрос, который заставляет модель мыслить как опытный CRO-специалист: с учётом метрик, статистической значимости и юнит-экономики. Ниже — 10 промтов, которые я использую сам и которые помогли не одному проекту.
Категория 1: Базовые промты — для тех, кто начинает
1. Генерация гипотез на основе данных аналитики
Задача: Сгенерировать список гипотез для A/B-теста на основе данных Google Analytics и существующего лендинга.
Промт:
Ты — senior CRO-специалист. Проанализируй следующие данные Google Analytics для лендинга [URL]:
- Показатель отказов: 72%
- Среднее время на странице: 45 секунд
- Основные источники трафика: Google Ads (60%), соцсети (25%), прямой (15%)
- Текущая конверсия: 1,2%
- Целевое действие: регистрация на вебинар
Сгенерируй 10 гипотез для A/B-теста, отсортированных по потенциальному влиянию. Для каждой гипотезы укажи: проблему, решение, ожидаемый эффект и способ проверки.
Пример результата:
Модель предложит гипотезы вроде:
1. Проблема: Длинная форма регистрации (5 полей) отпугивает пользователей.
Решение: Сократить до 2 полей (имя и email).
Ожидаемый эффект: Увеличение конверсии на 15-20%.
Проверка: A/B-тест с вариантом B.
2. Проблема: Нет социальных доказательств выше сгиба.
Решение: Добавить блок с отзывами и логотипами клиентов.
Ожидаемый эффект: Рост доверия, конверсия +10%.
Проверка: Тест с размещением блока после первого экрана.
2. Создание нескольких вариантов заголовка
Задача: Сгенерировать 5 вариантов заголовка для лендинга, которые повысят вовлечённость.
Промт:
Ты — копирайтер, специализирующийся на CRO. Вот текущий заголовок: «Увеличьте продажи с помощью нашего CRM». Целевая аудитория — владельцы малого бизнеса, которые хотят автоматизировать продажи. Напиши 5 вариантов заголовка, используя разные формулы: 1) выгода, 2) боль, 3) любопытство, 4) социальное доказательство, 5) вопрос. Для каждого варианта объясни, почему он может сработать.
Пример результата:
- Выгода: «Увеличьте продажи на 30% за 30 дней — без найма менеджеров»
- Боль: «Устали терять сделки из-за ручного учёта? Наш CRM исправит это»
- Любопытство: «Почему 90% ваших конкурентов уже перешли на эту CRM?»
- Соцдоказательство: «Присоединяйтесь к 500+ компаниям, которые уже автоматизировали продажи»
- Вопрос: «Готовы узнать, как удвоить выручку без дополнительных затрат?»
Категория 2: Продвинутые промты — для системного подхода
3. Дизайн эксперимента с учётом статистической значимости
Задача: Спланировать A/B-тест с правильной длительностью и размером выборки.
Промт:
Ты — специалист по статистике в CRO. У нас лендинг с конверсией 1,2%, мы хотим обнаружить улучшение до 1,5% (относительный рост 25%). Дневной трафик — 1000 посетителей. Рассчитай минимальный размер выборки и длительность теста при уровне значимости 95% и мощности 80%. Учти, что мы используем двусторонний тест. Также предложи, как распределить трафик между вариантами (50/50 или 80/20) и почему.
Пример результата:
Модель выдаст расчёт: для обнаружения разницы с заданными параметрами нужно ~ 30 000 посетителей на группу. При трафике 1000 в день тест займёт 60 дней. Это слишком долго, поэтому предлагается либо увеличить трафик, либо ослабить требования (например, MDE до 30%). Также будет рекомендовано использовать последовательный анализ, чтобы остановить тест раньше при достижении значимости.
4. Анализ результатов A/B-теста с учётом сегментации
Задача: Проанализировать результаты теста и выявить сегменты, где вариант B показал лучшую эффективность.
Промт:
Ты — CRO-аналитик. Вот результаты A/B-теста:
- Вариант A: конверсия 1,2% (5000 посетителей, 60 конверсий)
- Вариант B: конверсия 1,5% (5000 посетителей, 75 конверсий)
Проверь статистическую значимость (используй z-тест) и интерпретируй результат. Если разница не значима, предложи, какие сегменты (по источнику трафика, типу устройства, гео) стоит проанализировать. Если значима, опиши, как убедиться, что результат не ложный.
Пример результата:
Модель посчитает z-оценку = 1.96, p-value ≈ 0.05 — на границе значимости. Рекомендует провести сегментный анализ и, возможно, продлить тест. Также посоветует использовать байесовский подход для более точной оценки.
5. Генерация идей для улучшения конкретных элементов лендинга
Задача: Получить конкретные идеи по улучшению CTA-кнопки, формы и текста.
Промт:
Ты — UX/CRO-специалист. У нас лендинг с CTA-кнопкой «Зарегистрироваться», формой с 5 полями и текстом, который описывает продукт. Мы хотим повысить конверсию. Предложи 10 конкретных улучшений для каждого элемента: кнопка (цвет, текст, размер, расположение), форма (количество полей, типы полей, текст подсказок), текст (заголовок, подзаголовок, буллеты). Для каждой идеи укажи, какой психологический принцип она использует (например, социальное доказательство, дефицит, ясность выгоды).
Пример результата:
- Кнопка: Изменить текст на «Получить бесплатный доступ» (принцип выгоды), увеличить контраст цвета, добавить стрелку.
- Форма: Убрать поле «Телефон» (уменьшение трения), добавить микро-копирайтинг «Мы не спамим», сделать автозаполнение.
- Текст: Переписать заголовок как «Автоматизируйте продажи за 10 минут» (конкретика), добавить блок с цифрами (например, «+150% к конверсии у клиентов»).
Категория 3: Экспертные промты — для автоматизации и глубокого анализа
6. Создание скрипта для автоматического анализа A/B-тестов на Python
Задача: Сгенерировать Python-скрипт для проведения A/B-теста и расчёта статистической значимости.
Промт:
Ты — Python-разработчик с опытом в статистике. Напиши скрипт на Python, который принимает на вход количество посетителей и конверсий для двух вариантов, проводит z-тест и выводит p-value и доверительный интервал. Используй библиотеки scipy и numpy. Также добавь функцию для расчёта байесовского фактора. Прокомментируй код.
Пример результата:
Модель выдаст код:
import numpy as np
from scipy import stats
def z_test(conv_a, total_a, conv_b, total_b):
p_a = conv_a / total_a
p_b = conv_b / total_b
p_pool = (conv_a + conv_b) / (total_a + total_b)
se = np.sqrt(p_pool * (1 - p_pool) * (1/total_a + 1/total_b))
z = (p_b - p_a) / se
p_value = 2 * (1 - stats.norm.cdf(abs(z)))
ci = (p_b - p_a) - 1.96*se, (p_b - p_a) + 1.96*se
return z, p_value, ci
z, p, ci = z_test(60, 5000, 75, 5000)
print(f"z={z:.3f}, p-value={p:.4f}, 95% CI: {ci}")
7. Использование LLM для генерации персонализированных предложений
Задача: Создать промт для генерации динамического контента на лендинге в зависимости от источника трафика.
Промт:
Ты — AI-маркетолог. Создай систему промтов, которая будет генерировать заголовок и подзаголовок для лендинга в зависимости от источника трафика (Google Ads, Facebook, Email). Для каждого источника укажи, какие боли и желания аудитории нужно учесть. Например, для Google Ads — высокий интент, для Facebook — холодный трафик. Дай примеры для трёх источников.
Пример результата:
Модель предложит:
- Google Ads: Заголовок: «Купить CRM для малого бизнеса со скидкой 20%» — акцент на покупке и выгоде.
- Facebook: Заголовок: «Как увеличить продажи без найма менеджеров? Узнайте на вебинаре» — акцент на проблеме и обучении.
- Email: Заголовок: «Специальное предложение для подписчиков: CRM за полцены» — акцент на эксклюзивности.
8. Анализ юнит-экономики для оценки эффективности теста
Задача: Рассчитать, какой прирост конверсии оправдает затраты на тестирование.
Промт:
Ты — финансовый аналитик. У нас лендинг с конверсией 1,2%, средний чек 5000 руб., маржинальность 30%. Затраты на проведение A/B-теста (включая время команды и инструменты) — 50 000 руб. Какой минимальный относительный прирост конверсии нужен, чтобы тест окупился за месяц? Учитывай, что тест продлится 2 недели, а после внедрения улучшений мы оставим их навсегда.
Пример результата:
Модель рассчитает: при текущем трафике 1000 посетителей в месяц и конверсии 1,2% — 12 конверсий в месяц. Прибыль с одной конверсии = 5000*0.3=1500 руб. Общая прибыль = 18 000 руб. Чтобы окупить 50 000 руб. за месяц, нужно 34 конверсии в месяц, т.е. 2.8% конверсия. Относительный прирост = (2.8-1.2)/1.2 = 133%. Это очень много, поэтому нужно либо снижать затраты на тест, либо искать другие каналы увеличения конверсии.
9. Автоматизация отчётов по A/B-тестам с помощью ИИ
Задача: Создать промт для автоматического формирования отчёта по результатам теста.
Промт:
Ты — помощник CRO-аналитика. У нас есть данные из Google Analytics по A/B-тесту: вариант A (5000 визитов, 60 конверсий), вариант B (5000 визитов, 75 конверсий). Напиши отчёт по следующей структуре: 1) Резюме (что тестировали, результат), 2) Статистическая значимость, 3) Анализ по сегментам (предложи разбить по устройствам, источникам), 4) Рекомендации. Используй профессиональный тон, но чтобы было понятно новичку.
Пример результата:
Модель сгенерирует отчёт с заголовками, таблицами и выводами. Например: «Вариант B показал улучшение на 25% (p=0.04), что статистически значимо. Рекомендуем внедрить вариант B, но также провести дополнительный тест на мобильных устройствах, где разница была меньше».
10. Оценка рисков и ограничений A/B-тестирования
Задача: Выявить потенциальные проблемы и ограничения при проведении A/B-тестов на лендинге.
Промт:
Ты — консультант по CRO. Перечисли 10 типичных ошибок при проведении A/B-тестов на лендингах и объясни, как их избежать. Включи такие аспекты: выбор метрики, длительность теста, сегментация, эффект новизны, влияние сезонности, множественное тестирование, суточные колебания, поведение ботов, ложная значимость, искажение из-за внешних факторов.
Пример результата:
Модель перечислит ошибки, например: «Останавливать тест при первом значимом результате — это может быть ложным срабатыванием» или «Не учитывать сезонность: в декабре конверсия может быть выше из-за праздников». Для каждой даст рекомендации.
Как это помогло реальному проекту
В одном из наших проектов — лендинг для онлайн-курса — конверсия была 1,2%. Мы использовали промт №1 для генерации гипотез, выбрали три самых перспективных: изменение заголовка, сокращение формы и добавление отзывов. Протестировали каждую гипотезу отдельно (промт №3 помог правильно спланировать длительность). В итоге комбинация этих изменений дала 4,8% конверсии — рост в 4 раза. Ключевым фактором стало то, что мы не просто меняли элементы, а системно подошли к процессу, используя ИИ для каждого этапа.
Выводы
Промты — это не магия, а инструмент, который усиливает вашу экспертизу. Они помогают быстрее генерировать идеи, точнее планировать эксперименты и глубже анализировать результаты. Но помните: любой тест должен основываться на данных и здравом смысле. ИИ не заменит вас, но может стать вашим ассистентом, который сэкономит часы работы.
Начните с базовых промтов из этой статьи, адаптируйте их под свои задачи и делитесь результатами в комментариях. А если хотите узнать больше о CRO и A/B-тестировании — подпишитесь на наш блог, мы регулярно публикуем практические кейсы.
Успешных вам экспериментов!
Комментарии