2026 yılında bana en çok sorulan soru şu: Bunu nasıl ölçeceğiz?
- Markamızın ChatGPT'de görünüp görünmediğini nasıl ölçeriz?
- Perplexity'nin bizi tavsiye edip etmediğini nasıl ölçeceğiz?
- Yapay Zeka Modunun temellenmesi konusunda geçtiğimiz çeyrekte yaptığımız çalışmanın iğneyi hareket ettirip ettirmediğini nasıl ölçeceğiz?
Bunu kimse çözemedi.
Temelde varlığı, ekrandaki görünürlüğü veya arama, yardımcı ve temsilci genelinde kazanılan eylemi aynı anda izlemek için size temiz bir kontrol paneli satan herkes, size kötü bir en iyi tahmin anlamına gelen bir anlık görüntü görünümü satıyor demektir.
Standart tavsiye, "insanların sorabileceğini düşündüğümüz bu sorguları takip edin" veya "arama anahtar kelimelerinin en iyi tahmin uyarlaması olan bu sorguları takip edin."
Bu tavsiyenin hiçbir faydası yoktur, çünkü önceden oluşturulmuş anahtar kelime listeleri takip edilmesi kolay, mevcut pazarlama çabalarıyla eşlenen veya hedef kitlenin tahmin edilebilir olması durumunda ideal olabilecek sorguları seçer.
Görünürlük sorusu doğru. Beklediği kesin sayı cevabı yanlıştır.
Endüstrinin halihazırda çerçevelediği şekliyle ölçüm sorusu, yanlış referans disiplinini kullanıyor. Markalar hâlâ mükemmel yapay zeka dönemi görünürlüğü (KPI) peşinde koşuyor, var olmayan ve asla olmayacak bir şeyin peşinde.
Doğru cevap, disiplinini ekonomistlerin kesin olarak ölçülemeyecek kadar karmaşık ve opak sistemleri nasıl ölçtüğünden alan bir metodolojidir. Benim metodolojim Huni Sorgu Yolu'dur ve ölçümden daha fazlasını yapar. Aynı anda üç işi yapan operasyonel bir yapıdır: strateji, ölçüm ve analiz.
Pazarlamacılar, 20 yıl boyunca aramanın yapıldığı şekilde, herhangi bir kullanıcı için belirli bir motordaki belirli bir sorguya bağlı, haftadan haftaya takip edilen bir gösterge tablosunda bir sayı istiyor. Arama bu rakamı sunabildi çünkü yüzey sınırlıydı, sıralamalar sabitti, tıklama ölçülebilirdi ve yolculuk gözlemlenebilirdi. Yardımcı ve etkili yüzeyler bunların hiçbirini sağlamaz.
Artık yeni bir ortamda faaliyet gösteriyoruz ve bu ortam bizi farklı sorular sormaya, farklı sinyalleri ölçmeye ve farklı kanıtlara göre hareket etmeye zorluyor.
Yapay zeka görünürlüğü neden bir makro ölçüm sorunudur?
Liverpool John Moores Üniversitesi'nde ekonomi ve istatistiksel analiz okudum, bu ölçüm probleminin şeklinin tanıdık gelmesinin nedeni budur. Aynı şekil, belli bir ölçekte çalışan bir disiplin, araçlarının artık geçerli olmadığı bir ölçekte işlemeye çalıştığında da ortaya çıkar.
Mikroekonomi ve makroekonomi kanonik bir durumdur. Köşe dükkanı envanteri kesin olarak ölçer, merkez bankası enflasyonu kesin olarak ölçemez ve her iki disiplin de kendi ölçeklerinde doğrudur. Hiçbir disiplinin araçları diğerinin ortamında çalışmaz. Önerdiğim disiplin, markalara uygulanan makroekonomi değil. Bu, yapay zeka dönemi marka ölçümüne uygulanan makro içgüdüdür.
Yapay zeka yüzeyleri, makroekonominin kendi disiplinini geliştirmek zorunda kaldığı aynı üç yapısal nedenden dolayı makrodur.
Birincisi opaklıktır. Sistemin iç durumu gözlemlenemiyor; merkez bankaları her işlemi gözlemleyemiyor ve modern LLM'ler neye karar verdiklerini neden açıklayamıyor.
Ben buna marka-kullanıcı-algoritması (BUA) opaklığı adını veriyorum. Kullanıcı, algoritmanın reddettiği alternatifleri göremiyor, marka duvarlarla çevrili bahçe içindeki yolculuğu göremiyor ve algoritma, ne yaptığına neden karar verdiğine dair tam olarak iç gözlem yapamıyor.
İkinci neden, heterojen aracıların yapay zeka çağındaki eşdeğeri olan kişiselleştirmedir: Motor farklı bağlamları hesaba kattığı için her kullanıcı farklı bir yanıt alır.
Üçüncüsü ise olasılıkların patlaması ve patlama sadece yedi motorda olmuyor. Yüzeyler artık uygulamaları (Word'de Copilot, Slack'te ChatGPT, Comet'te Perplexity), işletim sistemlerini (Windows'a eklenen Copilot, macOS ve iOS'ta Apple Intelligence) ve donanımı (özel Copilot anahtarına sahip Lenovo Copilot+ dizüstü bilgisayarlar, telefonda Samsung Galaxy AI ve yüzünüzdeki Meta Ray-Bans'ı) içeriyor.
Ortam araştırmasıönemli bir giriş modu haline gelir. Yapay zeka, bağlamı anladığı için herhangi bir öneride bulunmadan bir öneriyi ortaya çıkarıyor.
Huni sorgu yolunun yaşadığı yer burasıdır. Daha da önemlisi, bu, anahtar kelime eşlemenin veya geliştirilmiş amaca dayalı bir metodolojinin evrimi değildir. Çünkü makro düzeyde bakıldığında temelde farklı bir canavardır.
Ölçü birimi kohorttur
Anahtar kelime kampanyaları yürüten uygulayıcıların çoğu, sorguları amaca göre gruplandırdıklarını düşünüyor ancak çoğu zaman kategoriye göre gruplandırıyorlar ki bu da amaç ile aynı şey değil. Tipik bir Google Ads kampanyası, "Phuket otelleri"nin mantıksal bir amaç grubu olduğu şeklindeki örtülü mantıkla, her Phuket otel sorgusunu tek bir reklam grubuna yerleştirir. Değil.
“Phuket otelleri” destinasyonu tanımlar. "Phuket'teki 5 yıldızlı otellerin" arkasındaki alıcı ve "Phuket'teki ucuz otellerin" arkasındaki alıcı aynı hedefi paylaşıyor ve neredeyse başka hiçbir ortak yanı yok: farklı bütçeler, karar kriterleri, dönüşüm yolları ve alt yöndeki davranışlar. Bunları gruplandırmak, hiçbir zaman birleştirilmemesi gereken iki gruptaki performans ortalamalarına sahip bir reklam grubu oluşturur.
Kategoriler nesneleri gruplandırır. Kohortlar insanları gruplandırır.
Niyet nesnelerle değil insanlarla ilgilidir. Google mühendisleri bunun AI Maksimum ve Maksimum Performans kampanyalarında gördükleri en yaygın hata olduğunu söylüyor çünkü potansiyel müşteriyi yönlendiren algoritma "Bu sorgu hangi kategoride?" diye sormuyor. "Bu kullanıcı hangi gruba ait, hangi amaçla?" diye soruyor.
Grup ve niyetin kesişimi düğümü tanımlar
Kohort, belirli bir uyaran verildiğinde benzer şekilde davranan bir grup insandır. XL erkekler, lüks gezginler ve çocuklar için alışveriş yapan ebeveynler. Her biri, zaman ve bağlam boyunca varlığını sürdüren dayanıklı bir kimlikle tanımlanan bir gruptur. XL erkek, kasım ayında kışlık mont, temmuz ayında tatil ve mart ayında alyans alırken hâlâ XL erkektir.
Niyet, belirli bir anda kohortun içinden geçen durumsal vektördür. Bir gömlek satın almak, gelecek ay için otel rezervasyonu yapmak ve bir çocuğu yaz için hazırlamak. Her biri bir niyettir ve her biri birçok grubu kapsar. Bir gömlek satın almak XL erkekleri, S erkekleri, kadınları ve çocuklar için alışveriş yapan ebeveynleri cezbeder ve hepsi farklı fiyat noktalarında farklı markalara doğru farklı yollardan yürür.
Her kohort, yaşamı boyunca pek çok amacı taşır ve aynı niyet, pazardaki birçok kohortu kapsar. Grup ve amacın kesişimi, Huni Sorgu Yolu ağacındaki bir düğümü tanımlayan şeydir. XL erkeklerin kışın gömlek alması bir düğümdür. Gelecek ay için otel rezervasyonu yapan lüks gezginler bir düğüm noktasıdır. Yaz için çocuk şortu satın alan ebeveynler bir düğüm noktasıdır.
Daha da önemlisi, kohort tek başına işe yaramıyor çünkü pijama satın alan XL erkekler, ofis gömleği veya tatil satın alan XL erkeklerden farklı davranıyor. Tek başına niyet takip edilmeyecektir çünkü Bali'ye rezervasyon yapan lüks gezginler, Bali'ye rezervasyon yapan bütçeli gezginlerden farklı davranır. Kesişme, davranışsal tutarlılığın yaşadığı yerdir ve davranışsal tutarlılık, üzerinde çalıştığımız opak yapay zeka yüzeylerinde düğümü takip edilebilir kılan şeydir.
Sorgu, hem kohort hem de amaç okunabilir olduğunda izleme için uygundur
Bir sorgunun huni sorgu yolu ağacına ait olup olmadığına ilişkin test, sorgunun kendisinde hem kohort hem de amacın okunabilir olup olmadığıdır. "Uniqlo'dan kırmızı erkek gömleği", ticari hedef olarak adlandırılan markayla birlikte kıyafet alışverişi yapan (kohort) ve satın alma anında kırmızı bir gömlek satın alan (niyet) bir adamı ortaya çıkarıyor. Her iki eksen de okunabilir.
"Bali'deki oteller" bir amacı ortaya çıkarıyor ancak grubu (lüks, iş, bütçe, balayı, aile, sırt çantalı gezgin) gizliyor, bu yüzden bir bağlantı noktası olarak işlev göremiyor. Bunu gönderen insanlar, dönüşüm hunisine doğru ilerlerken hiçbir şekilde aynı şekilde davranmayacaklar. Bunu "Bali'deki ucuz oteller" olarak daralttığınızda, amacın yanında bütçe grubu da ortaya çıkar ve sorgu, huni sorgu yolu için uygun hale gelir.
Test davranışsal tutarlılıktır, özgüllük değil. Her iki eksen de temizse, bu bir düğümdür. Değilse, kapsamı daraltın; işiniz için anlamlı olan grubu ve amacı keşfedeceksiniz.
Dönüşüm anından itibaren huni sorgu yolunu oluşturun
Dönüşüm hunisi sorgu yolu, kullanıcıların gerçekte ne yazdıklarını takip etmez. Niyet göz önüne alındığında kohortun ne isteyeceğini izler. Ağaçtaki her sorgu, bireysel kullanıcıların deneysel bir kaydı değil, satın alma anındaki grup davranışının teorik bir temsilcisidir.
Uygulamadaki makro disiplin budur. Bu sorguların arama hacmini araştırmıyoruz çünkü bunların mutlaka herhangi birinin yazdığı sorgular olması gerekmiyor. Bunları, kohort artı niyetten yola çıkarak, kohortun temsili bir üyesinin yürüyeceği ideal yolu inşa ederek inşa ediyoruz.
"Olabilir" tüm metodolojiyi taşır ve kullanıcıların "gerçekte" ne yazdığını düşünmeye başladığınız anda, metodolojinin kaçmak için tasarladığı mikro içgüdüye geri dönersiniz.
Bir sorgu testi geçtikten sonra başlangıç noktanız olur. Huni sorgu yolu (dallara ayrılan ağaç) buradan yukarıya doğru oluşturulur. Bu şunu yansıtıyorhuni çevirmesorgu düzeyinde. Yapay zeka dönemi edinimi, dönüşüm anında başlar ve algoritmanın dönüşüm yolunu farkındalıktan ziyade niyete göre ileriye doğru hesaplaması nedeniyle yukarıya doğru projeksiyon yapar.
Tek bir amacı olan bir grup için ideal markalı BOFU sorgusuyla başlayın, ardından grubun soracağı değerlendirme sorularını yukarıya doğru yansıtın, ardından daha da erken gelecek olan farkındalık soruları aracılığıyla tekrar yukarıya doğru projekte edin.
Örnek: Tek bir Uniqlo sorgusundan bir dönüşüm hunisi sorgu yolu ağacı oluşturma
Marka olarak Uniqlo'yu, grup olarak ise "kıyafet alışverişi yapan erkekler"i ele alalım. Niyet, satın alma anını tanımlayan durumsal vektördür ve aynı grup içindeki farklı niyetler farklı ağaçlar üretir: gömlek satın alan erkekler, kışlık dış giyim satın alan erkekler ve spor malzemeleri satın alan erkekler. Her biri bir düğümdür.
Bir tanesiyle başlayın. Örneğin kırmızı bir gömlek satın alma niyetini seçin ki ben bunu sıklıkla yapıyorum. Grup-amaç kesişimine uyan, dönüşüm hunisinin alt kısmındaki markalı sorgu "Uniqlo'dan kırmızı erkek gömleği"dir. Bu dönüşüm düğümüdür.
Benzer şekilli sorguların beş ila 10 varyasyonu aynı kesişime uyar ve ayrı ayrı takip edilmeleri gerekmez: "Erkek Uniqlo Oxford gömleği", "Uniqlo erkek akıllı gömleği", "erkek kırmızı elbise gömleği Uniqlo" ve "Uniqlo erkek gündelik kırmızı gömleği." Her biri aynı markaya ulaşma amacına sahip aynı gruptur. İşletmeniz için en yararlı olanı seçin. Yukarı doğru inşa edin.
Daha sonra, ideal BOFU sorgunuza ulaşacak huninin ortasındaki dalları bulun. "Uniqlo'dan erkek kırmızı gömleği" örneğimizde, aynı adamın markalı satın alma anına gelmeden önce motora soracağı değerlendirme sorgularını arıyoruz. Grup hâlâ kıyafet alışverişi yapan erkeklerden oluşuyor, niyet hâlâ kırmızı bir gömlek satın almak ve grup hâlâ seçenekleri değerlendirdiği için marka henüz belirlenmemiş:
- “Erkekler için en iyi kırmızı gömlek”
- “Ofis işleri için kırmızı gömlek”
- “Kaliteli bir kırmızı Oxford gömleği nereden alınır?”
- “Hangi kırmızı gömlek chinos ile daha iyi görünüyor”
- “Uygun fiyatlı solmayan kırmızı erkek gömlekleri”
- “50 Euro'nun altındaki erkekler için kırmızı gömlekler”
- “Erkekler için en uygun fiyatlı giyim markaları”
- “Renk gamına sahip minimalist erkek giyim markaları”
- "Erkekler için kaliteli temel bilgiler çevrimiçi olarak nereden satın alınır"
- “Best affordable men’s shirt brands”
On şube, hepsi aynı grup, hepsi aynı niyet, hepsi mantıksal olarak marka için ideal BOFU ticari sorgusu olarak "erkeklerin kırmızı gömleği Uniqlo"ya yöneliyor.
Dönüşüm hunisinin ortasındaki sorguların her birine ulaşan huninin üst kısmındaki dallar, aynı adamın belirli gömlek türlerine veya markalarına daralmadan önce daha da erken soracağı daha geniş farkındalık sorularıdır.
"Erkekler için en iyi kırmızı gömlek" için:
- “Erkekler işe giderken kırmızı gömlek giyebilir mi?”
- “Bir erkeğin gardırobuna nasıl renk eklenir?”
- “Ofis giyiminde gömlek rengi kuralları”
- “Bir erkeğin kaç gömleği olmalı”
- “Hangi ten rengindeki erkeklere hangi gömlek renkleri yakışır”
- “Hangi renk kıyafet kalabalığın içinde öne çıkmamı sağlar?”
Bu, 60 sorguluk bir dönüşüm hunisi sorgu yoludur. 120 veya daha fazlasını dahil edebilirdim. Göreceğimiz gibi bu bir seçim. Genel bir kural olarak, bütçe ve içgörüler açısından bakıldığında 60 makul bir sayıdır. Makro yaklaşımın amacı, ölçmek için ayrıntıya girmenize gerek olmamasıdır.
Burada önemli olan 60 sorgunun tamamının tek bir amaç doğrultusunda tek bir grup için tek bir markalı satın alma anına yönlendirilmesidir. Bunu aynı grup içinde başka bir niyetle (kışlık dış giyim satın alan erkekler, ofis pantolonu satın alan erkekler) ve ardından başka bir grupla (BOFU "kadın pijamaları Uniqlo" markalı pijama satın almak amacıyla kıyafet alışverişi yapan kadınlar) tekrar yapın.
İzleme yüzeyi, metodoloji ilerledikçe biriken ağaçlardan oluşan bir ormandır.
AI yönlendirme, Google Ads teklif vermeyle aynı matematiği kullanır
Bunu, bu ay Asya Pasifik'te Google Marketing Live için açılış konuşmaları ve atölye çalışmaları yürütürken, kıdemli Google mühendisleriyle Gemini'nin önerileri nasıl yönlendirdiğiyle ilgili görüşmelerde keşfettim.
Gemini'nin bir sonraki adımda hangi cevabın ortaya çıkacağına karar vermek için kullandığı matematik, Google Ads'ün bir sonraki adımda hangi reklamın yayınlanacağına karar vermek için kullandığı matematikle aynıdır: Bu grubun bu amaçla bir dönüşüme ulaşma olasılığını ileri doğru hesaplayın ve onları oraya ulaştırma olasılığı en yüksek olan yolu seçin.
Son 15 yılda bir kampanyaya teklif veren her uygulayıcı bu olasılık hesaplamasıyla çalışıyor. Bana göre bu, huni sorgu yolunun devralabileceği en yararlı çerçevedir, çünkü amaç-kohort biriminin neden motorun dahili mantığıyla aynı hizada olduğunu açıklar.
Motor, kategorileri veya sorguları tek başına izlemiyor. Kohort artı amaç üzerinde huni yolu olasılık hesaplaması yürütüyor. Doldurduğunuz her düğüm, motora, bu kullanıcıyı sorununa en iyi çözüme ulaştırmanın en hızlı yolunun hangisi olduğunu öğretir.
Reklamlara kar marjı dahildir. Organik değil.
Reklamlardaki operasyonel formül, grup x amaç x dönüşüm oranı x kâr marjıdır. Reklamveren, teklifleri optimize etmek için gereken ticari bilgileri Google'a sağladığından dördü de Google'ın elindedir. Açık artırma beklenen karı maksimuma çıkarır çünkü Google bunu hesaplayacak girdilere sahiptir.
Organikteki operasyonel formül kohort + amaç + dönüşüm oranıdır. Motorun ticari bilgisi olmadığı için kar marjı düşüyor. Motor, kırmızı gömlek üzerindeki brüt kar marjınızı pijamalardaki brüt kar marjınıza göre bilmiyor ve kârlılığınız için optimizasyon yapmıyor. Motor düzeyinde ticari sonuç için kendi temsili olan ancak sizin için geçerli olmayan kullanıcı memnuniyeti için optimizasyon yapar.
Prensip her iki yüzeyde de geçerlidir: grup + amaç + dönüşüm oranı, yapay zeka algoritmalarının en iyi şekilde çalıştığı birimdir. Farklı olan, dönüşüm tahmininin kesinliğidir. Organikte dönüşüm davranış kalıplarından çıkarılır. Reklamlarda bu, reklamveren tarafından sağlanan verilere göre ölçülür.
İlginçtir ki, makro disiplin, mikro hassasiyetin bulunmadığı yerlerde organik olarak işler. Mikro hassas, Reklamlarda olduğu yerde çalışır. Neyse ki huni sorgu yolu ağacı her ikisinde de çalışıyor. Bunu bir kez doldurun ve her ikisinde de organik içerik, Reklam kampanyası yapısı ve analitik bilgiler için kullanın.
Dönüşüm anından itibaren huni sorgu yolunu oluşturun
Yaptığım 15 kapılı modelde terminolojik bir açıklama.Yapay zeka motoru hattı10 ikili kapıyı çalıştırır:
- Bot tarafından işlenen ve algoritma tarafından görülemeyen keşfedilen, seçilen, taranan, oluşturulan ve dizine eklenen (DSCRI) işlemler.
- Algoritma tarafından yönetilen, bot tarafından görülemeyen, açıklamalı, işe alınan, temellendirilmiş, görüntülenen ve kazanılan (ARGDW).
Çerçevemiz, kazanıldıktan sonra beş kapıyı daha genişletiyor: yerleşik, gerçekleştirilen, entegre, ayrılmış ve kodlanmış (OPIDC), bunlar hem bot hem de algoritma tarafından görülemeyen, insanlara hizmet eden işlem sonrası işlemler tarafından gerçekleştirilir.
Toplamda on beş kapı, her biri markanın hayatta kaldığı veya kalamadığı ikili bir kontrol noktası.
Sistemin içindeki hiç kimse zincirin tamamını göremez. Sadece marka bunu yapar. Won'un yüzeye bağlı olarak üç çeşidi vardır:
- Geleneksel aramada kusurlu tıklama.
- Yardımcı motorlarda mükemmel tıklama.
- Yardımcı aracılarda aracı tıklama.
Huni, ekran kapısının üzerinde bulunur. Kullanıcının sorudan satın almaya kadar olan yolculuğu, gösterimde üç aşamadan geçer: farkındalık, değerlendirme ve karar verme. Aşamalar sürekli insan konumlarıdır. Kapılar ikili makine kontrol noktalarıdır.
Dönüşüm hunisi sorgu yolu, kullanıcının bu üç aşamada gönderdiği sorguları takip eder ve markalı satın alma anı sorgusu, kazanmayı tetikleyen karar aşamasına gelir. Kapılar ve aşamalar eşanlamlı değildir ve bunları birleştirmek metodolojiyi bozar.
1. Adım: Dönüşüm hunisinin alt kısmından başlayın
İdeal müşteri profilinizin (ICP) ideal olarak, satın almaya hazır oldukları anda marka adınızı kullanarak göndereceği sorguları belirleyin. Vurgu “ideal”dir.
Anahtar kelime araştırması insanların gerçekte ne yazdıklarını sorar. Dönüşüm hunisi sorgu yolu, bu amaçtaki grubun sizden satın almadan hemen önce motora ideal olarak ne soracağını, sorguda marka adınızı da içerecek şekilde sorar. Markalı, dönüşüm hunisinin alt kısmında, amaç onaylı, grup uyumlu.
Spesifikliği kohort tanımına göre kalibre edin. "Uniqlo'dan kırmızı erkek gömleği" kıyafet alışverişi yapan geniş erkek grubuna uyuyor. "Uniqlo'dan ekstra büyük kırmızı erkek gömleği", beden mevcudiyeti değerlendirme setini kısıtladığından farklı davranan bir beden alt grubuna uyuyor. Her ikisi de iyidir. Faaliyet göstermek istediğiniz kohort seviyesini seçin ve ardından ağacınızın dalları içerisinde tutarlı bir şekilde yukarıya doğru faaliyet gösterin.
Genel anahtar kelime araştırması bu sorguları ortaya çıkarmaz çünkü anahtar kelime araçları hacim için optimize eder ve amaç odaklı sorgular genellikle tasarım gereği düşük hacimlidir. Grubunuzu kendiniz yazabilecek kadar iyi tanımalısınız. Beş tane yazamıyorsanız, bu metodolojinin işletmeniz için gerçekten yararlı sonuçlar üretmesinden önce ICP çalışmanızın daha fazla derinliğe ihtiyacı vardır.
Adım 2: Yolu yukarı doğru projelendirin
Dönüşüm hunisinin her bir alt kısmı sorgusu, birden fazla dönüşüm hunisinin ortası sorgusuna (aynı grubun satın alma anına varmadan önce soracağı değerlendirme soruları) dallanır ve bunların her biri, birden çok dönüşüm hunisinin üstü sorgusuna (daha da erken gelecek farkındalık soruları) ayrılır.
Her seferinde dönüşüm hunisinin alt kısmındaki bir sorguyu kademeli olarak oluşturun. Dönüşüm hunisi dönüşümü sorgu düzeyinde çalışır: Üretim, dönüşüm hunisinin üst kısmındaki farkındalıktan başlamak ve alıcının dönüşüme ulaşmasını ummak yerine, dönüşüm sorgusuyla başlar ve yukarıya doğru projeksiyon yapar.
Ayrıntı düzeyi kohortlar x niyetlerdir. Takip bir bütçe çağrısıdır.
Kaç ağaç inşa edileceği sorusunun tek bir cevabı var: Takımın yerleştirebileceği kadar ağaç. Kaç ağacın izleneceği sorusunun tek bir cevabı vardır: size istatistiksel olarak anlamlı veri sağlayacak kadar ağaç.
Başlangıç birimi tek bir amacı olan bir gruptur. Kırmızı bir gömlek almak amacıyla kıyafet alışverişi yapan erkekler. Bu bir ağaç, yaklaşık 60 sorgu.
Aynı gruba niyet ekleyin (kışlık dış giyim, ofis pantolonu ve spor kıyafeti satın alan XL erkekler). Grupları ekleyin (XL kadınlar, ebeveynler). Kohort çarpı niyetler ağaç sayısını verir. Rakamlar bütçeye göre ölçekleniyor:
| Kohortlar | Grup başına niyet | Ağaçlar | Yaklaşık. sorgular |
| 1 | 1 | 1 | 60 |
| 3 | 5 | 15 | 900 |
| 5 | 10 | 50 | 3.000 |
| 10 | 10 | 100 | 6.000 |
Çözünürlükle değişen şey, tanının kesinliğidir. Üç ağacı takip ettiğinizde, amacı olan üç kohort kesişiminde düşük çözünürlüklü bir okuma elde edersiniz. 100'ü takip ettiğinizde, satın alma ortamınızın çoğunda yüksek çözünürlüklü bir okuma elde edersiniz. Her ikisi de savunulabilir makro okumalardır çünkü makro, belirli değerlerden ziyade değişimin yönünü ve hızını güvenilir bir şekilde okumak için metodolojinizi ve kapsamınızı tanımlamakla ilgilidir.
Bu metodoloji, küçükten başlayıp gelişebileceğiniz anlamına gelir. Bu ay en karlı ICP'niz için üç Huni Sorgu Yolunu izlemeye başlayın, ardından gelecek ay bir tane daha ekleyin. Bunları gruplandırın ve zaman içinde ölçeklenen ve hayatta kalan bir makro yaklaşım kullanarak bugünden başlayarak benzerleri karşılaştırabilirsiniz.
Ağacı doldurduğunuzda motora dönüşüm yolunu öğretirsiniz
Şekillendirme mekanizması, huni sorgu yolunu bir ölçüm metodolojisinden daha fazlası haline getiren şeydir. Motor, amacı doğrultusunda grup için bir sonraki adımın ne olacağını tahmin ederek önerileri yönlendirir.
Marka, yapay zekayı mantıksal olarak yapılandırılmış dönüşüm hunisi sorgu yolları oluşturan ve her düğüme yanıt veren içerikle beslediğinde, motor zinciri öğrenir:
- Hangi farkındalık soruları bu gruba aittir?
- Bunları hangi değerlendirme soruları takip ediyor?
- Hangi markalı satın alma anı sorgusu dönüşüm yanıtıdır?
Belirgin yollar (kırmızı gömlekler) için, algoritmalar zaten yerleşik yollara sahiptir, ancak daha az popüler olan yollar için motorun hiçbir fikri yoktur ve siz onun algısını şekillendirmek için her türlü fırsata sahipsiniz.
Motor, hunide kullanıcının yanında aktif bir katılımcı olduğundan, tahmine dayalı bir harita oluşturabilir ve gruptaki herhangi bir potansiyel müşteri için ortaya çıkardığı yol, markanın eğittiği yoldur.
Şekillendirme bir yan etki değildir. Bu, birleştirme mekanizmasıdır ve markanın bireysel sorgu sıralamaları için rekabet etmeyi bırakıp, motorun ileriye dönük hesaplamalar yaptığı çıkarım yollarını tasarlamaya başlaması anlamına gelir. Sorguyu sorguya göre optimize eden rakip, motorun zaten geçmiş olduğu bir modele göre optimizasyon yapıyor.
Daha derin hamle: Dönüşüm hunisi sorgu yolunu her web sayfasına eşlemek
Metodoloji, bir izleme belgesi olarak web sitesinin yanında yer alabilir ve bu işe yarar, ancak daha derin bir adım, huni sorgu yolunu hem site içi hem de site dışı stratejinizle eşlemektir.
Her ağaçtaki her düğüm, grup için motor yüzeylerindeki bir sorguya karşılık gelir. Her sorgunun onu yanıtlayan bir pasaja ihtiyacı vardır. Her sayfa, hizmet verdiği grubun adını verir. Her pasaj, grubu oraya getirebilecek niyeti belirtiyor ve grubun dönüşüm yolundaki bir sonraki adımı açıkça özetliyor.
- Dönüşüm hunisinin üst kısmındaki sayfalar değerlendirme sayfalarına yönlendirilir.
- Dönüşüm hunisinin ortasındaki sayfalar, markalı satın alma anı sayfalarına yönlendirilir.
- Dönüşüm hunisinin alt kısmındaki sayfalar dönüşümü kapatır.
Markanızın dijital ayak izindeki içeriği, motorun zaten çalışmakta olduğu ileri hesaplama mantığına (kohort, amaç, farkındalık katmanı, değerlendirme katmanı, dönüşüm katmanı) göre hizalayabilirseniz, motor, gruptaki herhangi bir kullanıcı için bir sonraki adımı ileriye doğru hesapladığında, markanın sitesi zincirin tamamının ortaya konduğu birkaç yerden biri olur ve olasılık hesaplaması sizin lehinize değişir.
ICP'niz için tüm dönüşüm hunisi sorgu yollarını oluşturduğunuzda, makineye hizmet ettiğiniz her grup-amaçlı kesişim için yolun tam olarak nasıl göründüğünü öğretirken, onu ideal hedef kitleniz olan kullanıcı alt kümesini doğrudan kapınıza getirmeye teşvik edersiniz.
Strateji, ölçüm ve analiz için tek çerçeve
Dönüşüm hunisi sorgu yolu aynı anda üç işi gerçekleştirir: strateji, ölçüm ve analiz.
- Strateji:Ağacın her düğümünü, satın alma yolculuğunun bu aşamasında cevabı kanıtlayan içerikle doldurursunuz: üstte bilinirlik içeriği, ortada değerlendirme içeriği ve altta markalı dönüşüm anı. İçerik oluşturmayı bir anahtar kelime listesine göre takvim olarak çalıştırmayı bırakın ve ICP'nizin satın alma yolculuğunu temsil eden yolları tasarlamaya başlayın.
- Ölçüm:Üç modda (arama, yardımcı ve aracı) ve motorlarda (Google, ChatGPT, Perplexity, Claude, Copilot, Siri, Alexa vb.) aynı dönüşüm hunisi sorgu yollarını çalıştırırsınız. Bu motorların göründüğü her yüzeyi takip edemezsiniz (Word'de Copilot, Slack'te ChatGPT, iOS'ta Apple Intelligence ve Lenovo dizüstü bilgisayardaki Copilot+'ın tümü, sıralama izlemenize izin vermeyen kapalı bağlamlardır). Ancak her yüzey, altta yatan aynı motoru çalıştırır; böylece izlemeniz, her motorun içinde bulunduğu her yüzey için tahmin edilir.
- Analiz:Zaman içinde benzer bir karşılaştırma için güvenebileceğiniz makro görünüm olarak, markanın huni sorgu yolunda ortaya çıktığı ve çıkmadığı yerleri moda ve motora göre kullanabilirsiniz.
Dönüşüm hunisi sorgu yolundan gerçekte ne elde edersiniz?
Dönüşüm hunisi sorgu yolunu çalıştırdığınızda aslında elde edeceğiniz şey şu: Yapay zekanın markanızı doğru zamanda doğru kişilere tavsiye edip etmediğine dair çeyrekten sonra bir okuma.
Yönü, momentumu ve neyin işe yaradığının kaydını görüyorsunuz. İnşa edersiniz, ölçersiniz, analiz edersiniz ve ayarlarsınız. Daha sonra bunu bir sonraki çeyrekte tekrar yaparsınız. Bu disiplini şimdi başlatan markalar, üç yıl içinde yapay zekanın ismen tanıdığı markalar olacak.
Birden fazla kohortunuz varsa, stratejik açıdan en önemli olanı seçin. Bu grubun içinden bir niyet seçin. Niyetli grubun ideal olarak satın alma anında göndereceği beş ila 10 markalı dönüşüm hunisinin alt kısmı sorgularını yazın (örneğimizde "Uniqlo'dan erkek kırmızı gömleği").
Birini seçin ve yukarı doğru haritalayın: ona ulaşan beş ila 15 dönüşüm hunisinin ortası sorgusu, ardından bunların her birine ulaşan üç ila 10 dönüşüm hunisinin üstü sorgusu. Artık 50 ile 200 arasında sorgu içeren bir ağacınız var.
Dönüşüm hunisi sorgu yolu dallarında strateji, ölçüm ve analiz çalıştırın.
- Strateji:Her bir düğüme hitap eden sayfalarınız ve pasajlarınız var mı? Boşlukları doldurun.
- Ölçüm:Ağacı motorlar arasında çalıştırın ve markanın nerede ortaya çıktığını belgeleyin.
- Analiz:Boşluklar nerede kümeleniyor, hangi düğüm en zayıf ve hangi motorlar en tutarlı şekilde işe alım yapıyor?
ICP dönüşüm hunisi sorgu yollarınızdaki boşlukları dolduracak içeriği oluşturun ve bu sorgu kümesini aylık olarak izleyin. Sonuçları göreceksiniz ve ölçebileceksiniz.
Yapay zeka dönemi optimizasyonu, metodolojinizi tanımlamak, ICP'nizi seçmek ve takip etmek ve bu serideki bir sonraki makalenin konusu olan makro zihniyetle oluşturup strateji oluşturmakla ilgilidir.
Bu, AI otorite serimin 14. parçası.
- Bölüm 1, “Rand Fishkin yapay zeka önerilerinin tutarsız olduğunu kanıtladı - işte bunun nedeni ve nasıl düzeltileceği”, basamaklı bir güven getirdi.
- Bölüm 2, “AAO: Neden yardımcı temsilci optimizasyonu SEO'nun bir sonraki evrimidir?disiplinin adını verdi.
- 3. Bölüm, “Yapay zeka motoru hattı: Tavsiyeyi kazanıp kazanmayacağınıza karar veren 10 kapı” tüm boru hattının haritasını çıkardı.
- 4. Bölüm, “Tarama, oluşturma ve dizine eklemenin arkasındaki beş altyapı kapısı” altyapı aşamasını geçti.
- Bölüm 5, “'Sıralama ve sergileme' içinde gizlenmiş 5 rekabetçi kapı” rekabet aşamasını kapsıyordu.
- Bölüm 6, “Varlık ana sayfası: Aramanın, yapay zekanın ve kullanıcıların markanızı nasıl gördüğünü şekillendiren sayfa,” ham maddenin haritasını çıkardı.
- Bölüm 7, “İtme katmanı geri dönüyor: 'Yayınla ve bekle' neden yarım stratejidir”giriş modelini genişletti.
- Bölüm 8, “Yapay zeka, içeriğinizin ne anlama geldiğine ve sizi neden yanlış anladığına nasıl karar veriyor?", kapalı ek açıklama - makineyle yalnız kaldığınız son kapı.
- Bölüm 9, “Yapay Zeka araması için topikal otorite neden yeterli değil?”, güncel sahiplenmeyle ilgili rekabetçi aşamayı açtı.
- Bölüm 10, “Dönüşüm hunisi: Yapay zeka neden aşağıdan yukarıya bir satın alma stratejisini zorluyor?süreci” adını verdi.
- Bölüm 11, “Çerçeveleme boşluğu: Yapay zeka neden markanızı konumlandıramıyor?” kanıt ve öneri arasındaki boşluğu ortaya çıkardı.
- Bölüm 12, “10 kapılı yapay zeka arama kanalı: İçeriğinizin nerede başarısız olduğunu bulunkonusu üçüncü işletmenin iştiraki olması halinde,” size AI motor hattında F derecelerinizi nasıl bulacağınızı (ve onaracağınızı) gösterdi.
- Bölüm 13, "Delegasyon sınırı: Yapay zeka hangi markaların kazanacağına nasıl karar veriyor?"arama, yardımcı ve aracı modlarında yetkilendirmenin kullanıcı ile motor arasında nasıl hareket ettiğini haritalandırdı.
- Sırada: Yapay zeka çağının gerektirdiği ölçüm, analiz ve stratejideki yapısal değişimi adlandıran paradigma çerçevesi olan mikro-makro değişim.
