پژوهش جدیدی از سوی پلتفرم Uberall با تحلیل بیش از ۱۲۰ هزار ارجاع هوش مصنوعی (AI Mentions) در ۳,۷۹۳ موقعیت مکانی در شهرهای بزرگ ایالات متحده مانند شیکاگو و نیویورک، الگوهای جدیدی را در زمینه سئوی محلی (Local SEO) آشکار کرده است. این مطالعه که توسط کاتیا شیشچنکو (Katya Shishchenko)، تحلیلگر ارشد این مجموعه انجام شده، نشان میدهد که مدلهای زبانی بزرگ (LLMs) از چتجیپیتی (ChatGPT) تا پرپلکسیتی (Perplexity)، معیارهای متفاوتی را نسبت به موتورهای جستجوی سنتی برای معرفی کسبوکارهای چندشعبهای به کار میگیرند. یافتههای این پژوهش نشان میدهد که بر خلاف تصور رایج، سهم بازار و اندازه برند لزوماً تضمینکننده دیده شدن در نتایج هوش مصنوعی نیست.
شخصیتهای متفاوت مدلهای هوش مصنوعی در جستجوی محلی
بر اساس تحلیل Uberall، هر یک از مدلهای هوش مصنوعی رفتار و به اصطلاح «شخصیت» متمایزی در ارائه توصیههای محلی دارند:
- کلود (Claude): محافظهکارترین مدل است که کسبوکارهای محلی و جامعهمحور را ترجیح میدهد، اما از نام بردن از ارائهدهندگان خدمات درمانی خاص خودداری میکند تا وارد حوزههای مشاوره پزشکی نشود.
- جمینای (Gemini): به دلیل دسترسی مستقیم به دادههای زنده گوگل مپس (Google Maps)، متنوعترین نتایج را ارائه میدهد و در این پژوهش ۸ برابر بیشتر از ChatGPT رستورانهای منحصربهفرد را معرفی کرده است.
- چتجیپیتی (ChatGPT): رویکردی مبتنی بر اجماع عمومی دارد و فهرستهای کوتاه و پایداری ارائه میدهد، اما بالاترین نرخ خطا یا توهم (Hallucination) را در میان صنایع مختلف ثبت کرده است.
- گروک (Grok): توجه ویژهای به صلاحیت سرآشپزها و محتوای اینستاگرام دارد و پاسخهای آن شبیه به روزنامهنگاری تخصصی غذا همراه با جزئیات تاریخی و روشهای پخت است.
- پرپلکسیتی (Perplexity): با جستجوی زنده در وب و ذکر دقیق منابع، بیشترین میزان ارجاع را در هر جستجو تولید میکند و برای کسبوکارهایی با حضور آنلاین قوی، دسترسپذیرترین مدل به شمار میرود.
شاخصهای کلیدی برای دیده شدن در موتورهای جستجوی هوش مصنوعی
این پژوهش چهار دسته از عوامل کلیدی را معرفی میکند که بر میزان دیده شدن برندها تأثیرگذارند:
۱. تکمیل بودن پروفایل تجاری گوگل (GBP)
تکمیل بودن اطلاعات و قدمت کسبوکار تعیین میکند که آیا یک برند در پاسخهای هوش مصنوعی ظاهر میشود یا خیر. برای نمونه، پر کردن بخش توضیحات پروفایل تجاری گوگل (Google Business Profile) میتواند نرخ ارجاع فروشگاههای زنجیرهای مواد غذایی را تا سه برابر افزایش دهد. همچنین افزایش تعداد ویژگیها (Attributes) از ۶ تا ۱۰ مورد به ۳۱ تا ۵۰ مورد در هتلها، احتمال ارجاع را از ۲۲ درصد به ۹۴ درصد میرساند. تعداد تصاویر نیز قویترین پیشبینیکننده برای رستورانها، دندانپزشکیها و بانکها است.
۲. اعتبار برند و بازتاب رسانهای (Authority)
بر خلاف تصور، اندازه فیزیکی برند (تعداد شعب یا سهم بازار) معیار ضعیفی برای پیشبینی ارجاع توسط هوش مصنوعی است. در مقابل، حضور در رسانهها و فهرستهای تحریریه معتبر نقش حیاتی دارد. برندهای بانکی با بیش از ۳۰ بار حضور در اخبار، شاهد افزایش ۱۵ برابری ارجاع بودند. همچنین حضور در پلتفرمهای مرجع مانند فوربز تراول گاید (Forbes Travel Guide) یا راهنمای میشلن (Michelin Guide) به طور مستقیم وارد دادههای آموزشی مدلها میشود؛ به طوری که ۹۴.۵ درصد از پاسخهای پرپلکسیتی در حوزه رستورانها به راهنمای میشلن ارجاع داشتهاند. در این میان، حضور در پلتفرمهای تحویل کالا مانند اینستاکارت (Instacart) یا دوردش (DoorDash) تأثیری بر دیده شدن فروشگاههای مواد غذایی در هوش مصنوعی ندارد.
۳. حجم نظرات در برابر امتیاز ستارهای (Reviews)
یکی از غافلگیرکنندهترین یافتههای این پژوهش این است که حجم نظرات (Review Volume) بسیار بیشتر از امتیاز ستارهای (Star Rating) در ارجاع هوش مصنوعی اهمیت دارد. در حوزه دندانپزشکی، امتیاز ستارهای در هیچ پلتفرمی از نظر آماری معنادار نبود. در فروشگاههای مواد غذایی، برندهایی با حجم نظرات بالا اما امتیاز پایینتر، در ۹۴.۳ درصد مواقع ارجاع داده شدند، در حالی که این رقم برای برندهای با امتیاز بالا اما حجم نظرات کم، تنها ۶۰.۶ درصد بود. هتلها تنها استثنای این قاعده بودند که در آنها امتیاز ستارهای پروفایل تجاری گوگل همچنان همبستگی قوی با ارجاع هوش مصنوعی داشت.
۴. حضور فعال در شبکههای اجتماعی (Social)
فیسبوک و اینستاگرام نقشهای متفاوتی ایفا میکنند. تعداد دنبالکنندگان فیسبوک احتمال ارجاع اولیه برند را افزایش میدهد، در حالی که اینستاگرام فرکانس و تعداد تکرار ارجاع را تقویت میکند. رستورانهایی با حضور قوی در اینستاگرام و یلپ (Yelp) تا ۷ برابر بیشتر از سایرین ارجاع داده میشوند.
توصیههای استراتژیک برای مدیران بازاریابی
بر اساس یافتههای سارا ووردرمایر (Sara Vordermeier) در این گزارش، برندهای چندشعبهای باید سه اولویت اصلی را در برنامههای بازاریابی خود قرار دهند:
اول، بهینهسازی گسترده و دقیق پروفایلهای تجاری گوگل در تمامی شعب؛ ابزارهای هوش مصنوعی عاملمحور مانند UB-I متعلق به Uberall میتوانند به حفظ یکپارچگی این دادهها کمک کنند. دوم، تمرکز بر افزایش مستمر حجم نظرات به جای تمرکز صرف بر حفظ امتیازهای بالا. سوم، بارگذاری مداوم تصاویر باکیفیت؛ پیشنهاد میشود برندها حداقل ۱۰۰ تصویر باکیفیت برای هر شعبه و رستورانها یا هتلهای بزرگ بیش از ۲,۰۰۰ تصویر را به مرور زمان و به صورت تدریجی بارگذاری کنند تا پویایی کسبوکار به الگوریتمها ثابت شود.