LLM के प्रभाव को मापने के लिए संकेतकों के दो परिवार
GEO (Generative Engine Optimization, यानी जनरेटिव सर्च इंजनों में ब्रांड की रैंकिंग) मापने का मतलब है ChatGPT, Perplexity, Gemini, Copilot या Google के AI Overviews के उत्तरों में अपने ब्रांड की जगह पर नज़र रखना। पूरी प्रणाली एक सरल भेद पर टिकी है। उपस्थिति संकेतक उत्तरों में इसी जगह को 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
प्रॉम्प्ट निगरानी का मतलब है आपके कारोबार और उत्पाद लक्ष्यों का प्रतिनिधित्व करने वाली सवालों की एक लाइब्रेरी को हर दिन कई मॉडलों पर चलाना, फिर दर्ज करना कि उत्तर आपके ब्रांड के बारे में क्या कहते हैं। उदाहरण के लिए, यदि आप इलेक्ट्रॉनिक इनवॉइसिंग सॉफ़्टवेयर बेचते हैं, तो ये वे सवाल हैं जो कोई वित्त निदेशक चुनाव से पहले पूछता है: «किसी छोटे या मध्यम उद्यम के लिए कौन सा इलेक्ट्रॉनिक इनवॉइसिंग सॉफ़्टवेयर चुनें?», «कौन से समाधान नए सुधार के अनुरूप हैं?»। इन्हें बिक्री बैठकों, सपोर्ट टिकटों और Search Console की क्वेरी से निकालिए, स्वाभाविक भाषा में फिर से लिखकर। उन प्रॉम्प्ट को अलग रखिए जो आपके ब्रांड का नाम लेते हैं: वे आपका उल्लेख लगभग हमेशा करते हैं और सारे अंक बढ़ा-चढ़ा देते हैं।
Peec, Profound या Otterly जैसा प्रॉम्प्ट निगरानी उपकरण इस संग्रह को स्वचालित करता है और हर उत्तर में तीन आँकड़े दर्ज करता है: उल्लेख (आपके ब्रांड का नाम लिया गया है), रैंक (उत्तर में गिनाए गए ब्रांडों के बीच आपके ब्रांड की जगह) और उद्धरण (वे पेज जिन्हें मॉडल स्रोत के रूप में दिखाता है, चाहे वे आपके हों या किसी तीसरे पक्ष के)।
उल्लेखों और उनकी रैंक से मैं पाँच संकेतक निकालता हूँ। उद्धरण आगे काम आते हैं, गुणात्मक पढ़ने में।
| संकेतक | गणना | यह क्या बताता है |
|---|---|---|
| शेयर ऑफ वॉइस | निगरानी में रखे सभी ब्रांडों के उल्लेखों में, आपके सहित, 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 प्रॉम्प्ट में उनका हिस्सा जहाँ आपका उल्लेख हुआ | प्रॉम्प्ट लाइब्रेरी द्वारा तय दायरे पर आपकी पकड़। एक अच्छा संचालन संकेतक। |
| स्थिति | गिनाए गए ब्रांडों के बीच आपके उल्लेख की औसत रैंक, केवल उन प्रॉम्प्ट पर जहाँ आप दिखते हैं | सबसे पहले नाम आना संभवतः अधिक विश्वसनीयता दिखाता है। अकेले पढ़ने पर यह चापलूसी करती है: जिन प्रॉम्प्ट पर आपकी रैंक खराब थी, उनसे गायब हो जाना इसे बेहतर कर देता है। |
| भारित उल्लेख | सभी प्रॉम्प्ट पर रैंक के व्युत्क्रम का औसत, अनुपस्थितियों सहित, 100 के पैमाने पर (सूत्र तालिका के नीचे) | पकड़ और रैंक को एक ही संख्या में जोड़ता है। रोज़ देखा जाए तो यही संचालन संकेतक है, सबसे अधिक बोलने वाला। |
| भारित शेयर ऑफ वॉइस | निगरानी में रखे सभी ब्रांडों के भारित उल्लेखों के योग में आपके भारित उल्लेख का अनुपात | बाज़ार के मुक़ाबले उत्तरों में आपका वज़न, पकड़ और रैंक मिलाकर। 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, 10 बार तीसरे स्थान पर और बाक़ी 40 में अनुपस्थित, यानी 30 × 1 + 20 × 0.5 + 10 × 0.33 + 40 × 0 = 43.3 अंक प्रति 100 प्रॉम्प्ट, इसलिए 100 में 43 का भारित उल्लेख। 40 अनुपस्थितियाँ भारी पड़ती हैं: यही इस संकेतक को स्थिति से अलग करता है। औसत निकालने से पहले इसे मॉडल दर मॉडल गिनिए: ChatGPT और Perplexity आपको एक ही तरह से रैंक नहीं देते, और दोनों का अंतर अक्सर कुछ सिखाता है।
दो गुणात्मक दृष्टियाँ जोड़िए। पहले उद्धरण: उद्धृत पेज मॉडल की कथा को प्रभावित करता है। पहचानिए कि कौन से कारगर हैं और उनका उपयोग निवेश को सही ठहराने या कार्यों की प्राथमिकता तय करने में कीजिए: पहले किन चर्चा सूत्रों को प्रभावित करना है, किन वीडियो निर्माताओं से संपर्क करना है। प्रतिस्पर्धियों के उद्धरण भी देखिए। 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: सर्च इंजन, लॉग, पैनल, AI Overviews
ये चार स्रोत न उपस्थिति मापते हैं, न परिणाम: वे दोनों के बीच की यांत्रिकी पर रोशनी डालते हैं, बॉट क्या पढ़ते हैं, सर्च इंजन क्या दिखाते हैं, आगंतुक कहाँ से आते हैं। इन्हें महीने में एक बार देखिए, या तब जब प्रॉम्प्ट निगरानी का कोई आँकड़ा बिना दिखते कारण के हिले।
| स्रोत | यह क्या देता है |
|---|---|
| सर्च इंजनों के आँकड़े | Bing Webmaster Tools और Google Search Console, दोनों अपने जनित उत्तरों में आपके पेजों की जगह के आँकड़े प्रकाशित करते हैं, एक तरफ़ Copilot, दूसरी तरफ़ AI Overviews और AI Mode। ये मुख्यतः बजट आवंटन को सही ठहराने या किसी बिंदु को गहराई से समझने के काम आते हैं। |
| सर्वर लॉग | अपने लॉग में LLM के बॉट छाँटिए और दो परिवार अलग कीजिए: प्रशिक्षण और अनुक्रमण बॉट (GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot), जो मॉडलों और उनके इंडेक्स को सामग्री देते हैं, और उत्तर बॉट (ChatGPT-User, Perplexity-User, Claude-User), जो उस क्षण पेज पढ़ते हैं जब कोई मॉडल उत्तर रच रहा होता है। दूसरे, पेज दर पेज, सिद्ध करते हैं कि आप स्रोत का काम करते हैं। और जब आप मॉडलों को साइट समझाने के लिए कोई तकनीकी सुधार लागू करते हैं, तो क्रॉलिंग की तरफ़ उसका असर यहीं पढ़ा जाता है। |
| तीसरे पक्ष के आँकड़े | कुछ पैनल, जैसे Similarweb, अनुमान लगाते हैं कि आपके आगंतुकों के कितने हिस्से ने उसी दिन ChatGPT या Perplexity का भी उपयोग किया, और हर असिस्टेंट आपके प्रतिस्पर्धियों की तुलना में आपको कितने विज़िट भेजता है। ये अनुमान सावधानी से लेने चाहिए, पर यह नज़रिया, बाहरी और तुलनात्मक, कीमती है। |
| AI Overviews की निगरानी | आपका रैंक ट्रैकिंग उपकरण (Semrush, Ahrefs या SE Ranking यह देते हैं) कीवर्ड दर कीवर्ड बताता है कि AI Overview दिखता है या नहीं और आपकी साइट उसमें उद्धृत है या नहीं। साइट में किए गए बदलाव का असर मापने का अच्छा संचालन संकेतक: नई सामग्री, नई प्रस्तुति। |
परिणाम संकेतक: आपके संभावित ग्राहकों पर 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 सेशन स्रोत पर रेगुलर एक्सप्रेशन से परिभाषित एक कस्टम चैनल ग्रुप «LLM» बनाइए: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai, chat.mistral.ai। इसके बिना ये विज़िट «Referral» चैनल में डूब जाते हैं। जब कोई आगंतुक उत्तर के लिंक पर क्लिक कर आता है, तो आप उसे एट्रिब्यूट कर सकते हैं। यह संख्या एक न्यूनतम सीमा है: AI Overviews और AI Mode से आए क्लिक Google ऑर्गेनिक ट्रैफ़िक के रूप में आते हैं, पारंपरिक SEO से अलग पहचाने नहीं जा सकते, और असिस्टेंटों के मोबाइल ऐप अक्सर कोई रेफ़रर नहीं भेजते, ये विज़िट सीधे ट्रैफ़िक में गिरते हैं। कुकीज़ से पूरा कीजिए: यदि कोई संभावित ग्राहक आपकी साइट देखता है, किसी LLM से होकर लौटता है, तो कन्वर्ज़न पथ रिपोर्ट इस पड़ाव को बीच के संपर्क बिंदु के रूप में दिखाती है, चाहे जो भी एट्रिब्यूशन मॉडल चुना गया हो।
अंत में अप्रत्यक्ष संकेत। ब्रांड और सीधे ट्रैफ़िक में अस्पष्टीकृत बढ़त अक्सर वही परिदृश्य दिखाती है जो घोषित आँकड़े दिखाते हैं: पढ़ी गई सिफ़ारिश, फिर खोज। बिक्री टीम की कॉल के प्रतिलेख हर दिन विश्लेषित करवाइए ताकि वे संभावित ग्राहक पकड़े जा सकें जो LLM को स्रोत बताते हैं; एक छोटा स्वचालन काफ़ी है, एक स्क्रिप्ट जो हर प्रतिलेख पर किसी मॉडल से एक ही सवाल पूछे, «क्या संभावित ग्राहक कहता है कि उसने ब्रांड किसी एआई से जाना?», और उत्तर हाँ होने पर CRM का एक फ़ील्ड टिक कर दे। 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, न ही बिना रेफ़रर वाले क्लिक |
| अप्रत्यक्ष संकेत | ब्रांड ट्रैफ़िक, बिक्री प्रतिलेख, सर्वेक्षण | केवल सह-संबंध, अकेले प्रमाण नहीं |
सब कुछ एक जगह, और शुरुआत कहाँ से करें
आख़िरी कड़ी सबसे सरल है, बशर्ते एक क्रम का पालन किया जाए। पहले दिन वह रखिए जो मुफ़्त है और जिसका इतिहास बाद में नहीं भरा जा सकता: फ़ॉर्मों में «आपने हमें कैसे जाना?» का सवाल और GA4 में LLM चैनल ग्रुप। पहले हफ़्ते प्रॉम्प्ट लाइब्रेरी बनाइए और निगरानी शुरू कीजिए। पहले महीने पूरक स्रोत जोड़िए।
फिर ये सारे आँकड़े एक जगह इकट्ठा कीजिए, शुरुआत में एक स्प्रेडशीट काफ़ी है, और किसी एआई असिस्टेंट को, मेरे मामले में Claude, साप्ताहिक विश्लेषण सौंपिए, रुझानों का छोटा सार Slack संदेश में। पढ़ने की तीन लय: भारित उल्लेख हर दिन, काम करने वाले व्यक्ति द्वारा; सार हर हफ़्ते, मार्केटिंग टीम द्वारा; उपस्थिति और परिणाम अगल-बगल हर तिमाही, प्रबंधन के सामने, क्योंकि यही तुलना बजट तय करती है। 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 संकेतक दर संकेतक फिर से गढ़ा जाता है, एक तरफ़ उपस्थिति, दूसरी तरफ़ परिणाम, जब तक दोनों वक्र एक ही कहानी न कहें: एक तिमाही भारित उल्लेख चढ़ता है, अगली तिमाही एआई बताने वाले संभावित ग्राहकों का हिस्सा चढ़ता है। जब तक वे अलग-अलग दिशा में जाएँ, आप जानते हैं कहाँ देखना है: परिणाम के बिना उपस्थिति, तो आप ऐसे प्रॉम्प्ट पर उद्धृत हैं जो आपके ख़रीदार नहीं लाते; उपस्थिति के बिना परिणाम, तो आपकी लाइब्रेरी वह नहीं समेटती जो वे सचमुच पूछते हैं।
अक्सर पूछे जाने वाले प्रश्न
GEO के मापन और जनरेटिव खोज पर और विश्लेषण जर्नल के लेखों में उपलब्ध हैं।