موتورهای هوش مصنوعی اکنون بسیار پیش از آنکه مشتریان به وبسایت برندها برسند، بر تصمیمات خرید آنها تأثیر میگذارند. این پدیده، محدودیتهای جدی مدلهای سنتی اتریبیوشن (Attribution Models) یا همان مدلهای انتساب را آشکار کرده است. با توجه به اینکه ابزارهایی مانند ChatGPT بیش از ۹۰۰ میلیون کاربر فعال هفتگی دارند و Google AI Overviews ماهانه به بیش از ۲.۵ میلیارد کاربر خدماترسانی میکند و نتایج آن در تقریباً نیمی از جستجوهای گوگل ظاهر میشود، برندها با واقعیت جدیدی روبرو هستند. بررسیها نشان میدهد برندهایی که در توصیههای ChatGPT ظاهر میشوند، ۲.۵ برابر بیشتر از سایر برندها احتمال دارد که ظرف هفت روز آینده شاهد بازدید از وبسایت خود باشند. این تغییرات ساختاری، بازاریابان را ناگزیر میسازد تا از تکیه بر یک منبع واحد حقیقت (Single Source of Truth) به سمت ایجاد یک سلسلهمراتب از شواهد (Hierarchy of Evidence) حرکت کنند.
چالش کشف پاییندستی هوش مصنوعی و محدودیتهای اتریبیوشن سنتی
واقعیت جدید برای برندها این است که موتورهای هوش مصنوعی پیش از ورود کاربران به وبسایت، تصمیمات خرید آنها را هدایت میکنند. این پدیده که تحت عنوان «کشف پاییندستی هوش مصنوعی» (Downstream AI Discovery) شناخته میشود، ترافیک سنتی و مدلهای انتساب را ناقص و در برخی موارد گمراهکننده کرده است. ابزارهای اتریبیوشن ممکن است موفقیت یک کانال مانند جستجو را برجسته کنند و پیشنهاد افزایش بودجه در آن بخش را بدهند، در حالی که تأثیر واقعی و پنهان در مراحل اولیه توسط موتورهای هوش مصنوعی اعمال شده است.
در همین راستا، اتحادیه تبلیغات تعاملی (IAB) به تازگی دستورالعملهای استاندارد جدیدی را برای ردیابی میزان دیده شدن برندها در پلتفرمهای کشف مبتنی بر هوش مصنوعی تحت عنوان «اندازهگیری میزان دیده شدن در عصر هوش مصنوعی» (Measuring Visibility in the AI Era) معرفی کرده است. این چارچوب به سازمانها کمک میکند تا با اطمینان، روشهای اندازهگیری خود را از طریق یک سلسلهمراتب از معیارهای مشترک برای دیده شدن در هوش مصنوعی و استانداردهای جهتدار ارزیابی کیفیت دادهها بسنجند. اگرچه برندها باید خود را با این تغییرات تطبیق دهند، اما واقعیت این است که هوش مصنوعی صرفاً محدودیتهای ذاتی اتریبیوشن را که از روزهای نخستین موتورهای جستجو وجود داشت، آشکارتر کرده است. مدلهای انتساب آخرین کلیک (Last-Touch Attribution) و انتساب چندگانه (Multi-Touch Attribution) با وجود کاربرد در بهینهسازی سیستم، هرگز تصویر کاملی از چرایی خرید مشتری ارائه ندادهاند.
گذار به سلسلهمراتب شواهد: ارکان سنجش تأثیر هوش مصنوعی
برای غلبه بر این چالش، بازاریابان باید تصویر تأثیرگذاری هوش مصنوعی را با استفاده از سیگنالهای متعدد بازسازی کنند. این رویکرد نیازمند ترکیب ابزارها و روشهای مختلف برای ارزیابی دقیقتر است:
- اندازهگیری میزان دیده شدن در هوش مصنوعی: برندها باید مجموعهای از پرسشها و پرامپتهای کلیدی را که ممکن است کاربران از پلتفرمهایی مانند ChatGPT، Gemini و Perplexity بپرسند، تعریف کنند. ردیابی حضور برند، میزان برجستگی، بافتار حضور و مقایسه با رقبا در کنار شاخصهایی چون سهم صدا و لحن اشارات در این بخش قرار میگیرد.
- تحلیل سیگنالهای رفتاری پاییندستی: دیده شدن به معنای اثرگذاری نهایی نیست. بازاریابان باید حجم جستجوی برند (Branded-Search)، رفتار جستجوی ارگانیک و پولی، ترافیک مستقیم، تعامل در سایت، الگوهای تبدیل و جستجوها در خردهفروشیها یا فروشگاههای واسط را به عنوان سیگنالهای مکمل بررسی کنند.
- استفاده از اتریبیوشن برای بهینهسازی عملیاتی: ابزارهای اتریبیوشن همچنان برای درک رفتارهای قابل مشاهده ارزشمند هستند. استفاده از دادههای GA4 و پلتفرمهای جستجو برای بهینهسازی کمپینها ضروری است، اما نباید تصور کرد پلتفرمی که تبدیل نهایی را ثبت کرده، تمام ارزش مسیر خرید را خلق کرده است.
- آزمونهای افزایشیافتگی (Incrementality Testing): برای حرکت از همبستگی به سمت علیت، استفاده از گروههای کنترل، عدم نمایش جغرافیایی یا مخاطب و مقایسه میان بازارها یا دورههای زمانی مختلف به برندها کمک میکند تا دریابند بدون فعالیتهای بازاریابی چه اتفاقی رخ میداد و تفاوت میان خلق تقاضا و جذب آن را درک کنند.
- مدلسازی آمیخته بازاریابی (MMM): برای تبلیغدهندگان بزرگتر، مدلسازی آمیخته بازاریابی با استفاده از دادههای تاریخی انباشته، سهم سرمایهگذاریهای مختلف را در فروش با در نظر گرفتن متغیرهایی مانند فصل، قیمتگذاری، تخفیفها و شرایط اقتصادی برآورد میکند.
تمایز میان خلق تقاضا و جذب تقاضا
تفاوت میان خلق تقاضا (Creating Intent) و جذب تقاضا (Capturing Intent) همواره یک چالش دیرینه در بازاریابی عملکردی (Performance Marketing) بوده است. کانالهایی که به مرحله تبدیل نزدیکتر هستند، دادههای فراوانی تولید میکنند و اثربخشتر به نظر میرسند، در حالی که فعالیتهای بالادستی نادیده گرفته میشوند. هوش مصنوعی این مشکل را تشدید کرده است. پرسش اصلی بازاریابان اکنون باید از «کدام کانال این تبدیل را ایجاد کرد؟» به «کدام ترکیب از فعالیتها در حال خلق و جذب تقاضا هستند و هر کدام چه ارزش افزودهای ایجاد میکنند؟» تغییر یابد. برندهای موفق در این عصر جدید، کسانی نخواهند بود که فرمولی جادویی برای انتساب مستقیم هر توصیه هوش مصنوعی به یک خرید پیدا کنند، بلکه برندهایی هستند که مرز میان خلق تقاضا و جذب آن را بهتر درک کرده و رابطه میان این دو را اندازهگیری میکنند.