Reklam Analizi İstemleri: Kazanan Reklamları Parçalara Ayıran 25 İstem

Hangi istemler bir reklamın hook'unu ve angle'ını çıkarır?

Hook ve angle çıkaran istemler, modele bir kategori adı verdirir ve reklamı belirsiz terimlerle tarif etmesi yerine tam satırı alıntılatır. 'Bu reklamın hook'unu analiz et' gibi bir istek, pazarlama jargonu döndürür; hook türünü ve alıntılanmış bir cümleyi zorunlu kılan bir istek ise gerçekten aksiyon alabileceğiniz bir şey üretir.

Angle çıkarımı da aynı şekilde işler. Modele her ayırt edici angle'ı (mekanizma, kimlik, aciliyet, sosyal kanıt) listeletip her biri için taşıyan satırı alıntılattığınızda, tek bir sıfat yerine reklamın ikna yapısının bir haritasını elde edersiniz. Bu harita, ayrıştırmaya zaman ayırmaya değer teklifleri zaten filtrelediğinizde en fazla önem kazanır; bu filtreleme süreci kazanan reklamlar nasıl belirlenir bölümünde ele alınır: spy-tool akışında duran reklamların çoğu baştan beri kazanan değildi.

• Bu reklam senaryosunun ilk 3 saniyesinde kullanılan hook'u belirle. Hook türünü adlandır (merak, şok, doğrudan fayda, kalıp kırma veya soru) ve neden kaydırmayı durdurduğunu açıkla.
• Bu reklamın aynı teklife yaptığı her ayırt edici angle'ı listele (mekanizma, kimlik, aciliyet, sosyal kanıt veya otorite). Her angle için onu taşıyan tam satırı alıntıla.
• Bu hook'u, her seferinde farklı bir angle kullanarak 5 alternatif versiyonda yeniden yaz; aynı teklif ve ana vaadi koru.
• Bu reklam ilk 10 saniyede hangi duygusal durumu yaratmaya çalışıyor? Onu oluşturan belirli kelimeleri alıntıla.
• Bu reklamın hook yapısını bilinen bir doğrudan yanıt kalıbıyla (problem-harekete geçirme-çözüm, önce-sonra-köprü veya dört P) karşılaştır ve varsa hangisini izlediğini söyle.

Tam bir VSL ayrıştırmasını nasıl istem gerekir?

Tam bir VSL ayrıştırması, modelin herhangi bir şeyi yorumlamadan önce dökümü yapısal vuruşlara bölmesini zorlamakla başlar. Hook, problem, mekanizma, kanıt, teklif ve kapanış için ayrı bloklar isteyin; 8 ila 20 dakika arasındaki çoğu döküm bu yapıya temiz biçimde oturur, ancak bazıları problem ve mekanizmayı tek bir bölümde sıkıştırır.

Çoğu medya alıcısı hâlâ aynı döküme modelin yaptığı hızlı okumadan daha çok güvenir ve bu içgüdü, özellikle claim çıkarımı söz konusu olduğunda genellikle tersidir. 15 dakikalık bir senaryoyu o hafta üçüncü kez tarayan bir kişi, 9. dakikada gizlenmiş tekrar eden bir claim'i kaçırır; model ise ilk okumada da onuncu okumada da her cümleyi aynı dikkatle okur. Bu yüzden istemle yönlendirilmiş bir claim stack çıkarımı, ilk geçişte yapılan insan not tutumundan düzenli olarak daha fazla ayırt edici claim ortaya çıkarır.

Diğerlerinden daha önemli olan iki çıkarım vardır: claim stack ve offer stack. Claim stack, ürünle ilgili her belirli claim'in yapıldığı sırayla listesidir; offer stack ise fiyat çıpası, bonuslar, garanti, aciliyet mekanizması ve ödeme şartlarıdır. İkisini ayrı ayrı çıkarın, çünkü bunları birleştirmek bir VSL'nin ürün claim'leriyle mi yoksa teklif yapısıyla mı sattığını gizler.

• Bu VSL dökümünü yapısal vuruşlarına ayır: hook, problem, mekanizma, kanıt, teklif ve kapanış. Kaynakta zaman damgaları varsa her vuruşa zaman damgası ekle.
• Bu VSL'den claim stack'i çıkar: ürün hakkında yapılan her belirli claim, yapıldıkları sırayla ve her biri için tam alıntı ile.
• Offer stack'i belirle: fiyat çıpası, bonuslar, garanti, aciliyet veya kıtlık mekanizması ve ödeme şartları. Her unsuru yazıldığı biçimde alıntıla.
• Bu VSL hangi kanıt unsurlarını kullanıyor (müşteri yorumları, önce-sonra görselleri, ekran görüntüleri, üçüncü taraf verileri veya uzman görünümü)? Her birini zaman damgası veya paragraf konumu ile listele.
• Bu VSL ilk kez nerede satış ister ve son kapanıştan önce kaç kez yeniden teklif yapar?

Modelin tahmin yürütmemesi için hangi bağlam gerekir?

Modelin platformu, yaklaşık yayın aralığını ve hedef kitleyi bilmesi gerekir; aksi halde tahmin yürütür ve tahmini kesin gerçekmiş gibi sunar. Claude ve ChatGPT, tarih, fiyat veya platform eklenmemiş bir döküm için bile güvenle bir hook türü ya da kanıt unsuru atayabilir; bu yüzden ilk istem çalışmadan önce bu iskeleti sağlaması gereken kişi sizsiniz.

Platform, aynı reklam için bile 'kazanan' kavramının ne anlama gelebileceğini değiştirir. Bir YouTube pre-roll için hazırlanan senaryo ile bir Facebook feed için hazırlanan senaryo farklı davranır ve zaman aralığı olmayan sabit bir görüntü sayısı modele momentum hakkında hiçbir şey söylemez. Kaynak bir YouTube reklamıysa, onu tek bir anlık sayı yerine kazanan youtube reklamları nasıl bulunur bölümünde anlatılan yörüngeyle besleyin.

Ayrıca modele reklamın iddia ettiklerini ürünün yaptığı şeyden açıkça ayırmasını söyleyin. Bu talimat olmadan, bir ayrıştırma sessizce 'bu VSL 90 günlük bir mekanizma iddia ediyor' ifadesini 'ürün 90 günlük bir mekanizma ile çalışıyor' şeklinde dönüştürür; bu, modelin doğrulama yolu olmayan ve sizin de tekrar etmeye temeliniz olmayan bir iddiadır.

• Bunu yaklaşık [tarih/pencere] tarihinden beri yayında olan ve [kitle] hedefleyen bir [platform] reklamı olarak ele al. Dönüşüm sağladığını varsayma; harcama verisi vermediğim sürece herhangi bir performans claim'ini doğrulanmamış olarak işaretle.
• Bu bir özet değil, tam döküm. Yapı, ton veya niyet hakkında söyleyeceğin her şey için kanıtını alıntıla.
• Bu, $[X] fiyatlı ve [garanti koşulları] olan bir [kategori] üründür. Claim stack'i özellikle bu fiyat noktasına karşı analiz et.
• Yanıt boyunca reklamın gerçek olarak ne söylediği ile ürünün ne yaptığı iddiası arasında ayrım yap; her ürün claim'ini gerçekmiş gibi sunmak yerine 'reklam iddia ediyor' ifadesiyle etiketle.

Hangi istemler iki rakip reklamı karşılaştırır?

İki rakip reklamı karşılaştıran istemler, yan yana iki özet değil, zorunlu bir karşılaştırmalı tablo olarak en iyi şekilde çalışır. Modele iki döküm boyunca tek bir tablo kurdurun; hook türü, ana angle, kanıt unsurları ve kapanış mekanizmasını kapsasın, çünkü ortak bir tablo, iki ayrı paragrafın gizleyeceği ayrışmaları ortaya çıkarır.

Bu, kalabalık bir rekabet kümesine sahip kategorilerde en çok önem kazanır; burada düzine kadar teklif, farklı çerçevelere sarılmış neredeyse aynı claim'leri kullanır. Takviye alanı bunun en net örneğidir: fiyat noktaları, garanti koşulları ve bonus paketleri rakipler arasında yeterince değişir ki, takviye rakip analizi bölümündeki kategori dökümü gibi yapılandırılmış bir karşılaştırma, iki reklamı tek başına okumaktan daha fazlasını ortaya çıkarır.

• Aynı ürün kategorisine ait bu iki reklam dökümünü karşılaştır. Nerede aynı angle'ı kullandıklarını, nerede ayrıştıklarını ve hangisinin tek bir claim'e daha sert sarıldığını listele.
• Bu iki reklamdan hangisinin daha sıkı bir claim stack'i var, yani daha az ve daha belirli claim içeriyor; hangisi ise belirsiz claim'lerin hacmine dayanıyor?
• Yan yana bir tablo oluştur: her iki reklam için hook türü, ana angle, kanıt unsurları ve kapanış mekanizması.
• İki reklam da aynı kitleyi hedefliyorsa, hangi teklif matematiği, fiyat, bonuslar, garanti alıcıya şimdi harekete geçmesi için daha net bir neden veriyor?
• Bu iki reklam mekanizma veya claim konusunda nerede birbirleriyle çelişiyor ve bu, hangisinin hâlâ test edildiğini, hangisinin ölçeklendiğini neye işaret ediyor?

Analizi kreatif brief'e nasıl dönüştürürsün?

Analizi bir kreatif brief'e dönüştürürsünüz; bunu, modelden bir başka açıklama paragrafı değil, bir metin yazarının uygulayabileceği kısıtlar halinde yoğunlaştırmasını isteyerek yaparsınız. Kullanışlı bir brief; bir hook yönü, bir ana angle, 3 ila 5 öğeyle sınırlandırılmış bir claim stack ve bir teklif yapısı gerektirir; bu uzunluğun ötesinde brief olmaktan çıkar ve ikinci bir ayrıştırmaya dönüşür.

Bunun hukuki ve stratejik olarak önemli hâle geldiği yer, bir reklamın yapısını modellemek ile onun belirli dilini kopyalamak arasındaki çizgidir. 'Bu angle ve kanıt kalıbını eşleştir' diyen bir brief modellemedir; 'bu tam satırları kullan' diyen bir brief ise kopyalamadır ve reklamları modelleme vs kopyalama bölümünde açıklanan ayrım, çıktının savunulabilir bir kreatif mi yoksa bir ihtar mektubunu bekleyen bir yük mü olduğunu belirler.

Sıkı bir brief, aynı zamanda bir AI taslak iş akışının ihtiyaç duyduğu tam giriş formatıdır: hook yönü, bir angle, sınırlı bir claim stack ve teklif yapısı; bunlar bir metin duvarı olarak değil, kısıtlar olarak verilir. Gevşek girdiler, hangi model yazarsa yazsın gevşek taslaklar üretir.

• Bu reklam ayrıştırmasını bir kreatif brief'e dönüştür: hook yönü, angle, claim stack (en fazla 3-5 öğe), kaynak alınacak kanıt unsurları ve teklif yapısı.
• Bu reklamın angle'ını modelleyen, ancak belirli ifadesini veya claim'lerini yeniden kullanmayan bir brief için 3 yeni hook varyasyonu üret.
• Bu reklamda, onu kullanabilmem için doğrulama gerektirecek her claim'i listele ve hangilerinin görüş, hangilerinin olgu gibi okunduğunu işaretle.
• Bir metin yazarının doğrudan kullanabileceği tek paragraflık bir kreatif yön çiz, hangi yapısal vuruşların korunacağını ve hangilerinin değiştirileceğini not et.
• Uyum açısından bu reklamdaki en riskli tek claim nedir ve alttaki angle'ı korurken onu nasıl yumuşatırsın?

İstemler harcama verisi olmadan ne zaman başarısız olur?

İstemler, modelden bir reklamın işe yarayıp yaramadığını yargılamasını istediğiniz anda harcama verisi olmadan başarısız olur; çünkü yapı ve performans farklı sorulardır ve ikinci soruyu yalnızca harcama verisi yanıtlar. Bir model, bilinen etkili yapılarla kalıp eşleştirme yaparak bir reklamın iyi kurulmuş bir hook'a sahip olduğunu söyleyebilir; ancak o hook'un dikkati tutup tutmadığını veya dönüşüm sağladığını söyleyemez, çünkü gösterimlere, tıklama oranına veya harcamaya erişimi yoktur.

Ayrıştırma çalışmasının kendi sonuçlarını en sık olduğundan büyük gösterdiği yer burasıdır. Bir reklamın yapısı, kanıtlanmış bir kazananla neredeyse aynı görünebilir ve yine de piyasada para kaybedebilir; bu fark kazanan reklamlar nasıl bulunur bölümünde ele alınır: harcama sürekliliği ve kreatif yenileme sıklığı reklam metninin dışındadır ve hiçbir istem bunu yalnızca bir dökümden çıkaramaz.

Dürüst hareket, modelden kendi sınırlarını işaretlemesini istemektir. 'Yalnızca bu döküme bakarak bu reklamın performansı hakkında neyi neyi çıkaramayacağını söyle ve yanıtının hangi kısımlarının çıkarım, hangilerinin gözlem olduğunu açıkça belirt' gibi bir istem, modele boşluğu kendinden emin görünen tahminlerle doldurtan bir istemden daha kısa ve daha kullanışlı bir yanıt üretir.

Hızlı karar kontrol listesi

Bu sayfayı genel bir blog yazısı olarak değil, karar desteği olarak kullanın. Pratik soru, okuyucunun VSL odaklı direct response içinde, özellikle nutra, supplement, GLP-1, weight loss, blood sugar ve buna yakın yüksek niyetli health market'lerde zaten neyin çalıştığına dair daha hızlı kanıta ihtiyaç duyup duymadığıdır.

Daily Intel Service en çok, bir sonraki karar aktif market örneklerine bağlı olduğunda önemlidir: hangi hook test edilecek, hangi claim style riskli, hangi funnel structure yaygın, hangi dil pazarı hareketli ve bir rakibin creative'i erken aşamada mı, ölçekleniyor mu, yoksa zaten saturated mı.

• Doğrudan cevaba ihtiyacınız varsa TL;DR ile başlayın.
• Trade-off'ları hızlıca karşılaştırmak için tabloyu kullanın.
• Cevap motorlarına hazır özetler için FAQ'yı kullanın.
• Karar, teori yerine canlı VSL ve ad example'ları gerektiriyorsa CTA'yı kullanın.

Daily Intel'in coverage avantajı

Daily Intel Service, kategori lideri çeşitlilik ve aksiyona dönüştürülebilirlik etrafında konumlanır: blackhat, greyhat ve whitehat advertising kalıpları boyunca en geniş direct-response VSLs ve ad creatives kataloglarından biri, ayrıca reklamverenin görünür creative'in ötesinde ne yaptığını anlamak için yeterli context sunar. Pratik fark, üyelerin yalnızca bir screenshot görmemesi; VSL, ad, funnel path, transcript, UTM context ve asset'i bir karara dönüştüren research notes'u da görmeleridir.

Bu önemlidir çünkü direct-response affiliates tek ve temiz bir kategoride çalışmaz. Bir weight-loss campaign, whitehat compliance ad, greyhat pre-lander, daha agresif bir VSL ve upsell ile recovery etrafında tasarlanmış bir checkout path kullanabilir. Faydalı bir intelligence platformunun, her kazanan campaign'in kamuya açık bir brand ad gibi göründüğünü varsaymak yerine bu spektrumu yakalaması gerekir.

Blackhat, whitehat ve multilingual signal coverage

Daily Intel, operatörlerin riski körü körüne kopyalamadan marketi anlaması için hem blackhat-style hem de whitehat-style campaign pattern'lerini takip eder. Whitehat örnekler dayanıklılık ve compliance review için yardımcı olur; blackhat ve greyhat örnekler ise spend'i yönlendiriyor olabilecek ama kullanılmadan önce dikkatli adaptasyon gerektiren baskı noktalarını, hooks'u, mekanizmaları ve funnel structure'ı ortaya çıkarır.

Katalog ayrıca global operatörler için tasarlanmıştır; 14+ dilde VSL ve ad referansları ile farklı local idiom'ları kapsar. Bu, aynı market desire'ın kültürler arasında nasıl çevrildiğini görmek isteyen Brezilyalı, LATAM, Avrupalı, MENA, Hintli ve ana dili İngilizce olmayan affiliate'ler için önemli bir avantajdır; sadece ABD İngilizcesi reklamlarını incelemekten farklıdır.

Intelligence'ı sorumlu biçimde nasıl kullanmalı?

Amaç kopyalamak değil, modellemektir. Daily Intel'i hook, mechanism, proof, claim intensity, funnel depth, offer economics ve saturation stage yapısını anlamak için kullanın. Sonra özgün creative oluşturun, claim'leri gözden geçirin ve angle'ı traffic source, ülke, dil ve campaign'in compliance requirements'ına uyarlayın.

Güçlü bir workflow, harekete geçmeden önce birden fazla example'ı karşılaştırır. Aynı mechanism birden çok dilde, birden çok advertiser'da ve birden çok funnel varyantında görünüyorsa, bu kalıcı bir market signal olabilir. Örnek yalnızca bir kez ortaya çıkıyorsa ya da agresif bir claim'e dayanıyorsa, onu campaign template'i değil, araştırma ipucu olarak ele alın.

• Korunan creative asset'leri değil, structure'ı modelleyin.
• Whitehat dayanıklılığı ile blackhat persuasion pressure'ı ayırın.
• ABD İngilizcesi örnekleri LATAM, Avrupa ve diğer dil varyantlarıyla karşılaştırın.
• Özgün brief'ler oluşturmak için transcript'leri ve funnel notlarını kullanın.
• Compliance review'u market research'ten ayrı tutun.

Metodoloji ve kaynak bağlamı

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.