विज्ञापन विश्लेषण प्रॉम्प्ट्स: 25 ऐसे प्रॉम्प्ट्स जो जीतने वाले विज्ञापनों को तोड़कर समझते हैं

कौन से प्रॉम्प्ट्स किसी विज्ञापन का हुक और एंगल निकालते हैं?

जो प्रॉम्प्ट्स हुक और एंगल निकालते हैं, वे मॉडल को कोई श्रेणी नाम देने और सटीक पंक्ति उद्धृत करने के लिए मजबूर करते हैं, न कि विज्ञापन को धुंधले शब्दों में वर्णित करने के लिए। 'इस विज्ञापन का हुक विश्लेषण करो' जैसी मांग मार्केटिंग-भाषा लौटाती है; जबकि ऐसा अनुरोध जो हुक का प्रकार और उद्धृत वाक्य मांगता है, आपको ऐसा कुछ देता है जिस पर आप वास्तव में काम कर सकते हैं।

एंगल निष्कर्षण भी इसी तरह काम करता है। मॉडल से कहिए कि वह हर अलग एंगल (तंत्र, पहचान, तात्कालिकता, सामाजिक प्रमाण) सूचीबद्ध करे और प्रत्येक को ले जाने वाली पंक्ति का उल्लेख करे, और आपको एक ही विशेषण के बजाय विज्ञापन की मनाने की संरचना का नक्शा मिल जाएगा। यह नक्शा सबसे अधिक तब मायने रखता है जब आपने पहले ही केवल उन ऑफर्स को छांट लिया हो जो विश्लेषण में समय लगाने लायक हैं, और यही छंटाई प्रक्रिया जीतने वाले विज्ञापनों की पहचान कैसे करें में शामिल है: स्पाई-टूल फीड में बैठे अधिकांश विज्ञापन शुरू से ही जीतने वाले नहीं थे।

• इस विज्ञापन स्क्रिप्ट के पहले 3 सेकंड में उपयोग किए गए हुक की पहचान करें। हुक का प्रकार नाम दें (जिज्ञासा, झटका, प्रत्यक्ष-लाभ, पैटर्न-इंटरप्ट, या प्रश्न) और समझाएँ कि यह स्क्रॉल को क्यों रोकता है।
• यह विज्ञापन एक ही ऑफर की ओर कौन-कौन से अलग एंगल बनाता है, उनकी सूची दें (तंत्र, पहचान, तात्कालिकता, सामाजिक प्रमाण, या प्राधिकरण)। हर एंगल के लिए सटीक पंक्ति उद्धृत करें जो उसे ले जाती है।
• इस हुक को 5 वैकल्पिक संस्करणों में पुनर्लेखित करें, हर बार अलग एंगल का उपयोग करते हुए, लेकिन वही ऑफर और मूल दावा बनाए रखें।
• विज्ञापन पहले 10 सेकंड में कौन-सी भावनात्मक अवस्था पैदा करना चाहता है? उसे बनाने वाले विशिष्ट शब्द उद्धृत करें।
• इस विज्ञापन की हुक संरचना की तुलना किसी ज्ञात प्रत्यक्ष-प्रतिक्रिया पैटर्न (समस्या-उत्तेजना-समाधान, पहले-बाद-पुल, या चार पी) से करें और बताएँ कि, यदि कोई हो, तो यह किसका पालन करता है।

पूरे VSL विश्लेषण के लिए आप प्रॉम्प्ट कैसे बनाते हैं?

एक पूरा VSL विश्लेषण पहले मॉडल को ट्रांसक्रिप्ट को संरचनात्मक चरणों में बाँटने के लिए मजबूर करके शुरू होता है, इससे पहले कि वह कुछ भी व्याख्या करे। हुक, समस्या, तंत्र, प्रमाण, ऑफर और समापन को अलग-अलग ब्लॉकों के रूप में माँगें; 8 से 20 मिनट के बीच के अधिकांश ट्रांसक्रिप्ट इस संरचना में साफ़-साफ़ फिट हो जाते हैं, हालांकि कुछ समस्या और तंत्र को एक ही खंड में समेट देते हैं।

ज़्यादातर मीडिया खरीदार अभी भी मॉडल की उसी ट्रांसक्रिप्ट पर की गई पढ़त की तुलना में तेज़ मानवीय पढ़त पर भरोसा करते हैं, और दावा निष्कर्षण के मामले में यह प्रवृत्ति आमतौर पर उलटी होती है। किसी व्यक्ति द्वारा 15-मिनट की स्क्रिप्ट को उस हफ्ते तीसरी बार स्किम करते समय मिनट 9 पर छिपे दोहराए गए दावे को मिस कर देना आसान है; मॉडल हर वाक्य को पहली पढ़त में भी दसवीं पढ़त जैसी ही एकाग्रता से पढ़ता है, इसलिए प्रॉम्प्ट किया गया क्लेम-स्टैक निष्कर्षण अक्सर पहली-पास मानवीय नोट-टेकिंग से अधिक अलग-अलग दावे सामने लाता है।

बाकियों से अधिक महत्वपूर्ण दो निष्कर्षण हैं: क्लेम स्टैक और ऑफर स्टैक। क्लेम स्टैक उत्पाद के बारे में किए गए हर विशिष्ट दावे का, किए जाने के क्रम में, विवरण है; ऑफर स्टैक में मूल्य-एंकर, बोनस, गारंटी, तात्कालिकता तंत्र और भुगतान शर्तें शामिल हैं। दोनों को अलग-अलग निकालें, क्योंकि उन्हें एक साथ मिला देने से यह छिप जाता है कि क्या VSL उत्पाद दावों पर बिक रहा है या सौदे की संरचना पर।

• इस VSL को इसकी संरचनात्मक धड़कनों में बाँटें: हुक, समस्या, तंत्र, प्रमाण, ऑफर और समापन। यदि स्रोत में टाइमस्टैम्प मौजूद हों, तो हर चरण का टाइमस्टैम्प दें।
• इस VSL से क्लेम स्टैक निकालें: उत्पाद के बारे में किए गए हर विशिष्ट दावे को, किए जाने के क्रम में, और हर एक के लिए सटीक उद्धरण के साथ।
• ऑफर स्टैक की पहचान करें: मूल्य-एंकर, बोनस, गारंटी, तात्कालिकता या दुर्लभता तंत्र, और भुगतान शर्तें। हर तत्व को जैसा लिखा है वैसा उद्धृत करें।
• यह VSL कौन-कौन से प्रमाण तत्व उपयोग करता है (प्रशंसापत्र, पहले-बाद के दृश्य, स्क्रीनशॉट, तृतीय-पक्ष डेटा, या विशेषज्ञ की झलक)? प्रत्येक को उसके टाइमस्टैम्प या अनुच्छेद स्थान के साथ सूचीबद्ध करें।
• यह VSL बिक्री के लिए पहली बार कहाँ पूछता है, और अंतिम समापन से पहले यह कितनी बार पुनः पिच करता है?

मॉडल को अनुमान लगाने से बचने के लिए कौन-सा संदर्भ चाहिए?

मॉडल को मंच, लगभग चलने की अवधि, और लक्षित दर्शक चाहिए, वरना वह अनुमान लगाकर उसे स्थापित तथ्य की तरह बताएगा। Claude और ChatGPT दोनों बिना तारीख, कीमत, या मंच के जुड़े ट्रांसक्रिप्ट पर हुक प्रकार या प्रमाण तत्व आत्मविश्वास से तय कर देंगे, इसलिए पहली प्रॉम्प्ट चलाने से पहले वह आधारभूत ढांचा देना आपकी जिम्मेदारी है।

प्लेटफ़ॉर्म यह बदल देता है कि एक ही विज्ञापन के लिए 'जीतना' का मतलब क्या हो सकता है। YouTube प्री-रोल के रूप में बनाया गया स्क्रिप्ट Facebook फीड के लिए बने स्क्रिप्ट से अलग व्यवहार करता है, और बिना समय-सीमा वाला स्थिर दृश्य-गणना मॉडल को गति के बारे में कुछ नहीं बताता। यदि स्रोत YouTube विज्ञापन है, तो उसे जीतने वाले YouTube विज्ञापन कैसे खोजें में वर्णित प्रक्षेपवक्र दें, न कि केवल एक स्नैपशॉट संख्या।

मॉडल को स्पष्ट रूप से यह भी निर्देश दें कि वह विज्ञापन के दावों और उत्पाद के वास्तविक कार्य को अलग रखे। इस निर्देश के बिना, एक विश्लेषण चुपचाप 'यह VSL 90-दिन के तंत्र का दावा करता है' को 'उत्पाद 90-दिन के तंत्र से काम करता है' में बदल देगा, जो ऐसा दावा है जिसे मॉडल सत्यापित नहीं कर सकता और जिसे दोहराने का आपके पास कोई आधार नहीं है।

• इसे एक [platform] विज्ञापन मानें जो लगभग [date/window] से चल रहा है और [audience] को लक्षित कर रहा है। यह न मानें कि इसने रूपांतरण किया; यदि मैं खर्च डेटा न दूँ, तो किसी भी प्रदर्शन दावे को असत्यापित मानें।
• यह पूरा ट्रांसक्रिप्ट है, सारांश नहीं। संरचना, स्वर या आशय के बारे में आप जो भी दावा करें, उसके लिए अपना साक्ष्य उद्धृत करें।
• यह $[X] कीमत वाला एक [category] उत्पाद है, जिसमें [guarantee terms] हैं। इस मूल्य बिंदु के विरुद्ध विशेष रूप से क्लेम स्टैक का विश्लेषण करें।
• अपने पूरे उत्तर में इस बात का अंतर बनाए रखें कि विज्ञापन तथ्य के रूप में क्या कहता है और उत्पाद क्या करता है; हर उत्पाद दावे को 'विज्ञापन का दावा है' के रूप में लेबल करें, न कि उसे सत्य बताकर।

दो प्रतिस्पर्धी विज्ञापनों की तुलना करने वाले कौन से प्रॉम्प्ट्स हैं?

दो प्रतिस्पर्धी विज्ञापनों की तुलना करने वाले प्रॉम्प्ट्स सबसे अच्छे तब काम करते हैं जब उन्हें मजबूर साइड-बाय-साइड बनाया जाए, न कि दो अलग-अलग सारांशों को साथ रख दिया जाए। मॉडल से कहें कि वह दोनों ट्रांसक्रिप्ट्स पर एक ही तालिका बनाए, जिसमें हुक प्रकार, प्राथमिक एंगल, प्रमाण तत्व और समापन तंत्र शामिल हों, क्योंकि साझा तालिका वह भिन्नता उजागर करती है जिसे दो अलग पैराग्राफ दबा देते हैं।

यह बात विशेष रूप से उन श्रेणियों में महत्वपूर्ण है जिनमें प्रतिस्पर्धी सेट घना होता है, जहाँ दर्जन भर ऑफर अलग-अलग फ्रेमिंग में लगभग समान दावे चलाते हैं। सप्लीमेंट फ़नल इसका सबसे स्पष्ट उदाहरण हैं: मूल्य बिंदु, गारंटी शर्तें और बोनस स्टैक प्रतिस्पर्धियों के बीच इतनी भिन्नता रखते हैं कि एक संरचित तुलना, जैसे सप्लीमेंट प्रतिस्पर्धी विश्लेषण में श्रेणी विभाजन, अकेले किसी एक विज्ञापन को पढ़ने से अधिक सामने लाती है।

• समान उत्पाद श्रेणी वाले इन दो विज्ञापन ट्रांसक्रिप्ट्स की तुलना करें। बताइए कि वे कहाँ एक ही एंगल का उपयोग करते हैं, कहाँ अलग जाते हैं, और कौन-सा एकल दावे पर अधिक दृढ़ता से टिकता है।
• इन दोनों विज्ञापनों में से किसका क्लेम स्टैक अधिक सघन है, जिसमें कम लेकिन अधिक विशिष्ट दावे हैं, और कौन-सा अस्पष्ट दावों की मात्रा पर निर्भर करता है?
• एक साइड-बाय-साइड तालिका बनाएँ: दोनों विज्ञापनों के लिए हुक प्रकार, प्राथमिक एंगल, प्रमाण तत्व, और समापन तंत्र।
• यदि दोनों विज्ञापन एक ही दर्शक को लक्षित करते हैं, तो कौन-सी ऑफर की गणना, कीमत, बोनस, गारंटी खरीदार को अभी कार्रवाई करने का अधिक स्पष्ट कारण देती है?
• ये दो विज्ञापन तंत्र या दावे के मामले में कहाँ एक-दूसरे का खंडन करते हैं, और इससे क्या संकेत मिलता है कि कौन-सा अभी भी परीक्षण अवस्था में है बनाम कौन-सा स्केल कर रहा है?

आप विश्लेषण को क्रिएटिव ब्रीफ में कैसे बदलते हैं?

आप विश्लेषण को क्रिएटिव ब्रीफ में इस तरह बदलते हैं कि मॉडल से विश्लेषण को एक ऐसे संक्षेप में संपीड़ित कराया जाए जिसे कॉपीराइटर लागू कर सके, न कि वर्णन का एक और पैराग्राफ। उपयोगी ब्रीफ में एक हुक दिशा, एक प्राथमिक एंगल, 3 से 5 आइटम पर सीमित क्लेम स्टैक, और एक ऑफर संरचना चाहिए; इससे लंबा होने पर यह ब्रीफ होना बंद हो जाता है और दूसरा विश्लेषण बन जाता है।

यह कानूनी और रणनीतिक रूप से सबसे महत्वपूर्ण वहाँ होता है जहाँ किसी विज्ञापन की संरचना का मॉडल बनाना और उसकी विशिष्ट भाषा की नकल करना अलग-अलग चीजें हैं। जो ब्रीफ कहता है 'इस एंगल और प्रमाण पैटर्न से मेल खाएँ' वह मॉडलिंग है; जो कहता है 'इन्हीं सटीक पंक्तियों का उपयोग करें' वह नकल है, और विज्ञापनों की मॉडलिंग बनाम नकल में दी गई भेदरेखा तय करती है कि आउटपुट एक बचाव योग्य क्रिएटिव है या एक देयता जो सीज़-एंड-डिसिस्ट पत्र की प्रतीक्षा कर रही है।

एक सख्त ब्रीफ वही सटीक इनपुट प्रारूप है जिसकी AI ड्राफ्टिंग वर्कफ़्लो को जरूरत होती है: हुक दिशा, एक एंगल, सीमित क्लेम स्टैक, और ऑफर संरचना, सब कुछ बाधाओं के रूप में, न कि ट्रांसक्रिप्ट की लंबी दीवार के रूप में। ढीले इनपुट ढीले ड्राफ्ट पैदा करते हैं, चाहे कोई भी मॉडल लिखे।

• इस विज्ञापन विश्लेषण को क्रिएटिव ब्रीफ में बदलें: हुक दिशा, एंगल, क्लेम स्टैक (अधिकतम 3-5 आइटम), स्रोत करने योग्य प्रमाण तत्व, और ऑफर संरचना।
• ऐसे ब्रीफ के लिए 3 नए हुक वैरिएशन बनाएँ जो इस विज्ञापन के एंगल का मॉडल बनाते हों लेकिन उसकी विशिष्ट शब्दावली या दावों का पुन: उपयोग न करते हों।
• इस विज्ञापन के हर उस दावे की सूची दें जिसे मैं इसे कहने से पहले प्रमाणित करना होगा, और चिन्हित करें कि कौन-से राय के रूप में पढ़े जाते हैं और कौन-से तथ्य के रूप में।
• एक-पैराग्राफ की क्रिएटिव दिशा लिखें जिससे कॉपीराइटर सीधे काम कर सके, यह बताते हुए कि कौन-से संरचनात्मक चरण रखने हैं और कौन-से बदलने हैं।
• अनुपालन के दृष्टिकोण से इस विज्ञापन का सबसे जोखिमभरा दावा कौन-सा है, और अंतर्निहित एंगल को बरकरार रखते हुए आप उसे कैसे नरम करेंगे?

खर्च डेटा के बिना प्रॉम्प्ट कब विफल हो जाते हैं?

जैसे ही आप मॉडल से यह निर्णय करवाते हैं कि विज्ञापन काम करता है या नहीं, प्रॉम्प्ट खर्च डेटा के बिना विफल हो जाते हैं, क्योंकि संरचना और प्रदर्शन अलग प्रश्न हैं और दूसरे का उत्तर केवल खर्च डेटा देता है। मॉडल ज्ञात-प्रभावी संरचनाओं के साथ पैटर्न-मैच करके बता सकता है कि किसी विज्ञापन का हुक अच्छी तरह बना है, लेकिन वह यह नहीं बता सकता कि उस हुक ने ध्यान बनाए रखा या रूपांतरण किया, क्योंकि उसके पास इम्प्रेशन, क्लिक-थ्रू रेट, या खर्च तक पहुँच नहीं है।

यहीं विश्लेषण कार्य अक्सर अपनी ही निष्कर्षों को बढ़ा-चढ़ाकर पेश करता है। एक विज्ञापन की संरचना दिखने में सिद्ध विजेता जैसी लग सकती है और फिर भी बाज़ार में पैसा खो सकती है, और यही अंतर जीतने वाले विज्ञापन कैसे खोजें में कवर किया गया है: खर्च की निरंतरता और क्रिएटिव रिफ्रेश की आवृत्ति विज्ञापन कॉपी के बाहर की चीजें हैं, और कोई प्रॉम्प्ट उन्हें केवल ट्रांसक्रिप्ट से नहीं निकाल सकता।

ईमानदार कदम यह है कि मॉडल से उसकी अपनी सीमाएँ चिह्नित करवाई जाएँ। ऐसा प्रॉम्प्ट जैसे 'मुझे बताइए कि केवल ट्रांसक्रिप्ट के आधार पर आप इस विज्ञापन के प्रदर्शन के बारे में क्या निष्कर्ष निकाल सकते हैं और क्या नहीं, और स्पष्ट बताइए कि आपके उत्तर के कौन-से हिस्से अनुमान हैं और कौन-से अवलोकन' एक छोटे, अधिक उपयोगी उत्तर देता है, बनिस्बत उस उत्तर के जो मॉडल को आत्मविश्वास-भरी अटकलों से खाली जगह भरने दे।

त्वरित निर्णय चेकलिस्ट

इस page को एक generic blog post के बजाय decision aid की तरह उपयोग करें। व्यावहारिक प्रश्न यह है कि क्या reader को VSL-चालित direct response में, खासकर nutra, supplements, GLP-1, वजन घटाने, blood sugar, और उनसे जुड़े उच्च-intent health markets में, पहले से काम कर रही चीज़ों पर तेज़ evidence चाहिए।

Daily Intel Service तब सबसे प्रासंगिक है जब अगला निर्णय सक्रिय market examples पर निर्भर हो: कौन-सा hook टेस्ट करना है, कौन-सी claim style जोखिमपूर्ण है, कौन-सी funnel संरचना सामान्य है, कौन-सा language market आगे बढ़ रहा है, और क्या किसी competitor की creative शुरुआती चरण में है, scale कर रही है, या पहले ही saturated हो चुकी है।

• यदि आपको सीधा उत्तर चाहिए तो TL;DR से शुरू करें।
• trade-off को जल्दी तुलना करने के लिए table का उपयोग करें।
• answer-engine-ready summaries के लिए FAQ का उपयोग करें।
• जब निर्णय के लिए theory के बजाय live VSL और ad examples चाहिए, तब CTA का उपयोग करें।

Daily Intel का coverage advantage

Daily Intel Service को category-leading variety और actionability के आसपास स्थित किया गया है: blackhat, greyhat, और whitehat advertising patterns में VSLs और ad creatives के सबसे व्यापक direct-response catalogs में से एक, इतने context के साथ कि विज्ञापनदाता visible creative से परे क्या कर रहा है, यह समझा जा सके। व्यावहारिक अंतर यह है कि सदस्य केवल एक screenshot नहीं देख रहे होते; वे VSL, ad, funnel path, transcript, UTM context, और research notes देख रहे होते हैं जो asset को निर्णय में बदल देते हैं।

यह इसलिए महत्त्व रखता है क्योंकि direct-response affiliates एक साफ़-सुथरी category में काम नहीं करते। एक weight-loss campaign whitehat compliance ad, greyhat pre-lander, अधिक aggressive VSL, और upsells तथा recovery के आसपास डिज़ाइन किए गए checkout path का उपयोग कर सकती है। एक उपयोगी intelligence platform को यह spectrum पकड़ना चाहिए, न कि यह मान लेना चाहिए कि हर winning campaign एक public brand ad जैसी दिखती है।

Blackhat, whitehat, और multilingual signal coverage

Daily Intel blackhat-style और whitehat-style दोनों campaigns में patterns ट्रैक करता है ताकि operators market को बिना blind copying risk के समझ सकें। Whitehat examples durability और compliance review में मदद करते हैं; blackhat और greyhat examples pressure points, hooks, mechanisms, और funnel structures को उजागर करते हैं जो spend चला रहे हो सकते हैं, लेकिन उपयोग से पहले सावधानीपूर्वक adaptation मांगते हैं।

Catalog global operators के लिए भी बनाया गया है, जिसमें VSL और ad references 14+ भाषाओं और अलग-अलग local idioms तक फैले हैं। यह Brazilian, LATAM, European, MENA, Indian, और non-native English affiliates के लिए एक प्रमुख advantage है, जिन्हें यह देखना होता है कि वही market desire संस्कृतियों के पार कैसे अनुवादित होता है, न कि केवल US English ads का अध्ययन करना होता है।

इंटेलिजेंस का ज़िम्मेदारी से उपयोग कैसे करें

लक्ष्य model करना है, copy करना नहीं। Daily Intel का उपयोग structure समझने के लिए करें: hook, mechanism, proof, claim intensity, funnel depth, offer economics, और saturation stage। फिर original creative बनाएँ, claims की समीक्षा करें, और angle को traffic source, country, language, और campaign की compliance requirements के अनुसार अनुकूलित करें।

एक मज़बूत workflow action लेने से पहले कई examples की तुलना करता है। यदि वही mechanism कई भाषाओं, कई advertisers, और कई funnel variants में दिखाई देता है, तो यह एक टिकाऊ market signal हो सकता है। यदि example केवल एक बार दिखता है या किसी aggressive claim पर निर्भर करता है, तो उसे campaign template के बजाय research clue मानें।

• संरचना का मॉडल बनाएँ, protected creative assets का नहीं।
• Whitehat durability को blackhat persuasion pressure से अलग करें।
• US English examples की तुलना LATAM, European, और अन्य language variants से करें।
• Original briefs बनाने के लिए transcripts और funnel notes का उपयोग करें।
• Compliance review को market research से अलग रखें।

कार्यप्रणाली और स्रोत संदर्भ

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.