Prompt library-তে ফিরে যান
Prompt libraryChat Prompt

Onboarding Funnel Diagnosis প্রম্পট

বাস্তব workflow notes-কে review, decisions এবং next actions-এর জন্য structured chat output-এ রূপ দিতে Onboarding Funnel Diagnosis ব্যবহার করুন।

অনবোর্ডিংঅ্যাক্টিভেশনগ্রোথ
Preview

Chat Prompt

Recommended model

Claude Sonnet 4.6

Output format

Structured chat output

Preview

Chat Prompt

chat thread

Users sign up করে image generation খোলে, তারপর model বেছে নেওয়ার আগে চলে যায়। আমরা ১৮টি model দেখাই এবং কোনো default নেই।

Likely cause: প্রথম decision খুব বিস্তৃত এবং ঝুঁকিপূর্ণ মনে হয়। Evidence to collect: model dropdown opens, hover time, failed first-run events এবং search terms। Copy fix: product visuals-এর জন্য best একটি default এবং edits-এর জন্য best একটি model label করুন। Product fix: safe default preselect করুন এবং advanced models comparison-এর পেছনে রাখুন। One-week experiment: highest-success image model-কে default করুন এবং first job completion মাপুন।

Output

Cause / Evidence / Copy fix / Product fix / Experiment

Input context, structured reply এবং actionable next steps-এ ফোকাস করা Onboarding Funnel Diagnosis-এর প্রিভিউ।

সম্পূর্ণ প্রম্পট

Onboarding Funnel Diagnosis প্রম্পট

Structured analysis, risks, recommendations এবং next actions সহ Onboarding Funnel Diagnosis chat prompt।

Recommended model: Claude Sonnet 4.6Output format: Structured chat output
সম্পূর্ণ প্রম্পট
Chat Prompt
আপনি একজন activation analyst। Onboarding funnel notes-কে diagnosis-এ রূপ দিন, যাতে থাকবে likely drop-off cause, evidence to collect, copy fixes, product fixes এবং one-week experiment।

ব্যবহারের নোট

চালানোর আগে real context, constraints, target reader, current evidence এবং expected output depth যোগ করুন; এটিকে generic chat question হিসেবে ব্যবহার করবেন না।

প্রম্পট FAQ

এই prompt ব্যবহার করার আগে

Input, model fit এবং result দুর্বল না করে template adapt করার উপায় দ্রুত যাচাই করুন।

Onboarding Funnel Diagnosis ব্যবহারের আগে কী প্রস্তুত করা উচিত?

Real input notes, business goal, constraints, available evidence এবং ঠিক কোন structure ফেরত চান তা প্রস্তুত করুন।

Response quality কীভাবে বিচার করব?

Reply facts ও assumptions আলাদা করছে কি না এবং generic advice-এর বদলে risks, tradeoffs ও actionable next steps দিচ্ছে কি না পরীক্ষা করুন।

Thread preview

Users sign up করে image generation খোলে, তারপর model বেছে নেওয়ার আগে চলে যায়। আমরা ১৮টি model দেখাই এবং কোনো default নেই।
Likely cause: প্রথম decision খুব বিস্তৃত এবং ঝুঁকিপূর্ণ মনে হয়। Evidence to collect: model dropdown opens, hover time, failed first-run events এবং search terms। Copy fix: product visuals-এর জন্য best একটি default এবং edits-এর জন্য best একটি model label করুন। Product fix: safe default preselect করুন এবং advanced models comparison-এর পেছনে রাখুন। One-week experiment: highest-success image model-কে default করুন এবং first job completion মাপুন।

Output

Cause / Evidence / Copy fix / Product fix / Experiment

এই mode-এর আরও prompt

chat thread

আমরা ছোট ecommerce team-এর জন্য একটি AI assistant বানাতে চাই, যা product photo-কে campaign asset-এ রূপ দেবে।

Problem hypothesis: ছোট ecommerce team raw product photo-কে channel-ready campaign asset-এ রূপ দিতে সময় হারায়। Riskiest assumptions: photo quality যথেষ্ট ভালো, team AI asset variation-এ আস্থা রাখে, এবং review time-ই আসল bottleneck। Research questions: campaign asset creation-এর মালিক কে, revision কোথায় আটকে যায়, এবং কোন quality bar publishing আটকায়। Validation plan: 5 জন operator interview করুন, 3টি prompt-led asset flow test করুন, এবং time-to-first-approved asset তুলনা করুন। Decision gate: team যদি তাদের current workflow-এর চেয়ে দ্রুত publishable draft-এ পৌঁছাতে পারে, তবেই চালিয়ে যান।

chat thread

আমরা solo consultant-দের জন্য একটি নতুন AI notes product explore করছি। এটিকে research brief-এ রূপ দিতে সাহায্য করুন।

Objective: solo consultants-এর AI notes workspace দরকার, নাকি হালকা client-follow-up layer যথেষ্ট - তা নির্ধারণ করা। Working assumptions: তারা ইতিমধ্যেই notes capture করে, কিন্তু synthesis এবং next-step drafting অসঙ্গত। Audience: recurring client call আছে এবং operations support সীমিত এমন solo consultants। Key questions: কোন notes billable work-এ পরিণত হয়, call-এর পরে কী হারিয়ে যায়, এবং কোথায় CRM tools বেশি ভারী লাগে। Research plan: 6টি interview চালান, সাম্প্রতিক 10টি call-note workflow review করুন, এবং একটি follow-up brief prototype test করুন।

chat thread

আমাদের AI product landing page-এর outline এখানে দিলাম। design করার আগে কী অস্পষ্ট আছে বলুন।

Core promise: দেখা যাচ্ছে, কিন্তু এখনও concrete user outcome-এর বদলে feature হিসেবে framed। Unclear point: page-টি আগে কে value পায় বা signup-এর পর workflow কীভাবে বদলায় তা ব্যাখ্যা করে না। Example gap: hero-র কাছে before-after example, model output sample এবং একটি ছোট trust signal যোগ করুন। CTA issue: primary action অনেক ব্যাখ্যার পরে আসে; quick-use section-এর কাছে use-oriented CTA সরিয়ে আনুন। Revision plan: hero sharpen করুন, outcome card যোগ করুন, তারপর visual polish-এর আগে objection rewrite করুন।