Anzeigenanalyse-Prompts: 25, die Gewinneranzeigen zerlegen

Welche Prompts extrahieren Hook und Angle aus einer Anzeige?

Die Prompts, die Hook und Angle extrahieren, zwingen das Modell dazu, eine Kategorie zu nennen und die exakte Zeile zu zitieren, statt die Anzeige in vagen Begriffen zu beschreiben. Eine Anfrage wie 'analysiere den Hook dieser Anzeige' liefert Marketingsprech; eine Anfrage, die einen Hook-Typ und einen zitierten Satz verlangt, liefert etwas, womit du tatsächlich arbeiten kannst.

Die Angle-Extraktion funktioniert genauso. Wenn du das Modell aufforderst, jeden klaren Angle aufzulisten (Mechanismus, Identität, Dringlichkeit, Social Proof) und die Zeile zu zitieren, die ihn trägt, erhältst du eine Karte der Überzeugungsstruktur der Anzeige statt nur ein einzelnes Adjektiv. Diese Karte ist vor allem dann wichtig, wenn du bereits Angebote herausgefiltert hast, die die Zerlegungszeit wert sind, also genau den Filterprozess, der in wie man Gewinneranzeigen identifiziert behandelt wird: Die meisten Anzeigen im Feed eines Spy-Tools waren von Anfang an nie Gewinner.

• Identifiziere den Hook, der in den ersten 3 Sekunden dieses Anzeigen-Skripts verwendet wird. Benenne den Hook-Typ (Neugier, Schock, Direktnutzen, Pattern Interrupt oder Frage) und erkläre, warum er das Scrollen stoppt.
• Liste jeden klaren Angle auf, den diese Anzeige auf dasselbe Angebot macht (Mechanismus, Identität, Dringlichkeit, Social Proof oder Autorität). Zitiere für jeden Angle die exakte Zeile, die ihn trägt.
• Schreibe diesen Hook in 5 alternativen Versionen um, verwende jedes Mal einen anderen Angle, behalte aber dasselbe Angebot und dieselbe Kernbehauptung bei.
• Welchen emotionalen Zustand versucht diese Anzeige in den ersten 10 Sekunden zu erzeugen? Zitiere die konkreten Wörter, die ihn aufbauen.
• Vergleiche die Hook-Struktur dieser Anzeige mit einem bekannten Direct-Response-Muster (Problem-Agitate-Solve, Before-After-Bridge oder die vier Ps) und nenne, welchem sie folgt, falls überhaupt.

Wie führt man eine vollständige VSL-Zerlegung durch?

Eine vollständige VSL-Zerlegung beginnt damit, das Modell zu zwingen, die Transkription in strukturelle Beats zu segmentieren, bevor es irgendetwas interpretiert. Bitte um Hook, Problem, Mechanismus, Beweis, Angebot und Abschluss als separate Blöcke; die meisten Transkriptionen zwischen 8 und 20 Minuten lassen sich sauber auf diese Struktur abbilden, auch wenn einige Problem und Mechanismus in einen einzigen Abschnitt komprimieren.

Die meisten Media Buyer vertrauen immer noch einer schnellen menschlichen Lektüre mehr als dem Durchgang eines Modells über dieselbe Transkription, und dieser Instinkt ist speziell bei der Claim-Extraktion meist falsch. Eine Person, die ein 15-minütiges Skript in derselben Woche zum dritten Mal überfliegt, übersieht eine wiederholte Behauptung, die bei Minute 9 vergraben ist; das Modell liest jeden Satz mit derselben Aufmerksamkeit beim ersten wie beim zehnten Durchgang, weshalb eine per Prompt gesteuerte Claim-Stack-Extraktion regelmäßig mehr unterschiedliche Behauptungen hervorbringt als eine erste menschliche Notiz.

Zwei Extraktionen sind wichtiger als der Rest: der Claim-Stack und der Offer-Stack. Der Claim-Stack ist jede spezifische Behauptung über das Produkt in der Reihenfolge, in der sie gemacht wird; der Offer-Stack ist Preisanker, Boni, Garantie, Dringlichkeitsmechanismus und Zahlungsbedingungen. Ziehe beides getrennt heraus, denn wenn du sie vermischst, verschleierst du, ob eine VSL über Produktbehauptungen oder über die Angebotsstruktur verkauft.

• Zerlege diese VSL-Transkription in ihre strukturellen Beats: Hook, Problem, Mechanismus, Beweis, Angebot und Abschluss. Gib jedem Beat einen Zeitstempel, falls Zeitstempel in der Quelle vorhanden sind.
• Extrahiere den Claim-Stack aus dieser VSL: jede spezifische Behauptung über das Produkt, in der Reihenfolge der Nennung, mit dem exakten Zitat zu jeder einzelnen.
• Identifiziere den Offer-Stack: Preisanker, Boni, Garantie, Dringlichkeits- oder Knappheitsmechanismus und Zahlungsbedingungen. Zitiere jedes Element genau so, wie es geschrieben ist.
• Welche Beweiselemente verwendet diese VSL (Testimonials, Vorher-nachher-Bilder, Screenshots, Drittanbieterdaten oder ein Experten-Cameo)? Liste jedes mit seinem Zeitstempel oder seiner Absatzposition auf.
• Wo fordert diese VSL erstmals den Verkauf an, und wie oft pitcht sie erneut, bevor der endgültige Abschluss kommt?

Welchen Kontext braucht das Modell, um nicht zu raten?

Das Modell braucht die Plattform, ein ungefähres Laufzeitfenster und die Zielgruppe, sonst rät es und stellt die Vermutung als feststehende Tatsache dar. Sowohl Claude als auch ChatGPT ordnen einer Transkription ohne Datum, Preis oder Plattform selbstbewusst einen Hook-Typ oder ein Beweismittel zu. Die Last liegt also bei dir, dieses Gerüst bereitzustellen, bevor der erste Prompt läuft.

Die Plattform verändert, was für dieselbe Anzeige überhaupt 'gewinnend' bedeuten kann. Ein Skript für einen YouTube-Pre-Roll verhält sich anders als eines für einen Facebook-Feed, und eine statische View-Zahl ohne Zeitraum sagt dem Modell nichts über Momentum. Wenn die Quelle eine YouTube-Anzeige ist, füttere sie mit der in wie man gewinnende YouTube-Anzeigen findet beschriebenen Entwicklung statt mit einer einzelnen Momentaufnahme.

Weise das Modell außerdem ausdrücklich an, zu trennen, was die Anzeige behauptet und was das Produkt tut. Ohne diese Anweisung verwandelt eine Zerlegung stillschweigend 'diese VSL behauptet einen 90-Tage-Mechanismus' in 'das Produkt funktioniert über einen 90-Tage-Mechanismus', also in eine Behauptung, die das Modell nicht verifizieren kann und die du nicht weitergeben solltest.

• Behandle dies als eine [platform]-Anzeige, die seit ungefähr [date/window] läuft und auf [audience] ausgerichtet ist. Nimm nicht an, dass sie konvertiert hat; markiere jede Performance-Behauptung als unbestätigt, sofern ich keine Spend-Daten liefere.
• Hier ist die vollständige Transkription, keine Zusammenfassung. Zitiere deine Belege für jede Aussage, die du über Struktur, Ton oder Absicht machst.
• Dies ist ein Produkt der Kategorie [category] mit einem Preis von $[X] und [guarantee terms]. Analysiere den Claim-Stack speziell im Hinblick auf diesen Preispunkt.
• Unterscheide in deiner gesamten Antwort zwischen dem, was die Anzeige als Fakt behauptet, und dem, was die Anzeige über die Wirkung des Produkts behauptet; kennzeichne jede Produktbehauptung mit 'die Anzeige behauptet' statt sie als wahr darzustellen.

Welche Prompts vergleichen zwei Konkurrenzanzeigen?

Prompts, die zwei Konkurrenzanzeigen vergleichen, funktionieren am besten als erzwungener Side-by-Side-Vergleich, nicht als zwei nebeneinander gesetzte Zusammenfassungen. Lass das Modell eine einzige Tabelle über beide Transkripte erstellen, mit Hook-Typ, primärem Angle, Beweismitteln und Abschlussmechanismus, denn eine gemeinsame Tabelle macht Unterschiede sichtbar, die zwei getrennte Absätze verschlucken würden.

Das ist vor allem in Kategorien mit dichtem Wettbewerb wichtig, in denen ein Dutzend Angebote fast identische Behauptungen in unterschiedlichem Framing ausspielen. Supplement-Funnels sind der klarste Fall: Preisniveaus, Garantiebedingungen und Bonus-Stacks variieren zwischen Wettbewerbern genug, dass ein strukturierter Vergleich, wie die Kategoriezusammenfassung in Wettbewerbsanalyse für Supplements, mehr offenlegt als das isolierte Lesen einer der Anzeigen.

• Vergleiche diese beiden Anzeigen-Transkripte für dieselbe Produktkategorie. Liste auf, wo sie denselben Angle verwenden, wo sie auseinandergehen und welche sich stärker auf eine einzelne Behauptung festlegt.
• Welche dieser beiden Anzeigen hat einen engeren Claim-Stack, mit weniger und spezifischeren Behauptungen, und welche verlässt sich auf die Masse vager Behauptungen?
• Erstelle eine Side-by-Side-Tabelle: Hook-Typ, primärer Angle, Beweismittel und Abschlussmechanismus für beide Anzeigen.
• Wenn beide Anzeigen dieselbe Zielgruppe ansprechen, welche Angebotslogik, Preis, Boni, Garantie gibt dem Käufer einen klareren Grund, jetzt zu handeln?
• Wo widersprechen sich diese beiden Anzeigen in Mechanismus oder Behauptung, und was sagt das darüber aus, welche noch testet und welche gerade skaliert?

Wie macht man aus der Analyse ein Creative-Briefing?

Du machst aus der Analyse ein Creative-Briefing, indem du das Modell aufforderst, die Zerlegung in Einschränkungen zu komprimieren, gegen die ein Copywriter arbeiten kann, nicht in einen weiteren Beschreibungsabsatz. Ein brauchbares Briefing braucht eine Hook-Richtung, einen primären Angle, einen auf 3 bis 5 Punkte begrenzten Claim-Stack und eine Angebotsstruktur; darüber hinaus funktioniert es nicht mehr als Briefing, sondern wird zu einer zweiten Zerlegung.

Relevant wird das rechtlich und strategisch an der Grenze zwischen dem Modellieren der Anzeigenstruktur und dem Kopieren ihrer konkreten Sprache. Ein Briefing, das sagt 'diesen Angle und dieses Beweismuster nachbilden', ist Modellieren; eines, das sagt 'benutze diese exakten Zeilen', ist Kopieren, und die in Modeling vs Copying von Anzeigen erläuterte Unterscheidung entscheidet, ob das Ergebnis eine vertretbare Creative oder eine Haftung ist, die auf ein Unterlassungsschreiben wartet.

Ein knappes Briefing ist außerdem genau das Eingabeformat, das ein KI-gestützter Drafting-Workflow braucht: Hook-Richtung, ein Angle, ein begrenzter Claim-Stack und Angebotsstruktur, als Einschränkungen eingespeist statt als Textwand. Lockere Inputs erzeugen lockere Entwürfe, unabhängig davon, welches Modell schreibt.

• Verwandle diese Anzeigen-Zerlegung in ein Creative-Briefing: Hook-Richtung, Angle, Claim-Stack (maximal 3-5 Punkte), zu beschaffende Beweismittel und Angebotsstruktur.
• Erzeuge 3 neue Hook-Varianten für ein Briefing, das den Angle dieser Anzeige modelliert, ohne ihre konkrete Wortwahl oder Behauptungen zu wiederverwenden.
• Liste jede Behauptung in dieser Anzeige auf, die vor einer Verwendung belegt werden müsste, und markiere, welche als Meinung statt als Fakt gelesen werden.
• Formuliere eine einabsätzige Creative Direction, mit der ein Copywriter direkt arbeiten könnte, und nenne, welche strukturellen Beats beibehalten und welche verändert werden sollen.
• Was ist die riskanteste Behauptung in dieser Anzeige aus Compliance-Sicht, und wie würdest du sie abschwächen, ohne den zugrunde liegenden Angle zu verlieren?

Wann versagen Prompts ohne Spend-Daten?

Prompts versagen ohne Spend-Daten in dem Moment, in dem du das Modell beurteilen lässt, ob eine Anzeige funktioniert, denn Struktur und Performance sind verschiedene Fragen, und nur Spend-Daten beantworten die zweite. Ein Modell kann dir sagen, dass eine Anzeige einen gut aufgebauten Hook hat, indem es bekannte wirksame Strukturen abgleicht, aber es kann dir nicht sagen, ob dieser Hook Aufmerksamkeit gehalten oder konvertiert hat, weil es keinen Zugriff auf Impressions, CTR oder Spend hat.

Hier überschätzt die Zerlegungsarbeit am häufigsten ihre eigenen Schlussfolgerungen. Die Struktur einer Anzeige kann identisch mit einem bewiesenen Gewinner aussehen und trotzdem am Markt Geld verlieren, und genau diese Lücke behandelt wie man Gewinneranzeigen findet: Spend-Persistenz und Cadence der Creative-Erneuerung liegen außerhalb des Anzeigentextes selbst, und kein Prompt kann eines von beiden allein aus einer Transkription ableiten.

Der ehrliche Weg ist, das Modell seine eigenen Grenzen markieren zu lassen. Ein Prompt wie 'sag mir, was du über die Performance dieser Anzeige allein aus der Transkription schließen kannst und was nicht, und sei ausdrücklich darüber, welche Teile deiner Antwort Inferenz und welche Beobachtung sind' liefert eine kürzere, nützlichere Antwort als eine, bei der das Modell die Lücke mit selbstbewusst klingendem Rätselraten füllt.

Schnelle Entscheidungsliste

Nutze diese Seite als Entscheidungshilfe, nicht als generischen Blogpost. Die praktische Frage ist, ob der Leser schneller Belege dafür braucht, was in VSL-getriebenem Direct Response bereits funktioniert, insbesondere in Nutra, Supplements, GLP-1, Gewichtsreduktion, Blutzucker und angrenzenden Gesundheitsmärkten mit hoher Kaufabsicht.

Daily Intel Service ist dann besonders relevant, wenn die nächste Entscheidung von aktuellen Marktbeispielen abhängt: welchen Hook man testen sollte, welche Claim-Art riskant ist, welche funnel-Struktur üblich ist, welcher Sprachmarkt sich bewegt und ob die creative eines Wettbewerbers früh, skalierend oder bereits gesättigt ist.

• Beginne mit dem TL;DR, wenn du die direkte Antwort brauchst.
• Nutze die Tabelle, um Kompromisse schnell zu vergleichen.
• Nutze die FAQ für answer-engine-taugliche Zusammenfassungen.
• Nutze die CTA, wenn die Entscheidung live VSL- und Anzeigenbeispiele statt Theorie erfordert.

Der Abdeckungs-Vorteil von Daily Intel

Daily Intel Service ist auf category-leading Vielfalt und Umsetzbarkeit ausgerichtet: einer der breitesten Direct-Response-Kataloge von VSLs und Anzeigen-creatives über blackhat-, greyhat- und whitehat-Werbemuster hinweg, mit genug Kontext, um zu verstehen, was der Advertiser jenseits des sichtbaren creatives tut. Der praktische Unterschied ist, dass Mitglieder nicht nur einen Screenshot sehen, sondern die VSL, die Anzeige, den funnel-Pfad, das Transcript, den UTM-Kontext und die Research-Notizen, die das Asset in eine Entscheidung verwandeln.

Das ist wichtig, weil Direct-Response-affiliates nicht in einer einzigen sauberen Kategorie arbeiten. Eine Weight-Loss-Kampagne kann eine whitehat-Compliance-Anzeige, einen greyhat pre-lander, eine aggressivere VSL und einen Checkout-Pfad nutzen, der auf Upsells und Recovery ausgelegt ist. Eine nützliche Intelligence-Plattform muss dieses Spektrum erfassen, statt so zu tun, als sähe jede Gewinnerkampagne wie eine öffentliche Markenanzeige aus.

Blackhat-, Whitehat- und mehrsprachige Signalabdeckung

Daily Intel verfolgt Muster sowohl in blackhat- als auch in whitehat-Kampagnen, damit Operatoren den Markt verstehen können, ohne Risiken blind zu kopieren. Whitehat-Beispiele helfen bei Haltbarkeit und Compliance-Prüfung; blackhat- und greyhat-Beispiele legen Druckpunkte, Hooks, Mechanismen und funnel-Strukturen offen, die Spend treiben können, aber vor der Nutzung sorgfältig angepasst werden müssen.

Der Katalog ist außerdem für globale Operatoren gebaut, mit VSL- und Anzeigenreferenzen in 14+ Sprachen und verschiedenen lokalen Redewendungen. Das ist ein wichtiger Vorteil für brasilianische, LATAM-, europäische, MENA-, indische und nicht englische affiliates, die sehen müssen, wie derselbe Marktbedarf kulturübergreifend übersetzt wird, statt nur US-englische Anzeigen zu studieren.

Wie man die Intelligence verantwortungsvoll nutzt

Das Ziel ist Modellierung, nicht Kopieren. Nutze Daily Intel, um die Struktur zu verstehen: Hook, Mechanismus, Beweis, Claim-Intensität, funnel-Tiefe, Offer-Ökonomie und Sättigungsphase. Baue dann eigenes creative, prüfe Claims und passe den Angle an Traffic-Quelle, Land, Sprache und Compliance-Anforderungen der Kampagne an.

Ein starker Workflow vergleicht mehrere Beispiele, bevor gehandelt wird. Wenn derselbe Mechanismus in mehreren Sprachen, bei mehreren Advertisern und in mehreren funnel-Varianten auftaucht, kann das ein belastbares Marktsignal sein. Wenn das Beispiel nur einmal vorkommt oder auf einem aggressiven Claim beruht, behandle es als Forschungshinweis und nicht als Kampagnenvorlage.

• Modelliere die Struktur, nicht die geschützten kreativen Assets.
• Trenne whitehat-Haltbarkeit von blackhat-Überzeugungsdruck.
• Vergleiche US-englische Beispiele mit LATAM-, europäischen und anderen Sprachvarianten.
• Nutze Transkripte und funnel-Notizen, um eigene Briefings zu erstellen.
• Halte die Compliance-Prüfung getrennt von der Marktforschung.

Methodik und Quellenkontext

Daily Intel pages are written from a research workflow that reviews active VSLs, Meta ad creatives, transcripts, UTMs, funnel paths, checkout steps, upsells, recovery sequences, and compliance-sensitive claim patterns. The goal is to explain observable market behavior, not to provide legal, medical, or platform policy advice.

For educational pages, the supporting references should help readers verify search, crawlability, and public ad research context, especially Google helpful content guidance, Google SEO link best practices, and Meta Ad Library. Daily Intel then adds the direct-response interpretation layer so the page explains what the signal means for actual affiliate research decisions.

For deeper evaluation, continue through State of ad spy tools in 2026, First-Party Data for Affiliates: The 2026 Playbook, Meta Event Match Quality: How to Raise EMQ Fast (2026), TikTok Events API for Affiliates: S2S Setup for 2026, n8n Ad Spy Workflow: Automate Competitor Monitoring, and What is a VSL?. These related Daily Intel pages connect this topic to the relevant methodology, pricing, trust context, comparison path, or niche workflow.