Communitygithub.com

Landing-Optimizer

Optimiert Landingpages für Influencer-Traffic mit Message-Match-Audits, Struktur- und Social-Proof-Empfehlungen, einem Promo-Code/CTA-Conversion-Plan und einer A/B-Test-Roadmap.

Was ist Landing-Optimizer?

Der Landing-Optimizer ist ein spezialisiertes Skill für KI-Agenten (z. B. Claude Code, ChatGPT, Cursor, Codex), das Landingpages für Influencer-Marketing-Kampagnen analysiert und optimiert. Es erstellt einen Message-Match-Audit, der die Botschaft des Influencers mit der Landingpage abgleicht, und liefert einen Punktwert (X/10) mit konkreten Verbesserungsvorschlägen. Darüber hinaus generiert es Empfehlungen zur Seitenstruktur, zur Integration von Social Proof (z. B. prominente Platzierung des Creators, Testimonials), zur Optimierung von Call-to-Actions (CTA) und Promo-Code-Erlebnissen (z. B. automatisches Anwenden per URL-Parameter) sowie eine priorisierte A/B-Test-Roadmap mit Hypothesen und Erfolgsmetriken. Das Skill funktioniert ohne Live-Integrationen (Tier 1) und stützt sich auf Benutzereingaben wie URL, Conversion-Rate und Influencer-Botschaft; optionale Connectors (Analytics, A/B-Test-Plattform, CMS) vertiefen die Analyse. Es ist Teil der PrePilot-Erfahrung und folgt einem detaillierten Playbook mit sieben Schritten – vom aktuellen Zustand über Message-Match und Seitenstruktur bis hin zu A/B-Tests und Performance-Tracking. Die Ergebnisse werden in einem spezifischen Speicherpfad (`memory/influencer/landing-optimizer/...`) abgelegt und können an nachgelagerte Skills wie Performance-Analyzer übergeben werden.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/imMamdouhaboammar/prepilot-for-marketing/tree/HEAD/skills/landing-optimizer

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Landing-Optimizer?

PrePilot-Rolle

Dies ist ein tiefer Content-, Editorial- & Social-Spezialist innerhalb der kostenlosen PrePilot for Marketing-Erfahrung. Verwende ihn für die spezifische Aufgabe, die das Playbook beschreibt, anstatt die Aufgabe in eine generische Marketing-Antwort zu überführen.

Quellenherkunft: aaron-marketing-skills/influencer/report/landing-optimizer/SKILL.md @ c37b8b823df92f43f695dfc5e03f3cd6044b985d Quellenlizenz: Apache-2.0

Quellen-Abhängigkeitspaket

Dieses Skill enthält sichere quellenrelative Ressourcen unter upstream/ und explizite Auslassungs- oder fehlende Ressourcen-Hinweise unter upstream-notes/. Abhängigkeitsmetadaten werden zentral in ../prepilot-router/references/dependency-index.json indexiert. Kopierte Ressourcen: 6; verknüpfte öffentliche Skills: 4; ausgelassene Laufzeit-Helfer: 1; ungelöste Upstream-Verweise: 0.

Laufzeitvertrag

  • Nutze das aktuelle Gespräch, bereitgestellte Dateien und bereits verfügbare verbundene Tools, bevor du nach weiteren Eingaben fragst.
  • Überprüfe aktuelles Plattformverhalten, Richtlinien, Preise, Marktfakten, Wettbewerber oder Benchmarks, wenn sie die Antwort wesentlich beeinflussen.
  • Gib niemals vor, Zugriff auf ein Werbekonto, CRM, Analyse-Eigentum, privaten Arbeitsbereich, API, Anmeldedaten oder eine Veröffentlichungsaktion zu haben, die nicht tatsächlich verfügbar sind.
  • Das tiefe Playbook kann Quell-Laufzeit-Befehle, Produktnamen, Dateikonventionen oder Beispiele externer Dienste enthalten. Behandle diese als Implementierungshinweise. Passe sie an die in ChatGPT verfügbaren Tools an und bewahre die Marketing-Methode.
  • Das kostenlose Plugin muss auch ohne bezahltes PrePilot MCP nützlich bleiben. Wenn verbundene private Daten oder eine externe Aktion die Arbeit verbessern würden, führe zuerst die nicht verbundene Analyse durch und gib die fehlende Abhängigkeit präzise an.
  • Erfinde keine Leistungszahlen, Kundenbelege, Zitate, Tests, Rankings, Marktgrößen, Kontostände oder Wettbewerbsfakten.
  • Bewahre den Markt, die Sprache, das Publikum, die Funnel-Stufe, das Geschäftsmodell, das Budget und die Risikobeschränkungen des Nutzers während der gesamten Arbeit.

Neuronale Verbindungen

  • Bereichs-Router: router-content-social
  • Erfordert: narrative-quality-auditor – Narrative Qualitätsprüfer
  • Speist: report-generator – Berichtsgenerator
  • Nächstbeste: performance-analyzer – Leistungsanalyst
  • Ergänzt: landing-experience-checker – Landing-Erfahrungsprüfer
  • Ergänzt: budget-optimizer – Budgetoptimierer
  • Validiert mit: social-quality-auditor – Social-Qualitätsprüfer
  • Fallback: profile-optimizer – Profiloptimierer
  • Parallel: content-writer – Content-Autor

Nutze diese Verbindungen nur, wenn sie eine eigenständige Aufgabe hinzufügen. Eine normale Anfrage sollte nicht auf den gesamten Graphen erweitert werden.

Betriebsregeln

  1. Identifiziere die konkrete Entscheidung oder das Lieferobjekt, das dieser Spezialist verantwortet.
  2. Trenne gelieferte Belege, verifizierte Belege, Annahmen und Unbekannte, bevor du das Playbook anwendest.
  3. Befolge die untenstehende detaillierte Methode in voller Tiefe. Ersetze sie nicht durch eine kurze generische Checkliste.
  4. Wenn ein anderer Spezialist eine nachgelagerte Aufgabe besitzt, übergib die relevanten Artefakte, anstatt seine Arbeit zu wiederholen.
  5. Gib bei öffentlichen, ausgabenwirksamen, kundenorientierten oder risikoreichen Ausgaben den verbundenen Validierungsschritt, bevor du die Arbeit als endgültig betrachtest.
  6. Lies verpackte upstream/-Referenzen, wenn das Quell-Playbook darauf verweist. Dateien unter upstream-notes/ erklären Ressourcen, die von der Sicherheitsstufe der öffentlichen Verteilung ausgeschlossen oder in der fixierten Quelle nicht vorhanden sind.

Tiefes Playbook

Adaptiert von aaron-marketing-skills/influencer/report/landing-optimizer/SKILL.md unter Apache-2.0. Laufzeitspezifische Anweisungen sind dem PrePilot-Laufzeitvertrag oben untergeordnet.

Was macht Landing-Optimizer?

Dieses Skill hilft dir, Landingpages speziell für Influencer-Marketing-Traffic zu erstellen und zu optimieren. Wenn Nutzer von einem Influencer-Beitrag klicken, sollte die Landing-Erfahrung verbunden und für die Conversion optimiert wirken.

Fachübergreifend (bezahlte Anzeigen): Dies ist auch das Post-Click-Skill für bezahlte Anzeigen – die Seitenseite des ROAS Angebots Message-Match (es paart sich mit ad-creative-builder, dem die Anzeigenhälfte gehört). Derselbe Diagnose-und-Fix-Ablauf gilt für bezahlte Landingpages; speichere bezahlte Durchläufe unter memory/ad/landing-optimizer/. Bei bezahlten Durchläufen prüfe den Message-Match der Seite gegen das offer-claims-registry-Hauptbuch, falls vorhanden: Angebotsbedingungen, Promo-Codes und Daten gegen memory/claims/offers.md und die Formulierung der Claims gegen die genehmigten Varianten in memory/claims/claims-ledger.md.

Kurzstart

Kürzester Aufruf:

Optimiere unsere Landingpage für Traffic von [Influencer-Kampagne]

Häufiges Szenario – Diagnose und Behebung einer schwach konvertierenden Creator-Seite:

Unsere Influencer-Landingpage hat eine Conversion-Rate von [X%]. Wie können wir sie verbessern?

Skill-Vertrag

  • Liest: Landingpage-URL und aktuellen Zustand, Conversion-Rate und Ziel, Traffic-Quelle (Influencer-Handles, Plattformen, Inhaltstyp), die Schlüsselbotschaft/das Zitat des Influencers, Promo-Code, Zielgruppendemografie. Eingaben kommen vom Nutzer, wenn kein Tool verbunden ist.
  • Schreibt: Optimierungsplan gespeichert unter memory/influencer/landing-optimizer/YYYY-MM-DD-<Thema>.md (Message-Match-Audit, Struktur- und Social-Proof-Empfehlungen, Conversion/CTA-Plan, A/B-Test-Roadmap).
  • Fördert: dauerhafte Fakten – aktiver Kampagnenname, Seiten-URL, Basis-Conversion-Rate, Promo-Code, primärer Creator – zu memory/hot-cache.md.
  • Erledigt, wenn:
    • Message-Match-Punktzahl und benannte Korrekturen für die Seite erstellt wurden.
    • Ein priorisierter Conversion-Plan (CTA, Promo-Code-Erlebnis, Reibung, Mobil) mit erwarteter Auswirkung existiert.
    • Eine A/B-Test-Roadmap mit mindestens einer Hypothese und Erfolgsmetrik geschrieben wurde.
  • Primäres nächstes Skill: performance-analyzer – messen, ob die Optimierungen die Conversion bewegt haben.

Übergabe-Zusammenfassung

Gib die Standardform aus skill-contract.md §Übergabe-Zusammenfassung aus.

Datenquellen

Diese Familie benötigt keine Live-Integrationen (Tier 1). Das Skill funktioniert, indem es den Nutzer nach der Seiten-URL, der aktuellen Conversion-Rate, der Botschaft des Influencers und dem Promo-Code fragt und dann den Audit und den Plan aus diesen Eingaben erstellt.

Optionale Anschlüsse, die die Analyse vertiefen können, wenn verfügbar:

  • ~~analytics – Live-Conversion-Rate, Absprungrate, Scroll-Tiefe und Add-to-Cart-Ereignisse abrufen, anstatt zu fragen.
  • ~~A/B-Test-Plattform – vergangene Testergebnisse lesen und Stichprobengrößen-/Dauerschätzungen liefern.
  • ~~CMS / Landingpage-Builder – aktuelle Seitenstruktur und Text direkt einsehen.
  • ~~Social-Plattform-Analyse – die tatsächliche Nachrichtenübermittlung und Zielgruppe des Creators bestätigen.

Siehe CONNECTORS.md für das verifizierte kostenlose/schlüssellose Rezept pro Kategorie. Jeder Schritt degradiert elegant zu nutzereingegebenen Daten.

Anweisungen

Wenn ein Nutzer Hilfe bei einer Landingpage anfordert, arbeite diese Schritte durch. Die Ausfüllvorlage, das ASCII-Layout und das HTML-Snippet jedes Schrittes befinden sich in upstream/influencer/report/landing-optimizer/references/templates.md – abgestimmt auf dieselben Schrittnummern.

  1. Aktuellen Zustand bewerten – Kampagne, URL, Traffic-Quelle, aktuelle Conversion-Rate, Ziel und den Traffic-Kontext (Influencer, Plattformen, Inhaltstyp, Schlüsselbotschaft, Promo-Code, Zielgruppe) erfassen.
  2. Message-Match bewerten – vergleichen, was der Influencer sagt, mit dem, was die Seite zeigt – über Botschaft, Wertversprechen, Angebot, Produkt und Ton hinweg; einen Message-Match-Punktwert (X/10) und benannte Korrekturen erstellen. Diskrepanz verursacht Verwirrung und Abbrüche. Bei bezahlten Runs auch die Angebots-/Promo-Bedingungen der Seite gegen memory/claims/offers.md überprüfen, falls das Hauptbuch existiert – ein "50% Rabatt"-Versprechen einer Anzeige ist nur gültig, solange die Angebotszeile aktiv ist.
  3. Seitenstruktur – das Influencer-Traffic-Layout empfehlen (Hero → Social Proof → Produkt → mehr Proof → FAQ → finaler CTA) und abschnittsweise Hero-/Social-Proof-/Produkt-Korrekturen geben.
  4. Social-Proof-Integration – den treibenden Creator am prominentesten platzieren, dann die Proof-Hierarchie: andere Influencer → Kundenbewertungen → Vertrauensindikatoren.
  5. Conversion-Optimierung – CTA-Text/Platzierung optimieren, das Promo-Code-Erlebnis gestalten (automatisches Anwenden per URL-Parameter, prominente Anzeige, Bestätigung), Reibung reduzieren und Mobil prüfen (Ladegeschwindigkeit, daumenfreundlicher CTA, Scroll-Tiefe).
  6. A/B-Test-Plan – Tests nach Aufwand/Wirkung ordnen, dann mindestens eine Hypothese mit Varianten, Stichprobengröße, Dauer und Erfolgsmetrik schreiben.
  7. Influencer-spezifische Seiten – entscheiden, ob eine dedizierte /creator-name-Seite sinnvoll ist und was personalisiert werden soll.
  8. Performance-Tracking – Ziele für Ladezeit, Absprung, CR, Add-to-Cart, AOV setzen; UTM-Parameter und Ereignisse für die Attribution definieren.

Speichere den fertigen Plan unter memory/influencer/landing-optimizer/YYYY-MM-DD-<Thema>.md (bezahlte Durchläufe unter memory/ad/landing-optimizer/) und fördere dauerhafte Fakten zu memory/hot-cache.md.

Beispiel

Nutzer: "Unsere Landingpage für @fitnessannas Proteinpulver-Kampagne hat eine Conversion-Rate von 1,2%. Wie können wir sie verbessern?"

Ausgabe (gekürzt – vollständige Version in upstream/influencer/report/landing-optimizer/references/templates.md):

  • Diagnose: 1,2% CR, unter dem Benchmark von 2-3% für Influencer-Traffic.
  • Probleme: Message-Diskrepanz (Anna sagt "glatte Textur", Seite führt mit "hoher Proteingehalt"); Annas Inhalt nicht gezeigt; Code ANNA20 nicht automatisch angewendet; mobiler CTA unterhalb des Seitenumbruchs.
  • Priorisierte Korrekturen: Annas Video im Hero (+0,5%), Promo automatisch anwenden (+0,3%), Überschrift anpassen (+0,3%), CTA auf Mobil oberhalb des Umbruchs (+0,2%) → kombiniert 1,2% → 2,5% CR.
  • Testplan: W1 Hero-Änderungen, W2 Überschrift A/B, W3 CTA-Text.

Referenzmaterialien

  • templates.md – alle Schritt-für-Schritt-Ausfüllvorlagen, ASCII-Layouts, HTML-Snippets, das vollständige ausgearbeitete Beispiel und Tipps.

  • skill-contract.md – gemeinsamer Vertrag und Übergabe-Zusammenfassungsformat.

  • state-model.md – Speicherstufen und Speicherpfad-Konventionen.

  • CONNECTORS.md – kostenlose/schlüssellose Datenrezepte pro Anschlusskategorie.

  • conversion-quality.md – beratende Conversion-Rubrik (nicht-veto) zur Plausibilitätsprüfung des Optimierungsplans.

  • Verwandte Skills in der Influencer-Marketing-Familie:

    • content-amplifier – Creator-Inhalte für Landingpages beschaffen und Traffic dorthin lenken.
    • brief-generator – Creator-Inhalte mit Landing-Zielen abgleichen.

Nächstbestes Skill

Primär: performance-analyzer – messen, ob die Optimierungen tatsächlich Conversion, AOV und Attribution verbessert haben.

Alternativen (gleiche Report-Familie):

  • content-amplifier – wenn der Audit zeigt, dass die Seite mehr Creator-Inhalte zum Hervorheben benötigt.
  • roi-calculator – wenn die Conversion der Seite validiert ist und du sie in ROI und Amortisationsrechnung übersetzen möchtest.

Abschluss-Hinweis: Pflege einen Besuchsset in dieser Sitzung. Wenn ein empfohlenes Skill bereits aufgerufen wurde, stoppe und melde die Kette als abgeschlossen, anstatt sie erneut auszuführen. Harte Grenze bei Ketten-Tiefe 3, um Endlosschleifen zu vermeiden.

Ausgabevertrag

  • Liefere das tatsächliche Artefakt, die Analyse, die Entscheidung oder den Plan, den der Nutzer angefordert hat, nicht eine Zusammenfassung dieses Skills.
  • Halte Belege und Annahmen unterscheidbar, wenn sie die Empfehlung beeinflussen.
  • Füge konkrete nächste Aktionen, Entscheidungsregeln oder Validierungsschritte hinzu, wenn das Playbook sie impliziert.
  • Bewahre nützliche Tabellen, Frameworks, Beispiele, Scoring-Modelle, Vorlagen und Checklisten aus dem tiefen Playbook, wenn sie die angeforderte Ausgabe verbessern.

Qualitätstor

  • Das Ergebnis adressiert die exakte Aufgabe dieses Spezialisten, anstatt allgemeine Marketing-Ratschläge zu geben.
  • Starke Behauptungen haben einen Beleg, eine Quelle oder eine explizite Unsicherheit.
  • Empfehlungen respektieren Kanal-, Markt-, Funnel-, wirtschaftliche und operative Einschränkungen.
  • Kein nicht verfügbares Tool, keine Kontoaktion oder Live-Daten werden als abgeschlossen dargestellt.
  • Die Übergabe benennt den nächsten Spezialisten nur, wenn eine weitere eigenständige Marketing-Aufgabe verbleibt.

Übergabe

Gib das abgeschlossene Landing-Optimizer-Ergebnis plus nur die Belege, Annahmen und Entscheidungen zurück, die von der ausgewählten feeds-, next_best- oder validates-Verbindung benötigt werden. Wiederhole keine vorgelagerte Analyse, es sei denn, neue Belege ändern sie.

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

Verwandte Skills