Никто не отрицает, что покупатели используют ИИ для поиска товаров. Возражение, которое мы слышим, заключается в том, что это невозможно измерить: нет кликов, нет ключевых слов, нет чистых данных о рефералах. Маркетологи говорили то же самое о рекламе в подкастах, где нет ссылки, по которой можно кликнуть. Но индустрия все равно нашла способ их измерить с помощью пикселей, которые сопоставляют загрузку слушателя с последующим посещением сайта бренда. Покупки через ИИ тоже можно измерить. Инфраструктура еще не полностью готова, но мы уже разобрались с некоторыми аспектами. Сегодня заменой пикселей для покупок через ИИ служат симулированные вопросы покупателей и контролируемые тесты «до и после». Бренды, с которыми мы работаем, постоянно задают одни и те же вопросы:
- Какие ИИ-движки рекомендуют нас и на каком этапе пути покупателя они перестают это делать?
- Направляют ли ИИ-движки трафик на наш сайт?
- Когда ИИ-агент совершает покупку за покупателя, находят ли наши товары?
- Когда мы улучшаем данные о наших товарах, как узнать, принесло ли это результат?
Большинство инструментов измерения были созданы для покупателей, которые вводят ключевые слова и переходят по ссылкам, поэтому они плохо отвечают на эти вопросы. Вот как Fabric отвечает на каждый из них сегодня и что еще предстоит создать.
Рейтинги по ключевым словам не применимы к ИИ. ИИ-движок пишет один ответ вместо ранжированного списка, и этот ответ меняется в зависимости от вопроса, модели и формулировки. Инструменты AEO отслеживают, как часто упоминается бренд, но их показатели трафика обычно учитывают только клики по ссылке внутри ответа ИИ.
Бренду нужно видеть, что именно ИИ говорит о его товарах и на каком этапе покупки. Поскольку бренды не могут видеть реальные диалоги, мы их симулируем. Мы задаем ChatGPT, Gemini, Perplexity и другим ассистентам вопросы, которые покупатель задал бы на каждом этапе:
- Ознакомление с категорией: «Что нужно знать перед покупкой робота-пылесоса?» Опирается ли ответ на контент бренда?
- Поиск: «Какой робот-пылесос до $500 лучше всего подойдет для маленькой квартиры?» Предлагается ли бренд?
- Сравнение: Мы просим ассистента сравнить его предложения. Как часто бренд выигрывает?
- Валидация: Мы сужаем список («он должен справляться с шерстью домашних животных») или расширяем его, увеличивая бюджет. Остается ли бренд в шорт-листе или возвращается в него?
- Конверсия: Мы спрашиваем, где купить. Называет ли ассистент место, где можно приобрести товар бренда? Для ритейлеров это часто единственный этап, на котором они появляются.
Суть в том, чтобы найти этап, на котором бренд выпадает, потому что каждый из них требует своего решения. Бренду, который никогда не предлагается, нужна иная работа, чем тому, который предлагается, но проигрывает в сравнениях. В вопросах никогда не называется бренд, поэтому мы видим, появляется ли он и какие другие бренды выступают в качестве конкурентов. Мы опрашиваем группу таких ассистентов на каждом движке отдельно и повторяем это с течением времени, что показывает, насколько сильны позиции каждого бренда на каждом этапе и в каждом движке.
Для мультибрендовых ритейлеров воронка выглядит иначе. В наших симуляциях ритейлеры редко появляются, пока покупатель изучает категорию или сравнивает товары. Они конкурируют только на последнем этапе, когда покупатель спрашивает, где купить, и обычно выигрывают за счет чего-то конкретного: местного магазина, быстрой доставки, услуг по установке или ремонту. По мере того как агенты берут на себя больше функций по совершению покупок, мы ожидаем, что большая часть этого последнего этапа будет направляться прямо на сайт бренда. Ритейлеры, которые не измеряют, где они появляются, и не действуют быстро, когда выпадают из выдачи, рискуют быть полностью исключенными из покупок через ИИ.
Да, даже когда нет клика для отслеживания. Покупатели склонны проводить исследование в ИИ-движке, а затем искать бренд в Google или вводить адрес сайта. Многие ИИ-приложения также не идентифицируют себя, когда направляют кого-то на сайт, поэтому такие визиты попадают в «Прямой трафик». Некоторые аналитики называют это «темным ИИ-трафиком».
Чтобы учесть его, мы смотрим на трафик, на который данные о товарах действительно могут повлиять: визиты от ИИ-ассистентов, которые легко заметить, и органический поиск. Мы исключаем платный, партнерский и email-трафик, так как обогащение данных на них не влияет.
Протокол Universal Commerce Protocol (UCP) от Google и Shopify, представленный в январе, позволяет ИИ-движкам и агентам искать товары в каталоге бренда и покупать их напрямую, без перехода на страницы товаров. В Shopify UCP встроен, а бренды на других платформах создают это соединение самостоятельно.
Подвох в том, что когда агент ищет товар в каталоге через UCP, товар выдается только в том случае, если его данные соответствуют тому, о чем спросил покупатель. Поэтому мы прогоняем набор вопросов покупателей через каталог ритейлера с помощью UCP и подсчитываем, сколько из них возвращают правильные товары до и после обогащения данных. Обогащенные каталоги чаще возвращаются в ответ на более широкий спектр вопросов в своей категории. Для покупок, которые агенты совершают через UCP в Google, Merchant Center показывает эффективность этих транзакций.
«Сырой» трафик может вводить в заблуждение, особенно в четвертом квартале. Многие ритейлеры видят рост визитов на 200–400% в праздники, и большая часть этого — сезонный фактор. Чтобы изолировать эффект обогащения данных, мы используем метод «разность разностей» (difference-in-differences). Мы сравниваем обогащенные товары с похожими товарами, которые не были обогащены, за тот же период. Сезонный фактор влияет на обе группы, поэтому все, что обогащенные товары получили сверх того, что получили остальные, является результатом обогащения.
Допустим, трафик на необогащенные товары удваивается с октября по декабрь, а трафик на обогащенные товары вырастает в 2,3 раза. Сезон объясняет удвоение, поэтому обогащенные товары показали результат на 15% выше, чем если бы на них влиял только сезон. Эти 15% — результат обогащения. Для одного зоомагазина, с которым мы работаем, обогащение товаров данными поставщиков увеличило общее количество сессий на 17%, что было измерено этим же методом.
Это работает независимо от того, получает ли ИИ-ассистент новые данные через свой краулер с течением времени или считывает страницу товара в реальном времени во время диалога. Мы делимся этими результатами с клиентами в дашбордах, которые они могут отслеживать в реальном времени, наряду с ранними индикаторами в первые недели после обогащения.
Симуляции показывают, что говорят ИИ-ассистенты, а не то, что делают реальные покупатели. Они не могут сказать нам, сколько людей задали конкретный вопрос или сколько ушли без покупки. Атрибуция подкастов стала популярной, как только хостинговые платформы разместили пиксели на каждой загрузке. Покупкам через ИИ нужны те же рельсы: ассистенты, которые передают данные о рефералах и завершают покупки напрямую у ритейлеров. Как только они появятся, мы включим их в ту же систему измерений, и это та область, за которой мы следим наиболее пристально.
Вам не нужно ждать, пока инфраструктура будет готова. Fabric показывает, как ваши товары представлены в ИИ-ассистентах на каждом этапе покупки, обогащает данные о товарах, лежащие в основе этих ответов, и измеряет влияние на трафик и продажи. Начать стоит с оценки ИИ-каталога, которая покажет, где данные о ваших товарах полны, а где ассистенту приходится догадываться.
Посмотрите, как работает ваш бренд →












