كيف تقيس الظهور في الذكاء الاصطناعي دون أن تخدع نفسك

لقياس الظهور في الذكاء الاصطناعي، ابنِ مجموعة ثابتة من الأوامر النصية مبنية على أسئلة حقيقية من الجمهور، وشغّلها وفق جدول منتظم على ChatGPT وGemini وPerplexity وGoogle AI Overviews، وسجّل ما إذا كانت علامتك التجارية قد ذُكرت أو استُشهد بها أو وُضع رابط إليها، وكيف وُصفت. كرّر التشغيل لأن الإجابات تتفاوت، وقدّم الاتجاهات لا النتائج المفردة.

لماذا يصعب قياس الظهور في الذكاء الاصطناعي؟

لثلاثة أسباب، ومن المفيد قولها بصوت عالٍ قبل أن يبني أحد لوحة معلومات.

• الإجابات غير حتمية. اطرح السؤال نفسه مرتين وقد تحصل على علامات تجارية مختلفة ومصادر مختلفة وصياغة مختلفة.
• الإجابات مخصّصة ومرتبطة بالسياق. فالموقع وسجل الحساب وسياق المحادثة وإصدار النموذج كلها تغيّر النتائج.
• لا يوجد "موضع" منشور. فعلى عكس ترتيب البحث، لا توجد رتبة رسمية يمكن الرجوع إليها، ومعظم منصات الذكاء الاصطناعي توفّر تحليلات محدودة للعلامات التجارية.

لذا فإن أي لقطة شاشة منفردة لمساعد يسمّي علامتك التجارية، أو لا يسمّيها، هي مجرد حكاية. والقياس يعني أخذ العينات.

ما الذي ينبغي أن تقيسه؟

نتتبّع في SNMRush أربع طبقات، بما يتوافق مع اسمنا: البحث (Search)، والإجابات العصبية (Neural answers)، والإشارات (Mentions).

1. الحضور: نسبة الأوامر النصية التي تُذكر فيها علامتك التجارية أصلًا.
2. الاستشهاد: النسبة التي تظهر فيها إحدى صفحاتك كمصدر أو يوضع رابط إليها.
3. الدقة: ما إذا كان الوصف صحيحًا (الفئة، والعرض، والموقع، ودون خلط مع علامات تجارية أخرى).
4. حصة الإشارات: عدد مرات ظهورك مقارنةً بالمنافسين المسمَّين عبر المجموعة نفسها.

وإلى جانب ذلك، احتفظ بمقاييس البحث التقليدية، لأن كثيرًا من إجابات الذكاء الاصطناعي تستند إلى نتائج البحث: الترتيب للأسئلة نفسها، ومرات الظهور في Search Console، والزيارات المُحالة من أدوات الذكاء الاصطناعي في تحليلاتك (مصادر مثل chatgpt.com أو perplexity.ai تظهر الآن في كثير من تقارير الإحالة).

كيف تبني مجموعة الأوامر النصية؟

المجموعة هي قلب الطريقة، وجودتها تحدد ما إذا كانت الأرقام تعني شيئًا.

تبدأ معظم الفرق بعصف ذهني للأوامر النصية في اجتماع. والنتيجة قائمة أسئلة قد يطرحها فريق التسويق، ونادرًا ما تكون هي ما يسأله العملاء. نحن نبني المجموعات من الأدلة بدلًا من ذلك. تستخدم SNMRush منصة SOMIN، وهي منصة لأبحاث الجمهور بالذكاء الاصطناعي، لإبراز الأسئلة والتوترات التي يعبّر عنها الناس حول فئة ما في المحادثات الاجتماعية الحقيقية، ونصوغ الأوامر النصية بلغة الجمهور نفسه. والطريقة موصوفة في العثور على الأسئلة التي يطرحها جمهورك.

تتضمن المجموعة المتوازنة عادةً:

• أسئلة الفئة: "ما أفضل طريقة لـ…"، "ما الأدوات التي تساعد في…"
• أسئلة المشكلات: التوترات الكامنة وراء البحث، مصاغة كما يصوغها الناس.
• أسئلة المقارنة: "X مقابل Y"، "بدائل لـ X".
• أسئلة العلامة التجارية: "ما هي [العلامة التجارية]؟"، "هل [العلامة التجارية] جيدة لـ…"
• صيغ محلية إذا كنت تعمل في أكثر من سوق.

من خمسين إلى مئة وخمسين أمرًا نصيًا نطاق عملي لمعظم العلامات التجارية. ثبّت المجموعة لربع سنة لتكون الاتجاهات قابلة للمقارنة.

كم مرة ينبغي تشغيلها؟

مرة شهريًا تكفي لمعظم العلامات التجارية، مع تشغيل كل أمر نصي عدة مرات على كل محرك لتخفيف التفاوت. سجّل التاريخ والمحرك والوضع (مثلًا مع البحث في الويب أو دونه) والموقع والرد كاملًا. واحتفظ بالإجابات الخام؛ فستحتاج إلى إعادة قراءتها حين يتحرك رقم ما.

تعريفات

• مجموعة الأوامر النصية: قائمة ثابتة من الأسئلة تُستخدم لأخذ عينات من إجابات الذكاء الاصطناعي مع مرور الوقت.
• معدل الحضور: النسبة المئوية لعمليات تشغيل المجموعة التي تذكر علامتك التجارية.
• معدل الاستشهاد: النسبة المئوية لعمليات التشغيل التي تُظهر نطاقك كمصدر.
• حصة الإشارات: إشاراتك كنسبة من جميع إشارات العلامات التجارية المتتبَّعة في المجموعة.

ما الأخطاء الشائعة؟

• الإبلاغ عن تشغيل واحد. فالإجابة الواحدة عينة من واحد.
• تغيير المجموعة كل شهر. فتفقد قابلية المقارنة.
• عدّ الإشارات دون قراءتها. فالإشارة التي تصفك بشكل خاطئ مشكلة لا مكسب.
• ادعاء السببية. إذا ارتفع الحضور بعد نشر صفحة، فذلك مشجّع لكنه ليس دليلًا. فالنماذج تتحدّث، والمنافسون يتغيرون، والمحركات تعدّل طرق الاسترجاع.
• تجاهل المال. الظهور وسيلة. اربطه بالاستفسارات والإيرادات حيثما استطعت.

وهذه النقطة الأخيرة تستحق التشديد. يطرح التطبيق الشقيق FMedia حجة في الإعلام المدفوع مفادها أن ROAS الشكلي يُخفي الربح الحقيقي؛ ومقابل ذلك في الظهور بالذكاء الاصطناعي هو عدد إشارات متزايد لا يتحول أبدًا إلى محادثة مع مشترٍ. تتبّع التحويلات المساعِدة ومصادر الاستفسارات إلى جانب مقاييس الظهور.

كيف ينبغي تقديم النتائج في التقارير؟

أفضل ما ينجح هو ملخص شهري من صفحة واحدة: المعدلات الرئيسية الأربعة مع خطوط الاتجاه، والأوامر النصية الأكثر تحركًا، وثلاثة أمثلة لإجابات مقتبسة حرفيًا، والمصادر الأكثر استشهادًا بها من محركات الذكاء الاصطناعي في فئتك، وقائمة قصيرة بالإجراءات. وتُظهر صفحة تقارير SOMIN فلسفة مشابهة مطبّقة على تقارير التسويق على نطاق أوسع: كل رقم ينبغي أن يكون قابلًا للتتبّع إلى الدليل الذي يقف وراءه.

ولفكرة عن كيفية جعل الوكالات للتقارير القائمة على الأدلة جزءًا من العلاقة مع العميل، تستحق دراسة حالة Analytic Partners نظرة.

كيف يبدو خط الأساس الجيد؟

لا يوجد معيار مرجعي عالمي، وينبغي أن ترتاب في أي شخص يستشهد بواحد. خط الأساس الجيد هو ببساطة ربع السنة الأول من بياناتك، مقيسًا باتساق. ومن هناك تصبح الأسئلة عملية: أي الأوامر النصية لا تذكرنا أبدًا، وأي المصادر تستشهد بها المحركات بدلًا منا، وماذا يتطلب الأمر لنصبح المصدر الأفضل؟

نصيحة عملية أخرى: سجّل النموذج أو الوضع الذي يعلنه كل محرك حيثما كان ظاهرًا. فحين تطلق منصة نموذجًا جديدًا، قد تتغير النتائج بين ليلة وضحاها، وستحتاج إلى فصل ذلك عن أثر عملك أنت.

وهنا يعود القياس ليصبح عملًا: فالإجابات تشير إلى محتوى يبدأ بالإجابة ينبغي كتابته، وكيانات ينبغي توضيحها، وإشارات ينبغي كسبها. قِس بصدق، وتصرّف حيال الفجوات، ثم قِس من جديد.