في الحلقة السابقة، توقفنا عند واحدة من أصعب النقاط في قياس أداء البحث بالذكاء الاصطناعي:
Attribution الإسناد.
ببساطة، الإسناد يعني أن نفهم: ما مقدار مساهمة البحث بالذكاء الاصطناعي فعليًا في النتائج التجارية التي نحققها؟
كان Attribution في SEO صعبًا من الأساس، ومع دخول الذكاء الاصطناعي أصبح أكثر تعقيدًا.
والسبب الرئيسي بسيط:
رحلة العميل اليوم موزعة على منصات أكثر من أي وقت مضى.
قد يكتشف العميل علامتك التجارية عبر ChatGPT، ثم يبحث عن اسم شركتك لاحقًا على Google، ويزور موقعك، وفي النهاية يتواصل معك عبر LinkedIn. ولا توجد منصة Analytics واحدة تستطيع أن تعرض لنا هذه الرحلة كاملة، من أول تفاعل مع الذكاء الاصطناعي وحتى إتمام الصفقة.
وهذا يغيّر الطريقة التي يجب أن نفكر بها في قياس أداء البحث.
لنفترض أن مستخدمًا سأل ChatGPT:
ما أفضل الشركات التي تقدم هذه الخدمة؟
وظهر اسم شركتك ضمن الإجابة.
لكن المستخدم لم يضغط على أي رابط ولم يزر موقعك.
بعد أسبوع، عاد وبحث عن اسم شركتك على Google.
ثم دخل إلى موقعك.
وبعد ذلك ذهب إلى LinkedIn وتواصل معك من هناك.
السؤال هنا:
من الذي سيأخذ الفضل في هذا الـ Lead؟
قد يعرض لنا Google Analytics جزءًا من الرحلة.
وقد يعرض الـ CRM جزءًا آخر.
وقد يُظهر Google Search Console عملية البحث عن اسم العلامة التجارية.
وقد تخبرنا أداة لمراقبة AI Visibility بأن العلامة ظهرت أصلًا في الـ Prompt على ChatGPT.
لكن لا توجد أداة واحدة تربط كل هذه النقاط بشكل كامل ودقيق، من أول تفاعل مع الذكاء الاصطناعي وحتى عملية البيع النهائية.
وهنا تكمن مشكلة الـ Attribution.
Google Analytics لا يزال مهمًا جدًا.
لكن لا يمكنه وحده أن يعطينا الصورة الكاملة لسلوك البحث الحديث.
لفهم أداء البحث بالذكاء الاصطناعي بشكل أفضل، نحتاج اليوم إلى دمج البيانات من عدة مصادر، مثل:
كل مصدر يعطينا جزءًا مختلفًا من رحلة العميل.
والهدف هو جمع هذه الأجزاء معًا لبناء الصورة الأكثر اكتمالًا التي نستطيع الوصول إليها.
هل ستكون الصورة دقيقة 100%؟
على الأغلب لا.
لكنها قد تكون كافية لاتخاذ قرارات أفضل بكثير.
الاعتماد على أداة واحدة لم يعد كافيًا في كثير من الحالات.
يساعدنا على فهم ما يحدث بعد وصول المستخدم إلى الموقع.
يعطينا بيانات حول ظهور الموقع وتفاعل المستخدمين معه في Google Search، مثل:
يساعدنا على فهم ما حدث بعد الزيارة:
يساعدنا على رؤية جزء أبكر من الرحلة:
يساعدنا على معرفة ما إذا كانت أنظمة الذكاء الاصطناعي تستخدم العلامة أو الموقع كمصدر.
تعطينا النتيجة التجارية النهائية.
التحدي الحقيقي هو ربط كل هذه الأجزاء ببعضها.
لنفترض أنك استلمت التقرير الشهري ووجدت أن:
Organic Traffic انخفض بنسبة 8%.
إذا نظرنا إلى التقرير من خلال نموذج SEO التقليدي فقط، فقد يبدو الأمر فورًا وكأنه مشكلة.
لكن ماذا يحدث عندما نوسّع الصورة؟
لنفترض أنه خلال الفترة نفسها:
هنا يتغير تفسير الأرقام.
نعم، الترافيك انخفض.
لكن هذا لا يعني بالضرورة أن أداء البحث أو الأثر التجاري تراجع.
بل قد تكون هناك إشارات إلى أن العلامة التجارية أصبحت تدخل رحلة العميل في مرحلة أبكر من خلال البحث بالذكاء الاصطناعي.
وهذا تغيير مهم جدًا في طريقة التفكير.
انخفاض زيارات الموقع لا يعني تلقائيًا أن أداء البحث قد تراجع.
الذكاء الاصطناعي قد يغيّر المكان الذي يحدث فيه الظهور.
فبدلًا من أن يكتشف العميل العلامة التجارية لأول مرة بعد الضغط على نتيجة بحث، قد يكتشفها داخل إجابة مولدة بالذكاء الاصطناعي.
أي أن الظهور لم يختفِ بالضرورة.
ربما انتقل ببساطة إلى مرحلة أبكر من رحلة العميل.
بالطبع، لا يمكننا أن نقول تلقائيًا إن كل ارتفاع في Branded Search أو استقرار في عدد الـ Leads حدث بسبب الذكاء الاصطناعي.
لكن في المقابل، لا يمكننا أن نرى انخفاضًا بنسبة 8% في الترافيك ونستنتج مباشرة أن أداء SEO سيئ.
هذه أيضًا صورة ناقصة.
لهذا السبب تحديدًا بنينا في WeTakTik إطار AI Search Performance.
كنا نحتاج إلى طريقة أكثر شمولًا وواقعية لفهم أداء البحث، بحيث لا تتوقف عند زيارات الموقع، بل تساعدنا أيضًا على فهم ما قد يحدث في مراحل أبكر من رحلة العميل.
ويتكون الإطار من أربع طبقات:
هذه الطبقات مجتمعة تعطينا صورة أوسع عن دور البحث في الاكتشاف، وبناء الثقة، وتحقيق النتائج التجارية.
تقارير SEO التقليدية تسأل عادة:
وهذه المؤشرات لا تزال مهمة.
لكنها لم تعد تغطي الرحلة بالكامل.
نضيف أسئلة جديدة مثل:
هذه الأسئلة تساعدنا على فهم ما يحدث قبل النقرة وحولها، وليس فقط ما يحدث بعد وصول المستخدم إلى الموقع.
هذه نقطة مهمة جدًا.
تقارير AI Search لا يجب أن تستبدل تقارير SEO التقليدية.
بل يجب أن توسّعها.
ما زلنا بحاجة إلى قياس:
لكننا نضيف إليها:
الفكرة ليست أن نتخلص من المقاييس القديمة.
بل أن نضيف إليها مقاييس جديدة تناسب رحلة البحث الحالية.
إذا لم تكن الشركة قد أنشأت تقريرًا لقياس AI Search Performance من قبل، فإن أسوأ شيء يمكن فعله هو البدء بـ 50 KPI.
ابدأ ببساطة.
حدد الموضوعات الأكثر أهمية للأعمال.
ويجب أن ترتبط مباشرة بـ:
حدد مجموعة من الـ Prompts المرتبطة بهذه الموضوعات وبمراحل رحلة العميل.
مثل:
ثم راقب:
وقارن أداء علامتك التجارية بالمنافسين.
ادمج بيانات AI Search مع:
لا تحلل AI Visibility بمعزل عن بقية النشاط التجاري.
تقرير واحد منفرد لا يخبرنا بالكثير.
الأهم هو الاتجاه مع الوقت.
اسأل:
الاتجاه مع الوقت يعطينا قصة أقوى بكثير من Snapshot واحدة.
أكبر تغيير هو:
توقف عن التفكير بأن أثر البحث يبدأ بعد النقرة.
اليوم، قد يبدأ التأثير قبل ذلك بكثير.
يمكن للعميل أن يتعرف إلى شركتك من خلال إجابة يولدها الذكاء الاصطناعي.
وقد يرى:
وقد يبني رأيًا عن شركتك قبل أن يزور موقعك أصلًا.
إذا كان القياس يبدأ فقط بعد الـ Click، فنحن نقيس جزءًا فقط من الرحلة.
يمكننا اليوم النظر إلى رحلة القياس بهذه الطريقة:
لذلك، مستقبل قياس البحث ليس:
Traditional SEO أو AI Visibility.
بل الاثنين معًا.
هذه واحدة من أهم الأفكار التي يجب فهمها.
الناس لم تتوقف عن البحث.
لكن الأماكن التي يبحثون فيها والطريقة التي يبحثون بها تتغير.
قد ينتقل المستخدم في رحلة قرار واحدة بين:
ولهذا يجب أن يتطور القياس مع هذا السلوك.
لا يمكن أن تتغير رحلة البحث بالكامل بينما نستمر في قياسها فقط بالأدوات والمؤشرات التي صُممت للرحلة القديمة.
إطارنا المكوّن من أربع طبقات هو:
هل نظهر في المحادثات ذات الصلة داخل أنظمة الذكاء الاصطناعي؟
هل تستطيع هذه الأنظمة الوصول إلى معلوماتنا وفهمها واستخدامها؟
هل يتم استخدامنا والاستشهاد بنا كمصدر موثوق؟
هل يساهم هذا الظهور في Leads، والطلب، والعملاء، والإيرادات؟
أما Attribution، فهو يمتد عبر هذه الطبقات.
وهو محاولة فهم مقدار الفضل الذي يمكن أن ننسبه إلى AI Search في النتائج التي نراها.
وبسبب تشتت رحلة العميل بين عدة منصات، سيبقى Attribution في كثير من الحالات غير كامل.
لذلك، الهدف ليس بالضرورة بناء نموذج Attribution مثالي.
الهدف هو بناء نموذج أكثر واقعية.
إذا ارتفع AI Visibility وارتفع Branded Search في الوقت نفسه، فهذه إشارة تستحق الدراسة.
لكن لا يمكننا مباشرة أن نقول:
الذكاء الاصطناعي تسبب في هذا الارتفاع.
فقد تكون هناك عوامل أخرى.
ربما الشركة:
لذلك، يجب التعامل مع Correlation كإشارة، وليس كدليل على Causation.
الإطار الجيد يساعدنا على تفسير هذه الإشارات ضمن سياقها، بدلًا من المبالغة في نسب النتائج إلى AI Search.
أكبر خطأ في قياس البحث اليوم هو الاعتماد على مؤشر واحد أو أداة واحدة.
Traffic وحده ليس كافيًا.
وفي المقابل:
AI Visibility وحده ليس كافيًا أيضًا.
نحتاج إلى الجمع بين:
ثم ننظر إلى رحلة العميل بشكل متكامل.
البحث اليوم يبدأ قبل النقرة.
وطريقة قياسنا له يجب أن تعكس هذه الحقيقة.
لهذا، مستقبل Search Reporting لا يتعلق باستبدال قياس SEO التقليدي.
بل بتوسيعه.
وفي WeTakTik، ننظر إلى الرحلة من خلال:
Visibility → Retrieval → Citation → Business Impact
ثم نحاول ربط هذه الطبقات، قدر الإمكان، بالنتائج التجارية التي تهم الشركة فعلًا.
كان هذا موضوعنا اليوم.
ونتمنى أن تكون هذه الحلقة، مع الحلقتين السابقتين، قد ساعدت في توضيح الطريقة الجديدة لقياس أداء البحث بالذكاء الاصطناعي.
إذا كان لديكم أي أسئلة، اتركوها في التعليقات.
نراكم في الحلقة القادمة.
البودكاست
هل أنت مستعد لرؤية النتائج! ابدأ رحلتك الآن
