Dua keluarga indikator
Seluruh perangkat ini bertumpu pada satu perbedaan sederhana. Indikator kehadiran mengukur tempat Anda dalam jawaban LLM: bergerak cepat dan mengarahkan pekerjaan sehari-hari. Indikator hasil mengukur efek nyata pada bisnis: prospek, pendaftaran, penjualan, dengan jeda berminggu-minggu. Yang pertama membenarkan upaya, yang kedua membenarkan anggaran. Keduanya diperlukan.
Indikator kehadiran: pemantauan prompt
Mulailah dengan membangun pustaka prompt yang mewakili bisnis dan tujuan produk Anda, misalnya faktur elektronik. Alat pemantau prompt seperti Peec, Profound, atau Otterly menjalankannya setiap hari di berbagai model dan mengumpulkan tiga hal: sebutan (merek Anda muncul dalam jawaban), kutipan (merek Anda dikutip sebagai sumber), dan posisi (peringkat rata-rata sebutan Anda dalam jawaban).
Dari tiga data mentah ini, saya menurunkan lima indikator.
| Indikator | Perhitungan | Apa artinya |
|---|---|---|
| Pangsa suara | Sebutan Anda dibagi seluruh sebutan | Kinerja Anda dibanding yang lain. Tidak bermakna bisnis dengan sendirinya, tetapi trennya memvalidasi upaya Anda, atau tidak. |
| Visibilitas | Tingkat sebutan atas seluruh prompt yang dijalankan | Cakupan Anda atas ruang lingkup yang ditentukan pustaka prompt. Indikator kerja yang baik. |
| Posisi | Peringkat sebutan Anda dibanding pesaing | Yang paling berharga menurut saya: disebut pertama kemungkinan besar mencerminkan kredibilitas lebih tinggi. |
| Sebutan berbobot | Rata-rata kebalikan peringkat atas semua prompt, dalam skala 100 (rumus di bawah tabel) | Dipantau setiap hari, ini indikator kemudi sejati, yang paling bicara di antara semuanya. |
| Pangsa suara berbobot | Perhitungan yang sama, diterapkan pada setiap pesaing | Membandingkan cakupan dan posisi dengan pasar. Lebih kaya daripada pangsa suara klasik, dan saling melengkapi. |
Sebutan berbobot layak diberi rumus, karena dialah yang mengarahkan pekerjaan. Untuk setiap prompt, sebutan Anda bernilai kebalikan peringkatnya: 1 jika disebut pertama, 0,5 kedua, 0,33 ketiga, 0 jika absen. Rata-rata nilai ini atas seluruh pustaka, dikalikan 100, menghasilkan indikatornya. Contoh dengan 100 prompt: disebut pertama 30 kali, kedua 20 kali, ketiga 10 kali, yakni (30 × 1 + 20 × 0,5 + 10 × 0,33) / 100 × 100 ≈ 43 dari 100.
Tambahkan dua bacaan kualitatif. Kutipan dahulu: karena alamat yang dikutip memengaruhi narasi model, dalami mana yang berhasil, gunakan untuk membenarkan investasi atau menetapkan prioritas, misalnya utas diskusi yang perlu dipengaruhi lebih dulu atau kreator video yang perlu dihubungi, dan amati apa yang dilakukan pesaing. Lalu sentimen: cara model membicarakan Anda. Jika Anda rutin memasok pihak ketiga yang akan membicarakan merek Anda, pantau efek setiap peristiwa, seperti sertifikasi baru, pada sentimen keseluruhan atau per produk.
Empat sumber pelengkap
| Sumber | Manfaatnya |
|---|---|
| Data mesin pencari | Bing dan Google menerbitkan data terkait AI mereka sendiri. Terutama berguna untuk membenarkan alokasi anggaran, atau mendalami hal tertentu. |
| Log server | Aktivitas perayap di log Anda menjawab pertanyaan konkret: Anda merilis perbaikan teknis agar model lebih memahami situs, apa efeknya di sisi perayapan? |
| Data pihak ketiga | Beberapa panel, seperti Similarweb, bisa mengatakan apakah seseorang mengunjungi LLM pada hari yang sama dengan situs Anda. Perlu kehati-hatian, tetapi sudut pandangnya berharga. |
| Pemantauan AI Overviews | Indikator kerja yang baik untuk mengukur efek taktik atau perubahan pada situs: konten baru, format baru. |
Indikator hasil: dampak nyata
Deklaratif dahulu. Pertanyaan “dari mana Anda mengenal kami?” mengukur dampak bisnis yang sebenarnya, dan putusannya sering berbeda dari model atribusi. Tanpanya Anda melewatkan skenario paling umum: seseorang membaca rekomendasi di LLM, mengetik merek Anda di Google, mengklik tautan berbayar atau organik. Tidak ada model atribusi yang melihat rantai itu.
Lalu analitik. Di GA4, saring pola alamat rujukan khas LLM (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai): ketika pengunjung datang dengan mengklik tautan dalam jawaban, Anda bisa mengatribusikannya. Lengkapi dengan cookie: jika calon pelanggan mengunjungi situs Anda, mampir ke LLM, lalu kembali, Anda semestinya melihatnya, sesuai filosofi atribusi Anda, klik pertama, klik terakhir, atau campuran.
Terakhir, sinyal tidak langsung. Kenaikan tak terjelaskan pada lalu lintas merek dan lalu lintas langsung mengikuti logika yang sama dengan deklaratif. Analisis transkrip tim penjualan Anda setiap hari untuk menemukan calon pelanggan yang menyebut LLM sebagai sumber, otomatisasi kecil sudah cukup. Dan pantau studi deklaratif, publik maupun berbayar, yang mendokumentasikan cara orang mencari: selalu mencerahkan.
| Sinyal | Apa yang ditangkap | Batasannya |
|---|---|---|
| Deklaratif | Kanal nyata tempat prospek mengenal Anda | Bergantung pada ingatan dan kejujuran responden |
| Analitik (GA4) | Klik langsung dari jawaban LLM | Buta pada rekomendasi yang diikuti pencarian merek |
| Sinyal tidak langsung | Lalu lintas merek, transkrip penjualan, studi | Korelasi, tidak pernah bukti dengan sendirinya |
Menyatukan semuanya
Mata rantai terakhir paling sederhana: kumpulkan semua data di satu tempat dan serahkan kepada Claude analisis mingguan, dengan ringkasan singkat evolusi tren yang dikirim lewat pesan Slack. Pengukuran hanya berharga jika ada yang membacanya setiap minggu.
Pada 2026, dampak LLM terhadap perolehan prospek tidak terbaca di dasbor jadi mana pun. Ia dibangun ulang, indikator kehadiran demi indikator hasil, sampai kedua kurva menceritakan kisah yang sama.
Pertanyaan umum
Analisis lain tentang pengukuran dan pencarian generatif tersedia di jurnal.