Hvordan bruke AI til å analysere konkurrentannonser (prompter og arbeidsflyt)

Den raskeste måten å bruke AI til å analysere konkurrentannonser på, er å slutte å be den om å "analysere" et enkelt skjermbilde og begynne å mate den med en batch: hent 15 til 30 levende kreativer fra en konkurrent eller bransje, lim inn overskriftene og en kort beskrivelse av hvert bilde i en LLM, og be den om å gruppere dem etter krok-mekanisme, påstandstype og mål-følelse. En enkelt annonse forteller deg nesten ingenting. En batch forteller deg hva en konkurrent stadig gjentar, og det er den delen det er verdt å kopiere strukturen av, ikke den spesifikke formuleringen.

Hvorfor analyse av én annonse mislykkes#

Medieinnkjøpere som er nye i denne arbeidsflyten tar vanligvis et skjermbilde av én konkurrentannonse, dropper det inn i et chatverktøy, og spør "hvorfor fungerer dette." Modellen vil selvsikkert finne på en forklaring, for det er det LLMer gjør når de får ett datapunkt og blir bedt om et mønster. Løsningen er volum: mønstre blir bare synlige på tvers av et sett med annonser, og modellen er mye mer pålitelig til å oppsummere det som er felles på tvers av tjue eksempler enn til å teoretisere om ett. Dette er det samme prinsippet bak analyse av vinnende native annonsekreativer: enkelte annonser er støy, batcher avslører struktur.

Prompt-arbeidsflyten som faktisk fungerer#

Her er en sekvens som holder mål på tvers av helse-, finans-, e-handel- og programvarebransjer:

1. Samle inn. Hent en batch med levende kreativer for en konkurrent, merkevare eller bransje, helst de som har kjørt en stund (levetid er et grovt substitutt for "fortsatt fungerer", dekket i annonselevetid som vinnersignal). Noter overskrift, bildeskildring og bransje for hver.
2. Klassifiser. Prompt: "Her er 20 annonseoverskrifter fra [bransje]. Grupper dem etter kjerne-mekanismen: nysgjerrighetsgap, direkte påstand, sosial bevisføring, frykt/hastverk, historieformat. For hver gruppe, noter hvilken prosentandel av batchen den utgjør." Dette gjør en mur av overskrifter om til en fordeling du kan handle på.
3. Trekk ut påstandsstrukturen. Prompt: "For hver overskrift, trekk ut den spesifikke påstanden som blir gjort (ikke formuleringen, det underliggende løftet). Er påstandene spesifikke (et tall, en kroppsdel, et navngitt produkt) eller vage?" Spesifikke påstander er de som er verdt å studere; vage er vanligvis dårlige ytere som fyller ut batchen.
4. Sammenlign med dine egne kreativer. Prompt: "Her er mine nåværende overskrifter og batchen med konkurrentoverskrifter. Hvilke mekanismer bruker jeg ikke i det hele tatt?" Dette avdekker hull raskere enn en manuell side-om-side-sammenligning.
5. Generer varianter fra hullet, ikke fra scratch. Når du vet hvilken mekanisme du mangler, be modellen om å utkaste overskriftvarianter ved å bruke den spesifikke mekanismen, forankret i ditt faktiske produkt, ikke en generisk mal.

Hva du skal mate modellen med (og hva du ikke skal)#

Kvaliteten på denne arbeidsflyten avhenger helt av inndata. Skjermbilder av selve annonseenheten alene (bilde pluss overskrift) er nok for klassifisering; du trenger ikke landingssiden ennå på dette stadiet. Når du har kortlistet noen få strukturer som er verdt å grave dypere i, utvid samme tilnærming til landingssiden og reverse-engineer hele funnelen fra kreativ til tilbud, siden en overskrift som fungerer likevel kan mislykkes hvis landingssiden ikke leverer på den spesifikke påstanden den gjorde.

Ikke gi modellen hele den råe eksporten din og be om "innsikt" uten struktur. Vage prompter produserer vag, generisk output uavhengig av hvor god den underliggende modellen er. Jo mer spesifikt spørsmålet er (mekanisme, påstandstype, følelsesmessig register), jo mer nyttig er klassifiseringen.

Hvor kildedataene kommer fra#

Denne arbeidsflyten er bare så god som annonsesettet du starter med, og det er den delen de fleste guider hopper over. Manuell skjermdump av konkurrentannonser fra en feed er treg og ufullstendig, siden native annonser roterer konstant og du bare ser det din egen enhet tilfeldigvis får servert. En konkurransedyktig annonseetterretningsarbeidsflyt bygget rundt en overvåkningsliste og et søkbart arkiv, i stedet for manuell skjermdump, gir LLMen en mye større og mer representativ batch å jobbe med. Programmatisk tilgang betyr noe her også: å hente data gjennom et API i stedet for å kopiere og lime inn skjermbilder betyr at du kan automatisere "samle inn"-trinnet helt og mate en frisk batch inn i analyseprompten din på en tidsplan, og det er nettopp det native annonsedata-APIet er til for. For team som allerede lever inne i en LLM-arbeidsflyt, er det også en direkte rute: native ad library MCP lar deg spørre det levende kreativkorpuset direkte fra Claude eller ChatGPT i stedet for å eksportere noe først.

Et gjennomgått eksempel på struktur#

La oss si du forsker på en konkurrent i høreapparatbransjen. En batch-henting kan avdekke overskrifter som "Struggling to Hear Clearly? Discover a Device Transforming Lives" og flere varianter på den samme nysgjerrighet-pluss-påstand-strukturen. Å klassifisere en batch som dette avdekker typisk to eller tre dominerende mekanismer (et helsenysgjerrighetsgap, en apparatfokusert direkte påstand, og av og til et historieformat), og du kan raskt se hvilken en konkurrenten satser hardest på etter volum, ikke ved å gjette fra én annonse. Den fordelingen, ikke noen enkelt overskrift, er den handlingsbare outputen.

Vanlige feil med denne arbeidsflyten#

• Å behandle modellens output som fakta i stedet for en hypotese. LLMer er gode til å oppsummere mønstre du mater dem med og dårlige til å vite om et mønster faktisk korrelerer med ytelse. Dobbeltsjekk ethvert mønster modellen avdekker mot reelle levetids- eller brukssignaler før du setter en kampanje på det.
• Å analysere en for liten batch. Fem annonser er ikke et mønster, det er en prøve av støy. Tjue til tretti får deg til noe reelt.
• Å hoppe over landingssiden. En flott krokeanalyse betyr ingenting hvis du ikke også sjekker hva funnelen gjør med klikket, og det er der pre-lander-formater vanligvis avgjør om klikket konverterer.
• Å ignorere geo- og bransjeforskjeller. En påstandsstruktur som dominerer i amerikanske helsekreativer vil ikke nødvendigvis oversettes til en annen geo eller et programvaretilbud; kjør klassifiseringen på nytt per bransje i stedet for å anta at ett mønster generaliserer.

Bruke AI til å spore endringer over tid, ikke bare et øyeblikksbilde#

En engangsanalyse forteller deg hva en konkurrent gjør denne uken. Den mer nyttige versjonen av denne arbeidsflyten kjører på en tidsplan: hent en frisk batch hvert par dager, gi den den samme klassifiseringsprompten, og diff outputen mot forrige ukes. Et skifte i mekanismefordeling (for eksempel at en konkurrent går fra nysgjerrighetsgap-overskrifter til direkte-påstand-overskrifter) betyr vanligvis at de har funnet noe som konverterer bedre og dobler ned på det. Å fange det skiftet tidlig er verdt mer enn noen enkelt dypanalyse, og det er forskjellen mellom å bygge en konkurrentovervåkningsliste som faktisk informerer din kreative kalender og en som bare er en mappe med gamle skjermbilder ingen går tilbake til.

Dette er også der "vag prompt"-feilmodus blir kostbar i skala. Hvis du kjører denne klassifiseringen ukentlig på tvers av flere konkurrenter, vil små inkonsekvenser i hvordan du formulerer prompten gjøre uke-til-uke-sammenligninger upålitelige. Lås prompt-malen når den produserer nyttige grupperinger, og bytt bare ut inndatabatchen, ikke instruksjonene, slik at trendlinjene dine faktisk er sammenlignbare.

Hva denne arbeidsflyten ikke vil fortelle deg#

Vær realistisk om grensene. En LLM kan klassifisere mekanisme og påstandsstruktur pålitelig; den kan ikke fortelle deg en konkurrents faktiske konverteringsrate, deres sanne bruk, eller om en annonse fortsatt er aktiv fordi den er genuint lønnsom kontra å kjøre på autopilot inne i en sett-og-glem-kampanje. Levetid er et substitutt, ikke bevis, og selv en velstrukturert prompt oppsummerer bare det du matet den med. Behandle outputen som en sterk hypotesegenerator som begrenser hva du skal teste neste gang, ikke som en dom over hva som vil fungere for ditt tilbud.

Gjøre analyse om til handling#

Poenget med hele denne øvelsen er ikke en rapport, det er en kortliste over to eller tre påstandsstrukturer du ikke bruker for øyeblikket, testet mot ditt eget produkt ærlig. Når du har den kortlisten, skifter AI-ens jobb fra analyse til generering: utkast overskriftvarianter i den manglende mekanismen, hold påstanden spesifikk, og lanser i liten skala. Hvis du heller vil hoppe over å bygge innsamlingspipelinen selv, gir gjennomsøking av et søkbart, alltid-oppdatert arkiv med levende kreativer inne i OpenAdLibrary's annonseetterretningsplattform deg batchen å analysere uten å ta et eneste skjermbilde for hånd.