วิธีวัดการมองเห็นบน AI โดยไม่หลอกตัวเอง

ในการวัดการมองเห็นบน AI ให้สร้างชุดพรอมต์คงที่จากคำถามจริงของกลุ่มเป้าหมาย รันตามกำหนดเวลาผ่าน ChatGPT, Gemini, Perplexity และ Google AI Overviews แล้วบันทึกว่าแบรนด์ของคุณถูกกล่าวถึง ถูกอ้างอิง หรือถูกลิงก์หรือไม่ และถูกอธิบายอย่างไร รันซ้ำเพราะคำตอบแตกต่างกัน และรายงานแนวโน้มแทนผลลัพธ์ครั้งเดียว

ทำไมการมองเห็นบน AI จึงวัดได้ยาก?

มีสามเหตุผล และควรพูดออกมาให้ชัดก่อนที่ใครจะสร้างแดชบอร์ด

• คำตอบไม่แน่นอน ถามคำถามเดิมสองครั้ง คุณอาจได้แบรนด์ต่างกัน แหล่งที่มาต่างกัน และถ้อยคำต่างกัน
• คำตอบปรับตามบุคคลและบริบท สถานที่ ประวัติบัญชี บริบทของบทสนทนา และเวอร์ชันโมเดล ล้วนทำให้ผลลัพธ์เปลี่ยน
• ไม่มี "ตำแหน่ง" ที่เผยแพร่ ต่างจากอันดับการค้นหา ไม่มีอันดับทางการให้ตรวจดู และแพลตฟอร์ม AI ส่วนใหญ่ให้ข้อมูลวิเคราะห์แก่แบรนด์อย่างจำกัด

ดังนั้นภาพหน้าจอเดียวที่ผู้ช่วย AI เอ่ยชื่อแบรนด์ของคุณ หรือไม่เอ่ยถึง ก็เป็นเพียงเรื่องเล่า การวัดผลหมายถึงการสุ่มตัวอย่าง

คุณควรวัดผลอะไร?

ที่ SNMRush เราติดตามสี่ชั้น ซึ่งสอดคล้องกับชื่อของเรา: Search, Neural answers และ Mentions

1. การปรากฏ: สัดส่วนของพรอมต์ที่แบรนด์ของคุณถูกกล่าวถึงเลย
2. การอ้างอิง: สัดส่วนที่หน้าใดหน้าหนึ่งของคุณถูกแสดงเป็นแหล่งที่มาหรือถูกลิงก์
3. ความถูกต้อง: คำอธิบายถูกต้องหรือไม่ (หมวดธุรกิจ ข้อเสนอ สถานที่ ไม่สับสนกับแบรนด์อื่น)
4. ส่วนแบ่งการกล่าวถึง: คุณปรากฏบ่อยเพียงใดเมื่อเทียบกับคู่แข่งที่ระบุชื่อในชุดพรอมต์เดียวกัน

ควบคู่กันนั้น ให้เก็บตัวชี้วัดการค้นหาแบบดั้งเดิมไว้ เพราะคำตอบของ AI จำนวนมากอิงกับผลการค้นหา ได้แก่ อันดับสำหรับคำถามเดียวกัน อิมเพรสชันใน Search Console และทราฟฟิกอ้างอิงจากเครื่องมือ AI ในระบบวิเคราะห์ของคุณ (แหล่งอย่าง chatgpt.com หรือ perplexity.ai ปรากฏในรายงานแหล่งอ้างอิงหลายแห่งแล้ว)

จะสร้างชุดพรอมต์ได้อย่างไร?

ชุดพรอมต์คือหัวใจของวิธีการ และคุณภาพของมันตัดสินว่าตัวเลขมีความหมายหรือไม่

ทีมส่วนใหญ่เริ่มจากการระดมสมองหาพรอมต์ในที่ประชุม ผลที่ได้คือรายการคำถามที่ทีมการตลาดจะถาม ซึ่งแทบไม่เคยเป็นสิ่งที่ลูกค้าถาม เราสร้างชุดพรอมต์จากหลักฐานแทน SNMRush ใช้ SOMIN แพลตฟอร์มวิจัยกลุ่มเป้าหมายด้วย AI เพื่อดึงคำถามและความตึงเครียดที่ผู้คนพูดถึงหมวดสินค้าในบทสนทนาโซเชียลจริง และเราเขียนพรอมต์ด้วยภาษาของกลุ่มเป้าหมายเอง วิธีการอธิบายไว้ในการค้นหาคำถามที่กลุ่มเป้าหมายของคุณถาม

ชุดพรอมต์ที่สมดุลมักประกอบด้วย:

• คำถามระดับหมวดสินค้า: "วิธีที่ดีที่สุดในการ… คืออะไร" "เครื่องมือใดช่วยเรื่อง…"
• คำถามเกี่ยวกับปัญหา: ความตึงเครียดเบื้องหลังการค้นหา เขียนด้วยถ้อยคำแบบที่ผู้คนใช้
• คำถามเชิงเปรียบเทียบ: "X เทียบกับ Y" "ทางเลือกแทน X"
• คำถามเกี่ยวกับแบรนด์: "[brand] คืออะไร?" "[brand] เหมาะกับ… หรือไม่"
• รูปแบบตามท้องถิ่น หากคุณดำเนินธุรกิจในมากกว่าหนึ่งตลาด

ห้าสิบถึงหนึ่งร้อยห้าสิบพรอมต์เป็นช่วงที่ใช้งานได้สำหรับแบรนด์ส่วนใหญ่ ตรึงชุดพรอมต์ไว้หนึ่งไตรมาสเพื่อให้เปรียบเทียบแนวโน้มได้

ควรรันบ่อยเพียงใด?

เดือนละครั้งเพียงพอสำหรับแบรนด์ส่วนใหญ่ โดยรันแต่ละพรอมต์หลายครั้งต่อเอนจินเพื่อลดความผันผวน บันทึกวันที่ เอนจิน โหมด (เช่น เปิดหรือปิดการค้นหาเว็บ) สถานที่ และคำตอบฉบับเต็ม เก็บคำตอบดิบไว้ เพราะคุณจะต้องอ่านซ้ำเมื่อตัวเลขขยับ

คำจำกัดความ

• ชุดพรอมต์: รายการคำถามคงที่ที่ใช้สุ่มตัวอย่างคำตอบของ AI ในช่วงเวลาหนึ่ง
• อัตราการปรากฏ: ร้อยละของการรันชุดพรอมต์ที่กล่าวถึงแบรนด์ของคุณ
• อัตราการอ้างอิง: ร้อยละของการรันที่แสดงโดเมนของคุณเป็นแหล่งที่มา
• ส่วนแบ่งการกล่าวถึง: จำนวนการกล่าวถึงคุณเป็นสัดส่วนของการกล่าวถึงแบรนด์ทั้งหมดที่ติดตามในชุดพรอมต์

ข้อผิดพลาดที่พบบ่อยมีอะไรบ้าง?

• รายงานผลการรันครั้งเดียว คำตอบเดียวคือกลุ่มตัวอย่างขนาดหนึ่ง
• เปลี่ยนชุดพรอมต์ทุกเดือน คุณจะเสียความสามารถในการเปรียบเทียบ
• นับการกล่าวถึงโดยไม่อ่าน การกล่าวถึงที่อธิบายคุณผิดคือปัญหา ไม่ใช่ชัยชนะ
• อ้างความเป็นเหตุเป็นผล หากการปรากฏเพิ่มขึ้นหลังจากคุณเผยแพร่หน้าหนึ่ง นั่นเป็นสัญญาณที่ดี ไม่ใช่ข้อพิสูจน์ โมเดลอัปเดต คู่แข่งเปลี่ยนแปลง และเอนจินปรับการดึงข้อมูล
• มองข้ามเรื่องเงิน การมองเห็นเป็นเพียงวิธีการ เชื่อมโยงกับการติดต่อสอบถามและรายได้ให้ได้มากที่สุด

ประเด็นสุดท้ายนี้ควรเน้นย้ำ แอปพี่น้องของเรา FMedia ชี้ให้เห็นว่าในสื่อแบบชำระเงิน ROAS ที่ดูดีแต่ไร้ความหมายบดบังกำไรที่แท้จริง สิ่งที่เทียบเท่าในการมองเห็นบน AI คือจำนวนการกล่าวถึงที่เพิ่มขึ้นแต่ไม่เคยกลายเป็นบทสนทนากับผู้ซื้อ ติดตาม Assisted Conversion และแหล่งที่มาของการติดต่อสอบถามควบคู่กับตัวชี้วัดการมองเห็น

ควรรายงานผลอย่างไร?

รายงานรายเดือนหน้าเดียวได้ผลดีที่สุด ได้แก่ อัตราหลักสี่ตัวพร้อมเส้นแนวโน้ม พรอมต์ที่ขยับมากที่สุด ตัวอย่างคำตอบสามรายการที่ยกมาแบบคำต่อคำ แหล่งที่ AI engine อ้างอิงมากที่สุดในหมวดสินค้าของคุณ และรายการสิ่งที่ต้องทำสั้น ๆ หน้าการรายงานของ SOMINแสดงปรัชญาที่คล้ายกันซึ่งใช้กับการรายงานด้านการตลาดในวงกว้าง คือทุกตัวเลขต้องสืบย้อนไปยังหลักฐานเบื้องหลังได้

หากต้องการเห็นว่าเอเจนซีทำให้การรายงานที่อิงหลักฐานเป็นส่วนหนึ่งของความสัมพันธ์กับลูกค้าอย่างไร กรณีศึกษา Analytic Partners น่าดู

ค่าพื้นฐานที่ดีมีหน้าตาอย่างไร?

ไม่มีเกณฑ์มาตรฐานสากล และคุณควรสงสัยใครก็ตามที่อ้างตัวเลขเช่นนั้น ค่าพื้นฐานที่ดีก็คือข้อมูลไตรมาสแรกของคุณเองที่วัดอย่างสม่ำเสมอ จากนั้นคำถามก็จะเป็นเรื่องปฏิบัติ: พรอมต์ใดไม่เคยกล่าวถึงเรา เอนจินอ้างอิงแหล่งใดแทน และต้องทำอะไรจึงจะเป็นแหล่งที่ดีกว่า

อีกเคล็ดลับเชิงปฏิบัติ: บันทึกโมเดลหรือโหมดที่แต่ละเอนจินแสดงไว้ในที่ที่มองเห็นได้ เมื่อแพลตฟอร์มปล่อยโมเดลใหม่ ผลลัพธ์อาจเปลี่ยนในชั่วข้ามคืน และคุณจะต้องแยกสิ่งนั้นออกจากผลของงานที่คุณทำเอง

นั่นคือจุดที่การวัดผลย้อนกลับมาเป็นงาน คำตอบชี้ไปยังคอนเทนต์แบบตอบคำถามก่อนที่ต้องเขียน เอนทิตีที่ต้องทำให้ชัด และการกล่าวถึงที่ต้องได้มา วัดผลอย่างซื่อตรง ลงมือกับช่องว่าง แล้ววัดผลอีกครั้ง

คำถามที่พบบ่อย

ฉันติดตามการมองเห็นบน AI ใน Google Search Console ได้หรือไม่?

Search Console รวมทราฟฟิกจาก AI Overviews และ AI Mode ไว้ในประสิทธิภาพการค้นหาโดยรวม แต่ไม่ได้แยกออกมาโดยละเอียด จำเป็นต้องใช้ชุดพรอมต์เพื่อดูการกล่าวถึงและคำอธิบาย

ชุดพรอมต์วัดการมองเห็นควรมีกี่พรอมต์?

ห้าสิบถึงหนึ่งร้อยห้าสิบพรอมต์ใช้งานได้สำหรับแบรนด์ส่วนใหญ่ โดยรันแต่ละพรอมต์หลายครั้งต่อเอนจินต่อเดือน และตรึงไว้อย่างน้อยหนึ่งไตรมาส

เครื่องมือวัดการมองเห็นบน AI แม่นยำหรือไม่?

มีประโยชน์สำหรับการสุ่มตัวอย่างในปริมาณมาก แต่ทั้งหมดเผชิญความผันผวนแบบเดียวกัน ตรวจสอบว่าเครื่องมือรันพรอมต์อย่างไร บ่อยเพียงใด และคุณอ่านคำตอบดิบได้หรือไม่