Prompt Analisis Iklan: 25 Prompt yang Mengurai Iklan Pemenang

Prompt mana yang mengekstrak hook dan angle sebuah iklan?

Prompt yang mengekstrak hook dan angle memaksa model menyebutkan kategori dan mengutip baris persisnya, bukan menggambarkan iklan dengan istilah samar. Permintaan seperti 'analisis hook iklan ini' menghasilkan bahasa pemasaran; permintaan yang mewajibkan jenis hook dan kalimat yang dikutip menghasilkan sesuatu yang benar-benar bisa Anda tindak lanjuti.

Ekstraksi angle bekerja dengan cara yang sama. Minta model untuk mencantumkan setiap angle yang berbeda (mekanisme, identitas, urgensi, bukti sosial) dan menyitasi baris yang membawa masing-masingnya, lalu Anda mendapat peta struktur persuasi iklan, bukan satu kata sifat. Peta itu paling penting setelah Anda menyaring dulu penawaran yang layak dibedah, yaitu proses penyaringan yang dibahas di cara mengidentifikasi iklan pemenang: sebagian besar iklan di feed spy-tool bahkan bukan pemenang sejak awal.

• Identifikasi hook yang digunakan dalam 3 detik pertama naskah iklan ini. Sebutkan jenis hook-nya (rasa ingin tahu, kejutan, manfaat langsung, pengganggu pola, atau pertanyaan) dan jelaskan mengapa itu menghentikan scroll.
• Daftar setiap angle berbeda yang dibuat iklan ini terhadap penawaran yang sama (mekanisme, identitas, urgensi, bukti sosial, atau otoritas). Untuk setiap angle, kutip baris persis yang membawanya.
• Tulis ulang hook ini dalam 5 versi alternatif, menggunakan angle yang berbeda setiap kali, sambil mempertahankan penawaran dan klaim inti yang sama.
• Keadaan emosi apa yang coba diciptakan iklan ini dalam 10 detik pertama? Kutip kata-kata spesifik yang membangunnya.
• Bandingkan struktur hook iklan ini dengan pola direct-response yang dikenal (problem-agitate-solve, before-after-bridge, atau empat P) dan sebutkan mana yang diikutinya, jika ada.

Bagaimana cara Anda meminta bedah VSL penuh?

Bedah VSL penuh dimulai dengan memaksa model memisahkan transkrip menjadi beat struktural sebelum menafsirkan apa pun. Minta hook, problem, mechanism, proof, offer, dan close sebagai blok terpisah; sebagian besar transkrip antara 8 dan 20 menit cocok dengan struktur itu secara rapi, meski beberapa memadatkan problem dan mechanism ke dalam satu bagian.

Sebagian besar media buyer masih lebih percaya pembacaan cepat manusia daripada penelusuran model atas transkrip yang sama, dan intuisi itu biasanya terbalik khususnya untuk ekstraksi claim. Seseorang yang menyapu skrip 15 menit untuk ketiga kalinya minggu itu akan melewatkan claim berulang yang tersembunyi di menit 9; model membaca setiap kalimat dengan perhatian yang sama pada bacaan pertama maupun kesepuluh, itulah sebabnya ekstraksi claim stack yang dipandu prompt secara rutin menemukan lebih banyak claim berbeda daripada catatan manusia pada pembacaan pertama.

Dua ekstraksi lebih penting daripada yang lain: claim stack dan offer stack. Claim stack adalah setiap klaim spesifik tentang produk, sesuai urutan penyampaiannya; offer stack adalah jangkar harga, bonus, garansi, mekanisme urgensi, dan syarat pembayaran. Ambil keduanya secara terpisah, karena menyatukannya menyembunyikan apakah sebuah VSL menjual lewat klaim produk atau lewat struktur deal.

• Uraikan transkrip VSL ini ke beat strukturalnya: hook, problem, mechanism, proof, offer, dan close. Sertakan cap waktu pada setiap beat jika cap waktu ada di sumber.
• Ekstrak claim stack dari VSL ini: setiap klaim spesifik yang dibuat tentang produk, sesuai urutan kemunculannya, dengan kutipan persis untuk masing-masing.
• Identifikasi offer stack: jangkar harga, bonus, garansi, mekanisme urgensi atau kelangkaan, dan syarat pembayaran. Kutip setiap elemen sebagaimana ditulis.
• Elemen bukti apa yang digunakan VSL ini (testimoni, visual before-after, tangkapan layar, data pihak ketiga, atau kemunculan pakar)? Daftarkan masing-masing dengan cap waktu atau lokasi paragraf.
• Di mana VSL ini pertama kali meminta penjualan, dan berapa kali ia mengajukan ulang sebelum penutupan akhir?

Konteks apa yang dibutuhkan model agar tidak menebak?

Model membutuhkan platform, perkiraan rentang tayang, dan audiens target, atau ia akan menebak dan menyajikan tebakan itu sebagai fakta yang sudah pasti. Claude dan ChatGPT sama-sama bisa dengan yakin menetapkan jenis hook atau elemen bukti pada transkrip yang tidak menyertakan tanggal, harga, atau platform, jadi bebannya ada pada Anda untuk menyediakan kerangka itu sebelum prompt pertama dijalankan.

Platform mengubah arti 'pemenang' untuk iklan yang sama. Skrip yang dibuat sebagai pre-roll YouTube berperilaku berbeda dari yang dibuat untuk feed Facebook, dan jumlah tayang statis tanpa kerangka waktu tidak memberi tahu model apa pun tentang momentum. Jika sumbernya iklan YouTube, berikan lintasan yang dijelaskan di cara menemukan iklan YouTube pemenang alih-alih satu angka snapshot.

Juga instruksikan model secara eksplisit untuk memisahkan apa yang diklaim iklan dari apa yang dilakukan produk. Tanpa instruksi itu, bedah akan diam-diam mengubah 'VSL ini mengklaim mekanisme 90 hari' menjadi 'produk bekerja lewat mekanisme 90 hari,' yang merupakan klaim yang tidak bisa diverifikasi model dan tidak punya dasar bagi Anda untuk mengulanginya.

• Anggap ini sebagai iklan [platform] yang telah berjalan sejak kira-kira [tanggal/jendela], menargetkan [audiens]. Jangan berasumsi iklan ini menghasilkan konversi; tandai setiap klaim performa sebagai tidak terverifikasi kecuali saya memberikan data pengeluaran.
• Ini transkrip penuh, bukan ringkasan. Kutip bukti Anda untuk setiap klaim yang Anda buat tentang struktur, nada, atau niat.
• Ini adalah produk [kategori] dengan harga $[X] dan [syarat garansi]. Analisis claim stack secara khusus terhadap titik harga itu.
• Sepanjang jawaban Anda, bedakan antara apa yang dinyatakan iklan sebagai fakta dan apa yang diklaim iklan dilakukan produk; beri label setiap klaim produk dengan 'iklan mengklaim' alih-alih menyatakannya sebagai benar.

Prompt mana yang membandingkan dua iklan kompetitor?

Prompt yang membandingkan dua iklan kompetitor paling baik bekerja sebagai side-by-side yang dipaksakan, bukan dua ringkasan yang ditempel berdampingan. Minta model membangun satu tabel di atas kedua transkrip, yang mencakup jenis hook, angle utama, elemen bukti, dan mekanisme penutupan, karena tabel bersama mengungkap perbedaan yang akan terkubur oleh dua paragraf terpisah.

Ini paling penting di kategori dengan set kompetitif yang padat, di mana belasan penawaran menjalankan klaim yang hampir identik tetapi dibungkus framing berbeda. Funnel suplemen adalah kasus paling jelas: titik harga, syarat garansi, dan tumpukan bonus cukup bervariasi antar kompetitor sehingga perbandingan terstruktur, seperti breakdown kategori di analisis kompetitor suplemen, mengungkap lebih banyak daripada membaca salah satu iklan saja.

• Bandingkan dua transkrip iklan ini untuk kategori produk yang sama. Daftarkan di mana mereka menggunakan angle yang sama, di mana mereka menyimpang, dan mana yang lebih keras berpegang pada satu klaim.
• Dari dua iklan ini, mana yang memiliki claim stack lebih rapat, dengan klaim yang lebih sedikit dan lebih spesifik, dan mana yang bergantung pada volume klaim samar?
• Buat tabel side-by-side: jenis hook, angle utama, elemen bukti, dan mekanisme penutupan untuk kedua iklan.
• Jika kedua iklan menarget audiens yang sama, matematika penawaran mana, harga, bonus, garansi, yang memberi pembeli alasan lebih jelas untuk bertindak sekarang?
• Di mana kedua iklan ini saling bertentangan tentang mekanisme atau klaim, dan apa yang menunjukkan mana yang masih diuji versus mana yang sedang diskalakan?

Bagaimana Anda mengubah analisis menjadi creative brief?

Anda mengubah analisis menjadi creative brief dengan meminta model memadatkan bedah menjadi batasan yang bisa dieksekusi seorang copywriter, bukan paragraf deskripsi lain. Brief yang bisa dipakai membutuhkan arah hook, satu angle utama, claim stack yang dibatasi 3 sampai 5 item, dan struktur penawaran; setelah sepanjang itu, ia berhenti berfungsi sebagai brief dan berubah menjadi bedah kedua.

Di sinilah secara hukum dan strategis menjadi penting batas antara memodelkan struktur iklan dan menyalin bahasa spesifiknya. Brief yang mengatakan 'samakan angle dan pola bukti ini' adalah pemodelan; yang mengatakan 'gunakan kalimat-kalimat persis ini' adalah penyalinan, dan perbedaan yang dijabarkan di memodelkan vs menyalin iklan menentukan apakah output-nya kreatif yang defensibel atau liabilitas yang menunggu surat cease-and-desist.

Brief yang ketat juga merupakan format input persis yang dibutuhkan alur kerja drafting AI: arah hook, satu angle, claim stack yang dibatasi, dan struktur penawaran, diberikan sebagai batasan, bukan dinding transkrip. Input yang longgar menghasilkan draf yang longgar, apa pun model yang menulisnya.

• Ubah bedah iklan ini menjadi creative brief: arah hook, angle, claim stack (maksimal 3-5 item), elemen bukti yang harus diambil, dan struktur penawaran.
• Hasilkan 3 variasi hook baru untuk brief yang memodelkan angle iklan ini tanpa menggunakan kembali kata-kata spesifik atau claim-nya.
• Daftar setiap claim dalam iklan ini yang perlu pembuktian sebelum saya bisa menggunakannya, dan tandai mana yang terbaca sebagai opini versus fakta.
• Buat arahan kreatif satu paragraf yang bisa langsung dipakai copywriter, sambil mencatat beat struktural mana yang harus dipertahankan dan mana yang harus diubah.
• Apa satu claim paling berisiko dalam iklan ini dari sudut kepatuhan, dan bagaimana Anda akan melunakkannya sambil mempertahankan angle dasarnya?

Kapan prompt gagal tanpa data pengeluaran?

Prompt gagal tanpa data pengeluaran begitu Anda meminta model menilai apakah sebuah iklan bekerja, karena struktur dan performa adalah pertanyaan berbeda dan hanya data pengeluaran yang menjawab yang kedua. Model bisa memberi tahu Anda bahwa iklan memiliki hook yang tersusun baik dengan mencocokkan pola terhadap struktur yang diketahui efektif, tetapi tidak bisa mengatakan apakah hook itu mempertahankan perhatian atau menghasilkan konversi, karena ia tidak memiliki akses ke impresi, click-through rate, atau pengeluaran.

Di sinilah kerja bedah paling sering melebih-lebihkan kesimpulannya sendiri. Struktur sebuah iklan bisa terlihat identik dengan pemenang yang terbukti dan tetap saja merugi di pasar, dan celah itu dibahas di cara menemukan iklan pemenang: persistensi pengeluaran dan frekuensi pembaruan kreatif berada di luar copy iklan itu sendiri, dan tidak ada prompt yang bisa menyimpulkan salah satu dari keduanya hanya dari transkrip.

Langkah yang jujur adalah meminta model menandai batasnya sendiri. Prompt seperti 'beri tahu saya apa yang bisa dan tidak bisa Anda simpulkan tentang performa iklan ini hanya dari transkrip, dan jelaskan secara eksplisit bagian mana dari jawaban Anda yang merupakan inferensi versus observasi' menghasilkan jawaban yang lebih singkat dan lebih berguna daripada prompt yang membiarkan model mengisi kekosongan dengan tebakan yang terdengar yakin.

Daftar periksa keputusan cepat

Gunakan halaman ini sebagai alat bantu keputusan, bukan artikel blog umum. Pertanyaan praktisnya adalah apakah pembaca membutuhkan bukti lebih cepat tentang apa yang sudah berhasil dalam respon langsung berbasis VSL, terutama di pasar nutra, suplemen, GLP-1, penurunan berat badan, gula darah, dan pasar kesehatan dengan niat beli tinggi yang berdekatan.

Daily Intel Service paling relevan saat keputusan berikutnya bergantung pada contoh pasar aktif: pancingan mana yang harus diuji, gaya klaim mana yang berisiko, struktur corong mana yang umum, pasar bahasa mana yang sedang bergerak, dan apakah materi iklan pesaing kemungkinan masih awal, sedang diskalakan, atau sudah jenuh.

• Mulailah dengan ringkasan singkat jika Anda membutuhkan jawaban langsung.
• Gunakan tabel untuk membandingkan kelebihan dan kekurangan dengan cepat.
• Gunakan bagian tanya jawab umum untuk ringkasan yang siap dipakai mesin jawaban.
• Gunakan ajakan bertindak saat keputusan membutuhkan contoh VSL dan iklan langsung, bukan teori.

Keunggulan cakupan Daily Intel

Daily Intel Service diposisikan pada variasi terdepan dan daya tindak yang tinggi: salah satu katalog respon langsung terluas untuk VSLs dan materi iklan di berbagai pola periklanan hitam, abu-abu, dan putih, dengan konteks yang cukup untuk memahami apa yang dilakukan pengiklan di luar materi iklan yang terlihat. Perbedaan praktisnya adalah anggota tidak hanya melihat tangkapan layar; mereka melihat VSL, iklan, jalur corong, transkrip, konteks parameter pelacakan, dan catatan riset yang mengubah aset menjadi keputusan.

Ini penting karena afiliasi respon langsung tidak beroperasi dalam satu kategori yang rapi. Kampanye penurunan berat badan bisa memakai iklan putih yang patuh, pra-landing abu-abu, VSL yang lebih agresif, dan jalur pembayaran yang dirancang di sekitar penawaran tambahan dan pemulihan. Platform intelijen yang berguna perlu menangkap spektrum itu alih-alih berpura-pura bahwa setiap kampanye pemenang terlihat seperti iklan merek publik.

Cakupan sinyal hitam, putih, dan multibahasa

Daily Intel melacak pola di seluruh kampanye bergaya hitam dan bergaya putih agar operator dapat memahami pasar tanpa menyalin risiko secara buta. Contoh iklan putih membantu dalam ketahanan dan tinjauan kepatuhan; contoh hitam dan abu-abu mengungkap titik tekanan, pancingan, mekanisme, dan struktur corong yang mungkin mendorong belanja tetapi memerlukan penyesuaian hati-hati sebelum digunakan.

Katalog ini juga dibangun untuk operator global, dengan referensi VSL dan iklan yang mencakup 14+ bahasa dan berbagai idiom lokal. Itu adalah keunggulan utama bagi afiliasi Brasil, Amerika Latin, Eropa, Timur Tengah dan Afrika Utara, India, dan afiliasi non-penutur asli bahasa Inggris yang perlu melihat bagaimana keinginan pasar yang sama diterjemahkan lintas budaya alih-alih hanya mempelajari iklan berbahasa Inggris AS.

Cara menggunakan intelijen secara bertanggung jawab

Tujuannya adalah memodelkan, bukan menyalin. Gunakan Daily Intel untuk memahami struktur: pancingan, mekanisme, bukti, intensitas klaim, kedalaman corong, ekonomi penawaran, dan tahap kejenuhan. Lalu buat materi iklan orisinal, tinjau klaim, dan sesuaikan sudutnya dengan sumber trafik, negara, bahasa, dan persyaratan kepatuhan kampanye.

Alur kerja yang kuat membandingkan beberapa contoh sebelum bertindak. Jika mekanisme yang sama muncul di beberapa bahasa, beberapa pengiklan, dan beberapa varian corong, itu mungkin sinyal pasar yang tahan lama. Jika contoh itu hanya muncul sekali atau bergantung pada klaim yang agresif, perlakukan itu sebagai petunjuk riset, bukan templat kampanye.

• Modelkan struktur, bukan aset materi iklan yang dilindungi.
• Pisahkan ketahanan praktik putih dari tekanan persuasi praktik hitam.
• Bandingkan contoh bahasa Inggris AS dengan varian Amerika Latin, Eropa, dan bahasa lainnya.
• Gunakan transkrip dan catatan corong untuk menyusun naskah arahan orisinal.
• Pisahkan tinjauan kepatuhan dari riset pasar.

Metodologi dan konteks sumber

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.