Научитесь писать промпты правильно. Работаем с ChatGPT через фреймворки

Частота транзакций – количество покупок, совершённых каждым клиентом за определённый период. Это значение может быть вычислено из количества записей на клиента, так что отдельная колонка не обязательна.

Дополнительно могут использоваться:

Период анализа – временной промежуток, за который собираются данные (например, последние 6 месяцев или год).

Категория товара или услуги – если анализ проводится по разным группам продуктов.

Информация о повторных покупках – помогает точнее рассчитать Frequency и понять лояльность клиента.»

Пример входных данных для RFM Analysis

Я собрал данные по своим клиентам за последние 6 месяцев для проведения RFM-анализа. Вот как выглядит информация по каждому покупателю.

Клиент с идентификатором 001 совершил свою последнюю покупку 15 апреля 2024 года , а до этого – ещё две транзакции: 3 марта и 12 января 2024 года. За всё время он потратил у меня 8 500 рублей . Я вижу, что его уровень активности довольно высокий, и он совершает покупки регулярно – это говорит о хорошем уровне лояльности.

Клиент 002 сделал всего одну покупку – 28 февраля 2024 года на сумму 2 000 рублей . Больше никаких действий за последние полгода нет. Это может говорить о низкой частоте взаимодействия и необходимости провести стимулирующие акции, чтобы вернуть клиента.

Интересная ситуация с клиентом 003 : он совершил сразу пять покупок в период с 10 по 25 мая 2024 года , но до этого не было никакой активности. Общая сумма его трат составила 17 000 рублей . Последняя покупка была совсем недавно, так что его Recency оценивается высоко, но Frequency требует внимания, потому что активность началась только в конце анализируемого периода.

Ещё один клиент – 004 – очень активен. Он покупал товары каждый месяц , начиная с сентября 2023 года . Всего у него 9 транзакций , и общая сумма составляет более 35 000 рублей . Его последняя покупка была 3 июня 2024 года , то есть совсем недавно. Такой клиент – явно "золотой", и я должен уделять ему особое внимание.

Predictive Analytics for Customer Lifetime Value

Что это

Прогнозирование LTV клиента

Описание

Фреймворк Predictive Analytics for Customer Lifetime Value (CLV) – это подход, позволяющий предсказывать общую прибыль, которую компания получит от клиента за всё время его взаимодействия с ней. Для построения такой модели или аналитической системы требуется собрать определённые входные данные, которые можно разделить на несколько ключевых категорий:

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 [входные данные ].

[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.

[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.

[Входные данные]: [входные данные]

[Инструкция для AI]:

Если какие-либо данные отсутствуют , запроси их у пользователя перед началом анализа , используя следующую форму:

Для создания текста мне необходимо уточнить несколько деталей.

Демографические данные клиентов

Это информация о возрасте, поле, местоположении, профессии, семейном положении и других характеристиках клиента. Эти параметры могут помочь выявить закономерности в поведении различных групп потребителей.

Исторические данные о покупках

Включают информацию о дате каждой покупки, сумме транзакции, количестве товаров, типах приобретённых продуктов или услуг, а также частоте покупок. Эти данные помогают понять, как часто клиент совершает покупки и сколько он тратит.

Данные о взаимодействии с брендом

Сюда относятся такие метрики, как: активность на сайте (просмотры страниц, добавление в корзину, время на сайте), использование мобильного приложения, участие в маркетинговых кампаниях, реакция на email-рассылки, обращения в поддержку и другие точки контакта.

Данные об оттоке или удержании клиентов

Факт отмены подписки, прекращения использования услуги, длительное отсутствие активности – всё это важные сигналы для оценки вероятности ухода клиента и расчёта CLV.

Маркетинговые и рекламные взаимодействия

Информация о том, через какие каналы привлечён клиент (например, социальные сети, контекстная реклама, партнёрские программы), стоимость привлечения (CAC), участие в акциях или скидках, а также эффективность этих мероприятий.

Сегментация и поведенческие паттерны

Данные о поведении клиентов в разрезе сегментов: например, какие продукты чаще покупают новые клиенты, как меняется поведение лояльных пользователей, или какие триггеры влияют на повторные покупки.

Данные о прибыли и издержках на клиента

Чтобы точно рассчитать CLV, необходимо знать не только доходы от клиента, но и затраты на его обслуживание, доставку, поддержку и маркетинг. Это позволяет рассчитать реальную прибыльность клиента.

Внешние факторы и макроэкономические показатели (опционально)

Некоторые модели CLV могут учитывать внешние данные, такие как сезонность, экономическая ситуация, конкурентная среда или изменения в отрасли, чтобы повысить точность прогноза.»

Пример входных данных для модели прогнозирования Customer Lifetime Value (CLV)

1. Демографические данные клиентов

Имя клиента: Иван Петров

Возраст: 34 года

Пол: мужской

Местоположение: Москва, Россия

Профессия: маркетолог

Семейное положение: женат, один ребёнок

Уровень дохода: средний выше среднего

2. Исторические данные о покупках

05.01.2023 – Покупка на сумму 2 800 руб., 2 товара, категория: бытовая электроника

17.02.2023 – Покупка на сумму 4 200 руб., 3 товара, категория: аксессуары для смартфонов

12.04.2023 – Покупка на сумму 6 500 руб., 1 товар, категория: умные часы

Средняя частота покупок: 1 раз в 1.5 месяца

Общая сумма покупок за год: 13 500 руб.

3. Данные о взаимодействии с брендом

Посещает сайт в среднем 2–3 раза в неделю

Добавляет товары в корзину, но не всегда оформляет заказ

Открывает около 60% email-рассылок

Участвовал в одном из онлайн-вебинаров компании

За последние 6 месяцев ни одного обращения в службу поддержки

4. Данные об оттоке или удержании клиентов

Последняя покупка была совершена 2 месяца назад

Активность на сайте сохраняется, но снизилась на 20% по сравнению с предыдущим кварталом

Не принимал участие в последней рекламной кампании

Вероятность оттока: низкая (оценено моделью)

5. Маркетинговые и рекламные взаимодействия

Привлечён через контекстную рекламу Google Ads

Стоимость привлечения (CAC): 850 руб.

Участвовал в программе лояльности: получал бонусные баллы

Получал персонализированные предложения по email

6. Сегментация и поведенческие паттерны

Клиент относится к сегменту "Активные молодые профессионалы"

Предпочитает дорогие гаджеты и аксессуары

Чаще всего делает покупки в конце месяца

Реагирует на скидки, если они составляют более 10%

7. Данные о прибыли и издержках на клиента

Общий доход от клиента за год: 13 500 руб.

Затраты на доставку и обслуживание: 1 200 руб.

Маркетинговые расходы на клиента: 850 руб.

Чистый доход от клиента: 11 450 руб.

8. Внешние факторы и макроэкономические показатели (опционально)

На момент анализа наблюдается умеренная инфляция в категории товаров клиента

Вырос интерес к бюджетным аналогам, однако клиент продолжает выбирать премиальные продукты

Время года: весна – снижение спроса на сезонные товары, но стабильный интерес к электронике

Churn Prediction Models

Что это

Модель предсказания оттока

Описание

Модели прогнозируют вероятность ухода клиентов на основе их поведения.

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]: [входные данные]:

[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.

[Входные данные]: [входные данные]

[Инструкция для AI]:

Если какие-либо данные отсутствуют , запроси их у пользователя перед началом анализа , используя следующую форму:

Для создания текста мне необходимо уточнить несколько деталей.

1. Демографические данные клиента

Это информация, характеризующая клиента с точки зрения его личных или индивидуальных характеристик:

Возраст

Пол

Регион проживания или местоположение

Семейное положение

Уровень дохода

Образование

Тип занятости

2. Поведенческие данные

Эти данные отражают активность клиента в использовании продукта или услуги:

Частота использования сервиса

Время последнего визита или взаимодействия

Длительность сессий

Количество заказов, покупок или транзакций

Средний чек или сумма покупок

Частота обращений в поддержку

Оценки удовлетворённости (если доступны)

3. Срок взаимодействия с продуктом

Дата регистрации или первого взаимодействия

Общий срок использования продукта (например, месяцы жизни клиента)

Количество месяцев без активности (для предиктивного анализа)

4. Финансовые данные

Суммарный доход от клиента (LTV – Lifetime Value)

Платежная история (пунктуальность оплаты, просрочки)

Использование скидок, промокодов, бонусов

Подписка на платные тарифы или бесплатный период

5. Канал привлечения и маркетинговая активность

Каким образом клиент пришёл к продукту (например, через рекламу, реферальную программу и т.д.)

Реакция на маркетинговые кампании (клики, открытия писем, конверсии)

Участие в акциях или розыгрышах

6. Обратная связь и метрики удовлетворённости

Отзывы и оценки

Участие в опросах

NPS (Net Promoter Score)

Жалобы или запросы в службу поддержки

7. Технические данные (если применимо)

Тип устройства (мобильный, десктоп)

Операционная система

Браузер

Частота ошибок при использовании сервиса

8. Целевая переменная (выходная)

Факт оттока: 1 – клиент ушёл, 0 – остался (или вернулся)»

Пример данных для модели прогнозирования оттока клиентов

Клиент ID: 000123

Возраст: 34 года

Пол: Женский

Регион проживания: Москва

Семейное положение: Замужем

Уровень дохода: 95 000 рублей в месяц

Образование: Высшее

Тип занятости: Постоянная работа

Канал привлечения: Google Ads

Частота использования сервиса: 4 раза в неделю

Время последнего взаимодействия: 3 дня назад

Длительность сессий: в среднем 12 минут

Количество транзакций: 28 за последние 6 месяцев

Средний чек: 1 200 рублей

Частота обращений в поддержку: 1 раз в месяц

Оценки удовлетворённости: 7 из 10

Дата регистрации: 2021-06-14

Общий срок использования продукта: 34 месяца

Количество месяцев без активности: 0

LTV (Lifetime Value): 33 600 рублей

Платежная история: всегда вовремя

Использование скидок: участвует в 30% заказов

Подписка на платный тариф: да

Реакция на маркетинговые кампании: открывает 60% писем, кликает часто

Участие в акциях: участвовал в 3 розыгрышах

Отзывы и оценки: в целом положительные

NPS: 6

Тип устройства: Мобильный телефон

Операционная система: Android

Браузер: Chrome

Частота ошибок при использовании сервиса: редкие проблемы

Целевая переменная: 0 (остался)

Клиент ID: 000456

Возраст: 28 лет

Пол: Мужской

Регион проживания: Екатеринбург

Семейное положение: Не женат

Уровень дохода: 65 000 рублей в месяц

Образование: Среднее специальное

Тип занятости: Самозанятый

Канал привлечения: Реферальная программа

Частота использования сервиса: 1 раз в неделю

Время последнего взаимодействия: 45 дней назад

Длительность сессий: в среднем 5 минут

Количество транзакций: 5 за последние 6 месяцев

Средний чек: 900 рублей

Частота обращений в поддержку: 3 раза за месяц

Оценки удовлетворённости: 3 из 10

Дата регистрации: 2022-03-02

Общий срок использования продукта: 21 месяц

Количество месяцев без активности: 3

LTV (Lifetime Value): 4 500 рублей

Платежная история: 1 просрочка

Использование скидок: использует только промокоды

Подписка на платный тариф: нет

Реакция на маркетинговые кампании: не открывает письма

Участие в акциях: участвовал один раз

Отзывы и оценки: негативный комментарий в опросе

NPS: 1

Тип устройства: Десктоп

Операционная система: Windows 10

Браузер: Firefox

Частота ошибок при использовании сервиса: частые жалобы на работу сайта

Целевая переменная: 1 (ушёл)

Клиент ID: 000789

Возраст: 42 года

Пол: Женский

Регион проживания: Санкт-Петербург

Семейное положение: В разводе

Уровень дохода: 110 000 рублей в месяц

Образование: Высшее + MBA

Тип занятости: Руководящая должность

Канал привлечения: Социальные сети

Частота использования сервиса: ежедневно

Время последнего взаимодействия: сегодня

Длительность сессий: в среднем 25 минут

Количество транзакций: 67 за последние 6 месяцев

Средний чек: 2 500 рублей

Частота обращений в поддержку: 1 раз в 2 месяца

Оценки удовлетворённости: 9 из 10

Дата регистрации: 2020-11-10

Общий срок использования продукта: 43 месяца

Количество месяцев без активности: 0

LTV (Lifetime Value): 158 000 рублей

Платежная история: без задержек

Использование скидок: минимальное

Подписка на платный тариф: да

Реакция на маркетинговые кампании: кликает часто, участвует в рассылках

Участие в акциях: участвует регулярно

Отзывы и оценки: высокая лояльность

NPS: 9

Тип устройства: iPad

Операционная система: iOS

Браузер: Safari

Частота ошибок при использовании сервиса: не замечено

Целевая переменная: 0 (остался)

Attribution Models

Что это

Модели атрибуции

Описание

Анализ вклада разных каналов в достижение конверсии.

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]: [входные данные]:

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.

[Входные данные]: [входные данные]

[Инструкция для AI]:

Если какие-либо данные отсутствуют , запроси их у пользователя перед началом анализа , используя следующую форму:

Для создания текста мне необходимо уточнить несколько деталей.

Пользовательский путь (User Journey / Conversion Path)

Последовательность каналов или рекламных сендов, через которые прошёл пользователь до конверсии.

Например: E-mail – Google Search – Facebook – Органический переход – Конверсия.

Метаданные по каждому шагу пути:

Название канала (utm_medium, utm_source и др.)

Время взаимодействия

Тип взаимодействия (клик, просмотр, открытие письма и т.п.)

Порядковый номер шага в пути

Информация о конверсии

Факт завершения целевого действия

Стоимость или ценность конверсии (если известна)

Время конверсии

Контекст взаимодействий

Устройство пользователя (мобильный, десктоп)

Геолокация

Время суток, день недели

Данные о кампаниях (названия, бюджеты, периоды)

Данные о временных рамках

Временной лаг между взаимодействиями

Общее время от первого контакта до конверсии

Атрибуционное окно – промежуток времени, в течение которого учитываются взаимодействия до конверсии (например, 30 дней)

Идентификаторы пользователей или сессий

ID пользователя (анонимизированный)

Cookie-идентификаторы

ID сессии»

Пример данных для Attribution Models

Идентификатор пользователя: user_12345

ID сессии: session_89012

Cookie-идентификатор: cookie_789xyz

Пользовательский путь (Conversion Path):

E-mail – Google Search – Facebook – Органический переход – Конверсия

Детали каждого шага пути:

Шаг 1:

Канал: E-mail

utm_medium: email

utm_source: newsletter

Тип взаимодействия: Открытие письма

Время взаимодействия: 2024-04-01 09:15:00

Порядковый номер шага: 1

Шаг 2:

Канал: Google Search

utm_medium: cpc

utm_source: google

utm_campaign: spring_sale

Тип взаимодействия: Клик

Время взаимодействия: 2024-04-02 15:30:00

Порядковый номер шага: 2

Шаг 3:

Канал: Facebook

utm_medium: social

utm_source: facebook

utm_campaign: brand_awareness

Тип взаимодействия: Просмотр поста

Время взаимодействия: 2024-04-03 18:45:00

Порядковый номер шага: 3

Шаг 4:

Канал: Органический переход

utm_medium: (organic)

utm_source: direct

Тип взаимодействия: Прямой визит

Время взаимодействия: 2024-04-05 11:20:00

Порядковый номер шага: 4

Информация о конверсии:

Факт конверсии: Да

Тип конверсии: Покупка

Ценность конверсии: 5000 руб.

Время конверсии: 2024-04-05 11:25:00

Контекст взаимодействий:

Устройство пользователя: Мобильный телефон

Геолокация: Москва, Россия

Время суток / день недели: Утро, понедельник

Данные о кампаниях:

Кампания "spring_sale" (Google Ads):

Бюджет: 50 000 руб.

Период: 2024-03-20 – 2024-04-10

Кампания "brand_awareness" (Facebook Ads):

Бюджет: 30 000 руб.

Период: 2024-03-25 – 2024-04-05

Данные о временных рамках:

Временной лаг между взаимодействиями:

Шаг 1 – Шаг 2: 1 день 6 часов 15 минут

Шаг 2 – Шаг 3: 1 день 3 часа 15 минут

Шаг 3 – Шаг 4: 2 дня 12 часов 35 минут

Общее время от первого контакта до конверсии: 4 дня 2 часа 10 минут

Атрибуционное окно: 30 дней

AI-Powered Customer Segmentation

Что это

Сегментация клиентов на базе ИИ

Описание

ИИ анализирует поведение клиентов для создания персонализированных сегментов.

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]: ]: [входные данные]

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

[Входные данные]: [входные данные]

[Инструкция для AI]:

Если какие-либо данные отсутствуют , запроси их у пользователя перед началом анализа , используя следующую форму:

Для создания текста мне необходимо уточнить несколько деталей.

1. Демографические данные:

Эти данные описывают базовые характеристики клиента:

Возраст

Пол

Место проживания или географическое положение

Уровень дохода

Семейное положение

Образование

2. Поведенческие данные:

Отражают действия клиентов в процессе взаимодействия с продуктами или сервисами:

Частота покупок

Время последней покупки

Средний чек

Предпочтения в категориях товаров или услуг

Время пребывания на сайте или в приложении

Каналы взаимодействия (мобильное приложение, сайт, соцсети и т.д.)

3. Транзакционные данные:

Содержат информацию о совершенных сделках:

История покупок

Временные метки заказов

Суммы транзакций

Информация о возвратах или отменах

4. Данные из CRM -систем:

Информация, накопленная в системах управления взаимоотношениями с клиентами:

История взаимодействий

Ответы на опросы

Обращения в поддержку

Результаты маркетинговых кампаний для конкретного клиента

5. Онлайн-поведение:

Данные, собранные с цифровых платформ:

Посещаемость страниц

Клики и просмотренные товары

Конверсии (например, добавление в корзину)

Email-открытия и клики по рекламным рассылкам

6. Социальные и внешние данные:

Могут быть полезны при дополнительном анализе:

Активность в социальных сетях

Оценки и отзывы

Данные с открытых источников (например, социально-экономические показатели региона)

7. Psychographic data (психографические данные):

Характеристики образа жизни и предпочтений:

Интересы и увлечения

Ценности и установки

Стиль жизни

Лояльность к брендам

8. Данные о взаимодействии с рекламой:

Как клиент реагирует на маркетинговые активности:

Отклики на email-рассылки

Клики по баннерам

Реакции на push-уведомления

Участие в акциях и розыгрышах

9. Данные о churn (оттоке):

Информация о том, какие клиенты прекратили использование продукта или услуги:

Причины оттока (если известны)

Время бездействия перед оттоком

Снижение активности

10. Данные о customer journey :

Описание пути клиента от первого контакта до покупки и далее:

Этапы взаимодействия

Точки контакта

Поведение на каждом этапе жизненного цикла клиента»

Пример данных для AI-Powered Customer Segmentation

1. Демографические данные:

Имя клиента: Мария Петрова

Возраст: 34 года

Пол: Женский

Место проживания: Москва, Россия

Уровень дохода: Средний (50–80 тыс. руб./мес)

Семейное положение: Замужем, двое детей

Образование: Высшее (маркетинг и управление)