Először azt döntsd el, melyik kérdésre keresel választ

A marketinges általában azt szeretné látni, mennyi látogatót hozott a ChatGPT vagy valamelyik másik AI-kereső. Az értékesítési vezető más kérdést tesz fel: hány olyan beszélgetés indult, amelynek volt valós problémája, megfelelő költségkerete és belátható döntési ideje? A cégvezetőt végül az érdekli, lett-e ebből nyereséges munka. Ezek egymásra épülő kérdések, de eltérő adatot és eltérő megfigyelési időt igényelnek. Ha egyetlen „AI-konverzió” számba sűrítjük őket, pont az összefüggés vész el.

A mérési terv elején ezért legyen három külön állítás. Az első a megfigyelt érkezés: a rendszer egy azonosítható hivatkozóval vagy kampányjelöléssel látott látogatást. A második a közreműködés: az érdeklődő elmondása szerint AI-t is használt a választáshoz. A harmadik az üzleti eredmény: a vállalat elfogadott definíciója szerint megfelelő ajánlatkérés vagy szerződés keletkezett. Ugyanaz az ember mindhárom csoportba bekerülhet, de az egyik csoportból nem következik automatikusan a másik.

A cél lehet például az, hogy egy negyedév alatt megértsük, milyen kérdések után érkeznek jól felkészült beszerzők. Ehhez a kérdésfeltevés felidézése és az ajánlatkérés minősége fontosabb, mint egy látványos napi forgalmi grafikon. Ha a cél a technikai mérés javítása, akkor viszont a forrásfelismerés, a munkamenetek és az űrlapbeérkezések összekapcsolása az első feladat. A jelentés címe mondja ki, melyik célt szolgálja az elemzés.

Mit bizonyít a hivatkozó, és mi marad láthatatlan?

A böngésző által továbbított hivatkozó hasznos jelzés, de nem teljes útlevél az ember döntési folyamatához. A Referrer-Policy szabályozza, milyen hivatkozási információ kerülhet a kérésbe; a beállítások és a környezet miatt a fogadó oldal különböző részletességű adatot kaphat. Egyes érkezéseknél tehát felismerhető a szolgáltatás domainje, máskor nem áll rendelkezésre ilyen jel. Az is előfordulhat, hogy valaki kimásolja a címet, később beírja, vagy egy kolléga által továbbküldött linket használ.

Ebből két gyakorlati következmény adódik. A felismert AI-hivatkozóval érkező látogatásokat nyugodtan nevezhetjük megfigyelt AI-forgalomnak, ha a besorolás dokumentált. A közvetlen forgalom növekedését azonban önmagában nem szabad AI-forgalomként feltüntetni. A „direct” kategória mérési hiányokat és más érkezési módokat is összefoghat. Egy ismeretlen eredetű látogatás attól még ismeretlen marad, hogy éppen AI-kampány futott a közelmúltban.

A technikai forrás mellé érdemes bizonyossági osztályt rendelni. A konkrét felismerhető hivatkozó erősebb jel, a felhasználó válasza más típusú bizonyíték, a kampány utáni általános növekedés pedig legfeljebb hipotézis. Ezt nem kell minden képernyőn bonyolult jelölésekkel megjeleníteni. Elég egy világos riportmagyarázat és olyan adatmodell, amelyből később is visszakereshető, miért került egy rekord az adott csoportba.

Különítsd el a robotot az érdeklődőtől

Egy keresőrobot kérése nem látogató és különösen nem leendő ügyfél. Az OpenAI hivatalos dokumentációja külön szerepet ír le az OAI-SearchBot, a GPTBot és a felhasználói műveletekhez kapcsolódó ChatGPT-User számára. A naplóban megjelenő botkérés ezért hozzáférési jelzésként értelmezhető, nem emberi érdeklődési eseményként. A „naponta száz AI-látogatás” megfogalmazás félrevezető volna, ha a szám valójában automatizált lekéréseket takar.

A szervernapló és a webanalitika külön nézetet igényel. Az előbbi megmutathatja, milyen kérést szolgált ki a rendszer; az utóbbi a mérőkód által látott használati eseményeket foglalhatja össze. A kettő közötti eltérésnek számos oka lehet. A marketingriportba csak meghatározott emberi használati események kerüljenek, a botforgalom pedig technikai mellékletbe vagy hozzáférési ellenőrzésbe. Így egy feltérképezési hullám nem okoz hamis sikert az üzleti műszerfalon.

A besorolási szabályokat is verziózni kell. Ha egy új szolgáltatást holnaptól AI-forrásként ismer fel a rendszer, az előző hónappal való összehasonlítás megváltozik. A grafikonon legyen jelölés a szabályváltozásnál, és ha lehetséges, ugyanazzal a definícióval számoljuk újra a korábbi időszakot. Ellenkező esetben növekedésként ünnepelhetjük azt, hogy egyszerűen pontosabban címkéztük az adatokat.

Egy kicsi, de használható adatmodell

A legtöbb cégnek nincs szüksége külön adatplatformra az első értelmes vizsgálathoz. Szüksége van viszont következetes rekordokra. Az ajánlatkérés kapjon egy belső azonosítót, amelyhez a szükséges forrásadatok és az értékesítési állapot kapcsolódhatnak. Az analitikai eseményben ne jelenjen meg az érdeklődő neve, e-mail-címe vagy az űrlap szabad szöveges tartalma. Az értékesítési részletek maradjanak az arra kijelölt, megfelelően kezelt rendszerben.

A mezők mellett legyen definíció és felelős. Mit jelent például az, hogy releváns érdeklődő? Elég, ha céges e-mail-címet adott meg, vagy ténylegesen a szolgáltatás célcsoportjába tartozik? A minősítésnél vizsgált problémának, földrajzi területnek és szolgáltatási igénynek legyen egyértelmű leírása. A definíció nélküli adat oszlopokba rendezve sem válik összehasonlíthatóvá.

Egy kicsi, de használható adatmodell
AdatcsoportMire használható?Mire nem elegendő?
Megfigyelt érkezési forrásFelismert AI-hivatkozások elkülönítéseTeljes döntési út bizonyítása
Első ismert belépőoldalÉrkezési tartalmak elemzéseA legelső márkatalálkozás igazolása
Érdeklődő saját válaszaFelidézett tájékozódás megértéseHibátlan, teljes előzménytörténet
Minősítési eredményÜzleti alkalmasság összevetéseCsatorna okozati hatásának bizonyítása
Lezárt üzleti eredményHosszabb távú érték értékeléseMég nyitott ügyek végleges megítélése

Kérdezz úgy, hogy ne sugalmazd a választ

Az „Ugye a ChatGPT ajánlott minket?” típusú kérdés alkalmatlan komoly mérésre. A válaszoló alkalmazkodhat a megfogalmazáshoz, vagy egyszerűen a legutolsó emlékét mondja vissza. Jobb egy nyitott kérdés: hogyan állította össze a megkeresett cégek listáját? Ezt követheti több választ is megengedő lista, amelyben a kereső, a szakmai ajánlás, a korábbi kapcsolat, a közösségi felület és az AI-eszköz azonos súllyal szerepel.

Az értékesítő ezután röviden tisztázhatja, mire használta az érdeklődő az AI-t. Ötleteket gyűjtött? Szempontokat fogalmazott? Konkrét beszállítókat keresett? Egy már meglévő ajánlatot értelmezett? Ezek nagyon eltérő beavatkozási pontok. Az utolsó esetben az AI nem feltétlenül új ügyfelet hozott, mégis fontos szerepe lehetett a döntés megértésében. Ezt asszisztált használatként érdemes rögzíteni.

A válasz legyen opcionális, és ne akadályozza az ajánlatkérést. Nem indokolt hosszú kérdőívet tenni egy sürgős hibabejelentés elé. A részletes beszélgetés történhet később, néhány kiválasztott érdeklődővel. Az interjúk célja a folyamat megértése, nem a forgalmi riport minden egyes ismeretlen rekordjának utólagos AI-kategóriába sorolása. A hiányzó válasz külön kategóriaként maradjon meg.

A minőséget előre, a forrástól függetlenül határozd meg

Ha a csapat tudja, melyik érdeklődő érkezett az éppen népszerű új csatornából, könnyen kedvezőbben értékeli a beszélgetést. Ezért érdemes egyszerű, minden forrásra azonos minősítési rendszert használni. Egy vállalat például külön rögzítheti az igény illeszkedését, a megvalósíthatóságot, a döntési jogosultság tisztázottságát és a következő érdemi lépést. A puszta kedvesség vagy hosszú telefonbeszélgetés ne legyen minőségi jel.

A pontozás mellé kell rövid szöveges indok. Az „árérzékeny” címke például túl tág: lehet, hogy az érdeklődő megfelelő célcsoport, csak a weboldal téves költségvárakozást alakított ki. Máskor valóban nem illik a szolgáltatáshoz. Az első helyzet tartalmi javítási lehetőség, a második célzási kérdés. Egyetlen elutasítási kód összemosná a két problémát, és rossz optimalizálási irányt adna.

A minősítést időnként két munkatárs is végezze el ugyanazon néhány, személyes adatoktól megtisztított példán. Ha rendszeresen más eredményre jutnak, nem az AI-forgalom összehasonlítása a következő feladat, hanem a definíció pontosítása. A jó mérőrendszerhez nem feltétlenül kell összetett pontképlet. Az kell, hogy két ember nagyjából ugyanazt értse a rögzített állapotokon.

A kis minta külön riportnyelvet igényel

Tegyük fel, hogy egy kizárólag szemléltető vállalati példában egy hónap alatt tizenkét azonosítható AI-érkezésből három ajánlatkérés lett. Ebből nem következik, hogy ez a csatorna tartósan huszonöt százalékos ajánlatkérési aránnyal működik. Kevés eseménynél egyetlen új ügy is erősen megváltoztatja az arányt. A pontosnak tűnő százalék ilyenkor több magabiztosságot közvetíthet, mint amennyit a megfigyelés indokol.

A jelentés mutassa a darabszámot, az időszakot, a nyitott ügyeket és a hiányzó adatot. A kis mintát ne próbáljuk heti ingadozásokkal részletes történetté alakítani. Inkább több hónap azonos definícióval rögzített adatait és a konkrét érdeklődési témákat vizsgáljuk. A kvalitatív tanulság ilyenkor gyakran erősebb: például több érdeklődő ugyanazt a nyilvánosan nem tisztázott szolgáltatási határt kérdezte meg.

Az összehasonlításnál a szezon, az ügyféltípus és a belépőoldal is számít. Ha az AI-ból főleg márkanevet kereső, korábban ajánlást kapott emberek jönnek, a magas lezárási arány nem hasonlítható közvetlenül egy általános ismeretterjesztő kereséshez. A csatorna hatásának erősebb vizsgálatához külön kutatási terv kellene. A napi vállalati riport feladata többnyire az átlátható megfigyelés, nem az okság bizonyítása.

Az időablak legyen összhangban az értékesítéssel

Egy rövid döntésű szolgáltatásnál néhány hét alatt látható lehet az eredmény. Egy összetett B2B-beszerzés hónapokig is nyitott maradhat. Ha a legfrissebb AI-érdeklődőket egy régebbi keresőforgalmi csoport lezárt eredményeihez hasonlítjuk, a friss csoport mesterségesen gyengének tűnik. Az összevetést ezért a kapcsolatfelvétel időpontja szerinti csoportokkal és azonos megfigyelési idővel érdemes elvégezni.

A riportban legyen külön sor a még el nem bírált és a ténylegesen elveszített ügyeknek. A „nem lett belőle szerződés” állítás nem pontos, ha a tárgyalás még zajlik. Ugyanígy az előzetesen ígéretesnek látszó ajánlatkérést sem szabad már árbevételként kezelni. A várható érték használható belső tervezésre, de a feltételezéseit és a ténylegesen lezárt értéktől való különbségét világosan jelezni kell.

A visszatérő ügyfelek és a korábban már ismert érdeklődők kapjanak külön jelölést. Egy régi partner új projektje értékes, de nem ugyanazt bizonyítja, mint egy új piaci kapcsolat. Az AI segíthetett a megoldás tisztázásában, miközben a bizalmat évek korábbi együttműködése alapozta meg. A megőrzött előzmény megakadályozza, hogy az utolsó látott érkezés magához vonzza az egész kapcsolat érdemét.

Adatvédelem és üzleti hasznosság együtt tervezhető

A mérési lelkesedés könnyen oda vezet, hogy a cég minden beszélgetést és minden űrlapmezőt meg akar őrizni. A GDPR adatminimalizálási és célhoz kötöttségi elvei ennél fegyelmezettebb tervezést kívánnak. A szükséges adatkör, a cél, a jogalap, a hozzáférés és a megőrzés meghatározása a bevezetés része. Az, hogy egy adat érdekes lehetne egy későbbi prezentációhoz, önmagában nem indokol korlátlan gyűjtést.

Nem szükséges bekérni az érdeklődő teljes AI-beszélgetését ahhoz, hogy megértsük a tájékozódását. Elég lehet egy önkéntesen elmondott kérdéstípus vagy a döntési probléma összefoglalása. Egy teljes beszélgetés harmadik személyek adatait, belső üzleti információkat vagy más érzékeny tartalmat is tartalmazhat. Ha kutatási célból mégis ilyen anyagra van szükség, annak külön, megfelelően megtervezett folyamata legyen.

A CRM-hozzáférést szerepkörhöz kell kötni. A szerkesztőnek általában az összesített témák és a személyes adatoktól megtisztított tanulságok elegendők; nem kell látnia minden ajánlatkérő nevét és költségkeretét. A műszerfal kis elemszámú csoportjainál arra is figyelni kell, hogy a belső olvasó ne tudjon könnyen visszaazonosítani egyetlen ügyfelet. A hasznos mérés nem követeli meg a korlátlan láthatóságot.

A mérésből tartalmi javítás legyen

Az AI-forgalmi elemzés legerősebb eredménye gyakran nem egy új csatorna rangsora, hanem egy hiányzó magyarázat felismerése. Ha az érdeklődők visszatérően túl alacsony költséget várnak, nézzük meg, egyértelmű-e a szolgáltatás terjedelme és az árat befolyásoló tényezők. Ha olyan feladatot kérnek, amelyet a cég nem vállal, pontosítani kell a szolgáltatási határokat. Ha mindig ugyanazt az igazolást kérik, annak nyilvánosan ellenőrizhető változata lehet hasznos.

A változtatás előtt rögzítsük, melyik félreértést szeretnénk csökkenteni. Ezután javítsunk egy meghatározott oldalt, és figyeljük az oda kapcsolódó későbbi beszélgetéseket. Ne állítsuk, hogy a módosítás biztosan megváltoztatja az AI válaszait. A saját oldal pontossága és az érdeklődő jobb tájékoztatása önálló érték, akkor is, ha a külső szolgáltatásban való megjelenés változékony marad.

A havi megbeszélés végén legfeljebb néhány konkrét intézkedés szülessen: felelős, érintett oldal, bizonyítandó javulás és felülvizsgálati időpont. A „több GEO-tartalom kell” nem végrehajtható feladat. Az viszont igen, hogy a következő szolgáltatási oldalon tisztázzuk a bevezetéshez szükséges ügyféloldali kapacitást, mert a legutóbbi releváns érdeklődők közül többen ezt nem látták előre. Így a mérés közvetlenül segíti a jobb döntéseket.

Bevezetési sorrend túlméretezett rendszer nélkül

Elsőként ellenőrizzünk néhány saját tesztérkezést és űrlapot, hogy a megfigyelt forrás és a belső azonosító megfelelően kapcsolódik-e. Ezután írjuk le a minősítési szabályt, majd tanítsuk meg az értékesítőket az opcionális tájékozódási kérdésre. Csak ezután érdemes részletes műszerfalat készíteni. A sorrend azért számít, mert egy hibás alapmérésből épített szép grafikon később nehezebben kérdőjelezhető meg.

A működő rendszer attól lesz hiteles, hogy a bizonytalanságot is megőrzi. Lehet, hogy néhány hónap után csak annyi állítható biztosan: vannak AI-t is használó érdeklődők, akik meghatározott dokumentumokat keresnek a döntésükhöz. Ez már elég lehet egy jó fejlesztési döntéshez. A csatorna szerepének felnagyítása nélkül is lehet javítani azt, amit a leendő ügyfél a weboldalon valóban megtalál és megért.

  • Külön mutatjuk a robotkéréseket, az emberi érkezéseket és az üzleti ügyeket.
  • Megőrzünk ismeretlen forrású és hiányzó válaszú kategóriát.
  • Azonos minősítési szabályt használunk minden csatornára.
  • Látható a megfigyelési idő, a mintanagyság és a nyitott ügyek száma.
  • A személyes részletek helyett összesített tanulságokat adunk a tartalomcsapatnak.
  • A következő mérési körnek konkrét üzleti kérdése és felelőse van.

Források és további olvasnivaló

A cikk tájékoztató jellegű szakmai útmutató. Az említett példák szemléltető helyzetek; a saját vállalkozásodnál a konkrét adatok és a működési feltételek alapján érdemes dönteni.

Van egy hasonló feladatod?

Beszéljük át, hogyan ültethető át a gyakorlatba.

Projektet indítok

Kapcsolódó szolgáltatás: GEO és AI-láthatóság ↗