संकेतकों के दो परिवार
पूरी प्रणाली एक सरल भेद पर टिकी है। उपस्थिति संकेतक LLM के उत्तरों में आपकी जगह मापते हैं: वे तेज़ी से बदलते हैं और रोज़मर्रा के काम की दिशा तय करते हैं। परिणाम संकेतक कारोबार पर वास्तविक असर मापते हैं: लीड, पंजीकरण, बिक्री, कई हफ्तों की देरी के साथ। पहले मेहनत को सही ठहराते हैं, दूसरे बजट को। दोनों ज़रूरी हैं।
उपस्थिति संकेतक: प्रॉम्प्ट की निगरानी
सबसे पहले अपने कारोबार और उत्पाद लक्ष्यों का प्रतिनिधित्व करने वाली प्रॉम्प्ट लाइब्रेरी बनाइए, जैसे इलेक्ट्रॉनिक इनवॉइसिंग। Peec, Profound या Otterly जैसा प्रॉम्प्ट निगरानी उपकरण उन्हें हर दिन विभिन्न मॉडलों पर चलाता है और तीन चीज़ें इकट्ठा करता है: उल्लेख (आपका ब्रांड उत्तर में दिखता है), उद्धरण (आपका ब्रांड स्रोत के रूप में लिया जाता है) और स्थिति (उत्तरों में आपके उल्लेख की औसत रैंक)।
इन तीन कच्चे आँकड़ों से मैं पाँच संकेतक निकालता हूँ।
| संकेतक | गणना | यह क्या बताता है |
|---|---|---|
| शेयर ऑफ वॉइस | कुल उल्लेखों में आपके उल्लेखों का अनुपात | दूसरों की तुलना में आपका प्रदर्शन। अपने आप में कोई कारोबारी अर्थ नहीं, पर इसका रुझान आपकी कोशिशों को सही या गलत ठहराता है। |
| दृश्यता | चलाए गए कुल प्रॉम्प्ट पर उल्लेख की दर | प्रॉम्प्ट लाइब्रेरी द्वारा तय दायरे पर आपकी पकड़। एक अच्छा कार्य संकेतक। |
| स्थिति | प्रतिस्पर्धियों की तुलना में आपके उल्लेख की रैंक | मेरी नज़र में सबसे कीमती: सबसे पहले नाम आना संभवतः अधिक विश्वसनीयता दिखाता है। |
| भारित उल्लेख | सभी प्रॉम्प्ट पर रैंक के व्युत्क्रम का औसत, 100 के पैमाने पर (सूत्र तालिका के नीचे) | रोज़ देखा जाए तो यह असली संचालन संकेतक है, सबसे अधिक बोलने वाला। |
| भारित शेयर ऑफ वॉइस | वही गणना, हर प्रतिस्पर्धी पर लागू | पकड़ और स्थिति की तुलना बाज़ार से करता है। पारंपरिक शेयर ऑफ वॉइस से समृद्ध, और पूरक। |
भारित उल्लेख अपना सूत्र पाने का हक़दार है, क्योंकि वही काम की दिशा तय करता है। हर प्रॉम्प्ट के लिए आपका उल्लेख उसकी रैंक के व्युत्क्रम के बराबर है: पहले स्थान पर 1, दूसरे पर 0.5, तीसरे पर 0.33, अनुपस्थित होने पर 0। पूरी लाइब्रेरी पर इन अंकों का औसत, 100 से गुणा, संकेतक देता है। 100 प्रॉम्प्ट का उदाहरण: 30 बार पहले, 20 बार दूसरे और 10 बार तीसरे स्थान पर, यानी (30 × 1 + 20 × 0.5 + 10 × 0.33) / 100 × 100 ≈ 100 में 43।
दो गुणात्मक दृष्टियाँ जोड़िए। पहले उद्धरण: चूँकि उद्धृत पता मॉडल की कथा को प्रभावित करता है, खोदिए कि कौन से कारगर हैं, उनका उपयोग निवेश को सही ठहराने या प्राथमिकताएँ तय करने में कीजिए, जैसे पहले किन चर्चा सूत्रों को प्रभावित करना है या किन वीडियो निर्माताओं से संपर्क करना है, और देखिए प्रतिस्पर्धी क्या कर रहे हैं। फिर भावना: मॉडल आपके बारे में कैसे बोलते हैं। यदि आप नियमित रूप से ऐसे तीसरे पक्षों को सामग्री देते हैं जो आपके ब्रांड की बात करेंगे, तो हर घटना का असर, जैसे कोई नया प्रमाणपत्र, समग्र या उत्पादवार भावना पर देखिए।
चार पूरक स्रोत
| स्रोत | यह क्या देता है |
|---|---|
| सर्च इंजनों के आँकड़े | Bing और Google अपने एआई से जुड़े आँकड़े प्रकाशित करते हैं। ये मुख्यतः बजट आवंटन को सही ठहराने या किसी बिंदु को गहराई से समझने के काम आते हैं। |
| सर्वर लॉग | आपके लॉग में क्रॉलरों की गतिविधि ठोस सवालों का जवाब देती है: आपने मॉडलों को साइट समझाने के लिए कोई तकनीकी सुधार लागू किया, क्रॉलिंग की तरफ क्या असर हुआ? |
| तीसरे पक्ष के आँकड़े | कुछ पैनल, जैसे Similarweb, बता सकते हैं कि किसी व्यक्ति ने आपकी साइट वाले दिन ही किसी LLM का दौरा किया या नहीं। सावधानी से लें, पर यह नज़रिया कीमती है। |
| AI Overviews की निगरानी | रणनीतियों या साइट में बदलावों का असर मापने का अच्छा कार्य संकेतक: नई सामग्री, नई प्रस्तुति। |
परिणाम संकेतक: वास्तविक असर
पहले घोषित आँकड़े। «आपने हमें कैसे जाना?» यह सवाल वास्तविक कारोबारी असर मापता है, और इसका फ़ैसला अक्सर एट्रिब्यूशन मॉडल से अलग होता है। इसके बिना आप सबसे आम परिदृश्य चूक जाते हैं: कोई LLM में सिफ़ारिश पढ़ता है, Google पर आपका ब्रांड लिखता है, सशुल्क या ऑर्गेनिक लिंक पर क्लिक करता है। कोई एट्रिब्यूशन मॉडल यह कड़ी नहीं देखता।
फिर एनालिटिक्स। GA4 में LLM के खास रेफ़रल पते छाँटिए (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai): जब कोई आगंतुक उत्तर के लिंक पर क्लिक कर आता है, तो आप उसे एट्रिब्यूट कर सकते हैं। कुकीज़ से पूरा कीजिए: यदि कोई संभावित ग्राहक आपकी साइट देखता है, LLM से होकर लौटता है, तो आपकी एट्रिब्यूशन सोच के अनुसार, पहला क्लिक, आख़िरी क्लिक या मिश्रित, वह दिखना चाहिए।
अंत में अप्रत्यक्ष संकेत। ब्रांड और सीधे ट्रैफ़िक में अस्पष्टीकृत बढ़त उसी तर्क का पालन करती है। बिक्री टीम की बातचीत के प्रतिलेख हर दिन विश्लेषित करवाइए ताकि वे संभावित ग्राहक पकड़े जा सकें जो LLM को स्रोत बताते हैं, एक छोटा स्वचालन काफ़ी है। और लोगों के खोजने के तरीक़े दर्ज करने वाले सार्वजनिक या सशुल्क सर्वेक्षणों पर नज़र रखिए: हमेशा शिक्षाप्रद।
| संकेत | यह क्या पकड़ता है | इसकी सीमा |
|---|---|---|
| घोषित आँकड़े | वह वास्तविक माध्यम जिससे संभावित ग्राहकों ने आपको जाना | उत्तरदाता की याददाश्त और ईमानदारी पर निर्भर |
| एनालिटिक्स (GA4) | LLM के उत्तरों से सीधे क्लिक | सिफ़ारिश के बाद ब्रांड खोज वाला परिदृश्य नहीं देखता |
| अप्रत्यक्ष संकेत | ब्रांड ट्रैफ़िक, बिक्री प्रतिलेख, सर्वेक्षण | केवल सह-संबंध, अकेले प्रमाण नहीं |
सब कुछ एक जगह
आख़िरी कड़ी सबसे सरल है: सारे आँकड़े एक जगह इकट्ठा कीजिए और Claude को साप्ताहिक विश्लेषण सौंपिए, रुझानों के बदलाव का छोटा सार Slack संदेश में। मापन तभी सार्थक है जब कोई उसे हर हफ़्ते पढ़े।
2026 में, लीड जनरेशन पर LLM का असर किसी बने-बनाए डैशबोर्ड में नहीं पढ़ा जाता। उसे उपस्थिति संकेतक दर परिणाम संकेतक फिर से गढ़ा जाता है, जब तक दोनों वक्र एक ही कहानी न कहें।
अक्सर पूछे जाने वाले प्रश्न
मापन और जनरेटिव खोज पर और विश्लेषण जर्नल में उपलब्ध हैं।