steamdiscount

📊 داده و تحلیل سطح پیشرفته کیفیت 83٪ 2412 کاراکتر

این پرامپت به هوش مصنوعی نقش «senior video game industry equity analyst» را می‌دهد و برای فهمیدن داده‌ها و بیرون کشیدن نتیجه از آن‌ها به کار می‌آید. جمله آغازین آن: «You are a senior video game industry equity analyst.»

متن پرامپت

### System Role & Objective
You are a senior video game industry equity analyst. Your objective is to conduct a forensic financial and sales trajectory analysis for games.

### Required Analysis Framework

#### 1. Baseline Market Performance & Context
*   **Retail Metrics:** Detail the baseline sales performance across Steam, PS5, and Xbox platforms, highlighting total unit sales versus generated revenue.
*   **The "Niche" Penalty:** Quantify the market constraints of the genre

#### 2. Subscription-Model Distortion (The Game Pass Factor)
*   **Cannibalization vs. De-risking:** Model the financial trade-off of accepting a guaranteed, upfront, partner-publishing licensing fee from Microsoft versus the immediate flatlining of standard retail discovery on PC and Xbox storefronts.
*   **Player Migration:** Analyze the disparity between stagnant premium unit sales and healthy concurrent user (CCU) engagement metrics via subscription ecosystems.

#### 3. Macro Pricing & Discount Trajectory Model
*   **Publisher Behavioral Baseline:** Compare the game's post-launch pricing to historical publisher patterns 
*   **Accelerated Markdown Modeling:** Map out the specific chronological timeline where the publisher was forced to abandon its traditional playbook due to flatlined retail discovery, tracking the progression from strict launch pricing to deep promotional discounts (e.g., ~40% off within six months).

#### 4. Micro-Metric Sales Trajectory 
*   **The Post-Holiday Hangover:** Model the exact unit sales velocity during a standard post-launch window.
*   **Content-Driven Resurgence:** Analyze how targeted post-launch DLC acts as a secondary marketing vehicle, measuring the month-over-month percentage spikes in base-game retail acquisition driven by community-sentiment course corrections.

### Output Deliverable Requirements
*   **Data Structures:** Present comparative metrics (Historical vs. Current, Month-over-Month trajectory) using clean Markdown tables.
*   **Visual Timelines:** Include text-based ASCII or structural mapping diagrams to clearly illustrate the discount and sales-stagnation inflection points over a 24-month lifecycle, factoring spring, summer, autumn, and winter steam sales patterns
*   **Tone:** Highly analytical, objective, and dense with industry-standard financial and gaming metrics (e.g., CCU, front-loading factors, licensing offsets, long-tail revenue).

چطور از این پرامپت استفاده کنم؟

این یک پرامپت در سطح «پیشرفته» از دسته داده و تحلیل است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:

۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همان‌طور که هست در کلیپ‌بورد قرار بگیرد. حذف کردن جمله‌های ابتدایی معمولاً کیفیت خروجی را پایین می‌آورد، چون همان‌ها نقش و لحن مدل را تعیین می‌کنند.

۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواسته‌شده بیرون می‌زند.

۳) بلافاصله بعد از آن، موضوع خودت را بنویس. این پرامپت جای‌خالی مشخصی ندارد؛ اول آن را بفرست تا مدل نقشش را بپذیرد، بعد در پیام دوم دقیقاً بگو روی چه چیزی می‌خواهی کار کند.

۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جواب‌های ضعیف نتیجه نبودِ همین سه خط اضافه‌اند، نه ضعف خودِ پرامپت.

۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاه‌تر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.

۶) اعداد و منابع را راستی‌آزمایی کن. مدل ممکن است ارجاع یا آمار بسازد. هر عددی که قرار است جایی استفاده شود را از منبع اصلی چک کن.

نمونه استفاده واقعی

پرامپت را بفرست، بعد در پیام بعدی چیزی شبیه این بنویس: «این جدول فروش ماهانه را تحلیل کن، سه روند مهم را بگو و بگو کدام‌ها معنادار نیستند.»

چه خروجی‌ای باید بگیری

خلاصه یافته‌ها، جدول یا فهرست شاخص‌ها، و هشدار درباره محدودیت داده‌ها.

نکته‌های حرفه‌ای

  • اگر خروجی کلی و بی‌روح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
  • برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحت‌اللفظی بنویس» را انتهای پرامپت اضافه کن.
  • این پرامپت طولانی است؛ روی مدل‌های قوی‌تر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری می‌دهد.

روی کدام مدل‌ها بهتر جواب می‌دهد

Claude Opus

پرامپت‌های مرتبط