Cách Sử Dụng AI Để Phân Tích Quảng Cáo Cạnh Tranh (Prompt và Quy Trình)

Cách nhanh nhất để sử dụng AI phân tích quảng cáo cạnh tranh là ngừng yêu cầu nó "phân tích" một ảnh chụp duy nhất và bắt đầu đưa vào một batch: lấy 15 đến 30 sáng tạo đang chạy từ một đối thủ hoặc ngành, dán tiêu đề và mô tả ngắn cho mỗi hình ảnh vào LLM, và yêu cầu nó nhóm chúng theo cơ chế hook, loại claim và cảm xúc mục tiêu. Một quảng cáo duy nhất gần như không cho gì. Một batch cho bạn biết đối thủ lặp lại điều gì, phần đáng sao chép là cấu trúc, không phải cách diễn đạt cụ thể.

Tại sao phân tích quảng cáo đơn lẻ thất bại#

Các nhà mua truyền thông mới với quy trình này thường chụp một quảng cáo đối thủ, đưa vào công cụ chat và hỏi "tại sao nó lại hiệu quả". Mô hình sẽ tự tin bịa ra một lời giải thích, vì đó là cách LLM hoạt động khi chỉ có một điểm dữ liệu và được yêu cầu tìm mẫu. Giải pháp là khối lượng: các mẫu chỉ hiện ra khi xem một tập hợp quảng cáo, và mô hình đáng tin cậy hơn khi tóm tắt những gì chung trong hai mươi ví dụ hơn là suy đoán về một quảng cáo. Đây là nguyên tắc tương tự như phân tích sáng tạo quảng cáo native thắng cuộc: các quảng cáo cá nhân có nhiễu, batch tiết lộ cấu trúc.

Quy trình prompt thực sự hoạt động#

Đây là một chuỗi công việc áp dụng cho các ngành sức khỏe, tài chính, thương mại điện tử và phần mềm:

1. Thu thập. Lấy một batch sáng tạo đang chạy cho đối thủ, thương hiệu hoặc ngành, ưu tiên những quảng cáo đã chạy một thời gian (độ bền là chỉ số thay thế thô cho "vẫn hiệu quả," được đề cập trong độ bền quảng cáo là tín hiệu thắng cuộc). Ghi lại tiêu đề, mô tả hình ảnh và ngành cho mỗi quảng cáo.
2. Phân loại. Prompt: "Đây là 20 tiêu đề quảng cáo từ [vertical]. Nhóm chúng theo cơ chế cốt lõi: khoảng trống tò mò, claim trực tiếp, bằng chứng xã hội, sợ hãi/khẩn cấp, định dạng câu chuyện. Đối với mỗi nhóm, ghi lại phần trăm batch mà nó chiếm." Điều này biến một dãy tiêu đề thành một phân phối có thể hành động.
3. Trích xuất cấu trúc claim. Prompt: "Đối với mỗi tiêu đề, trích xuất claim cụ thể được đưa ra (không phải cách diễn đạt, mà là lời hứa nền tảng). Claim có cụ thể (một con số, một bộ phận cơ thể, một sản phẩm có tên) hay mơ hồ?" Claim cụ thể là những gì đáng nghiên cứu; claim mơ hồ thường là những quảng cáo kém hiệu suất làm đầy batch.
4. So sánh với sáng tạo của bạn. Prompt: "Đây là các tiêu đề hiện tại của tôi và batch tiêu đề của đối thủ. Cơ chế nào tôi chưa sử dụng?" Điều này nhanh chóng phát hiện khoảng trống hơn so với việc so sánh thủ công.
5. Tạo biến thể từ khoảng trống, không từ đầu. Khi bạn biết cơ chế nào còn thiếu, yêu cầu mô hình soạn các biến thể tiêu đề sử dụng cơ chế đó, gắn liền với sản phẩm thực tế của bạn, không phải mẫu chung.

Những gì nên đưa vào mô hình (và những gì không)#

Chất lượng quy trình này phụ thuộc hoàn toàn vào đầu vào. Ảnh chụp màn hình của đơn vị quảng cáo (hình ảnh + tiêu đề) đủ để phân loại; bạn chưa cần trang đích ở giai đoạn này. Khi bạn đã lọc ra một vài cấu trúc đáng khai thác, mở rộng cách tiếp cận tương tự tới trang đích và kỹ thuật đảo ngược toàn bộ phễu từ sáng tạo tới đề nghị, vì một tiêu đề hiệu quả vẫn có thể thất bại nếu trang đích không thực hiện claim đã nêu.

Đừng đưa toàn bộ dữ liệu xuất thô cho mô hình và yêu cầu "insights" mà không có cấu trúc. Prompt mơ hồ sẽ tạo ra kết quả mơ hồ, chung chung bất kể mô hình nền tảng tốt đến đâu. Câu hỏi càng cụ thể (cơ chế, loại claim, cảm xúc) thì phân loại càng hữu ích.

Nguồn dữ liệu đến từ đâu#

Quy trình này chỉ tốt như bộ quảng cáo bạn bắt đầu với, phần mà hầu hết hướng dẫn bỏ qua. Chụp màn hình quảng cáo đối thủ từ một feed là chậm và không đầy đủ, vì quảng cáo native luôn quay vòng và bạn chỉ thấy những gì thiết bị của mình nhận được. Một quy trình thu thập thông tin quảng cáo cạnh tranh dựa trên danh sách theo dõi và kho lưu trữ có thể tìm kiếm, thay vì chụp màn hình thủ công, sẽ cung cấp cho LLM một batch lớn hơn và đại diện hơn. Truy cập programmatic cũng quan trọng: lấy dữ liệu qua API thay vì sao chép ảnh chụp màn hình cho phép tự động hoá bước "thu thập" hoàn toàn và đưa batch mới vào prompt phân tích theo lịch trình, chính là mục đích của API dữ liệu quảng cáo native. Đối với các đội đã làm việc trong môi trường LLM, còn có một con đường trực tiếp: thư viện quảng cáo native MCP cho phép truy vấn kho sáng tạo trực tiếp từ Claude hoặc ChatGPT thay vì xuất dữ liệu trước.

Cấu trúc ví dụ thực tế#

Giả sử bạn đang nghiên cứu một đối thủ trong lĩnh vực trợ thính. Một batch có thể đưa ra các tiêu đề như "Struggling to Hear Clearly? Discover a Device Transforming Lives" và một số biến thể dựa trên cấu trúc tò mò‑claim này. Phân loại batch như vậy thường tiết lộ hai hoặc ba cơ chế chủ đạo (khoảng trống tò mò sức khỏe, claim trực tiếp về thiết bị, và thỉnh thoảng định dạng câu chuyện), và bạn nhanh chóng thấy cơ chế nào đối thủ đang dựa vào nhiều nhất theo khối lượng, không phải đoán từ một quảng cáo. Phân phối này, chứ không phải tiêu đề đơn lẻ, là kết quả có thể hành động.

Những sai lầm phổ biến với quy trình này#

• Xem đầu ra của mô hình như sự thật thay vì giả thuyết. LLM giỏi tóm tắt các mẫu bạn cung cấp nhưng không biết liệu mẫu đó có thực sự liên quan tới hiệu suất hay không. Kiểm tra bất kỳ mẫu nào mô hình đưa ra với dữ liệu độ bền hoặc chi phí thực tế trước khi đặt cược vào chiến dịch.
• Phân tích batch quá nhỏ. Năm quảng cáo không phải là mẫu, mà là tiếng ồn. Hai mươi đến ba mươi quảng cáo mới đưa bạn tới kết quả thực.
• Bỏ qua trang đích. Phân tích hook tuyệt vời không có giá trị nếu bạn không kiểm tra funnel sau click, nơi mà định dạng pre-lander thường quyết định việc click có chuyển đổi hay không.
• Bỏ qua sự khác biệt về địa lý và ngành. Cấu trúc claim thống trị trong sáng tạo sức khỏe ở Mỹ không nhất thiết áp dụng cho một địa lý khác hoặc một đề nghị phần mềm; hãy chạy lại phân loại theo ngành thay vì giả định một mẫu chung.

Sử dụng AI để theo dõi thay đổi theo thời gian, không chỉ một khoảnh khắc#

Phân tích một lần cho bạn biết đối thủ đang làm gì trong tuần này. Phiên bản hữu ích hơn của quy trình này chạy theo lịch: lấy batch mới mỗi vài ngày, đưa vào cùng một prompt phân loại, và so sánh kết quả với tuần trước. Một sự thay đổi trong phân phối cơ chế (ví dụ, đối thủ chuyển từ tiêu đề khoảng trống tò mò sang tiêu đề claim trực tiếp) thường nghĩa là họ đã tìm ra thứ gì đó chuyển đổi tốt hơn và đang tăng cường nó. Nắm bắt sự thay đổi này sớm có giá trị hơn bất kỳ phân tích sâu nào, và là sự khác biệt giữa xây dựng danh sách theo dõi đối thủ thực sự hỗ trợ lịch sáng tạo của bạn và một thư mục ảnh chụp cũ không ai xem lại.

Đây cũng là nơi chế độ "prompt mơ hồ" trở nên tốn kém khi mở rộng quy mô. Nếu bạn chạy phân loại này hàng tuần cho nhiều đối thủ, những khác biệt nhỏ trong cách bạn diễn đạt prompt sẽ làm cho so sánh tuần‑đối‑tuần không đáng tin cậy. Khóa mẫu prompt một khi nó tạo ra các nhóm hữu ích, và chỉ thay đổi batch đầu vào, không phải hướng dẫn, để các đường xu hướng của bạn thực sự so sánh được.

Những gì quy trình này không thể cho bạn#

Hãy thực tế về giới hạn. LLM có thể phân loại cơ chế và cấu trúc claim một cách đáng tin cậy; nó không thể cho bạn tỷ lệ chuyển đổi thực tế của đối thủ, chi phí thực, hoặc liệu một quảng cáo còn hoạt động vì lợi nhuận thực sự hay chỉ chạy trong một chiến dịch đặt‑và‑quên. Độ bền là chỉ số thay thế, không phải bằng chứng, và ngay cả một prompt được thiết kế tốt chỉ tóm tắt những gì bạn cung cấp. Xem đầu ra như một công cụ tạo giả thuyết mạnh mẽ giúp thu hẹp những gì cần thử nghiệm tiếp theo, không phải một phán quyết cuối cùng về những gì sẽ hoạt động cho đề nghị của bạn.

Biến phân tích thành hành động#

Mục tiêu của toàn bộ quá trình không phải là một báo cáo, mà là một danh sách ngắn hai hoặc ba cấu trúc claim bạn chưa sử dụng, được kiểm chứng với sản phẩm của mình. Khi có danh sách này, công việc của AI chuyển từ phân tích sang tạo ra: soạn các biến thể tiêu đề trong cơ chế còn thiếu, giữ claim cụ thể, và triển khai thử nghiệm nhỏ. Nếu bạn muốn bỏ qua việc tự xây dựng pipeline thu thập, duyệt một kho lưu trữ có thể tìm kiếm, luôn cập nhật các sáng tạo đang chạy trong nền tảng thông tin quảng cáo của OpenAdLibrary sẽ cung cấp batch để phân tích mà không cần chụp một quảng cáo duy nhất bằng tay.