STAT предложил мерить эффективность ИИ-поиска упоминаниями: клики теряют продажи без ссылок

Раньше эффективность поиска мерили переходами: кликнул, пришёл, купил. На вебинаре «Тактические решения для главных проблем измерения эффективности ИИ-поиска» Каппер объяснил, почему поиск без перехода (zero-click, когда человек получает ответ прямо на странице и никуда не кликает) создаёт проблему атрибуции, а не только проблему трафика. Атрибуция здесь означает умение связать покупку с тем, что к ней привело.

Почему покупка есть, а в отчёте её нет?

Сценарий Каппера выглядит так. ИИ-ответ советует ваш продукт без ссылки на сайт. Покупатель потом ищет бренд по названию, заходит напрямую или покупает офлайн.

Для бизнеса такая продажа ценна, но аналитика не связывает её с тем самым ответом. Каппер предлагает отслеживать видимость в ИИ-ответах рядом с бизнес-результатами. Он не ждёт, что клики опишут весь путь клиента.

Ключевое разделение у него такое: упоминание бренда и цитирование источника нужно считать отдельно. В примере с подбором автомобиля ИИ рекомендовал Audi, а ссылки вели на сторонние сайты. Отчёт, который проверяет только ссылки на домен Audi, саму рекомендацию пропустил бы.

Упоминания честнее кликов: какие доводы за?

Сторонники подхода опираются на несколько аргументов из выступления Каппера:

• Рекомендация и есть результат. Ссылки лишь подсказывают, какие источники могли сформировать ответ.
• Разброс ответов можно измерить. Один и тот же промпт даёт разные ответы, и Каппер считает это задачей выборки. SEO-специалисты давно отслеживали выдачу отдельно по городам и устройствам, логика здесь та же.
• Ссылки полезны как инструмент расследования. Страницы, которые ИИ цитирует, когда советует конкурентов, показывают сторонние площадки: сайты отзывов, отраслевые издания. Над присутствием там можно работать и смотреть, меняются ли рекомендации.
• Позиция в выдаче обманчива. Каппер показал примеры, где результат ниже по рейтингу виден на первом экране, а более высокий вытеснен вниз.

Отдельно он советует считать три опережающих показателя: присутствие бренда в ответе, характер упоминания (рекомендует ли ИИ, просто называет или связывает с сильной стороной или проблемой) и заметность в обычной поисковой выдаче.

Да, у цитирований есть адреса. Это всё ещё ценные тактические данные, но я не думаю, что они должны быть вашим KPI. А у упоминаний есть сущности. : Том Каппер, директор по стратегии поисковых продуктов STAT

KPI здесь означает ключевой показатель эффективности, ту цифру, по которой отчитываются. Под сущностями Каппер понимает бренд и его суббренды как объекты, которые ИИ называет по имени.

Какие честные доводы против?

Слабые места подхода Каппер признаёт сам, и они серьёзнее, чем кажется на слайде.

Маленький набор промптов даёт неустойчивую картину. Если вы годами отслеживали сотни ключевых запросов, десяток вопросов к нейросети ничего не докажет. Просто загрузить список ключевых слов в трекер Каппер не советует: вопросы должны звучать так, как их задают живые люди.

Среда сбора тоже влияет на результат. STAT, по словам Каппера, собирает ответы через веб-интерфейс, потому что ответы через API (программный доступ к модели в обход обычного сайта) могут отличаться от того, что видит пользователь.

Оценка тональности (автоматическая пометка «позитив, нейтрально, негатив») ненадёжна. График, который резко скачет между тремя состояниями, может раздувать мелкие различия в по сути нейтральных ответах.

Опросы покупателей тоже искажают картину. Если варианты ответа всегда идут в одном порядке, первый получает преимущество. Многоканальная атрибуция (multi-touch attribution, когда продажу раскладывают по всем касаниям клиента) раннее знакомство через ИИ просто не видит. Каппер прямо говорит, что его метод не восстанавливает путь каждого человека и не даёт права записывать весь прямой трафик на счёт ИИ.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Спросите нейросеть о своей теме так, как спросил бы читатель: с бюджетом, городом, задачей. Записывайте, называет ли она вас или конкурентов, и повторяйте те же вопросы раз в месяц. Из доступных в РФ аналогов для такой проверки подойдут YandexGPT и GigaChat.

Маркетологу. Разделите в отчёте упоминания и цитирования. Зафиксируйте список своих брендов, суббрендов и конкурентов, набор промптов и среду сбора до того, как сравнивать месяцы. Иначе вы сравниваете разные эксперименты.

Предпринимателю. Добавьте в опрос после покупки вариант «посоветовала нейросеть» и перемешивайте порядок ответов. Каппер предлагает передавать эти ответы в аналитику как отдельный параметр и сравнивать, что говорит клиент и какой канал засчитала система.

Ждать единой метрики, которая свяжет ИИ-ответ с покупкой, не стоит. Скорее отчёты станут составными: доля упоминаний, работа с площадками, которые цитирует ИИ, и ответы самих покупателей. Выиграют те, кто начнёт собирать эти данные раньше, чем конкуренты поймут, куда уходят их клиенты.