Полная версия
Научитесь писать промпты правильно. Работаем с ChatGPT через фреймворки
2. Поведенческие данные:
Частота покупок: 1 раз в 2 недели
Время последней покупки: 12.04.2025
Средний чек: 2500 рублей
Предпочтения: Детская одежда, товары для дома
Время пребывания на сайте: В среднем 8 минут за посещение
Каналы взаимодействия: Веб-сайт, email-рассылка
3. Транзакционные данные:
Общее количество заказов: 27
Последняя транзакция: 12.04.2025, сумма – 2650 руб.
Общая сумма всех покупок: 68 000 руб.
Возвратов: 1 (на сумму 1800 руб., январь 2025 г.)
4. Данные из CRM-систем:
Дата первого обращения: 03.02.2023
Ответы на опросы: Оценила удобство сайта на 4 из 5, отметила высокий уровень обслуживания
Обращения в поддержку: 3 обращения за последние 6 месяцев
Участие в маркетинговых кампаниях: Подписана на рассылку, участвовала в 2 акциях
5. Онлайн-поведение:
Посещаемость сайта: 2–3 раза в неделю
Просмотренные товары: Верхняя детская одежда, посуда
Конверсии: Добавляет товары в корзину в 40% случаев
Email-открытия: Открывает 65% писем, кликает по ссылкам в 30% случаев
6. Социальные и внешние данные:
Активность в соцсетях: Подписана на Instagram и VK, редко комментирует
Отзывы: Оставила 2 отзыва о товарах, оба положительные
Региональные данные: Москвичка, средний уровень жизни в районе проживания
7. Psychographic data (психографические данные):
Интересы: Семья, воспитание детей, домашний уют
Ценности: Качество товаров, безопасность, надёжность
Стиль жизни: Городской, активный, но ориентированный на семью
Лояльность к брендам: Предпочитает проверенные бренды, не склонна к экспериментам
8. Данные о взаимодействии с рекламой:
Отклики на email: Отвечала на один опрос в рассылке
Клики по баннерам: Переходила по рекламе 5 раз за последний месяц
Push-уведомления: Не отключает, но редко открывает
Участие в акциях: Участвует в распродажах, получает бонусы
9. Данные о churn (оттоке):
Признаки оттока: Нет (регулярные покупки и активность)
Время бездействия: Последнее – 5 дней назад
Снижение активности: Не зафиксировано
10. Данные о customer journey:
Этап взаимодействия: Лояльный клиент
Первый контакт: Через Google-рекламу (январь 2023)
Основные точки контакта: Сайт, email, служба поддержки
Поведение на этапах:
Привлечение – Регистрация – Первый заказ – Регулярные покупки – Лояльность
NLP in Sentiment Analysis
Что это
Анализ настроений с помощью NLP
Описание
NLP помогает оценивать уровень удовлетворенности и вовлеченности клиентов по отзывам и комментариям.
Пример промпта
«[Роль]: Ты эксперт по клиентскому опыту
[Задача]: Проанализируй 10 последних отзывов о [входные данные] Определи тональность каждого отзыва и выдели ключевые причины удовлетворённости или недовольства.
[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.
[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 детали в следующей форме.
1. Текстовые фрагменты
2. Предложения или абзацы
3. Неочищенный текст
4. Токенизированный текст
5. Числовые представления текста
6. Метаданные (необязательно)»
Пример входных данных (текстовые отзывы):]
"Удобная и прочная упаковка, отлично держит форму даже при перевозке."
"Очень понравилось, что экологичная – радует, что производитель заботится о природе."
"Размер чуть больше, чем нужно, но это не критично."
"Яйца иногда выпадают из ячеек – не очень удобно."
"Хорошо смотрится на полке, привлекает внимание покупателей."
"Слишком мягкая конструкция – легко мнётся при хранении."
"Цена соответствует качеству, можно было бы сделать чуть дешевле."
"Отличная идея использовать переработанный картон, будем заказывать ещё."
"Неудобно открывать – требуется усилие, чтобы отделить крышку."
"Плохо вписывается в стандартную линию упаковки, пришлось менять оборудование."
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.
Пример промпта
«[Роль]: Ты аналитик данных с опытом в области обработки естественного языка и прогнозирования клиентского опыта.
[Задача]: Построй модель прогнозирования клиентской эмоции для [входные данные]. Определи ключевые триггеры положительных и отрицательных отзывов.
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.
[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.
Текстовые данные
Это основной источник информации для анализа настроения. Может включать:
Отзывы клиентов на сайтах и платформах
Комментарии в социальных сетях (Twitter, Facebook, VK и др.)
Обращения в поддержку (чаты, письма)
Оценки и рейтинги товаров или услуг
Данные о взаимодействии с продуктом
Эти данные показывают, как клиент использует сервис или продукт:
Частота использования
Время сессий
Количество обращений в техподдержку
Отзывы об использовании (например, через опросы)
Демографические данные
Информация о клиенте может помочь улучшить предсказание:
Возраст
Пол
Географическое расположение
Доход
Уровень образования
История покупок и поведения в приложении/сайте
История заказов
Просмотренные товары
Добавленные в корзину, но не купленные товары
Частота посещений сайта или приложения
Результаты опросов и анкетирования
NPS-оценки (Net Promoter Score)
CSAT (Customer Satisfaction Score)
CES (Customer Effort Score)
Контекстные данные
Время написания отзыва или обращения
События, связанные с продуктом (обновления, сбои, акции)
Тип устройства, с которого происходило взаимодействие
Метаданные из коммуникаций
Тональность голоса в записях звонков (при наличии)
Длительность разговора с поддержкой
Количество повторных обращений
Данные из CRM-систем
История взаимодействия с менеджерами
Уровень лояльности клиента
Дата регистрации или первого заказа»
Пример входных данных для анализа тональности клиентов (CSPM)
Текстовые данные
Клиент оставил отзыв на сайте:
"Покупала телефон этой марки впервые – очень довольна качеством и скоростью работы. Батарея держится больше суток при активном использовании."
В социальной сети пользователь написал:
"Служба поддержки не отвечает уже третий день. Это ужасно. Даже не пытайтесь связаться с ними."
Данные о взаимодействии с продуктом
Пользователь заходил в приложение 15 раз за последний месяц.
Средняя продолжительность сессии составляет 4 минуты.
За месяц было 3 обращения в техническую поддержку.
Один из опросов показал, что клиент испытывает трудности с навигацией по сайту.
Демографические данные
Возраст клиента: 32 года.
Пол: Женский.
Географическое расположение: Москва, Россия.
Доход: 90 000 рублей в месяц.
Уровень образования: высшее.
История покупок и поведения в приложении/сайте
Совершил 6 заказов за последние 6 месяцев.
Просмотрел 12 товаров в категории "наушники".
Добавил в корзину беспроводные часы, но так и не оформил покупку.
Посещает сайт 2–3 раза в неделю.
Результаты опросов и анкетирования
NPS-оценка: 8 (рекомендует компанию друзьям).
CSAT: 4 из 5 баллов (удовлетворён последней покупкой).
CES: 2 из 5 (считает, что для решения проблемы потребовалось слишком много усилий).
Контекстные данные
Отзыв был оставлен 15 марта 2025 года, через 2 дня после выхода новой прошивки устройства.
Обращение в поддержку происходило с мобильного телефона Android версии 12.
Метаданные из коммуникаций
Запись звонка с клиентом показала повышенную эмоциональную нагрузку.
Длительность разговора с оператором составила 12 минут.
Это второе обращение клиента по той же проблеме за неделю.
Данные из CRM-систем
История общения с менеджером показывает, что клиент регулярно делает заказы крупным оптом.
Уровень лояльности: высокий.
Первый заказ был сделан 2 года назад, 5 апреля 2023 года.
Predictive Analytics
Что это
Прогнозная аналитика
Описание
Использует исторические данные для прогнозирования будущего поведения клиентов.
Пример промпта
«[Роль]: Ты маркетолог по акциям в онлайн-магазине одежды.
[Задача]: Спрогнозируй влияние [входные данные] на уровень конверсии сайта.
[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.
[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. Исторические данные
Это данные о прошлых событиях, которые используются для построения модели. Например:
Продажи за предыдущие периоды
История действий пользователей
Архивные показания датчиков
Данные о сбое оборудования
2. Структурированные данные
Данные, организованные в виде таблиц, где каждая запись имеет чётко определённые поля:
Клиентская база: возраст, пол, доход, место проживания
Показатели эффективности работы сотрудников
Финансовые метрики компаний
3. Неструктурированные данные
Более сложные для обработки данные, требующие специальной подготовки:
Тексты (например, отзывы клиентов, сообщения в соцсетях)
Аудиозаписи (звонки в колл-центрах)
Видео и изображения (например, данные с камер наблюдения)
4. Временные ряды
Последовательность данных, зафиксированных через определённые промежутки времени:
Ежедневные курсы валют
Погодные данные
Показания датчиков в реальном времени
5. Демографические данные
Используются при анализе поведения людей:
Возраст
Пол
Уровень дохода
Место проживания
Образование
6. Поведенческие данные
Отражают действия пользователей или клиентов:
Посещаемость сайта
Кликабельность рекламы
Частота покупок
Отзывы и лайки в соцсетях
7. Данные о продуктах или услугах
Характеристики объектов, связанных с прогнозируемым событием:
Себестоимость товара
Категория продукта
Сезонность
Гарантийный срок
8. Географические данные
Могут влиять на прогноз, особенно в маркетинге и ритейле:
Регион проживания
Координаты пользователя
Климатические условия региона
9. Событийные данные
Фиксируют произошедшие события, влияющие на будущее:
Выход нового продукта
Проведение рекламной кампании
Изменение законодательства
Природные катаклизмы
10. Данные из внешних источников
Иногда используются сторонние данные для улучшения прогноза:
Макроэкономические показатели
Социальные медиа
Биржевые данные
Публичная статистика (например, Росстат)
Можно загрузить в виде текстовых файлов»
Пример входных данных для системы предиктивной аналитики
Компания «ТехноСтор» занимается продажей электроники и хочет прогнозировать вероятность повторных покупок у клиентов. Для построения модели предиктивной аналитики используются следующие данные:
Исторические данные
За последние 3 года фиксировались все заказы клиентов: дата покупки, сумма, категория товара, способ доставки и оплаты. Также собраны данные о случаях возврата товаров и обращений в техподдержку.
Структурированные данные
В базе данных хранятся сведения о клиентах: возраст, пол, уровень дохода, регион проживания, дата регистрации в системе, количество заказов, средний чек. Также имеются показатели эффективности работы менеджеров: время обработки заявок, процент успешных сделок, уровень удовлетворённости клиентов.
Неструктурированные данные
Сохранены текстовые отзывы клиентов с сайта и социальных сетей, а также аудиозаписи разговоров из колл-центра. Часть отзывов содержит жалобы на качество обслуживания и проблемы с доставкой.
Временные ряды
Еженедельно собирается статистика по посещаемости сайта, количеству добавлений товаров в корзину и оформлению заказов. Также отслеживается динамика цен на ключевые товарные позиции и сезонные колебания спроса.
Демографические данные
Известны возраст, пол, уровень дохода и место проживания каждого клиента. Эти данные помогают сегментировать аудиторию и выявлять закономерности между демографией и поведением пользователей.
Поведенческие данные
Фиксируется активность клиентов на сайте: время просмотра страниц, частота посещений, переходы по рекламным баннерам, лайки и комментарии в социальных сетях. Также учитывается частота покупок и среднее время между ними.
Данные о продуктах или услугах
Для каждого товара указаны категория (смартфоны, ноутбуки, аксессуары), цена, себестоимость, гарантийный срок, сезонность спроса и рейтинг товара на сайте.
Географические данные
Учитываются регион проживания клиента, координаты магазинов и складов, климатические особенности региона (например, влияние температурных условий на спрос на определённую технику).
Событийные данные
Занесены факты запуска рекламных кампаний, выхода новых моделей устройств, проведения распродаж, а также информация о сбое серверов, приводивших к временному недоступности сайта.
Данные из внешних источников
Привлечены макроэкономические индикаторы: уровень инфляции, курс валют, данные Росстата о доходах населения. Также анализируются тренды в социальных сетях и биржевые цены на ключевые комплектующие, влияющие на стоимость продукции.
Automated Lead Scoring Systems
Что это
Оценка лидов
Описание
Присваивает оценку лидам на основе уровня их вовлеченности для приоритезации.
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]: [входные данные]
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.
[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 "кто" является лида:
Имя, фамилия
Должность
Компания
Отрасль компании
Размер компании (количество сотрудников, оборот)
Географическое расположение (страна, город)
Контактная информация (email, телефон)
2. Поведенческие данные
Отражают действия, которые лид совершил на сайте или в приложении:
Посещение страниц сайта
Время, проведённое на сайте
Просмотр конкретных страниц (например, страницы цен или продуктов)
Скачивание материалов (whitepapers, брошюр)
Подписка на рассылку
Участие в вебинарах или демо
Клики по email-рассылкам
Частота и регулярность действий
3. Технические данные
Информация, связанная с технической средой, через которую пользователь взаимодействует с вашими ресурсами:
Тип устройства (мобильный, десктоп)
Браузер и операционная система
IP-адрес (может использоваться для геолокации или определения компании)
Referrer (источник трафика – например, Google, LinkedIn)
4. Данные из CRM и маркетинговых инструментов
Интеграция с внутренними системами позволяет собирать дополнительную информацию:
История коммуникаций (звонки, письма)
Ранее установленные встречи или демо
Состояние лида в воронке продаж
Данные из email-маркетинга (open rate, click-through rate)
5. Фирменные данные (для B2B)
Если лид представляет собой компанию (например, в B2B-сценарии):
Индустрия компании
Финансовые показатели
Темпы роста бизнеса
Наличие технологий, с которыми работает компания
Изменения в структуре компании (например, новые инвестиции, расширение)
6. Социальные и внешние данные
Иногда используются данные из социальных сетей и сторонних источников:
Активность в LinkedIn, Twitter и других профилях
Публикации, упоминания компании
Связь с уже существующими клиентами
Информация из открытых баз данных (например, Crunchbase, LinkedIn Sales Navigator)
7. Оценочные метрики и сигналы заинтересованности
Эти данные могут быть выведены из предыдущих категорий:
Частота посещений
Посещение ключевых страниц (например, «цена», «контакты»)
Заполнение форм
Открытие и клики в email-рассылках
Обращения в поддержку»
Пример данных для системы Automated Lead Scoring System
Демографические данные
Лид: Иван Петров
Должность: Руководитель отдела маркетинга
Компания: ООО "Экосервис"
Отрасль компании: Экологические услуги
Размер компании: 150 сотрудников, годовой оборот – около 800 млн рублей
Географическое расположение: Санкт-Петербург, Россия
Контактная информация: ivan.petrov@ekoservis.ru , +7 (921) 123-45-67
Поведенческие данные
Иван посещал сайт компании 12 раз за последние 30 дней.
Общее время, проведённое на сайте: 45 минут.
Он просматривал страницы:
Главная страница
Страница продукта "Автоматизация маркетинга"
Страница цен
Блоговая статья "Как улучшить конверсию в B2B"
Скачал whitepaper "Цифровая трансформация в экосервисе".
Подписан на еженедельную email-рассылку.
Участвовал в двух вебинарах:
"Внедрение CRM в малом бизнесе"
"Тренды цифрового маркетинга 2025"
Кликал по двум из пяти последних email-рассылок.
Его активность регулярна: посещает сайт каждые 2–3 дня.
Технические данные
Используемое устройство: ноутбук (десктоп)
Браузер: Google Chrome версия 121
Операционная система: Windows 11
IP-адрес: 195.210.45.121 (идентифицирован как принадлежащий ООО "Экосервис")
Referrer: LinkedIn и прямые переходы с закладок
Данные из CRM и маркетинговых инструментов
В системе CRM указано, что Иван был добавлен в базу 4 месяца назад.
С ним проводили два звонка менеджера по работе с клиентами.
Запланирована встреча через 2 недели для демонстрации платформы.
Статус лида в воронке продаж: "Квалифицированный лид"
Email open rate: 80% (выше среднего по списку рассылки)
Click-through rate: 40%
Фирменные данные (для B2B)
Компания ООО "Экосервис":
Отрасль: экологические услуги и утилизация отходов
Финансовые показатели: стабильный рост выручки на 12% ежегодно
Темпы роста: расширение на новые рынки в Уральском регионе
Используемые технологии: ERP-система SAP, облачные сервисы Microsoft Azure
В прошлом месяце получила инвестиции от частного фонда (около 150 млн руб.)
Социальные и внешние данные
Активность в LinkedIn:
Подписчик страницы нашей компании
Лайкнул пост о новых возможностях автоматизации маркетинга
Комментировал статью о digital-стратегии в B2B
Профиль LinkedIn содержит информацию о его текущей должности и опыте работы
Компания упоминается в новостях: недавно подписала контракт с крупным заводом на Урале
Имеются связи с нашими текущими клиентами через общие события и мероприятия
Оценочные метрики и сигналы заинтересованности
Высокая частота посещений сайта – 12 за месяц
Посетил ключевые страницы: цены, продукт, контакты
Заполнял контактную форму после второго вебинара
Активно взаимодействует с email-рассылками
Неоднократно возвращался к материалам после скачивания whitepaper
Недавно обращался в поддержку с вопросом о демо-доступе к платформе
1.3 Автоматизация и ИИ: базовая оптимизация
AI-Based Personalization Engines
Что это
Персонализация на базе ИИ
Описание
Подбирает контент или предложения, адаптированные под конкретного пользователя в реальном времени.
Пример промпта
«[Роль]: Консультант по упаковочным решениям
[Задача]: Подобрать оптимальный тип продукта, соответствующий потребностям клиента
[Формат]: Рекомендательный список с обоснованием выбора
[Результат]: Повышение удовлетворённости клиентов и снижение возвратов за счёт точного подбора
[Входные данные]: [входные данные]
[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.
