प्रतियोगी विज्ञापनों का विश्लेषण करने के लिए AI का उपयोग कैसे करें (प्रॉम्प्ट्स और वर्कफ़्लो)

प्रतियोगी विज्ञापनों का विश्लेषण करने के लिए AI का उपयोग करने का सबसे तेज़ तरीका यह है कि उसे एक स्क्रीनशॉट का "विश्लेषण" करने के लिए कहना बंद करें और उसे एक बैच फीड करना शुरू करें: एक प्रतियोगी या वर्टिकल से 15 से 30 लाइव क्रिएटिव्स निकालें, प्रत्येक हेडलाइन और छवि का एक संक्षिप्त विवरण एक LLM में पेस्ट करें, और उसे हुक तंत्र, दावा प्रकार और लक्षित भावना के आधार पर उन्हें समूहित करने के लिए कहें। एक विज्ञापन आपको लगभग कुछ नहीं बताता। एक बैच आपको बताता है कि एक प्रतियोगी क्या दोहराता रहता है, और यही वह हिस्सा है जिसकी संरचना की नकल करने लायक है, न कि विशिष्ट शब्दों की।

एकल-विज्ञापन विश्लेषण क्यों विफल होता है#

इस वर्कफ़्लो के लिए नए मीडिया बायर आमतौर पर एक प्रतियोगी विज्ञापन का स्क्रीनशॉट लेते हैं, उसे एक चैट टूल में डालते हैं, और पूछते हैं "यह क्यों काम करता है।" मॉडल विश्वास के साथ एक व्याख्या गढ़ लेगा, क्योंकि एक डेटा पॉइंट दिए जाने और एक पैटर्न के लिए कहने पर LLMs यही करते हैं। इलाज मात्रा है: पैटर्न केवल विज्ञापनों के एक सेट में दिखाई देते हैं, और मॉडल बीस उदाहरणों में क्या आम है उसे संक्षेप में बताने में कहीं अधिक विश्वसनीय होता है, बजाय एक के बारे में सिद्धांत बनाने के। यह वही सिद्धांत है जो विजेता नेटिव एड क्रिएटिव्स का विश्लेषण के पीछे है: व्यक्तिगत विज्ञापन शोर हैं, बैच संरचना प्रकट करते हैं।

वह प्रॉम्प्ट वर्कफ़्लो जो वास्तव में काम करता है#

यहां एक अनुक्रम है जो स्वास्थ्य, वित्त, ईकॉमर्स और सॉफ़्टवेयर वर्टिकल्स में टिका रहता है:

1. संग्रह करें। एक प्रतियोगी, ब्रांड, या वर्टिकल के लिए लाइव क्रिएटिव्स का एक बैच निकालें, आदर्श रूप से वे जो कुछ समय से चल रहे हों (दीर्घायु "अभी भी काम कर रहा है" का एक मोटा प्रॉक्सी है, जिसे विज्ञापन दीर्घायु एक जीतने वाला संकेत के रूप में में कवर किया गया है)। प्रत्येक के लिए हेडलाइन, छवि विवरण और वर्टिकल नोट करें।
2. वर्गीकृत करें। प्रॉम्प्ट: "यहां [वर्टिकल] से 20 विज्ञापन हेडलाइन्स हैं। उन्हें मूल तंत्र के आधार पर समूहित करें: जिज्ञासा अंतराल, प्रत्यक्ष दावा, सामाजिक प्रमाण, भय/तात्कालिकता, कहानी प्रारूप। प्रत्येक समूह के लिए, नोट करें कि यह बैच के कितने प्रतिशत का प्रतिनिधित्व करता है।" यह हेडलाइन्स की एक दीवार को एक वितरण में बदल देता है जिस पर आप कार्रवाई कर सकते हैं।
3. दावा संरचना निकालें। प्रॉम्प्ट: "प्रत्येक हेडलाइन के लिए, किया जा रहा विशिष्ट दावा निकालें (शब्द नहीं, अंतर्निहित वादा)। क्या दावे विशिष्ट हैं (एक संख्या, एक शरीर का अंग, एक नामित उत्पाद) या अस्पष्ट?" विशिष्ट दावे अध्ययन के लायक होते हैं; अस्पष्ट दावे आमतौर पर बैच को भरने वाले कम प्रदर्शन करने वाले होते हैं।
4. अपने स्वयं के क्रिएटिव के खिलाफ तुलना करें। प्रॉम्प्ट: "यहां मेरी वर्तमान हेडलाइन्स और प्रतियोगी हेडलाइन्स का बैच है। मैं किन तंत्रों का उपयोग बिल्कुल नहीं कर रहा हूं?" यह मैन्युअल साइड-बाय-साइड से तेजी से अंतराल सामने लाता है।
5. खरोंच से नहीं, बल्कि अंतराल से वेरिएंट जनरेट करें। एक बार जब आप जान जाएं कि आप किस तंत्र को छोड़ रहे हैं, तो मॉडल से उस विशिष्ट तंत्र का उपयोग करते हुए हेडलाइन वेरिएंट ड्राफ्ट करने के लिए कहें, जो आपके वास्तविक उत्पाद से जुड़ा हो, न कि एक सामान्य टेम्प्लेट से।

मॉडल को क्या फीड करना है (और क्या नहीं)#

इस वर्कफ़्लो की गुणवत्ता पूरी तरह से इनपुट पर निर्भर करती है। विज्ञापन यूनिट के अकेले स्क्रीनशॉट (छवि और हेडलाइन) वर्गीकरण के लिए पर्याप्त हैं; इस स्टेज पर आपको अभी लैंडिंग पेज की आवश्यकता नहीं है। एक बार जब आपने खोदने के लायक कुछ संरचनाओं की शॉर्टलिस्ट बना ली है, तो लैंडिंग पेज के लिए भी इसी दृष्टिकोण का विस्तार करें और पूर्ण फ़नल को रिवर्स-इंजीनियर करें क्रिएटिव से ऑफ़र तक, क्योंकि एक हेडलाइन जो काम करती है, अगर लैंडिंग पेज उसके द्वारा किए गए विशिष्ट दावे को पूरा नहीं करता है तो फिर भी विफल हो सकती है।

मॉडल को अपना पूरा कच्चा एक्सपोर्ट फीड न करें और बिना संरचना के "अंतर्दृष्टि" के लिए न पूछें। अस्पष्ट प्रॉम्प्ट्स अस्पष्ट, सामान्य आउटपुट पैदा करते हैं, भले ही अंतर्निहित मॉडल कितना भी अच्छा क्यों न हो। प्रश्न जितना विशिष्ट होगा (तंत्र, दावा प्रकार, भावनात्मक रजिस्टर), वर्गीकरण उतना ही उपयोगी होगा।

स्रोत डेटा कहां से आता है#

यह वर्कफ़्लो केवल उतना ही अच्छा है जितना कि आपके द्वारा शुरू किया गया विज्ञापन सेट, और यही वह हिस्सा है जिसे अधिकांश गाइड छोड़ देते हैं। एक फ़ीड से प्रतियोगी विज्ञापनों का मैन्युअल रूप से स्क्रीनशॉट लेना धीमा और अधूरा है, क्योंकि नेटिव विज्ञापन लगातार रोटेट होते हैं और आप केवल वही देखते हैं जो आपके अपने डिवाइस को परोसा जाता है। मैन्युअल स्क्रीनशॉटिंग के बजाय एक वॉचलिस्ट और एक खोज योग्य आर्काइव के इर्द-गिर्द बना प्रतिस्पर्धी विज्ञापन खुफिया वर्कफ़्लो LLM को काम करने के लिए एक बहुत बड़ा और अधिक प्रतिनिधि बैच देता है। प्रोग्रामेटिक एक्सेस भी यहां मायने रखता है: स्क्रीनशॉट्स को कॉपी-पेस्ट करने के बजाय एक API के माध्यम से डेटा निकालने का मतलब है कि आप "संग्रह" चरण को पूरी तरह से स्वचालित कर सकते हैं और अपने विश्लेषण प्रॉम्प्ट में एक शेड्यूल पर एक ताजा बैच फीड कर सकते हैं, और यही वह चीज है जिसके लिए नेटिव एड डेटा API है। पहले से ही एक LLM वर्कफ़्लो के अंदर रहने वाली टीमों के लिए, एक सीधा रास्ता भी है: नेटिव एड लाइब्रेरी MCP आपको पहले कुछ भी एक्सपोर्ट किए बिना सीधे Claude या ChatGPT से लाइव क्रिएटिव कॉर्पस को क्वेरी करने देता है।

एक कार्य उदाहरण संरचना#

मान लीजिए आप सुनने की सहायता के क्षेत्र में एक प्रतियोगी पर शोध कर रहे हैं। एक बैच पुल हेडलाइन्स जैसे "Struggling to Hear Clearly? Discover a Device Transforming Lives" और उसी जिज्ञासा-प्लस-दावा संरचना पर कई वेरिएंट्स सामने ला सकता है। इस तरह के एक बैच का वर्गीकरण आमतौर पर दो या तीन प्रमुख तंत्रों (एक स्वास्थ्य जिज्ञासा अंतराल, एक डिवाइस-केंद्रित प्रत्यक्ष दावा, और कभी-कभी एक कहानी प्रारूप) को सामने लाता है, और आप जल्दी से देख सकते हैं कि कोई प्रतियोगी मात्रा से, न कि एक विज्ञापन से अनुमान लगाकर, किस पर सबसे अधिक भरोसा कर रहा है। वह वितरण, न कि कोई एकल हेडलाइन, क्रियाशील आउटपुट है।

इस वर्कफ़्लो के साथ सामान्य गलतियां#

• मॉडल के आउटपुट को तथ्य के बजाय एक परिकल्पना के रूप में मानना। LLMs आपके द्वारा फीड किए गए पैटर्न को संक्षेप में बताने में अच्छे होते हैं और यह जानने में खराब होते हैं कि कोई पैटर्न वास्तव में प्रदर्शन से सहसंबद्ध है या नहीं। किसी भी पैटर्न को, जिसे मॉडल सामने लाता है, उसे वास्तविक दीर्घायु या खर्च संकेतों के खिलाफ क्रॉस-चेक करें इससे पहले कि आप उस पर एक अभियान की शर्त लगाएं।
• बहुत छोटे बैच का विश्लेषण करना। पांच विज्ञापन एक पैटर्न नहीं हैं, वे शोर का एक नमूना हैं। बीस से तीस आपको कहीं वास्तविक ले जाते हैं।
• लैंडिंग पेज को छोड़ना। एक महान हुक विश्लेषण का कोई मतलब नहीं है अगर आप यह भी नहीं जांचते कि फ़नल क्लिक के साथ क्या करता है, और यही वह जगह है जहां प्री-लैंडर फॉर्मेट्स आमतौर पर तय करते हैं कि क्लिक रूपांतरित होता है या नहीं।
• जियो और वर्टिकल अंतरों को नज़रअंदाज करना। एक दावा संरचना जो US स्वास्थ्य क्रिएटिव में हावी है, जरूरी नहीं कि एक अलग जियो या सॉफ़्टवेयर ऑफ़र में अनुवाद करे; एक पैटर्न के सामान्यीकृत होने की धारणा बनाने के बजाय प्रति वर्टिकल वर्गीकरण फिर से चलाएं।

सिर्फ एक स्नैपशॉट नहीं, बल्कि समय के साथ बदलावों को ट्रैक करने के लिए AI का उपयोग करना#

एक बार का विश्लेषण आपको बताता है कि कोई प्रतियोगी इस सप्ताह क्या कर रहा है। इस वर्कफ़्लो का अधिक उपयोगी संस्करण एक शेड्यूल पर चलता है: हर कुछ दिनों में एक ताजा बैच निकालें, उसे वही वर्गीकरण प्रॉम्प्ट फीड करें, और आउटपुट की पिछले सप्ताह के आउटपुट के साथ तुलना करें। तंत्र वितरण में बदलाव (मान लीजिए, एक प्रतियोगी का जिज्ञासा-अंतराल हेडलाइन्स से प्रत्यक्ष-दावा हेडलाइन्स की ओर बढ़ना) आमतौर पर इसका मतलब है कि उन्हें कुछ ऐसा मिल गया है जो बेहतर रूपांतरण कर रहा है और वे उस पर दोगुना जोर दे रहे हैं। उस बदलाव को जल्दी पकड़ना किसी भी एकल गहन विश्लेषण से अधिक मूल्यवान है, और यही अंतर है एक प्रतियोगी वॉचलिस्ट बनाने में जो वास्तव में आपके क्रिएटिव कैलेंडर को सूचित करती है और एक ऐसी वॉचलिस्ट में जो सिर्फ पुराने स्क्रीनशॉट्स का एक फ़ोल्डर है जिसे कोई दोबारा नहीं देखता।

यह भी वह जगह है जहां "अस्पष्ट प्रॉम्प्ट" विफलता मोड पैमाने पर महंगा पड़ता है। यदि आप कई प्रतियोगियों में साप्ताहिक रूप से यह वर्गीकरण चला रहे हैं, तो आप प्रॉम्प्ट को कैसे फ्रेम करते हैं, इसमें छोटी असंगतियां सप्ताह-दर-सप्ताह तुलना को अविश्वसनीय बना देंगी। प्रॉम्प्ट टेम्प्लेट को एक बार लॉक कर दें जब वह उपयोगी समूह बना रहा हो, और केवल इनपुट बैच को बदलें, निर्देशों को नहीं, ताकि आपकी ट्रेंड लाइनें वास्तव में तुलनीय हों।

यह वर्कफ़्लो आपको क्या नहीं बताएगा#

सीमाओं के बारे में यथार्थवादी बनें। एक LLM तंत्र और दावा संरचना को विश्वसनीय रूप से वर्गीकृत कर सकता है; यह आपको किसी प्रतियोगी की वास्तविक रूपांतरण दर, उनका वास्तविक खर्च, या यह नहीं बता सकता कि कोई विज्ञापन अभी भी सक्रिय है क्योंकि यह वास्तव में लाभदायक है बनाम एक सेट-एंड-फॉरगेट अभियान के अंदर ऑटोपायलट पर चल रहा है। दीर्घायु एक प्रॉक्सी है, प्रमाण नहीं, और यहां तक कि एक अच्छी तरह से संरचित प्रॉम्प्ट भी केवल उस चीज को संक्षेप में बता रहा है जो आपने उसे फीड किया था। आउटपुट को एक मजबूत परिकल्पना जनरेटर के रूप में मानें जो यह तय करता है कि आगे क्या परीक्षण करना है, न कि इस बात का फैसला कि आपके ऑफ़र के लिए क्या काम करेगा।

विश्लेषण को कार्रवाई में बदलना#

इस पूरे अभ्यास का मकसद एक रिपोर्ट नहीं है, बल्कि दो या तीन दावा संरचनाओं की एक शॉर्टलिस्ट है जिसका आप वर्तमान में उपयोग नहीं कर रहे हैं, और जिसे अपने स्वयं के उत्पाद के खिलाफ ईमानदारी से परखा गया है। एक बार जब आपके पास वह शॉर्टलिस्ट हो जाती है, तो AI का काम विश्लेषण से जनरेशन की ओर शिफ्ट हो जाता है: लापता तंत्र में हेडलाइन वेरिएंट ड्राफ्ट करें, दावे को विशिष्ट रखें, और छोटा लॉन्च करें। यदि आप स्वयं संग्रह पाइपलाइन बनाना छोड़ना चाहते हैं, तो OpenAdLibrary के विज्ञापन खुफिया प्लेटफ़ॉर्म के अंदर लाइव क्रिएटिव्स के एक खोज योग्य, हमेशा अपडेट होने वाले आर्काइव को ब्राउज़ करने से आपको विश्लेषण के लिए बैच मिलता है बिना एक भी विज्ञापन का हाथ से स्क्रीनशॉट लिए।