Топ-10 промптов для продуктовой аналитики и решений

<p>Хороший промпт для продуктовой аналитики не заменяет аналитика, но помогает быстрее разложить задачу: уточнить метрики, найти разрывы в когортах, сформулировать гипотезы, спланировать эксперимент и увидеть ограничения. Ниже — практический набор для команд продукта, роста и маркетинга. В каждом примере важно подставлять реальные данные, период, сегмент и бизнес-контекст. Ответ AI нельзя считать истиной: его нужно проверять по данным, методологии и здравому смыслу.</p><h2>Как пользоваться подборкой</h2><p>Сначала выберите тип решения: диагностика, рост, удержание, эксперимент или приоритизация. Затем замените переменные в фигурных скобках, добавьте определения метрик и укажите, какие данные достоверны, а какие неполны. Чем точнее вход, тем полезнее выход.</p><h2>Таблица выбора промпта</h2><table><thead><tr><th>Задача</th><th>Подходит</th><th>Результат</th></tr></thead><tbody><tr><td>Понять здоровье продукта</td><td>Промпты 1, 2</td><td>Карта метрик и аномалий</td></tr><tr><td>Разобрать удержание</td><td>Промпты 3, 4</td><td>Когорты, сегменты, причины оттока</td></tr><tr><td>Найти рост</td><td>Промпты 5, 6</td><td>Гипотезы и ICE/RICE-оценка</td></tr><tr><td>Запустить тест</td><td>Промпты 7, 8</td><td>План эксперимента и риски</td></tr><tr><td>Принять решение</td><td>Промпты 9, 10</td><td>Рекомендация, ограничения, next steps</td></tr></tbody></table><h2>Метрики и диагностика</h2><h3>Промпт 1</h3><p><strong>Когда использовать:</strong> когда нужно собрать систему метрик для продукта, фичи или воронки.</p><blockquote>Ты — продуктовый аналитик. Построй дерево метрик для {продукт/фича}. Цель бизнеса: {цель}. Пользовательское действие ценности: {действие}. Данные доступны: {таблицы/события}. Раздели метрики на north star, input, output, guardrail и диагностические. Укажи формулы, сегменты и частоту мониторинга.</blockquote><ul><li><strong>Переменные:</strong> {продукт/фича}, {цель}, {действие}, {таблицы/события}.</li><li><strong>Ожидаемый вывод:</strong> иерархия метрик, формулы, частота, риски неверной интерпретации.</li><li><strong>Проверка качества:</strong> каждая метрика связана с действием пользователя и решением команды.</li><li><strong>Частый сбой:</strong> модель предлагает vanity-метрики без влияния на продукт.</li></ul><h3>Промпт 2</h3><p><strong>Когда использовать:</strong> при падении конверсии, выручки, активации или другой ключевой метрики.</p><blockquote>Проанализируй изменение метрики {метрика}: было {значение_до}, стало {значение_после}, период {период}, сегменты {сегменты}. Составь план диагностики: декомпозиция, возможные причины, какие срезы проверить, какие SQL-запросы или расчеты нужны, какие выводы нельзя делать без дополнительных данных.</blockquote><ul><li><strong>Переменные:</strong> {метрика}, {значение_до}, {значение_после}, {период}, {сегменты}.</li><li><strong>Ожидаемый вывод:</strong> список проверок по воронке, каналам, платформам, версиям и когортам.</li><li><strong>Проверка качества:</strong> есть различение корреляции, сезонности, артефактов трекинга и реального поведения.</li><li><strong>Частый сбой:</strong> преждевременное объяснение причины без проверки логирования.</li></ul><h2>Когорты и удержание</h2><h3>Промпт 3</h3><p><strong>Когда использовать:</strong> когда нужно понять, какие пользователи возвращаются и почему.</p><blockquote>Составь план когортного анализа для {продукт}. Когорта определяется как {правило_когорты}. Целевая метрика удержания: {retention_metric}. Период наблюдения: {период}. Предложи таблицу когорт, срезы, возможные искажения и выводы, которые можно использовать для продуктовых решений.</blockquote><ul><li><strong>Переменные:</strong> {продукт}, {правило_когорты}, {retention_metric}, {период}.</li><li><strong>Ожидаемый вывод:</strong> структура анализа D1/D7/D30 или недельного retention, сегменты и интерпретация.</li><li><strong>Проверка качества:</strong> когорты не смешивают старых и новых пользователей.</li><li><strong>Частый сбой:</strong> сравнение когорт без учета размера, канала привлечения и сезонности.</li></ul><h3>Промпт 4</h3><p><strong>Когда использовать:</strong> если надо найти причины оттока и зоны для реактивации.</p><blockquote>Проанализируй возможный churn для сегмента {сегмент}. Данные: {события}, {последняя_активность}, {платежи/подписка}. Предложи признаки риска, поведенческие паттерны, проверяемые гипотезы и коммуникации для возврата. Отдельно укажи, какие выводы требуют причинного эксперимента.</blockquote><ul><li><strong>Переменные:</strong> {сегмент}, {события}, {последняя_активность}, {платежи/подписка}.</li><li><strong>Ожидаемый вывод:</strong> признаки оттока, сегментация, идеи реактивации.</li><li><strong>Проверка качества:</strong> признаки можно посчитать на уровне пользователя до факта оттока.</li><li><strong>Частый сбой:</strong> модель путает описание ушедших пользователей с предикторами оттока.</li></ul><h2>Гипотезы и приоритизация</h2><h3>Промпт 5</h3><p><strong>Когда использовать:</strong> когда есть проблема, но не хватает проверяемых продуктовых гипотез.</p><blockquote>Сгенерируй гипотезы для улучшения {метрика} в {продукт/воронка}. Текущая проблема: {описание}. Ограничения: {ресурсы/сроки/техника}. Для каждой гипотезы укажи механизм влияния, целевой сегмент, ожидаемый сигнал, guardrail-метрики и минимальный способ проверки.</blockquote><ul><li><strong>Переменные:</strong> {метрика}, {продукт/воронка}, {описание}, {ресурсы/сроки/техника}.</li><li><strong>Ожидаемый вывод:</strong> 8–12 гипотез с логикой влияния и способом проверки.</li><li><strong>Проверка качества:</strong> гипотеза формулируется как проверяемое изменение поведения.</li><li><strong>Частый сбой:</strong> список фич без связи с метрикой и сегментом.</li></ul><h3>Промпт 6</h3><p><strong>Когда использовать:</strong> чтобы отсортировать идеи перед планированием спринта или квартала.</p><blockquote>Оцени список гипотез {список} по фреймворку {ICE/RICE}. Используй шкалы {шкалы}. Для каждой оценки дай краткое обоснование, неопределенность, данные для уточнения и рекомендацию: делать сейчас, проверить дешево, отложить или отказаться.</blockquote><ul><li><strong>Переменные:</strong> {список}, {ICE/RICE}, {шкалы}.</li><li><strong>Ожидаемый вывод:</strong> таблица приоритизации с оценками, рисками и следующими шагами.</li><li><strong>Проверка качества:</strong> высокие оценки не должны скрывать высокую неопределенность.</li><li><strong>Частый сбой:</strong> искусственная точность там, где нет данных по impact или reach.</li></ul><h2>Эксперименты и причинность</h2><h3>Промпт 7</h3><p><strong>Когда использовать:</strong> перед A/B-тестом, пилотом или holdout-проверкой.</p><blockquote>Составь дизайн эксперимента для гипотезы {гипотеза}. Основная метрика: {primary_metric}. Guardrail: {guardrails}. Единица рандомизации: {user/session/account}. Аудитория: {аудитория}. Опиши варианты, критерий успеха, длительность, риски загрязнения групп и план анализа.</blockquote><ul><li><strong>Переменные:</strong> {гипотеза}, {primary_metric}, {guardrails}, {user/session/account}, {аудитория}.</li><li><strong>Ожидаемый вывод:</strong> экспериментальный протокол и список угроз валидности.</li><li><strong>Проверка качества:</strong> primary metric одна, guardrail не игнорируются.</li><li><strong>Частый сбой:</strong> модель не учитывает сетевые эффекты и пересечение пользователей.</li></ul><h3>Промпт 8</h3><p><strong>Когда использовать:</strong> после теста, когда нужно интерпретировать результат без самообмана.</p><blockquote>Помоги интерпретировать эксперимент {название}. Результаты: primary {результат}, guardrails {результаты}, размер выборки {n}, длительность {дни}, сегменты {сегменты}. Дай вывод, альтернативные объяснения, проверки надежности, решение о раскатке и что не следует утверждать.</blockquote><ul><li><strong>Переменные:</strong> {название}, {результат}, {результаты}, {n}, {дни}, {сегменты}.</li><li><strong>Ожидаемый вывод:</strong> взвешенная рекомендация: раскатить, повторить, доработать или остановить.</li><li><strong>Проверка качества:</strong> есть анализ мощности, множественных сравнений и сегментных ловушек.</li><li><strong>Частый сбой:</strong> объявление победы по вторичной метрике при провале основной.</li></ul><h2>Решения, ограничения и коммуникация</h2><h3>Промпт 9</h3><p><strong>Когда использовать:</strong> когда нужно подготовить decision memo для руководителя или команды.</p><blockquote>Подготовь продуктовый decision memo по вопросу {решение}. Контекст: {контекст}. Данные: {данные}. Варианты: {варианты}. Ограничения: {ограничения}. Сформулируй рекомендацию, аргументы за и против, риски, метрики контроля и условия пересмотра решения.</blockquote><ul><li><strong>Переменные:</strong> {решение}, {контекст}, {данные}, {варианты}, {ограничения}.</li><li><strong>Ожидаемый вывод:</strong> краткий меморандум с явным решением и критериями успеха.</li><li><strong>Проверка качества:</strong> отделены факты, предположения и мнения.</li><li><strong>Частый сбой:</strong> модель сглаживает конфликт вариантов и не фиксирует trade-off.</li></ul><h3>Промпт 10</h3><p><strong>Когда использовать:</strong> перед презентацией анализа, чтобы найти слабые места.</p><blockquote>Выступи как критик продуктового анализа. Вот выводы: {выводы}. Вот данные и метод: {данные_и_метод}. Найди слабые допущения, пропущенные сегменты, альтернативные объяснения, риски метрик и вопросы, которые задаст стейкхолдер. Заверши списком правок перед запуском решения.</blockquote><ul><li><strong>Переменные:</strong> {выводы}, {данные_и_метод}.</li><li><strong>Ожидаемый вывод:</strong> критический разбор, список уточнений и правок.</li><li><strong>Проверка качества:</strong> критика конкретна и связана с решением, а не общими фразами.</li><li><strong>Частый сбой:</strong> чрезмерно осторожный ответ без приоритета рисков.</li></ul><h2>Чек-лист запуска</h2><ol><li>Опишите бизнес-вопрос и решение, которое нужно принять.</li><li>Укажите определения метрик, период, сегменты и источник данных.</li><li>Добавьте ограничения: сроки, выборка, трекинг, юридические и продуктовые риски.</li><li>Попросите AI явно разделить факты, предположения и рекомендации.</li><li>Проверьте расчеты, SQL, статистику и причинные выводы человеком.</li></ol><h2>FAQ</h2><p><strong>Можно ли сразу использовать ответ AI в продуктовой стратегии?</strong> Нет. Его стоит воспринимать как черновик анализа или список проверок, а не как окончательное решение.</p><p><strong>Какие данные лучше давать модели?</strong> Агрегированные таблицы, определения событий, сегменты, периоды и контекст изменений. Не передавайте персональные или чувствительные данные без разрешения.</p><p><strong>Что делать, если модель дает слишком общие советы?</strong> Уточните метрику, сегмент, период, формат вывода и попросите указать, какие данные нужны для проверки каждой рекомендации.</p><h2>Источники и ограничения</h2><p>При подготовке учитывались общие принципы prompt engineering и автоматизации рабочих процессов: <a href="https://help.openai.com/en/articles/10032626-prompt-engineering-best-practices-for-chatgpt">OpenAI prompt engineering best practices</a>, <a href="https://zapier.com/blog/ai-prompt-templates/">Zapier AI prompt templates</a>, <a href="https://help.zapier.com/hc/en-us/articles/36532133250317-How-to-prompt-AI-in-Zapier-products">Zapier prompting guide</a>. Материал не копирует готовые шаблоны и адаптирован под продуктовую аналитику. Вывод AI требует человеческой проверки и зависит от модели, качества входных данных, полноты контекста, корректности трекинга и статистической методологии.</p>