موتورهای جستجو و مدل‌های هوش مصنوعی مولد مانند ChatGPT و Claude در حال تغییر مسیر ورودی مخاطبان به وب‌سایت‌ها هستند؛ تغییری که بسیاری از ابزارهای تحلیلی سنتی را دچار چالش کرده و ارجاعات آن‌ها را در دسته ترافیک مستقیم (Direct Traffic) طبقه‌بندی می‌کند. تام کاپر (Tom Capper)، مدیر استراتژی محصول جستجو در شرکت STAT، در وبینار تازه‌ای که توسط Search Engine Journal برگزار شد، اعلام کرد که پدیده «جستجوی بدون کلیک» (Zero-click Search) بیش از آنکه یک بحران ترافیکی باشد، چالشی در حوزه نسبت‌دهی (Attribution) است. به گفته وی، برندها برای ارزیابی دقیق اثرگذاری هوش مصنوعی باید سنجه‌های میزان دیده شدن (Visibility) را در کنار پیامدهای واقعی کسب‌وکار بررسی کنند، چرا که الگوریتم‌ها می‌توانند یک محصول را بدون درج لینک به وب‌سایت آن به کاربر پیشنهاد دهند.

تمایز میان ارجاع‌های اینترنتی و اشاره به برند

یکی از محورهای اصلی ارائه کاپر، تفکیک میان «اشاره به نام برند» (Mentions) و «درج لینک ارجاعی» (Citations) بود. در ارزیابی‌های سنتی، کارشناسان سئو تنها صفحاتی را رهگیری می‌کردند که پیوند مستقیم به دامنه اصلی شرکت داشتند. کاپر برای روشن شدن موضوع، نحوه پیشنهاد خودرو توسط هوش مصنوعی را مثال زد؛ در این سناریو، مدل هوش مصنوعی برند Audi را به عنوان گزینه برتر به کاربر توصیه می‌کند، اما لینک‌های ارجاع داده شده در پاسخ، مربوط به وب‌سایت‌ها و مجلات تحلیلی ثالث هستند. در چنین شرایطی، نمایه‌ای که تنها بر ارجاعات دامنه Audi تمرکز دارد، اصل توصیه صورت‌گرفته را نادیده می‌گیرد.

کاپر در این باره گفت:

«ارجاع‌ها دارای آدرس وب (URL) هستند که داده‌های تاکتیکی ارزشمندی محسوب می‌شوند، اما نباید به شاخص کلیدی عملکرد (KPI) اصلی شما تبدیل شوند. در مقابل، این اشاره‌ها هستند که موجودیت‌های برند (Entities) را در بر می‌گیرند.»

بر این اساس، توصیه می‌شود مدیران بازاریابی به جای فرض اینکه دامنه وب‌سایت تمامی ارزش‌های خلق‌شده را ثبت می‌کند، موجودیت‌های برند و زیربرندهای مرتبط خود و رقبا را به‌دقت تعریف و رهگیری کنند تا امکان مقایسه‌ای سنجیده فراهم شود.

نمونه‌گیری از پرامپت‌ها و شرایط جمع‌آوری داده‌ها

تفاوت در پاسخ‌های ارائه‌شده به یک دستور متنی (Prompt) ثابت، یکی از چالش‌های فنی در اندازه‌گیری میزان دیده شدن در هوش مصنوعی است. مدیر استراتژی شرکت STAT این نوسانات را نه یک مانع غیرقابل حل، بلکه یک مسئله نمونه‌گیری (Sampling) می‌داند که مشابه با نتایج وابسته به موقعیت جغرافیایی و نوع دستگاه در سئوی سنتی است. به باور وی، هدف سیستم‌های ارزیابی نباید بازتولید دقیق گفتگوهای تک‌تک کاربران باشد، بلکه باید نمونه‌گیری جامع و منطبق با سناریوهای واقعی صورت گیرد تا الگوهای کلی شناسایی شوند.

کاپر هشدار داد که وارد کردن ساده فهرست کلمات کلیدی به ابزارهای رهگیری پرامپت کافی نیست. او پیشنهاد کرد که پرسش‌های بخش «مردم همچنین می‌پرسند» (People Also Ask) در گوگل می‌تواند نقطه آغاز مناسبی برای طراحی پرامپت‌ها باشد و در ادامه باید پرسونای مخاطب، محل جغرافیایی، بودجه و نیازهای کاربران در نظر گرفته شود. علاوه بر این، وی تاکید کرد که برای جمع‌آوری پاسخ‌ها باید از رابط کاربری وب (Web Interface) استفاده شود، زیرا پاسخ‌های دریافت شده از طریق رابط برنامه‌نویسی کاربردی (API) ممکن است با آنچه کاربران واقعی در مرورگر مشاهده می‌کنند تفاوت داشته باشد.

شاخص‌های پیشرو و کاربرد عملی ارجاع‌ها

کنار گذاشتن ارجاع‌ها به عنوان KPI اصلی به معنای بی‌توجهی کامل به آن‌ها نیست. صفحات ارجاع داده شده هنگام توصیه برندهای رقیب، منبعی ارزشمند برای شناسایی وب‌سایت‌های نقد و بررسی و نشریات تخصصی مؤثر هستند. تیم‌های بازاریابی می‌توانند با بهبود حضور برند خود در این منابع ثالث، تغییرات بعدی در توصیه‌های هوش مصنوعی را رصد کنند. کاپر سه شاخص پیشرو را برای تکمیل گزارش‌های عملکردی معرفی کرد:

  • حضور (Presence): بررسی اینکه آیا برند در پاسخ هوش مصنوعی یا نتیجه جستجوی مرتبط ظاهر شده است یا خیر.
  • توصیه و بافتار (Recommendation And Context): مشخص کردن اینکه آیا هوش مصنوعی برند را توصیه کرده، صرفاً نام برده یا آن را با نقطه قوت یا ضعف خاصی مرتبط ساخته است.
  • برجستگی در صفحه نتایج (SERP Prominence): میزان فضای اشغال‌شده و محل قرارگیری نتیجه در صفحه؛ کاپر نمونه‌هایی را نشان داد که در آن‌ها رتبه پایین‌تر اما بالاتر از خط دید (Above the fold) قرار گرفته و رتبه بالاتر به بخش پایین صفحه رانده شده بود.

وی همچنین نسبت به اتکای مطلق به نمره‌دهی احساسات (Sentiment Scores) هشدار داد، چرا که نوسانات شدید در این نمودارها ممکن است ناشی از بزرگ‌نمایی تفاوت‌های جزئی در پاسخ‌های خنثی باشد.

ترکیب داده‌های نظرسنجی با مدل‌های تحلیل ترافیک

در بخش پرسش و پاسخ این وبینار، لورن بیکر (Loren Baker)، مؤسس Search Engine Journal، مسئله اتصال این میزان از دیده‌شدن به مسیر تصمیم‌گیری مشتری را در شرایطی که مدل‌های نسبت‌دهی چندکاناله توانایی رصد مراحل اولیه را ندارند، مطرح کرد. کاپر در پاسخ، بر ترکیب شواهد گوناگون به جای اتکای محض به یک مدل تحلیلی تاکید کرد.

وی پیشنهاد کرد که داده‌های حاصل از نظرسنجی‌های پس از خرید (Post-purchase Surveys) که در آن مشتریان به نقش توصیه‌های هوش مصنوعی در کشف یا انتخاب برند اشاره می‌کنند، به عنوان یک بعد (Dimension) وارد ابزارهای تحلیلی شوند. او همچنین یادآور شد که ترتیب نمایش گزینه‌ها در نظرسنجی‌ها باید به گونه‌ای مدیریت شود که از ایجاد انحراف به نفع نخستین گزینه جلوگیری شود.