Funktionieren LLM-Trainingsseiten wirklich?
Ja. In einem kontrollierten Test über acht Wochen wurde die Kategorie mit Trainingsseiten rund 17% häufiger gecrawlt als eine vergleichbare Kategorie, die als Basislinie zurückgehalten wurde. Eine Produktkategorie erhielt vorgerenderte LLM-Trainingsseiten. Eine vergleichbare Kategorie blieb vom Rollout ausgenommen und diente als Basislinie. Acht Wochen später wurde die behandelte Kategorie 17% häufiger gecrawlt als der Holdout. In denselben Wochen stieg das Crawling auf der gesamten Website, ohne Holdout ließe sich unser Effekt also nicht vom Grundrauschen unterscheiden. Die veränderte Seite ist eine ganz gewöhnliche Kategorieseite, derselbe Aufbau funktioniert deshalb auf Shop-Seiten in Shopify, Magento, Adobe Commerce, Salesforce Commerce Cloud und überall sonst, wo sich HTML serverseitig rendern lässt. Ein Trainings-Crawl ist der Weg, auf dem ein Modell Ihre Marke auswendig lernt. Wenn Sie das richtig machen, nennt der Assistent Ihr Produkt aus dem, was er ohnehin schon weiß: kein Abruf im Web, keine Quellenangabe, kein Link zum Anklicken, nur die Spezifikationen und Vergleiche, die er einmal gelesen und behalten hat. Das passiert nur, wenn ein Trainings-Crawler die Seite überhaupt lesen konnte, und es ist das eine Glied der Kette, das eine Marke direkt steuern und direkt messen kann. Es folgt die Seite, die wir ausgeliefert haben, die acht Wochen nach dem Livegang und die drei Tests, mit denen wir das Ergebnis zu zerlegen versucht haben.
- AI training crawls ran 17% above the untouched control. Gemessen über die 8 Wochen nach dem Livegang. Das Ergebnis hält einem Placebo-Test mit 46 erfundenen Startdaten stand, dem Weglassen jeder einzelnen Seite aus der Analyse und Änderungen am Analysefenster.
- A comparable category ran alongside as a holdout, and every number is measured against it. Das Crawling stieg im selben Zeitraum auf der gesamten Website stark an, erst der Holdout trennt den Effekt vom Grundrauschen. Er trug auch die Datenqualitätsprüfungen: Als die Trainings-Crawls sieben Tage am Stück in jeder Kategorie gleichzeitig auf null standen, den Holdout eingeschlossen, war klar, dass es sich um einen Logging-Ausfall handelte und nicht um Crawler-Verhalten. Diese Tage wurden verworfen.
- Both categories more than doubled. The training pages account for the 22% gap between them. Die rohen Trainings-Crawls stiegen in der behandelten Kategorie um das 2.7x und im Holdout, der überhaupt nichts erhielt, um das 2.2x. Der größte Teil dieses Wachstums war also branchenweit und wäre ohnehin gekommen. Indexiert auf ihre eigenen Durchschnitte vor dem Livegang beenden die beiden Linien den Zeitraum 22% auseinander. Über die vollen acht Wochen gemittelt liegt die Lücke bei 17%.
-
In-stock pages gained 43% of training crawls. Out-of-stock pages lost 22%.
Seiten auf Lager (10): 5,090 → 7,270 Trainings-Crawls (+43%)Seiten nicht auf Lager (3): 870 → 680 (−22%)Jede Seite ohne Lagerbestand verlor Crawl-Aufmerksamkeit. Das stammt aus 13 Seiten und wir hatten es nicht vorab vorhergesagt, es ist also eine Spur, die wir sauber testen würden, und kein Ergebnis.
- Once a model has read your pages, it can recommend them without looking them up. A training crawl is what puts your product facts into the model itself, so an assistant can answer from memory rather than going out to the web. Getting crawled is not the same as getting recommended. What it changes is what the model knows about your range by default, before anyone asks it anything, and it is the part of the chain a brand can change on purpose and check the next morning. Crawls are the only thing we measured here.
Eine Kategorie bekam Trainingsseiten. Eine vergleichbare nicht.
Unser Kunde hat im Mai 2026 vorgerenderte LLM-Trainingsseiten für eine Produktkategorie ausgeliefert. Eine zweite Kategorie vergleichbarer Größe blieb vom Rollout ausgenommen, damit sie als Basislinie dienen konnte. Alles in diesem Bericht ist an diesem Holdout gemessen.
Eine "Trainingsseite" ist hier eine vorgerenderte, serverseitig ausgelieferte Seite, die so gebaut ist, dass ein AI-Crawler die gesamte Produktgeschichte lesen kann, ohne JavaScript auszuführen: Spezifikationen, Vergleiche und Antworten in klarer Sprache, mit Links aus dem Fließtext auf jede Produktseite. Die Frage ist, ob sich durch ihren Livegang am Verhalten eines Crawlers etwas ändert.
Das zu beantworten ist schwerer, als es aussieht, denn das AI-Crawling steigt überall. Wer im Mai Trainingsseiten ausliefert und im Juni steigende Crawls sieht, hat sehr wenig gelernt. Man muss wissen, was ohnehin passiert wäre. Die Holdout-Kategorie liefert das: Sie ist die beste verfügbare Schätzung dafür, was die behandelte Kategorie getan hätte, wenn nichts ausgeliefert worden wäre.
Kategorien sind nach Planeten umbenannt. Die Produktseiten innerhalb der behandelten Kategorie sind nach Monden umbenannt. Die Zahlen sind exakt so, wie sie gemessen wurden. Unser Kunde und seine Branche werden nicht offengelegt.
Die Metrik sind AI-Trainings-Crawls: Zugriffe von AI-Trainings-Crawlern auf die Produktseiten, auf die die Kategorieseite jeder Gruppe aus ihrem Fließtext verlinkt. Links aus Navigation, Header und Footer sind ausgeschlossen, wir zählen also Crawls auf genau den Seiten, auf die die Trainingsseite tatsächlich zeigt.
Beobachtungseinheit ist der Tag, nicht der Zugriff. Eine Crawler-Sitzung kann Hunderte Anfragen im Schwall absetzen, 17,030 Zugriffe als 17,030 unabhängige Ziehungen zu behandeln würde daher fast alles signifikant aussehen lassen. Die Charts unten zeigen 118 Tage, innerhalb der statistischen Fenster liegen 57 Tage auf jeder Seite des Livegangs.
Hat ein Modell Ihre Seiten einmal gelesen, kann es sie empfehlen, ohne sie nachzuschlagen.
Ein Trainings-Crawl bringt Ihre Produktfakten in das Modell selbst, sodass ein Assistent aus dem Gedächtnis antworten kann, statt ins Web zu gehen. Das ist die Metrik, die diese Studie bewegt.
So sieht das in der Praxis aus. Jemand fragt einen Assistenten, welches dieser Produkte er nehmen soll. Der Assistent antwortet, indem er Ihr Produkt nennt, beschreibt, was es kann und zu wem es passt, und es gegen die Alternative stellt, alles aus dem, was er bereits gelernt hat. Es gibt keinen Abruf, keine Quellenangabe und keinen Quelllink. Das Modell kennt Ihr Sortiment so, wie es alles andere kennt, und dieses Wissen stammt von Seiten, die ein Trainings-Crawler Monate zuvor gelesen und aufgenommen hat.
Live Retrieval, bei dem ein Assistent mitten in der Antwort eine Seite abruft und daraus zitiert, ist der andere Weg hinein. Er zählt, und er beginnt an derselben Stelle: Ein Crawler fragt Ihren Server nach einer Seite und bekommt etwas, das er lesen kann.
Reichen Sie ihm eine JavaScript-Hülle, sind Sie in keinem von beiden. Das Modell lernt nicht, was Ihr Produkt kann, die Retrieval-Schicht hat nichts zu ziehen, und wenn ein Käufer einen Assistenten bittet, Ihr Sortiment mit dem eines Wettbewerbers zu vergleichen, antwortet der Assistent aus dem, was er hat. Das ist meist ein Marktplatz-Listing, eine Bewertungsseite oder der Wettbewerber.
Das ist die ehrliche Version davon, warum diese Zahl zählt, und zugleich der Grund, warum wir vorsichtig sind mit dem, was wir daraus ableiten. Diese Studie belegt, dass die Trainingsseiten dazu geführt haben, dass die Seiten häufiger gelesen wurden. Sie belegt nicht, was ein Modell mit dem Gelesenen gemacht hat. Wir tun nicht so, als wäre es anders, und ein Bericht, der direkt vom Crawl-Chart zum Umsatzversprechen springt, ist ein Bericht, dem Sie nicht trauen sollten.
Der Crawl ist trotzdem die Mühe wert, weil er das eine Glied der Kette ist, an dem Sie direkt ansetzen können. Sie können ein Modell nicht zwingen, Sie zu zitieren. Sie können entscheiden, was Ihr Server einem Crawler ausliefert, und Sie können zählen, was danach passiert.
Rund 3,000 Wörter vorgerenderter Inhalt stehen unter dem Produktraster.
"LLM-Trainingsseite" ist ein vager Begriff, deshalb haben wir die Live-Seite auseinandergenommen und gezählt, was darauf steht.
Die Kategorieseite behält oben ihr normales Produktraster. Alles unterhalb des Rasters ist der Trainingsinhalt: vorgerendertes HTML, das ein Crawler ohne JavaScript lesen kann. Es umfasst rund 3,000 Wörter, etwa 77% des Fließtexts auf der Seite.
Die Struktur wiederholt sich bewusst. Jeder Produkt-Deep-Dive hat dieselbe Form: ein Abschnitt "was dieses Produkt unterscheidet", aufgeteilt in sechs separat überschriebene Gründe, gefolgt von einer Spezifikationstabelle. Ein Modell, das das liest, muss kaum etwas erschließen, denn jede Antwort steht bereits als in sich geschlossener Block unter einer Überschrift, die die Frage benennt, die sie beantwortet.
Ein großer Teil der Ratschläge zur AI Visibility ist in Wahrheit Schema-Beratung, also haben wir das Schema weggelassen. Links auf die Produkte im Text haben wir aus demselben Grund weggelassen. Was sich bewegt hat, hat sich bewegt, weil der Inhalt im HTML stand, unter Überschriften und in Tabellen organisiert und ohne Browser lesbar. Das gibt uns eine saubere Basis: Der nächste Test ergänzt die internen Links, der übernächste die strukturierten Daten, und jedes Mal können wir messen, was die Ergänzung für sich genommen wert ist, statt alles auf einmal auszuliefern und zu raten, welcher Teil gewirkt hat.
Noch etwas wurde bewusst zurückgehalten: Nur 6 der 13 verlinkten Produktseiten bekamen einen eigenen Deep-Dive-Block. Die anderen sieben sind aus dem Raster verlinkt und sonst nichts. Das war kein Versehen. So bleiben sieben Seiten übrig, die den Vorteil hatten, auf einer angereicherten Seite zu stehen, ohne eigenen Text, und das erweist sich als einer der nützlichsten Vergleiche der Studie.
Die Trainings-Crawls stiegen in der behandelten Kategorie um das 2.7x und im Holdout um das 2.2x. Die Lücke dazwischen beträgt 22%.
Jede Linie ist so indexiert, dass ihr eigener Durchschnitt vor dem Livegang 100 beträgt, beide starten also auf gleicher Höhe. Beide verdoppeln sich im Zeitraum mehr als, auch der Holdout, der nichts erhalten hat. Nur die 22%, mit denen sie auseinander enden, lassen sich den Trainingsseiten zuschreiben.
In rohen Wochenzahlen stieg die behandelte Kategorie von 630 Crawls pro Woche auf 1,690, ein Anstieg um das 2.7x. In denselben Wochen stieg die unangetastete Kontrolle von 1,670 auf 3,650, ein Anstieg um das 2.2x, ganz ohne Trainingsseiten.
Das AI-Crawling steigt derzeit auf nahezu jeder Website, fast jede Änderung, die Sie ausliefern, wird also von einem Anstieg der Crawls gefolgt. Ein Anstieg allein trägt deshalb sehr wenig Information. Information trägt, schneller zu wachsen als eine vergleichbare Kategorie, die man in Ruhe gelassen hat.
Die behandelte Kategorie wuchs um 17% stärker als die Kontrolle.
Dieselben Daten, herausgerechnet um die steigende Flut. Die behandelte Kategorie wird durch die Kontrolle geteilt und dann so indexiert, dass der Durchschnitt vor dem Livegang 100 beträgt. Über 100 heißt, sie ist schneller gewachsen als der Rest der Website.
Vor dem Livegang pendelt die Linie ohne Trend um 100, und genau so sieht eine gültige Kontrolle aus: Die beiden Kategorien bewegten sich im Gleichschritt. Nach dem Livegang hebt sie ab und bleibt oben. Der eigene Durchschnitt der Linie nach dem Livegang liegt bei 114. Die formale Schätzung, eine Regression auf logarithmierter Skala statt eines Mittelwerts von Verhältnissen, ergibt +16.8% mit einem 95%-Konfidenzintervall von +7.8% bis +26.4%. Zwei verschiedene Schätzer, beide landen in derselben Spanne.
Die blaue Linie und das schattierte Band sind verschiedene Objekte. Die Linie ist ein tägliches Verhältnis, und ein einzelner Tag davon bedeutet sehr wenig. Das Band ist der geschätzte durchschnittliche Zuwachs über das gesamte Zeitfenster nach dem Livegang, und seine Höhe ist die Unsicherheit um diesen Durchschnitt. Das Band ist das Ergebnis. Der letzte Punkt der Linie ist es nicht.
So haben wir das Ergebnis validiert: drei Tests, und es hielt allen dreien stand.
Ein Test mit einer guten Zahl ist für sich genommen wenig wert. Das sind die drei, die wir dagegen gefahren haben.
46 erfundene Startdaten ergaben nichts.
Wir haben die gesamte Analyse gegen 46 selbst erfundene Startdaten laufen lassen. Eine Methode, die dort Effekte findet, findet sie im Rauschen. Keines der 46 erzeugte einen Effekt so groß wie den echten.
Keine einzelne Seite trägt das Ergebnis.
Wir haben jede der 13 Seiten der Reihe nach weggelassen und neu gerechnet. Das Ergebnis hielt jedes Mal, in einer Spanne von +10% bis +19%. Keine einzelne Seite trägt den Befund.
Die Schätzung ist stabil über die Einstellungen hinweg.
Unterschiedliche Fensterlängen und Autokorrelations-Lags verschieben die Schätzung um wenige Punkte und ändern nie die Schlussfolgerung.
Ein Muster lohnt eine eigene Darstellung. Das Crawling folgt einem starken Wochenzyklus, und die Veränderung nach dem Livegang fällt über die Woche sehr ungleich aus. Jeder Vergleich, der nicht gleiche Wochentage gegeneinander stellt, misst zum Teil den Kalender.
Der Samstag fiel. Alle anderen Tage stiegen, am stärksten Donnerstag und Sonntag.
Eine Korrektur, und die gehört ausbuchstabiert. Jedes Ergebnis dieser Art könnte im Prinzip Zufall sein, also fragen wir als Erstes, wie groß dieser Zufall sein müsste. Unser erster Durchlauf sagte, die Wahrscheinlichkeit, das rein durch Glück zu bekommen, liege bei etwa 1 zu 3,000.
Der Placebo-Test zeigte, dass diese Zahl zu schmeichelhaft war. Als wir dieselbe Rechnung auf Daten richteten, an denen nichts passiert war, meldete sie immer noch weit häufiger ein Ergebnis, als sie sollte. Die Methode lässt sich also leichter beeindrucken, als sie zugibt. Wir haben unsere eigene Zuversicht entsprechend nach unten korrigiert. Eine faire Angabe liegt näher bei 1 zu 50. Das ist immer noch ein echtes Ergebnis, nur eine bescheidenere Aussage als die erste.
An der Wahrscheinlichkeit sollte man sich nicht festhalten, sondern an der Spanne. Unsere beste Schätzung des Zuwachses liegt bei 17%, und die Spanne darum reicht von 8% bis 26%. Das ist der Satz, den wir verteidigen würden: Die Trainingsseiten haben zwischen 8% und 26% mehr Crawling erzeugt, am wahrscheinlichsten rund 17%.
Das zusätzliche Crawling landete auf den Produkten, die auf Lager waren.
Der Kategoriedurchschnitt verdeckt die Form dieser Sache. Aufgeschlüsselt auf die 13 Produktseiten landet das zusätzliche Crawling sehr ungleich.
Erst das Poolen der Seiten vor der Glättung macht das lesbar. Eine einzelne Produktseite bekommt eine Handvoll Crawls pro Tag, und eine Linie daraus ist überwiegend Zittern. Zusammengenommen halten die zehn Seiten auf Lager den Frühling über ihr Niveau und steigen nach dem Livegang an. Die drei Seiten ohne Lagerbestand tun etwas anderes, und es ist nicht ganz die Geschichte, die wir erwartet hatten.
Die Linie ohne Lagerbestand rutschte bereits ab, bevor es die Trainingsseiten gab. Sie kommt niedrig in den Livegang und fällt danach weiter. Diesen Rückgang können wir nicht komplett den Trainingsseiten anlasten, und das tun wir auch nicht. Ein Teil davon begann früher, aus Gründen, die diese Studie nicht gemessen hat.
Seite für Seite ist das Rauschen offensichtlich, und genau darum zeigen wir es. Einzelne Panels wandern in beide Richtungen weit von ihrer eigenen Basislinie ab, bevor überhaupt etwas ausgeliefert wurde. Was dieses Rauschen überlebt, ist die Bilanz am Ende des Zeitraums.
Und es geht nicht nur um den Lagerstatus. Denken Sie daran, dass nur sechs der dreizehn Seiten einen eigenen Deep-Dive-Block bekamen. Sortiert man die Seiten danach, was die Trainingsseite ihnen tatsächlich gegeben hat, zeigt sich ein Gefälle.
Seiten mit einem eigenen geschriebenen Block gewannen am meisten. Seiten, die nur von einer reicher gewordenen Seite verlinkt waren, gewannen trotzdem, und das ist die überraschendere Hälfte: Ein Produkt braucht keinen eigenen Text, um zu profitieren. Seiten ohne Lagerbestand verloren in beiden Fällen.
Alle drei Seiten ohne Lagerbestand verloren über den Zeitraum Crawl-Aufmerksamkeit. Neun der zehn Seiten auf Lager gewannen sie. Die Ausnahme, Pandora, ist eher eine geringwertige Position als ein Hauptprodukt, und sie fiel um 32%.
Diese Aussage stützt sich auf 13 Datenpunkte, und wir hatten sie nicht vorab vorhergesagt. Keine einzelne Seite ist hier für sich genommen signifikant, und wir haben keiner von ihnen einen p-Wert beigegeben. Ein Teil des Rückgangs ohne Lagerbestand liegt zudem vor dem Livegang, wie der gepoolte Chart zeigt. Es ist eine Spur, die es wert ist, an einer anderen Kategorie sauber getestet zu werden, kein Ergebnis.
Der Befund gilt für Trainings-Crawls. Weiter reicht er nicht.
Was dieses Design gut misst, und wo es an seine Grenzen kommt.
Trainings-Crawls sind die Metrik, die diese Studie tragen kann. Die Tageszahlen sind groß genug, der Holdout ist sauber, und der Effekt übersteht jeden Test, den wir dagegen gefahren haben. Alles in diesem Bericht ist eine Aussage darüber, wie oft AI-Crawler diese Seiten abgerufen haben, und mehr nicht.
Das nachgelagerte Verhalten ist eine andere Frage. Referrals von AI-Assistenten kamen gegenüber dem Holdout bei +9% herein, aber die kleinste Veränderung, die dieses Design zuverlässig erkennen könnte, liegt bei rund ±72%. Diese Zahl ist also Rauschen im Ergebnis-Kostüm. Wir werden sie nicht als Befund ausweisen. Zu messen, was nach dem Crawl passiert, braucht entweder deutlich mehr Traffic oder deutlich mehr Zeit, wahrscheinlich beides.
Eine Kategorie ist kein Gesetz. Das ist eine einzelne behandelte Kategorie, gemessen gegen einen einzelnen Holdout über acht Wochen. Es reicht, um zu sagen, dass der Mechanismus hier funktioniert hat. Es reicht nicht, um zu sagen, wie groß der Effekt in einem anderen Katalog, in einer anderen Branche oder in einem Jahr wäre.
Ihre erste LLM-Trainingsseite bauen: was darauf gehört und woran Sie erkennen, ob sie gewirkt hat.
Das ist die Seite, die wir gemessen haben, beschrieben als Bauanleitung, dazu der Messaufbau, auf dem wir bestehen würden, bevor irgendjemand irgendetwas ausliefert.
Die Seite, die einen Zuwachs von 17% erzeugt hat, ist eine Kategorieseite mit einem langen, gut strukturierten Block vorgerenderten HTMLs unterhalb des Produktrasters. Es steckt kein Trick darin. Die folgenden Schritte sind das, woraus diese Seite besteht, in der Reihenfolge, in der wir sie wieder bauen würden.
Bringen Sie ihn auf die Kategorieseite, unter das Raster
Nicht auf eine neue URL und nicht versteckt hinter einem Tab oder einem Akkordeon. Die Seite, die Sie anreichern, ist die, die ohnehin schon auf jedes Produkt des Sortiments verlinkt, und genau diesen Produktlinks folgt der Crawler als Nächstes.
Erledigen Sie zuerst das langweilige technische SEO, denn ohne das funktioniert nichts davon
Die Seite muss erreichbar sein, bevor sie gelesen werden kann. Prüfen Sie, dass sie einen 200 zurückgibt und für die AI-User-Agents, auf die es Ihnen ankommt, nicht in der robots.txt blockiert ist, dass sie in der XML sitemap steht, dass sie von irgendwo real verlinkt und nicht verwaist ist, dass das canonical auf sie selbst zeigt und dass sie nicht auf noindex steht. Jede Zahl in diesem Bericht hängt daran, dass ein Crawler die Seite erreichen kann, und kein Text der Welt hilft, wenn er es nicht kann.
Rendern Sie ihn vor. Das ist der Teil, der nicht optional ist
Der Text muss in dem HTML stehen, das vom Server kommt. Wenn ein Crawler JavaScript ausführen muss, um Ihre Inhalte zu sehen, gehen Sie davon aus, dass er Ihre Inhalte nicht sieht. Rufen Sie die Seite mit deaktiviertem JavaScript ab und lesen Sie, was zurückkommt. Das ist Ihre Trainingsseite.
Nichts davon ist plattformspezifisch. Eine Kategorieseite ist eine Kategorieseite, und jeder große Ecommerce-Stack kann eine serverseitig rendern. Was sich unterscheidet, ist das, was sie üblicherweise kaputt macht.
Der Test ist überall derselbe und dauert eine Minute: Rufen Sie die Seite mit deaktiviertem JavaScript ab und lesen Sie, was zurückkommt. Wenn der Block nicht in diesem HTML steht, existiert er für diese Studie nicht.
Ein Block je Produkt, das Sie wirklich verkaufen wollen, rund 400 Wörter
Sechs Produkte bekamen hier einen Block von durchschnittlich rund 400 Wörtern. Jeder folgte demselben Gerüst: ein Abschnitt "was dieses Produkt unterscheidet", danach eine Spezifikationstabelle. Die Wiederholung über die Produkte hinweg ist ein Feature. Sie macht das gesamte Sortiment leicht auslesbar und leicht vergleichbar.
Zerlegen Sie das Verkaufsargument in etwa sechs separat überschriebene Gründe
Keine Stichpunktliste und kein durchlaufender Absatz. Jeder Grund bekommt eine eigene Zwischenüberschrift und rund 30 Wörter darunter. Die Überschrift sollte benennen, worauf sie antwortet, damit sich die Antwort einzeln herauslösen lässt und trotzdem Sinn ergibt.
Geben Sie jedem Produkt eine Spezifikationstabelle
Rund 14 Attributzeilen: alles, was ein Käufer tatsächlich vergleichen würde, bevor er sich zwischen zwei Ihrer Produkte entscheidet. Eine Tabelle nennt den Fakt und die Bezeichnung des Fakts in derselben Zeile, deshalb übersteht sie die Extraktion so viel besser als dieselbe Information als Fließtext.
Ergänzen Sie eine Vergleichstabelle über das gesamte Sortiment
Dieselben Attribute, jedes Produkt, Preis inklusive. Das ist das mit Abstand zitierfähigste Objekt auf der Seite: Es ist die Antwort auf "welches soll ich nehmen", und genau diese Frage stellen Menschen einem Assistenten.
Schließen Sie mit vier oder fünf echten Kauffragen ab
Fragen als Überschriften, Antworten von rund 100 Wörtern und eine kleine Tabelle innerhalb der Antwort, wo eine Tabelle hilft. Schreiben Sie die Fragen, die Ihr Vertrieb gestellt bekommt, nicht die, die ein Keyword-Tool vorschlägt.
Richten Sie sie auf Produkte, die Sie wirklich verkaufen können
Jede Seite ohne Lagerbestand verlor in dieser Studie Crawl-Aufmerksamkeit, während die Seiten auf Lager sie gewannen. Diese Aufteilung ist unbewiesen und ein Teil des Rückgangs liegt vor dem Livegang, aber danach zu handeln kostet nichts. Verbrauchen Sie kein Crawl-Budget für Produkte, die niemand kaufen kann.
Wählen Sie einen Holdout, bevor Sie irgendetwas bauen
Wählen Sie eine vergleichbare Kategorie ähnlicher Größe und mit ähnlichem Traffic und halten Sie schriftlich fest, dass sie in diesem Quartal keine Trainingsseiten bekommt. Ohne sie können Sie Ihren Effekt nicht vom branchenweiten Anstieg des AI-Crawlings unterscheiden, und Sie werden am Ende diesen Anstieg berichten, als hätten Sie ihn verursacht.
Sammeln Sie zuerst mindestens acht Wochen Basislinie
Sie brauchen genug Historie, um zu zeigen, dass sich die beiden Kategorien im Gleichschritt bewegt haben, bevor Sie eine davon verändert haben. Liefen sie schon vorher auseinander, ist der Vergleich wertlos, und das können Sie nur an der Basislinie erkennen.
Loggen Sie Zugriffe von AI-Crawlern am Edge, pro URL, pro Tag
Server- oder CDN-Logs, kein JavaScript-Analytics-Tag: Die Crawler, auf die es ankommt, führen das Tag nie aus. Behalten Sie die tägliche Granularität bei. Der Tag ist die Einheit, die Sie analysieren werden, denn eine einzige Crawler-Sitzung kann Hunderte Anfragen im Schwall abfeuern, und Zugriffe zu zählen würde fast alles signifikant aussehen lassen.
Genau dafür wurde WISLR AI Channel Analytics gebaut. Es liest den Traffic der AI-Crawler am Edge, pro URL und pro Tag, aus Ihren eigenen Logs statt aus einer Schätzung Dritter, und genau auf diesen Daten beruht jede Zahl in diesem Bericht. Wenn Sie die Pipeline nicht selbst zusammenbauen wollen, ist das die Abkürzung.
Berichten Sie die Lücke, nie das rohe Wachstum
Ihre Crawls werden steigen. Die des Holdouts auch. Die einzige Zahl, die es wert ist, der Ecommerce-Führung vorgelegt zu werden, ist die Differenz zwischen beiden, und jeder Bericht, der Ihnen Crawl-Wachstum ohne Vergleichsgruppe zeigt, zeigt Ihnen ein Diagramm und kein Ergebnis.
Messen Sie in einem Quartal erneut
Die stärksten Wochen dieser Studie waren die letzten beiden. Das ist entweder ein Aufschaukeln, weil Crawler das Sortiment neu indexieren, oder es ist Rauschen, und acht Wochen können das nicht unterscheiden. Planen Sie die Nachmessung jetzt, solange der Holdout noch existiert.
Wir können diese Studie an Ihrem Katalog durchführen.
Wir bauen die Trainingsseiten, halten eine vergleichbare Kategorie als Basislinie zurück, bevor irgendetwas live geht, und messen daran, was die Seiten bewirkt haben. Das ist der Unterschied zwischen dem Bericht über einen Anstieg um das 2.7x und dem Bericht über die 22% davon, die Sie tatsächlich verursacht haben.