広告分析プロンプト: 勝ち広告を分解する25のプロンプト

広告のフックと角度を抽出するプロンプトはどれ？

フックと角度を抽出するプロンプトは、モデルにカテゴリ名と正確な一文を言わせ、曖昧な説明をさせません。'この広告のフックを分析して' という依頼ではマーケティング用語の羅列が返ってきますが、フックの種類と引用文を求める依頼なら、実際に使える答えが返ります。

角度の抽出も同じです。モデルに、メカニズム、アイデンティティ、緊急性、ソーシャルプルーフなど、異なる角度をすべて列挙させ、それぞれを担う行を引用させれば、広告の説得構造を一つの形容詞ではなく地図として得られます。その地図が最も重要になるのは、すでに分解に値するオファーだけを絞り込んだ後です。それが 勝ち広告の見分け方 で扱う絞り込みプロセスであり、スパイツールのフィードに並ぶ広告の大半は、そもそも勝ち広告ではありません。

• この広告スクリプトの最初の3秒で使われているフックを特定してください。フックの種類（好奇心、衝撃、直接的ベネフィット、パターン破り、質問）の名前を挙げ、なぜスクロールを止めるのか説明してください。
• この広告が同じオファーに向けて使っている異なる角度をすべて列挙してください（メカニズム、アイデンティティ、緊急性、ソーシャルプルーフ、権威）。各角度について、それを担う正確な一文を引用してください。
• 同じオファーと核となる主張を維持したまま、毎回異なる角度を使って、このフックを5通りに書き換えてください。
• この広告は最初の10秒でどんな感情状態を作ろうとしていますか。そうした状態を作る具体的な言葉を引用してください。
• この広告のフック構造を、既知のダイレクトレスポンスの型（問題-あおり-解決、ビフォー・アフター・ブリッジ、または4つのP）と比較し、該当するものがあればどれかを答えてください。

VSLの完全な分解はどう行う？

VSLの完全な分解は、モデルに何かを解釈させる前に、まず書き起こしを構造的なビートに分割させることから始まります。フック、問題、メカニズム、証拠、オファー、締めを別々のブロックとして求めてください。8分から20分の書き起こしの大半はこの構造にきれいに当てはまりますが、問題とメカニズムが一続きに圧縮されているものもあります。

多くのメディアバイヤーはいまだに、同じ書き起こしに対するモデルの解析よりも素早い人間の読みを信頼していますが、特に主張の抽出では、その直感はたいてい逆です。15分の台本をその週3回目にざっと読む人は、9分目に埋め込まれた繰り返しの主張を見落とします。モデルは1回目の読みでも10回目の読みでも同じ注意で各文を読むため、プロンプト付きの主張抽出では、初回の人手メモよりも一貫して多くの異なる主張が浮かび上がります。

他より重要なのは2つの抽出です。主張の積み上げとオファーの積み上げです。主張の積み上げとは、製品についての個別の主張を、出てきた順に並べたものです。オファーの積み上げとは、価格の基準点、ボーナス、保証、緊急性の仕組み、支払い条件です。これらは別々に取り出してください。混同すると、VSLが製品の主張で売っているのか、オファー設計で売っているのかが見えなくなります。

• このVSLの書き起こしを構造的なビートに分解してください。フック、問題、メカニズム、証拠、オファー、締めに分けてください。ソースにタイムスタンプがあれば、各ビートに付けてください。
• このVSLから主張の積み上げを抽出してください。製品についてなされた個々の具体的主張を、出てきた順に、各主張の正確な引用つきで並べてください。
• オファーの積み上げを特定してください。価格の基準点、ボーナス、保証、緊急性または希少性の仕組み、支払い条件です。各要素をそのまま引用してください。
• このVSLはどの証拠要素を使っていますか（顧客の声、ビフォー・アフター画像、スクリーンショット、第三者データ、専門家の登場など）。それぞれをタイムスタンプまたは段落位置つきで列挙してください。
• このVSLは最初にどこで売りを求め、最終締めまでに何回再提案していますか？

モデルが推測しないために必要な文脈は何？

モデルにはプラットフォーム、おおよその実行時期、対象オーディエンスが必要です。そうでなければ推測し、その推測を確定事実として述べます。Claude も ChatGPT も、日付、価格、プラットフォームのない書き起こしに対して、フックの種類や証拠要素を自信たっぷりに割り当ててしまうので、最初のプロンプトを走らせる前にその土台をあなたが与える必要があります。

同じ広告でも、プラットフォームが変わると '勝ち' の意味そのものが変わります。YouTube のプレロール用に作られた台本は Facebook のフィード向けに作られたものとは別の挙動をし、期間のない静的な閲覧数では、勢いについて何も伝えません。ソースが YouTube 広告なら、単一のスナップショット数ではなく、YouTube の勝ち広告を見つける方法 で説明される軌跡を与えてください。

また、広告が主張していることと、製品が実際にしていることを明示的に分けるようモデルに指示してください。その指示がないと、分解は 'このVSLは90日メカニズムを主張している' を、気づかないうちに '製品は90日メカニズムで動作する' に変えてしまいます。後者はモデルに検証手段がなく、あなたにも繰り返す根拠がありません。

• これは、おおよそ [date/window] から配信されている [platform] 広告で、[audience] を対象にしています。売れていると決めつけないでください。私が費用データを提供しない限り、パフォーマンスに関する主張は未検証として扱ってください。
• ここにあるのは要約ではなく全文の書き起こしです。構造、トーン、意図について述べるすべての主張ごとに、その根拠を引用してください。
• これは $[X] の価格で [guarantee terms] が付いた [category] 製品です。その価格帯に対して、主張の積み上げを特に分析してください。
• 回答全体を通して、広告が事実として述べていることと、広告が製品の働きとして主張していることを区別してください。すべての製品主張には、真実として述べるのではなく '広告は主張している' とラベルを付けてください。

2つの競合広告を比較するプロンプトはどれ？

2つの競合広告を比較するプロンプトは、2つの要約を並べるより、強制的な左右比較にした方がうまく機能します。両方の書き起こしにまたがる1つの表を作らせ、フックの種類、主要角度、証拠要素、締めの仕組みを含めてください。共有表にすると、別々の段落では埋もれる違いが見えます。

これは、競争が激しく、似たような主張を異なる見せ方で展開するオファーが十数個並ぶカテゴリで特に重要です。サプリメントのファネルは最も分かりやすい例です。価格帯、保証条件、ボーナスの積み上げが競合間で十分に異なるため、サプリメント競合分析 のような構造化比較は、どちらか一方の広告を単独で読むより多くのものを浮かび上がらせます。

• 同じ製品カテゴリのこの2つの広告書き起こしを比較してください。どこで同じ角度を使っているか、どこで分岐しているか、どちらが1つの主張により強く賭けているかを示してください。
• この2つの広告のうち、より締まった主張の積み上げを持ち、主張数が少なく具体的で、どちらが曖昧な主張の量に依存していますか？
• 左右比較の表を作ってください。2つの広告それぞれについて、フックの種類、主要角度、証拠要素、締めの仕組みを並べてください。
• もし両方の広告が同じオーディエンスを狙っているなら、どのオファーの数理、価格、ボーナス、保証が、買い手に今行動するより明確な理由を与えますか？
• この2つの広告は、メカニズムや主張のどこで矛盾しており、それはどちらがまだテスト段階で、どちらがスケール中であることを示唆しますか？

分析をクリエイティブブリーフにどう変える？

分析をクリエイティブブリーフに変えるには、分解結果を、コピーライターが実行できる制約へ圧縮するようモデルに求めます。説明文をもう一段落書かせるのではありません。使えるブリーフには、フックの方向性、1つの主要角度、3〜5項目に絞った主張の積み上げ、オファー構造が必要です。それ以上になると、ブリーフとして機能せず、2回目の分解になります。

これが法的かつ戦略的に重要になるのは、広告の構造をモデリングすることと、その具体的な言葉をコピーすることの境目です。'この角度と証拠パターンに合わせる' と書いたブリーフはモデリングです。'これらの正確な文を使う' と書いたブリーフはコピーであり、広告のモデリングとコピーの違い で示されている区別が、出力が防御可能なクリエイティブになるか、差止通知を待つだけの責任になるかを決めます。

タイトなブリーフは、AI原稿作成ワークフローが必要とする入力形式そのものでもあります。フックの方向、1つの角度、上限付きの主張の積み上げ、オファー構造を、壁のような書き起こしではなく制約として渡します。曖昧な入力は、どのモデルが書いても曖昧な下書きを生みます。

• この広告の分解をクリエイティブブリーフに変えてください。フックの方向、角度、主張の積み上げ（最大3〜5項目）、参照すべき証拠要素、オファー構造を含めてください。
• この広告の角度をモデリングしつつ、具体的な文言や主張を再利用しないようにしたブリーフ向けの新しいフックバリエーションを3つ生成してください。
• この広告のうち、私が使う前に裏付けが必要な主張をすべて挙げ、どれが意見でどれが事実に見えるかを示してください。
• コピーライターがそのまま使える1段落のクリエイティブディレクションを書き、どの構造ビートを維持し、どれを変えるべきかを示してください。
• この広告でコンプライアンス上もっとも危険な主張は何で、根底の角度を保ったままどう和らげますか？

費用データがないと、プロンプトはいつ失敗する？

費用データがないと、広告が機能しているかどうかをモデルに判断させた瞬間に失敗します。構造と成果は別の問いであり、後者に答えるのは費用データだけだからです。モデルは、既知の有効構造と照合して、広告にうまく作られたフックがあると判定できますが、そのフックが注意を保ったのか、コンバージョンしたのかは言えません。インプレッション、CTR、費用にアクセスできないからです。

ここで分解作業は、自分の結論を過大評価しがちです。広告の構造は証明済みの勝ち広告と同じように見えても、市場では赤字になりえます。それが 勝ち広告の見つけ方 で扱うギャップです。費用の持続とクリエイティブ刷新の頻度は広告文そのものの外側にあり、書き起こしだけからそのどちらも推測できるプロンプトはありません。

正直なやり方は、モデルに自分の限界を明示させることです。'この書き起こしだけから、この広告の成果について何が言えて何が言えないかを教えてください。あなたの回答のどの部分が観察で、どの部分が推論かを明確にしてください' のようなプロンプトは、モデルに隙間を自信ありげな推測で埋めさせるより、短くて役に立つ答えを返します。

クイック判断チェックリスト

このページは一般的なブログ記事ではなく、判断支援として使ってください。実際の問いは、読者が VSL 主導の direct response で既に機能しているものについて、より速い証拠を必要としているかどうかです。特に nutra、サプリメント、GLP-1、減量、血糖値、そしてその周辺の高意図ヘルス市場においてです。

次の意思決定が、今動いている市場の具体例に依存するなら Daily Intel Service が最も役立ちます。どのフックを試すべきか、どの主張スタイルが危険か、どの funnel 構造が一般的か、どの言語市場が動いているか、そして競合の creative が初期段階なのか、スケール中なのか、すでに飽和しているのか。

• 直接の答えが必要なら、まず TL;DR を見てください。
• 表を使ってトレードオフを素早く比較してください。
• FAQ を使って answer engine 向けの要約を確認してください。
• 理論ではなく live VSL と広告の例が必要な場合は CTA を使ってください。

Daily Intel のカバレッジ優位性

Daily Intel Service は、カテゴリをリードする多様性と実用性を中心に設計されています。blackhat、greyhat、whitehat の広告パターンを横断して、最も広範な direct-response の VSLs と広告 creative のカタログの一つであり、広告主が見えている creative の先で何をしているのかを理解するのに十分な文脈があります。実務上の違いは、メンバーがスクリーンショットだけでなく、VSL、広告、funnel の経路、トランスクリプト、UTM の文脈、そして素材を意思決定へ変えるリサーチノートまで見られることです。

これは重要です。direct-response の affiliate は、1 つのきれいなカテゴリの中だけで動いているわけではないからです。減量キャンペーンは、whitehat のコンプライアンス広告、greyhat の pre-lander、より攻撃的な VSL、そして upsell と recovery を前提にした checkout 経路を使うかもしれません。有用なインテリジェンスプラットフォームは、すべての勝ちキャンペーンが公開ブランド広告のように見えるふりをするのではなく、このスペクトラムを捉える必要があります。

blackhat、whitehat、多言語シグナルのカバレッジ

Daily Intel は blackhat 型と whitehat 型の両方のキャンペーンのパターンを追跡し、運用者がリスクを盲目的に模倣せずに市場を理解できるようにします。whitehat の例は持続性とコンプライアンスレビューに役立ち、blackhat と greyhat の例は、支出を押し上げている可能性のある圧力点、フック、仕組み、funnel 構造を明らかにしますが、利用前に慎重な調整が必要です。

このカタログはグローバルな運用者向けにも作られており、VSL と広告の参照は 14+ 言語とさまざまなローカル慣用表現にまたがっています。これはブラジル、LATAM、ヨーロッパ、MENA、インド、そして英語非母語の affiliate にとって大きな利点です。彼らは、同じ市場需要が文化をまたいでどう翻訳されるのかを知る必要があり、米国英語の広告だけを研究すればよいわけではないからです。

インテリジェンスを責任ある形で使う方法

目的はコピーではなくモデリングです。Daily Intel を使って、フック、メカニズム、証拠、主張の強さ、funnel の深さ、offer の経済性、飽和段階といった構造を理解してください。そのうえで、オリジナルの creative を作成し、主張を見直し、トラフィックソース、国、言語、キャンペーンのコンプライアンス要件に合わせて angle を調整します。

強いワークフローは、行動する前に複数の例を比較します。同じメカニズムが複数の言語、複数の広告主、複数の funnel 変種に現れるなら、それは持続性のある市場シグナルかもしれません。例が一度しか出てこない、あるいは攻撃的な主張に依存しているなら、それはキャンペーンのテンプレートではなくリサーチの手がかりとして扱うべきです。

• 保護された creative 資産ではなく、構造をモデル化してください。
• whitehat の持続性と blackhat の説得圧力を分けて考えてください。
• 米国英語の例を LATAM、ヨーロッパ、その他の言語版と比較してください。
• トランスクリプトと funnel のノートを使って、オリジナルの brief を作成してください。
• コンプライアンスレビューと市場調査は分けてください。

調査手法と情報源について

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.