FAB (ХПВ или ОПЦ)-анализ продуктов с использованием ИИ

Привлекательное и убедительное описание товара мотивирует потенциальных клиентов к покупке. Среди подходов подачи информации о продукции стала популярной формула ХПВ или ОПЦ (FAB) — маркетинговый инструмент, делающий акцент на соответствии предложения желаниям и потребностям клиента. Если производитель и заказчик предоставил мало данных о товарах, нужно сделать FAB-анализ и обработать большие массивы информации, чтобы получить основу для содержательного текста. На выполнение такой работы вручную приходится тратить много времени, AI алгоритмы и наш чат-бот позволяют значительно ускорить процесс.

Аббревиатура FAB (ХПВ) расшифровывается как Features (Характеристики), Advantages (Преимущества) и Benefits (выгоды). Альтернативный вариант перевода — ОПЦ: Особенности, Преимущества и Ценности. Принцип маркетингового инструмента в том, чтобы сначала описать особенности и характеристики продукта без оценочного мнения, потом указать, как продукт поможет в решении задачи или проблемы и завершить выгодой ощутимым ценным улучшением, которое станет последним аргументом в пользу покупки. Такая подача информации понятна для клиентов разных уровней и партнеров, она помогает не только увеличивать продажи в интернет-магазинах, но также продвигать контент в поисковых системах. Пример ее применения в одном предложении описания продукта:

Формула успешно используется в:

ХПВ-анализ дает возможность копирайтеру или искусственному интеллекту писать информативные, полезные и привлекательные тексты. Подробнее о том, как можно формировать описание продукта на базе ХПВ-анализа можно почитать здесь.

Без предварительной систематизации данных по формуле FAB можно рассчитывать только на слабый по содержанию рерайт материалов конкурентов, так как зачастую копирайтеры не знают продукт достаточно глубоко. А применение чат-бота на основе GPT существенно сокращает время на сбор и структурирование информации, которую потом можно передать копирайтеру как основу для будущего текста.

Идея создания чат-бота возникла после обращения к нам крупного садового онлайн-центра из Германии. Заказчик выпускал целый ряд продуктов под собственным брендом, среди которых - жидкие червячные удобрения (биогумус), но их описания были краткими и сравнительно слабыми, как и на сайте самого производителя это товара, поэтому копирайтерам было сложно придумать яркие аргументы для привлечения внимания покупателей. У некоторых немецких конкурентов, например, Plantura.garden были качественные описания схожей, но не идентичной продукции.

Для первых продуктов бренда мы делали ХВП-анализ вручную, и на такой анализ уходило достаточно много времени - по 2-3 дня на один продукт.

Поэтому была поставлена задача удешевить и ускорить процесс с минимальными потерями в качестве подготавливаемого контента, чтобы далее копирайтер, которая никогда не видела продукт в действии, могла написать качественное продающее описание как для товаров на сайте, так и для продажи на платформе Amazon. При этом продающий контент нужно было делать с нуля, учитывая:

ХПВ продукта как раз существенно помогал в создании нужного типа контента, так как изначально выделял важные моменты, на которые надо обратить внимание. Именно тогда возникла идея задействовать чат GPT и создать бот, заточенный на поиск и структурирование особенностей, преимуществ и ценностей товаров на базе имеющихся описаний и прочей информации по продукту. Он поможет выделить и структурировать нужные данные, а контроль внимательного редактора позволит обойтись без неточностей, вызванных определенной ненадежностью работы ИИ-бота.

Бота FAB (feature advantage benefits) Product Analysis собирали и обучали на базе таблиц ХПВ и обучающий материалов по маркетингу. Кроме того, в качестве примера в него загрузили таблицы, которые делались мной для разных продуктов: от косметики для волос до газонных семян. Изначально была идея не ограничивать его в том, как именно выделять характеристики товара - он должен был подстраиваться под имеющееся описание продукта. Однако, в процессе обучения мы заметили, что боту нужно четко указывать сколько пунктов в таблице должно быть, так как самостоятельно он делал всего несколько строк, а для продуктов с хорошими исходными текстами такой анализ был бедноват. Поэтому в инструкции мы указали, чтобы бот делал и описывал минимум 10 строк в таблице ХПВ (иногда он делает больше), что дало возможность получить достаточное количество информации в анализе, и его можно было успешно использовать далее. Мы остановились именно на 10 пунктах, так как в случае работы с продуктом, который имел слабое и короткое описание, бот начинал повторяться, и делал не слишком полезные таблицы.

В дополнении к стандартной ХПВ таблице мы научили бота писать полезную информацию именно для копирайтера, который будет далее работать с данными, а именно:

Из плюсов современных ИИ моделей, а именно ChatGPT, который использовался для создания бота, стоит отметить, что им практически все равно с каким языком работать, и можно анализировать конкурентов со всего земного шара, указав лишь на каком языке мы хотим получить конечный результат. Этот момент позволил нам не ограничивать себя в выборе продуктов конкурентов для анализа.

Первая версия бота использовала прямой доступ к сайтам по указанным URL, используя возможности самого ChatGPT, но бот часто сообщал, что не может прочитать ресурс. В итоге к боту был подключен публичный API WebPilot, который значительно эффективнее посещает страницы и часто обходит ограничения, установленные, например, Amazon для ИИ-ботов.

Для начала необходимо было проанализировать конкурентов в нише, изучить рынки Германии, других стран Европейского союза, а также США. Рынки этих регионов отличаются высоким качеством описаний товаров разных типов. Описания на украинских сайтах пока проигрывают в этом аспекте. За рубежом многие не только создают подробные описания, но и добавляют инфографику, делают сложную верстку продуктовых страниц, что повышает информативность и привлекательность контента. После определения конкурентов продукта нам предстояло:

Потом нужно было сравнить результаты, полученные путями ручного и автоматического анализа. Дальше можно под каждый проект находить схему, сочетающую эти методики анализа, чтобы обеспечить оптимальное соотношение затрат времени и качества полученного материала.

Чтобы сделать ОПЦ-анализ товара, мы подбирали описания конкурентов (прямых), продающих аналогичные продукты на разных языках, и тщательно их изучали. Кроме этого анализировались косвенные конкуренты - те у которых продукт решал похожую задачу, но при этом не являлся идентичным клиентскому, и информация на сайте производителя товара. Далее каждый продукт мы по очереди прогоняли через наш кастомный чат. Полученные данные агрегатировались в единое описание продукта заказчика, собирая все полезные данные и идеи из описаний похожих продуктов. И затем, уже под внимательным наблюдением человека кастомный чат-бот GPT составляет таблицы FAB.

Подбор конкурирующих компаний при ручном и автоматическом составлении таблиц ОПЦ в любом случае выполняется вручную. Особенно внимательно изучались производители удобрений в Германии и США, где популярны Amazon и Shopify. Эти компании выставляют высокие требования к качеству контента, и задают определенный уровень и стиль описаний товаров. Среди пула товаров особенное внимание уделялось тем, у которых:

Напомню, что продукт, над которым мы работали - это червячное удобрение-концентрат, т.е. органическое или био-удобрение. Поэтому для анализа мы искали в Google конкурентов по двум направлениям: органические жидкие удобрения и червячные удобрения/так называемый “червячный чай”, и отбирали для анализа страницы с самыми интересными идеями по контенту, инфографике и т.п. По итогу мы взяли такие продукты:

Такое решение позволило разносторонне посмотреть на продукт и задействовать интересные идеи, использовать приемы, которые будут полезны и для нашего контента. Например, у кого-то хорошо написана инструкция, а кто-то уделили внимание экологичности состава и т.п.

Анализируемый продукт, как и целый ряд других продуктов нашего клиента, выпускался под собственной ТМ (White Label), поэтому было важно максимально собрать все данные с сайта производителя. Хотя сам сайт был на турецком языке, для чат-бота это не являлось проблемой. Именно на сайте и в рекламных брошюрах производителя мы нашли информацию о составе удобрения, самом производителе, правильном использовании, свойствах разных клсм поненте состава и тп.

У нас была также возможность проконсультироваться со специалистами, которые применяли продукт в по назначению области, что позволило собрать дополнительную информацию и также отдать ее боту. В исходных данных о продукте (для загрузки в чат) мы использовали информацию о специфике технологии производства и самого производителя. Например, наше удобрение было высококонцентрированным, в то время как у конкурентов — разбавленное (worm tea), которое либо совсем не требует дополнительного разбавления, либо требует незначительного добавления воды.

В разработанный чат-бот можно подавать как текстовые материалы, так и ссылки на веб-страницы, поэтому мы загружали собранные данные в разных форматах. Из всех представленных на анализ описаний продукта у бота были проблемы только с чтением eBay страниц, поэтому информацию оттуда мы копировали в Word, и загружали в виде файла.

Модели чата GPT-4o и GPT-5 могут по-разному воспринимать и обрабатывать информацию, поэтому рекомендуем попробовать оба варианта и провести сравнение, выбрав наиболее подходящий или соединив разные части с того или иного анализа. Например, при изучении контента об удобрениях, дозировки и сферы применения были лучше описаны 5-й версией, остальное — примерно одинаково. Ниже мы приводим примеры результатов обеих моделей при использовании исходных данных о продукте от производителя.

Как можно увидеть, обе версии хорошо справляются со своей задачей, однако, результаты имеют отличия в детализации отдельных моментов. Из двух представленных вариантов был выбран самый удачный по содержимому таблицы вариант - в данном случае результат модели 5. В его чат был скопирован контент с результатом анализа модели 4o с просьбой расширить имеющееся описание продукта на базе этой информации.

Пример промта:

Итоговая таблица получилась более детальной чем обе исходные версии. На этом этапе работу с исходным описанием от производителя мы отложили и приступили к обработке описаний конкурентов, о чем пойдет речь далее.

Аналогичным образом в отдельных чатах были обработаны все конкуренты моделью 4o (для ускорения процесса) и мы получали такие же таблицы по всем ним. Вот пример подобной же таблицы конкурентов:

Далее мы решили не продолжать собирать информации с помощью ИИ, а просто стали работать вручную. Мы скопировали всю информацию полученную на прошлом этапе, в Word, и стали сравнивать наши данные с теми, что были получены по каждому конкуренту. Если мы находили уникальную информацию, которой у нас не было, например - например о составе, мерах предосторожности при использовании и хранении продукта, интересное преимущество, о котором мы забыли и т.п., то копировали ее в нашу таблицу с адаптацией под продукт клиента. Таким образом мы смогли получить максимально полную версию информации о товаре, которая была значительно лучше и подробнее, чем у любого конкурента, при этом - с правильно выделенными акцентами. Ручная доработка такой таблицы занимает 1.5-2 часа, но может быть и больше - все зависит от количества конкурентов с качественным контентом в каждой конкретной теме.

По итогу ручных доработок - мы получили этот вариант:

Конечно, этот вариант также дополнительно был вычитан и отредактирован профессионалом, чтобы избежать выдумок, характерных для многих ИИ. Также его проверили на правильность применения терминологии, проблема с которой может возникнуть в связи с тем, что описаниями были изначально на разных языках.

Чем специфичнее продукт с которым вы работаете, тем больше может быть ошибок в переводе определений или фактической информации. К примеру в таблицах, которые показаны выше, в первой версии, было упоминание сёломовой жидкости. У специалиста, проверяющего информацию, возникли сомнения, и после уточнения информации, оказалось, что правильное название этого вещества - целомическая жидкость (liquor coelomicus) Таким образом, наш опыт говорит о важности подобной вычитки перед тем, как приступать к дальнейшей работе с таблицами.

Возможности использования таблиц FAB достаточно обширны, так как они являются универсальным сборником полезной информации, которая поможет маркетологам, контекстологам, SEO-специалистам, и продавцам разных уровней делать свою работу более эффективно.

Еще эта таблица станет хорошим базисом для создания контента разного вида:

Создание рекламных текстов можно доверить копирайтеру, каталогов — маркетологу. Также при необходимости минимизировать усилия предлагаем создать с помощью того же кастомного чат-бота описание товара на основе только что составленного анализа.

В любом случае текст, написанный человеком или ИИ, будет на порядок интереснее и убедительнее, чем без FAB-анализа. Банальный рерайт чужих материалов не будет содержать уникального торгового предложения, а с применением ОПЦ-таблиц такое предложение формируется без проблем.

Может ли искусственный интеллект полностью заменить человека при проведении ХПВ-анализа? На мой взгляд, нет. ИИ способен значительно упростить и удешевить процесс, сократив время на выполнение задачи, но результаты требуют тщательной проверки. Это связано с риском недостоверной информации, которую периодически предоставляет ИИ, и ошибок в интерпретации терминов, особенно при переводе с других языков. Например, ИИ может некорректно классифицировать продукт как "премиальный", если это не соответствует действительности.

Кроме того, чат боты делают относительно поверхностный анализ, и опытный специалист способен провести более глубокий анализ и качественнее подобрать первичную информацию, хотя это потребует значительно больше времени. Например, на подготовку ХПВ-анализа продукта, описанного в этой статье, без учета анализа конкурентов ушло 3 часа — только на генерацию и сопоставление данных. Для ручного создания аналогичного анализа потребуется около 3 рабочих дней, при этом результат будет более детализированным и точным. В то же время ИИ может создать таблицу с анализом на основе нескольких страниц материала за считанные минуты, тогда как человеку для этого нужно несколько часов.

Для примера мы сделали вручную таблицу на этот же продукт из статьи, и вот что у нас получилось:

Такой анализ можно еще дополнить кое-какими данные из ИИ-анализа, но даже без этого дополнения видно разницу в объемах имеющегося по итогу материала. Однако стоит учитывать, что для целого ряда клиентов будет достаточно и ИИ-варианта.

После многократного использования нашего чат-бота, мы убедились, что нам удалось достичь поставленную нами цель - ускорить процесс создания таблиц ХПВ, не сильно потеряв в качестве. Основные выводы:

Таким образом, разумно приложенные усилия позволили нам успешно интегрировать методику ХПВ-анализа в диджитал-маркетинг и делать анализ продукта в сжатые сроки.

Мы смогли убедиться, что методика ХПВ в продажах применима для диджитал-маркетинга, в частности для SEO-описаний товаров в интернет-магазинах и на маркетплейсах. Чат-бот FAB-таблиц отлично справляется с рутинными задачами, ускоряя процесс сбора и анализа данных во много раз по сравнению с ручным подходом, при этом делая финальным результат более структурированным и детальным.

Наши советы по использованию чат бота:

Таким, образом, независимо от того, для какой аудитории нужна информация о товаре, ОПЦ-таблицы подают ее в наиболее удобном формате для восприятия и дальнейшей обработки. С ними не только описания товаров, но и другие материалы станут полезнее и понятнее. И если уж интернет заполонил искусственный интеллект, то почему бы его не использовать для создания качественного полезного контента и вывода диджитал-маркетинга на новый уровень.