Pemantauan trafik LLM: tiga isyarat (latihan, petikan, rujukan)
Published: May 1, 2026
Apa sebenarnya trafik LLM
Trafik LLM sering dibincangkan sebagai satu nombor, dan rangka kerja tersebut meninggalkan banyak di atas meja. Di tapak anda sendiri, aktiviti AI sebenarnya muncul sebagai tiga isyarat berbeza yang anda boleh ukur secara langsung, setiap satu dihasilkan oleh jenis tingkah laku AI yang berbeza dan setiap satu menunjuk ke kerja yang berbeza. Isyarat keempat, Share of Voice, diukur di luar tapak. Ia adalah dimensi prestasi yang kurang boleh dipercayai, tetapi ia adalah pendekatan yang kebanyakan pasukan gunakan pada masa ini untuk pandangan luar tapak. Memandangkan pasukan memberi tumpuan kepada pertumbuhan saluran AI, kami percaya jenama harus berorientasi mengikut model tiga isyarat ini untuk mengukur prestasi.
Setiap isyarat berbaloi untuk dijejak secara berasingan, disusun mengikut tempat pengguna berada apabila setiap satu berlaku: masa latihan sebelum mana-mana pengguna terlibat, perbualan langsung di mana pengguna sedang bertanya soalan sekarang, dan klik di mana pengguna berada di tapak anda. Model tiga isyarat ini menangkap bagaimana AI sebenarnya berinteraksi dengan tapak, iaitu apa yang penerbit dan operator e-dagang perlukan untuk membuat keputusan. Kami telah membina AI Channel Analytics berdasarkan model yang sama.
Sebaik sahaja anda berfikir dalam tiga isyarat dan bukannya satu nombor, soalan yang pasukan paling kerap tanya, bagaimana untuk memantau trafik LLM, apa yang dimiliki papan pemuka, dan nombor mana yang paling berguna, menjadi lebih mudah untuk dijawab.
Mengapa GA4 dan alat analitik sebelah pelanggan lain mengalami kesukaran dengan ini
Sebelum kita masuk ke isyarat, satu kata cepat tentang apa yang alat analitik sedia ada boleh dan tidak boleh tunjukkan. GA4 adalah alat dominan, dan ia mempunyai had yang terkenal apabila ia berkaitan dengan trafik AI. Had yang sama digunakan untuk Adobe Analytics, Mixpanel, Amplitude, Heap, Plausible, Fathom, Matomo dan mana-mana alat lain yang bergantung pada tag JavaScript yang dicetuskan dalam pelayar sebenar. Sebabnya adalah seni bina berbanding boleh dikonfigurasi, jadi mencuba alat lain cenderung membawa anda ke tempat yang sama.
Kami telah meliputi gambaran lengkap untuk GA4 secara khusus dalam Trafik LLM ialah titik buta dalam analitik anda, jadi inilah versi pendek. Setiap isyarat berinteraksi dengan analitik sebelah pelanggan secara berbeza.
- Rangkak latihan tidak kelihatan kerana bot tidak melaksanakan JavaScript. Pengambilan latihan OpenAI, Anthropic, dan Google AI tidak mencetuskan tag sebelah pelanggan secara reka bentuk. GA4, Adobe, Mixpanel, Amplitude, Heap dan alat mengutamakan privasi seperti Plausible dan Fathom semuanya berkongsi jurang ini kerana tiada satu pun daripada mereka melog permintaan melainkan pelayar menjalankan tag mereka.
- Petikan perbualan berlaku sepenuhnya di luar tapak anda. AI menarik halaman anda di sebelah pelayan bagi pihak pengguna dan memaparkan jawapan dalam sembang. Tiada pelayar dibuka, tiada peristiwa analitik dipicu, jadi aktiviti ini tidak muncul dalam mana-mana alat sebelah pelanggan.
- Rujukan pengguna sebenar sebahagiannya kelihatan merentasi setiap alat sebelah pelanggan, tetapi biasanya kurang dikira sebanyak 2,5x hingga 5x. Apl mudah alih LLM memaparkan pautan keluar dalam WebView terpencil yang menanggalkan perujuk. Gemini dan Claude tidak menghantar isyarat atribusi pada kebanyakan platform yang diuji. Gambaran Keseluruhan AI Google dikumpulkan di bawah carian organik, yang menjadikannya sukar untuk dipisahkan. Pengumpulan yang sama muncul dengan cara yang sama sama ada laporan yang anda baca berada dalam GA4, Adobe, atau alternatif mengutamakan privasi.
Penyelesaiannya bukanlah tag yang lebih baik, strategi UTM yang lebih bersih, atau bertukar kepada alat sebelah pelanggan yang berbeza. Penyelesaiannya ialah tangkapan sebelah pelayan di pinggir, diklasifikasikan mengikut ejen pengguna, julat IP yang disahkan, dan DNS terbalik, dan dijahit bersama setiap permukaan AI. Itulah satu-satunya cara untuk melihat ketiga-tiga isyarat sekaligus, dan ia adalah bebas daripada mana-mana alat analitik sebelah pelanggan yang anda terus jalankan untuk trafik anda yang lain.
Isyarat 1: Latihan LLM
Latihan LLM ialah AI membaca jenama dan kandungan anda untuk memberi makan versi seterusnya modelnya. Perangkak latihan dari OpenAI, Anthropic, Google, Common Crawl, dan ByteDance menarik halaman anda pada jadual berterusan, mencerna kandungan, dan menggulungnya ke dalam kitaran latihan seterusnya. Ini adalah asas setiap interaksi seterusnya. Jika model tidak menyerap halaman anda, ia tidak boleh menyebut anda, tidak boleh mengesyorkan produk anda, dan tidak boleh menghantar pengguna kepada anda.
Ini juga ialah isyarat yang GA4 dan setiap alat analitik sebelah pelanggan lain mempunyai keterlihatan sifar. Rangkak latihan hanya kelihatan dalam log permintaan sebelah pelayan anda.
Rangkak latihan AI kini berada pada skala enjin carian
Konteks volum yang kebanyakan pasukan terlepas: Volum rangkak latihan AI di tapak kandungan-kaya yang biasa kini bersaing dengan volum rangkak dari enjin carian terkemuka. Perangkak latihan OpenAI, Anthropic, Google, Common Crawl, dan ByteDance bersama-sama menghasilkan volum permintaan pada urutan magnitud yang sama dengan Google Search dan Bing digabungkan. Pada banyak tapak, pengambilan latihan AI sudah melebihi pengambilan enjin carian dalam kekerapan.
Ini bukan lagi isyarat kecil atau saluran sampingan. Perangkak yang menentukan apa yang alat AI tahu tentang jenama anda tiba pada keamatan yang sama dengan perangkak yang menentukan apa yang Google Search tahu tentang jenama anda selama dua puluh tahun yang lalu.
Apa yang perlu dilihat
Dengan penjejakan yang betul disediakan, isyarat latihan dipecahkan merentasi beberapa dimensi yang penting untuk tindakan:
- Volum harian mengikut enjin AI dalam tetingkap bergulir 30 hari dan sepanjang masa.
- Liputan latihan sebagai peratusan halaman bernilai tinggi di tapak anda, dipecahkan mengikut bahagian.
- Halaman paling diambil dengan pautan keluar, kekerapan menyegarkan, dan permukaan AI mana yang menariknya.
- Ringkasan jenis halaman supaya anda boleh melihat sekilas sama ada AI membaca halaman produk anda, halaman kategori anda, artikel anda, atau ketiga-tiganya.
- Pecahan enjin AI. OpenAI mungkin menguasai sementara latihan AI Google senyap; Anthropic mungkin kekal pada blog anda sementara Common Crawl meliputi katalog.
- Jenis media. Ini ialah dimensi yang kebanyakan pasukan lupa. Lebih banyak mengenainya seterusnya.
Media sebagai data latihan: melangkaui badan artikel
Jurang terbesar dalam pemikiran kebanyakan pasukan ialah latihan bukan sahaja teks. Bot AI juga menarik imej, video, dan audio anda. Setiap satu adalah permukaan latihan yang berasingan, dan setiap satu membawa nilai isyarat yang berbeza.
Dengan penjejakan yang lebih baik disediakan, anda boleh membezakan halaman daripada media bukan halaman untuk melihat apa yang setiap enjin AI sebenarnya menggunakan:
Implikasi praktikal: teks alt anda, transkrip anda, dan skema dalam halaman anda bukan lagi hanya kebersihan SEO. Ia adalah input latihan. Semakin jelas ia, semakin tepat model mewakili jenama dan kandungan anda kepada pengguna masa hadapan. Sisi Shopify cerita ini, di mana suapan produk dan data berstruktur menjadi permukaan latihan, dilindungi dalam Pelan Agentik Shopify: Data Produk Di Luar Kawalan Anda.
KPI yang penting
Soalan yang betul untuk isyarat latihan bukanlah “berapa banyak kita dirangkak” tetapi “adakah kandungan yang betul dirangkak, cukup kerap, oleh enjin AI yang penting”. Metodologi untuk pergi dari log mentah kepada soalan tersebut ada dalam Tingkah Laku Bot AI: Metodologi Analisis Log.
Isyarat 2: Petikan perbualan, lapisan masa nyata
Petikan perbualan ialah AI menarik halaman anda di tengah-tengah sembang untuk menjawab soalan langsung pengguna. Ini ialah pengambilan langsung dari ChatGPT, Claude, dan Perplexity. Setiap pengambilan adalah, mengikut takrifan, momen di mana seseorang bertanya soalan dan model memutuskan halaman anda adalah jawapan terbaik. Ini ialah isyarat niat tertinggi daripada tiga isyarat kerana soalan sedang dijawab sekarang.
Ia juga ialah isyarat yang membuktikan kandungan mana yang sebenarnya gred rujukan dalam pandangan AI. Latihan memberitahu anda apa yang diserap. Petikan memberitahu anda apa yang digunakan.
Apa yang perlu dilihat
Isyarat petikan dipecahkan sepanjang dimensi yang sama dengan isyarat latihan, tetapi makna setiap satu beralih:
- Volum harian pengambilan langsung setiap pembantu. Lonjakan pada halaman tertentu sering berkaitan dengan kitaran berita topikal atau soalan perbandingan baru yang ditanya secara meluas.
- Liputan petikan, bahagian kandungan gred rujukan anda yang telah diambil sekurang-kurangnya sekali dalam tetingkap terakhir.
- Halaman paling diambil dengan pembantu yang mengambilnya. Kejutan di sini adalah peraturan, bukan pengecualian. Halaman yang AI sebut jarang adalah halaman yang anda jangkakan.
- Pecahan permukaan AI. Pembantu yang berbeza mengutamakan kandungan yang berbeza. ChatGPT dan Perplexity cenderung memilih kandungan produk dan rujukan berstruktur; Claude cenderung memilih penulisan ekspositori bentuk panjang.
- Jenis media. Pengambilan petikan langsung kebanyakannya halaman; imej dan video disebut kurang kerap tetapi semakin meningkat apabila jawapan multimodal menjadi biasa.
Mengapa isyarat ini bernilai unik
Petikan langsung adalah perkara yang paling hampir kepada undi keyakinan yang ekosistem AI hasilkan. Ia adalah model yang berkata, di hadapan pengguna sebenar, “halaman ini ialah sumber yang betul untuk soalan ini”. Jika anda hanya menjejak satu isyarat, ini adalah satunya.
Tangkapannya ialah tiada satu pun daripada itu kelihatan kepada GA4 atau alat sebelah pelanggan, kerana pengambilan berlaku di sebelah pelayan dan pengguna tidak pernah mendarat di halaman anda. Satu-satunya cara untuk melihat petikan ialah di pinggir.
Petikan vs. Share of Voice (SOV)
Share of Voice ialah alternatif luar tapak yang kebanyakan pasukan gunakan pada masa ini apabila mereka tidak dapat melihat petikan sebelah pelayan. Ia adalah pengukuran kekerapan jenama anda muncul dalam jawapan AI dalam bakul gesaan perwakilan. Kategori alat yang semakin berkembang, termasuk Profound, Otterly, Peec, Evertune, AthenaHQ, BrandRank.AI, Ahrefs Brand Radar, dan modul AI dalam Semrush dan BrightEdge, menanyakan ChatGPT, Claude, Gemini, dan Perplexity pada skala, mengira sebutan jenama, dan melaporkan bahagian relatif kepada set persaingan.
Ia adalah isyarat arahan yang berguna, tetapi keutamaan kami untuk mengukur prestasi saluran AI ialah isyarat petikan di atas, kerana ia menangkap pengambilan sebenar pada tahap halaman oleh permukaan yang melakukan pengambilan. SOV mempunyai titik buta struktural yang petikan tidak ada.
SOV adalah probabilistik, petikan diperhatikan. Model AI memberi jawapan yang berbeza kepada gesaan yang sama bergantung pada tetapan suhu, konteks perbualan, dan masa hari. Jalankan pertanyaan yang sama dua kali dan anda boleh mendapat dua set sebutan jenama yang berbeza. Alat SOV mengurangkan ini dengan persampelan dan purata, tetapi turun naik asas adalah sebenar, dan ketepatan mana-mana nombor tunggal lebih rendah daripada apa yang dicadangkan oleh kebanyakan laporan. Data petikan, sebaliknya, ialah log pelayan pengambilan sebenar: setiap satu berlaku, dan setiap satu boleh dikira.
SOV mengambil sampel gesaan; petikan diikat pada perbualan sebenar. Alat SOV menjalankan bakul gesaan yang dipilih oleh penganalisis. Pengguna sebenar bertanya soalan yang berbeza, dengan cara yang berbeza, dengan konteks sebelumnya yang berbeza. Sampel mungkin atau mungkin tidak sepadan dengan apa yang pelanggan anda sebenarnya tanya, dan kebanyakan alat tidak menjadikan set gesaan mereka telus. Petikan langsung, mengikut takrifan, datang dari pengguna sebenar yang bertanya soalan sebenar, jadi tiada bias persampelan.
Model berubah. Setiap pelepasan model baru, pelarasan gesaan sistem, atau perubahan pengambilan semula mengalihkan apa yang disebut. Angka SOV yang diukur terhadap model suku tahun lalu adalah pengukuran yang berbeza daripada yang diambil terhadap model suku tahun ini, dan kebanyakan alat tidak telus mengenai versi model dalam laporan mereka. Aktiviti petikan menyesuaikan diri dalam masa nyata kerana ia ditangkap secara langsung daripada pengambilan, tanpa lapisan inferens di antara.
Cara terbersih untuk menggunakan SOV ialah bersama-sama dengan isyarat petikan, bukan sebagai pengganti. SOV ialah penanda aras arahan, luar tapak tentang kekerapan jenama anda muncul dalam jawapan. Petikan ialah rekod yang disahkan, dalam tapak tentang halaman mana yang AI sebenarnya menggunakan untuk menghasilkannya. Digunakan bersama-sama, simulasi luar tapak dan kebenaran dalam tapak memberikan gambaran yang lebih lengkap daripada salah satu sahaja.
KPI yang penting
Corak biasa, diambil daripada pelaksanaan penerbit dan e-dagang sebenar: set kecil halaman evergreen menghasilkan sebahagian besar petikan, sementara halaman utama jarang sampai ke 50 teratas. Jika model telah memutuskan bahawa panduan perbandingan mendalam anda adalah jawapan yang betul untuk soalan, ia akan menarik halaman tersebut beratus-ratus kali seminggu dan bukan halaman utama anda sama sekali. Itulah isyarat operasi yang anda mahu.
Isyarat 3: Pengguna sebenar, rujukan niat tinggi
Enjin AI ialah enjin penyelidikan, bukan saluran gangguan. Pengguna yang mengklik petikan dalam ChatGPT, Claude, Perplexity atau Copilot telah pun bertanya soalan mereka, menilai jawapan, dan memilih halaman anda sebagai langkah seterusnya. Pada masa mereka mendarat di tapak anda, mereka lebih jauh ke bawah lengkung pertimbangan berbanding pengguna dari mana-mana saluran yang mengganggu mereka. Merentasi pelaksanaan kami, itu diterjemahkan kepada kadar penukaran yang lebih tinggi dan tetingkap pertimbangan yang lebih pendek berbanding sosial, paparan, dan selalunya carian berbayar. Rangka kerja itu penting kerana pengguna yang dirujuk AI prakelayakan pada masa mereka tiba; untuk konteks perjalanan pembeli yang lebih luas, lihat AI ialah Enjin Penyelidikan, Bukan Saluran Jualan.
Ini juga ialah satu-satunya isyarat yang alat analitik tradisional dapat lihat sama sekali, dan isyarat yang kebanyakan pasukan kembali kepada apabila mereka mendengar “trafik LLM”. Ia juga ialah isyarat di mana jurang WebView dan jurang tanpa-perujuk Gemini/Claude menjadikan GA4 melapor secara kurang sebanyak 2,5 hingga 5 kali, jadi niat tinggi semakin tidak dikira berbanding mana-mana saluran lain di tapak anda.
Apa yang perlu dilihat
- Sesi mengikut pembantu sumber, diklasifikasikan di sebelah pelayan dan bukannya bergantung pada pengepala perujuk.
- Pengagihan halaman pendaratan. Pengguna yang dirujuk AI cenderung mendarat di halaman yang dalam, bukan halaman utama.
- Kadar penukaran mengikut sumber, dibandingkan dengan asas organik anda. Merentasi pelaksanaan kami, penukaran yang dirujuk AI biasanya berjalan lebih tinggi daripada sosial pada asas setiap sesi.
- Tetingkap masa-ke-pembelian. Pengguna ChatGPT cenderung untuk menukar pada hari yang sama; pengguna Perplexity selalunya mengambil masa tiga hingga lima hari; Gemini berada di tengah.
- Atribusi hasil. Pemadanan IP-ke-pesanan disahkan untuk kes yang paling bersih, pemadanan probabilistik untuk yang lain.
Bagaimana mengukur trafik rujukan dari LLM dalam Google Analytics (jawapan jujur)
Jawapan pendek ialah: anda tidak boleh, sepenuhnya. UTM hadir dari ChatGPT tetapi tidak dari Gemini atau Claude. Perujuk hadir dari pelayar desktop tetapi ditanggalkan pada apl mudah alih. Gambaran Keseluruhan AI muncul di bawah carian organik tanpa keupayaan pemisahan. Anda boleh membina gambaran sebahagian dengan menapis pada utm_source=chatgpt.com dan pada perujuk chatgpt.com, claude.ai, perplexity.ai, gemini.google.com, dan copilot.microsoft.com, tetapi anda akan melihat kira-kira satu perempat daripada trafik sebenar.
Jawapan jujur ialah untuk menangkap isyarat ini di sebelah pelayan. Peta atribusi penuh, dengan setiap ujian peranti demi peranti yang kami jalankan, ada dalam Trafik LLM ialah titik buta dalam analitik anda.
Mudah alih ialah tempat di mana jurang atribusi LLM paling besar
Berikut ialah bahagian pengiraan rujukan yang paling penting: peranti yang kebanyakan khalayak anda gunakan juga ialah peranti di mana atribusi AI paling sukar dilihat dengan jelas. Mudah alih memacu 70 hingga 90 peratus sesi tapak menghadap pengguna, dan ia tempat tinggal apl LLM. Merentasi platform yang kami uji, mudah alih ialah permukaan yang paling kurang dijejak untuk setiap LLM yang penting.
Sebab struktural ialah apl mudah alih LLM memaparkan pautan keluar dalam WebView terpencil, yang menanggalkan perujuk dan menanggalkan sesi daripada mana-mana konteks pelayar terdahulu. Pencegahan Penjejakan Pintar iOS WebKit menambah masalah pada iPhone, di mana WebView tertakluk kepada sekatan kuki walaupun penukaran berlaku di dalamnya.
Hasilnya ialah pandangan rujukan sahaja trafik LLM akhirnya kelihatan kebanyakannya seperti pandangan desktop, walaupun khalayak sebenar kebanyakannya mudah alih. Perbandingan silang platform yang diambil daripada nombor GA4 lebih mudah ditafsir apabila jurang mudah alih itu diambil kira. Matriks peranti demi peranti penuh, termasuk senario desktop, ada dalam Trafik LLM ialah titik buta dalam analitik anda.
KPI yang penting
Untuk pandangan yang lebih mendalam tentang bagaimana ini sesuai dengan perjalanan pembeli yang lebih luas, lihat AI ialah Enjin Penyelidikan, Bukan Saluran Jualan. Rangka kerja itu penting kerana pengguna yang dirujuk AI sering menjadi penyelidik di pertengahan corong, dan menilai saluran hanya berdasarkan penukaran sesi yang sama akan mengurangkan nilainya.
Dari isyarat ke tindakan: bagaimana data trafik LLM memacu impak
Pengukuran hanya mendapat nilainya apabila ia membawa kepada tindakan. Dengan tiga isyarat dijejak bersama, dua corak cadangan boleh dipercayai muncul dari data merentas isyarat, ditambah log berterusan yang pasukan boleh simpan tentang apa yang telah diusahakan.
Kesegaran kandungan
URL teratas yang dirangkak untuk latihan dalam 30 hari yang lalu, disusun mengikut kekerapan pengambilan. Cadangannya langsung: pastikan ia tepat, kerana model akan belajar apa sahaja yang ada di halaman sekarang dan mewakili jenama anda dengan sewajarnya kepada pengguna masa hadapan. Halaman lapuk yang OpenAI sedang melatih pada waktu malam ialah halaman lapuk yang ChatGPT akan salah mewakili untuk kitaran latihan seterusnya.
Tindakan: semak setiap halaman teratas yang dirangkak dalam kadens berulang, perbetulkan apa-apa yang lapuk, dan simpan rekod tentang apa yang telah disemak dan bila supaya kesegaran menjadi aliran kerja yang dijejak dan bukan audit sekali sahaja.
Halaman dirangkak tetapi tidak disebut
Halaman yang bot latihan AI sedang menarik tetapi yang telah menghasilkan sifar petikan dan sifar rujukan dalam tetingkap yang sama. Dipecahkan kepada Produk dan Kategori untuk e-dagang, kepada jenis artikel untuk penerbit. Ini ialah jurang petikan, dan ia biasanya corak leveraj tertinggi untuk bertindak.
Bot telah membaca halaman. Model tidak memilih untuk menyebutnya. Pembetulannya hampir selalu keluarga perubahan yang sama: tajuk yang lebih jelas, deskripsi yang lebih baik, salinan gaya FAQ, dan JSON-LD yang menamakan produk, khalayak, dan jawapan kepada soalan yang jelas.
Tindakan: tulis semula halaman untuk menjadi lebih boleh disebut, kemudian jejak isyarat petikan pada URL itu dalam dua minggu seterusnya untuk mengesahkan pembetulan.
Peta tindakan merentas isyarat
Setelah anda mempunyai ketiga-tiga isyarat ditangkap, empat corak muncul dan setiap satu menunjuk kepada kerja tertentu. Setiap sel menunjukkan sama ada isyarat itu aktif (halaman muncul di sana), hilang (isyarat tiada), lemah (isyarat ada tetapi berprestasi rendah), atau t/b apabila soalan tidak berkenaan untuk corak.
Inilah yang kami maksudkan dengan “data trafik LLM memacu tindakan”. Apabila tiga isyarat duduk bersebelahan, setiap corak menunjuk kepada jenis kerja tertentu, jadi pasukan boleh mengutamakan perubahan untuk dihantar minggu ini dan menyemak impak minggu depan.
Bagaimana untuk menanda aras liputan kandungan anda untuk latihan dan petikan
Dalam era Google Search, pengindeksan ialah metrik kesihatan asas. Sebelum halaman boleh berada, mendapat klik, atau menukar, ia mesti berada dalam indeks. Liputan ialah metrik yang sama untuk era LLM, dan ia layak untuk dijejak sebagai perkaranya sendiri, bukan dilipat ke dalam mana-mana isyarat tunggal.
Liputan ialah peratusan kandungan yang anda peduli yang AI sebenarnya membaca dan menggunakan. Ia adalah perkara yang paling hampir kepada nombor bintang utara untuk saluran AI kerana ia berada di hulu setiap isyarat lain. Jika model tidak menyerap halaman anda, AI tidak boleh menyebutnya. Jika halaman tidak pernah disebut, AI tidak boleh menghantar pengguna kepadanya. Liputan ialah pintu yang menentukan sama ada selebihnya corong itu mungkin.
Memperlakukan liputan sebagai metriknya sendiri, berbeza daripada mana-mana satu daripada tiga isyarat, ialah apa yang menjadikan saluran AI boleh diukur dengan cara yang pasukan biasa dengan carian organik sudah faham. Soalan beralih dari “adakah kita dirangkak” kepada “adakah cukup kandungan yang betul mencapai jawapan”. Liputan dipecahkan dengan kemas mengikut dua isyarat pertama.
Penanda aras liputan latihan
Tentukan alam semesta kandungan rekod anda terlebih dahulu. Untuk pasukan e-dagang ini biasanya semua halaman produk aktif, semua halaman kategori, dan semua panduan evergreen. Untuk penerbit ialah arkib artikel ditambah halaman pendaratan rujukan dan topik. Alam semesta ialah penyebut.
Kemudian tanya: dalam 30 hari yang lalu, apakah peratusan URL itu yang diambil sekurang-kurangnya sekali oleh perangkak latihan disahkan dari mana-mana enjin AI utama? Itulah liputan latihan 30-hari anda. Tapak yang sihat dengan pautan dalaman yang munasabah dan peta tapak yang bersih harus berjalan pada 90 peratus atau lebih tinggi. Di bawah itu, anda mempunyai masalah kebolehjumpaan: bot tidak boleh menemui atau tidak kembali kepada bahagian inventori anda yang bermakna.
Kemudian pisahkan nombor yang sama mengikut enjin AI. Liputan setiap enjin ialah tempat leverage tinggal. OpenAI mungkin meliputi 95 peratus sementara Google meliputi 40 peratus dan Anthropic meliputi 70 peratus. Jurang itu memberitahu anda dengan tepat di mana untuk melabur dalam akses khusus permukaan (semakan robots.txt, penyerahan peta tapak, peningkatan data berstruktur) dan model mana yang akan mewakili jenama anda dengan tepat berbanding lemah apabila pengguna masa hadapan bertanya.
Penanda aras liputan petikan
Liputan petikan dibina dengan cara yang sama tetapi terhadap penyebut yang lebih sempit: kandungan gred rujukan anda, halaman yang anda harapkan AI akan menyebut jika ia memahami tapak anda dengan betul. Untuk pasukan e-dagang ini biasanya panduan, perbandingan, dan kandungan gaya FAQ, bukan halaman produk itu sendiri. Untuk penerbit ialah artikel evergreen dan rujukan anda.
Tanya: dalam 30 hari yang lalu, apakah peratusan URL rujukan itu yang menerima sekurang-kurangnya satu pengambilan langsung dari ChatGPT, Claude, atau Perplexity? Itulah liputan petikan 30-hari anda. Tapak yang kandungan rujukannya tersusun dengan baik, bertajuk dengan baik, dan diperkaya JSON-LD harus berjalan 60 hingga 80 peratus. Di bawah 40 peratus ialah masalah kebolehsebutan, hampir selalu boleh diselesaikan dengan tajuk yang lebih jelas, deskripsi yang lebih baik, salinan gaya FAQ, dan lebih banyak data berstruktur.
Kemudian pisahkan mengikut pembantu. ChatGPT akan menguasai volum pada kebanyakan tapak; Claude akan kurang diwakili dalam mana-mana alat yang tidak mengendalikan trafik bot tidak disahkan dengan betul; Perplexity akan terlalu indeks pada kandungan produk dan rujukan berstruktur.
Bagaimana sihat keseluruhannya
Ambang tepat berbeza-beza mengikut kedalaman arkib, campuran kandungan, dan khalayak, tetapi corak profil yang sihat cukup konsisten untuk diterbitkan:
- Liputan latihan 100 halaman teratas anda: pada atau hampir 100 peratus dalam tetingkap 30 hari, dengan sekurang-kurangnya tiga hingga empat enjin AI mengambil secara aktif.
- Liputan petikan kandungan gred rujukan anda: 60 hingga 80 peratus dalam tetingkap 30 hari. Di bawah 40 peratus menunjukkan jurang kebolehsebutan dalam tajuk, deskripsi, dan data berstruktur.
- Halaman petikan teratas: kandungan evergreen, mendalam, gred rujukan. Halaman utama tidak sepatutnya berada dalam 20 teratas.
- Tumpuan petikan: 60 hingga 80 peratus daripada semua petikan pada 30 halaman teratas anda adalah normal. Tumpuan hanya pada 5 teratas anda bermakna permukaan rujukan anda terlalu sempit. Jika nombor anda menyimpang tajam dari corak ini, diagnosisnya biasanya jurang data berstruktur, kandungan yang model tidak anggap boleh disebut, atau masalah liputan yang pautan dalaman dan peta tapak boleh selesaikan.
Untuk primer asas tentang keterlihatan AI sebelum mana-mana ini, lihat Memahami Keterlihatan AI. Untuk rangka kerja tujuh KPI yang memetakan dengan kemas pada model tiga isyarat, lihat Metrik Prestasi AI: Tujuh KPI Setiap Jenama Patut Jejak.
Berhenti Menganggar, Mula Mengaktifkan
Apabila trafik LLM dilaporkan sebagai satu nombor, banyak konteks yang berguna hilang. Kandungan kuat boleh kelihatan lebih tenang daripada sebenarnya kerana kebanyakan impaknya jatuh di luar alat analitik. Prestasi yang menjanjikan sukar untuk dijejaki kembali kepada aktiviti hulu yang mendapatkannya. Pasukan akhirnya bersandar pada isyarat tidak langsung kerana yang langsung belum kelihatan.
Tiga isyarat di tapak anda mengisi gambaran itu. Latihan menunjukkan anda apa yang AI menyerap tentang jenama dan kandungan anda. Petikan menunjukkan anda halaman mana yang AI mencapai untuk menjawab soalan sebenar dalam masa nyata. Rujukan menunjukkan anda pengguna niat tinggi yang AI hantar melalui. Di hulu kesemua tiga ialah liputan, setara era LLM kepada pengindeksan, dan pintu yang menentukan sama ada selebihnya corong itu mungkin.
Dibaca bersama, tiga isyarat memberi pasukan corak merentas isyarat yang jelas untuk bertindak setiap minggu. Bintang AI ialah halaman untuk melindungi, jurang petikan ialah halaman untuk ditulis semula, masalah klik menunjuk kepada kelajuan muat dan pembingkaian petikan, dan jurang liputan menunjuk kepada kebolehjumpaan. Di luar tapak, Share of Voice ialah penanda aras arahan yang berguna untuk perbualan yang berlaku dalam jawapan AI, tetapi untuk mengukur impak prestasi sebenar, model tiga isyarat dalam tapak ialah apa yang kami percaya jenama harus berorientasi padanya semasa mereka melabur dalam pertumbuhan saluran AI.
Bersama-sama, mereka mengubah saluran AI daripada sesuatu untuk dianggar kepada sesuatu yang pasukan anda boleh rancang, ukur, dan bertindak dengan keyakinan.
Ketiga-tiga Isyarat Dalam Satu Papan Pemuka
Papan pemuka di bawah menggabungkan ketiga-tiga isyarat di laman ke dalam satu paparan, dengan liputan kandungan dijejak bersama sebagai pintu hulu. Crawl latihan mendarat setiap halaman, petikan dipecah mengikut enjin, dan rujukan diatribusikan hujung-ke-hujung sehingga ke hasil.