آیا ردیاب‌های دید LLM ارزشش را دارند؟

آیا هزینه کردن برای ابزارهای رصد جایگاه در مدل‌های زبان بزرگ (LLM) منطقیه یا پولمون رو دور ریختیم؟

بذارین اول یه نکته کوچیک بگم. این موضوع واقعاً بستگی به این داره که کسب‌وکار شما چطور پول درمیاره و اینکه آیا LLMها بخش اساسی از سفر مخاطب شما هستن یا نه. شما باید بفهمین که مردم واقعاً چطور از LLMها استفاده می‌کنن و این برای کسب‌وکار شما چه معنایی داره.

سفر مشتری برای برندهایی که محصولات فیزیکی می‌فروشن با ناشرانی که دیدگاه و نظر می‌فروشن یا شرکت‌های SaaS که بیشتر از هر کس دیگه‌ای به کوئری‌های مقایسه‌ای وابسته‌ان، کاملاً متفاوته.

یا مثل اون شرکت برنامه‌نویسی که توسط یه مدیر بداخلاق تو ردیت با خاک یکسان شد و کلاً از بین رفت…

مثلاً، Ahrefs بعضی از داده‌های نرخ تبدیل خودش از LLMها رو عمومی کرد. ۱۲.۱٪ از ثبت‌نامی‌هاشون از LLMها اومده، اونم فقط از ۰.۵٪ کل ترافیکشون. این عدد فوق‌العاده‌ست.

اما برای ما، ترافیک LLM نرخ تبدیل خیلی بدتری داره. در واقع یه کسر خیلی خیلی کوچیک از کل ترافیکه.

راستش رو بخواین، به نظرم ابزارهای رصد جایگاه در LLMها در این مقیاس، یه چیز موقتی و گذرا هستن. اگه از پس هزینه‌اش برمی‌آین، عالیه. اگه نه، نگرانش نباشین. خیلی جدی نگیرینشون. جستجوی هوش مصنوعی فقط بخشی از سفر اکثر مشتری‌هاست و ردیابی کردن یه سری پرامپت تکراری، روز از پی روز، ضعف‌های مشخصی داره.

این ابزارها فقط دارن حرف‌هایی که یه نفر در سال ۲۰۱۶ موقع دستشویی رفتن درباره شما تو ردیت زده رو جمع‌آوری می‌کنن.

این ابزارها چیکار می‌کنن؟

ابزارهایی مثل Profound و Brand Radar برای این طراحی شدن که به شما نشون بدن برندتون چطور در جواب‌های هوش مصنوعی معرفی و پیشنهاد می‌شه. به مرور زمان، می‌تونین جایگاه خودتون و رقبای خودتون رو در این پلتفرم‌ها اندازه بگیرین.

اما دیده‌شدن در LLMها مثل شعبده‌بازی و تردستیه.

یه سوال می‌پرسین، یه جواب می‌گیرین. همون سوال رو، از همون ماشین، از همون کامپیوتر دوباره می‌پرسین و یه جواب متفاوت می‌گیرین. یه جواب متفاوت با ارجاعات و کسب‌وکارهای متفاوت.

مجبوره اینطوری باشه، وگرنه هیچوقت از مدل‌های حوصله‌سربر استفاده نمی‌کردیم.

برای مقابله با این تنوع ذاتی که توسط تنظیمات «دمای» اونها (temperature setting) تعیین می‌شه، ابزارهای ردیابی LLM پرامپت‌ها رو به طور مکرر در طول روز شبیه‌سازی می‌کنن. با این کار، شما به یک امتیاز میانگین برای دیده‌شدن و ارجاع می‌رسین، به علاوه چند تا قابلیت جانبی واقعاً مفید مثل امتیاز احساسات (sentiment score) و مقایسه با رقبا.

«مقادیر بالاتر مثل ۰.۸ خروجی رو تصادفی‌تر می‌کنه، در حالی که مقادیر پایین‌تر مثل ۰.۲ اون رو متمرکزتر و قطعی‌تر می‌کنه.»

مستندات OpenAI

فرض کنین یه پرامپت رو ۱۰۰ بار شبیه‌سازی می‌کنیم. اگه محتوای شما توی ۷۰ تا از جواب‌ها استفاده شده باشه و ۷ بار هم به شما ارجاع داده شده باشه، شما امتیاز دیده شدن ۷۰٪ و امتیاز ارجاع ۷٪ رو می‌گیرین.

باور کنین، این از چیزی که به نظر میاد خیلی بهتره… این موتورها اصلاً دوست ندارن به شما ترافیک بفرستن.

به قول عالی برایان بالفور، اونا خندق رو پیدا کردن و دروازه‌ها بازه. ولی به زودی بسته می‌شه. وقتی بسته بشه، کسب درآمد سریع و بی‌رحمانه خواهد بود. احتمال گرفتن هر نوع ترافیک ارجاعی، مگر اینکه پولی باشه، خیلی کمه.

درست مثل همه شرکت‌های تکنولوژی تاریخ.

اگه جیبتون پر پول نیست، به نظرم اکثر کسب‌وکارها فعلاً نیازی به سرمایه‌گذاری روی این ابزارها ندارن. برای اکثر ما، این‌ها بیشتر یه چیز «باحال» هستن تا یه «ضرورت».

چطوری کار می‌کنن؟

تا جایی که من فهمیدم، دو مدل اصلی وجود داره.

1. پول می‌دین برای ابزاری که پرامپت‌های مصنوعی مشخصی که خودتون اضافه می‌کنین رو ردیابی می‌کنه.
2. یه ابزار در سطح سازمانی (enterprise) می‌خرین که بخش بزرگ‌تری از بازار رو در مقیاس وسیع رصد می‌کنه.

بعضی ابزارها، مثل Profound، هر دو مدل رو ارائه می‌دن. مدل ارزون‌تر (که البته قیمتش برای اکثر کسب‌وکارها مناسب نیست) به شما اجازه می‌ده پرامپت‌های مصنوعی رو زیرمجموعه موضوعات و/یا تگ‌ها ردیابی کنین. مدل سازمانی مقیاس خیلی بزرگ‌تری بهتون می‌ده.

در حالی که ابزارهایی مثل Ahrefs Brand Radar دید وسیع‌تری از کل بازار ارائه می‌دن. از اونجایی که همه پرامپت‌ها مصنوعی هستن، یه سری حفره‌های بزرگ وجود داره. ولی من دید وسیع رو ترجیح می‌دم.

من هنوز ازش استفاده نکردم، ولی معتقدم Similarweb هم ابزار رصد جایگاه LLM خودش رو راه‌اندازی کرده که شامل پرامپت‌های واقعی کاربران از داده‌های Clickstream می‌شه.

به نظر من این باعث می‌شه این ابزارها خیلی مفیدتر بشن و تا حدی به مشکل بزرگ پرامپت‌های مصنوعی جواب می‌ده. و به شما کمک می‌کنه نقش LLMها رو در سفر کاربر درک کنین. که این خیلی ارزشمندتره.

مشکل کجاست؟

آیا سئوی خوب شانس شما رو برای بهتر دیده شدن در LLMها بالا می‌بره؟

به نظر که اینطوره…

GPT-5 دیگه نیازی به آموزش روی اطلاعات بیشتر نداره. الان به همون اندازه‌ای اطلاعات داره که اربابانش حاضرن براش پول خرج کنن. از زیر و رو کردن خرت‌وپرت‌های اینترنت خسته شده و از طریق RAG به یک ایندکس جستجو مراجعه می‌کنه تا جوابی رو تأیید کنه. جوابی که به اندازه کافی برای ارائه مؤثرش اعتماد به نفس نداره.

ولی مطمئنم اگه هدف اصلی شما افزایش دیده‌شدن در LLMها باشه، باید یه تغییراتی تو کارمون بدیم. مثلاً افزایش هزینه‌ها برای کمپین‌های بالای قیف (TOFU) و روابط عمومی دیجیتال یه نکته قابل توجهه.

در حال حاضر، LLMها مشکل اسپم واضحی دارن. مشکلی که انتظار ندارم به این زودی‌ها بخوان برای حلش سرمایه‌گذاری کنن. حباب هوش مصنوعی و ارزش‌گذاری‌های نجومی این شرکت‌ها دیکته می‌کنه که چطور و با چه سرعتی درآمدزایی کنن.

و این راه مطمئناً حل کردن مشکل اسپمشون نخواهد بود. وقتی یه قرارداد ۳۰۰ میلیارد دلاری برای پرداخت داری و درآمدت ۱۲ میلیارد دلاره، به پول بیشتری نیاز داری. اونم سریع.

پس هر کسی که برای لینک‌سازی در بهترین صفحات پول می‌ده یا متن‌های مخفی و در فوتر به وب‌سایتش اضافه می‌کنه، در کوتاه‌مدت سود می‌بره. ولی اکثر ما باید همچنان برای آدم‌های واقعی که نفس می‌کشن و خروپف می‌کنن محتوا تولید کنیم.

با نسخه‌های جدید ابزارهای ردیابی LLM که به جای فرموله کردن جواب بر اساس «دانش» آموخته‌شده، از جستجو استفاده می‌کنن، ایجاد یک «استراتژی بهینه‌سازی برای LLM» حتی سخت‌تر هم می‌شه.

به عنوان یه سایت خبری، می‌دونم که اکثر پرامپت‌هایی که ما ممکنه توشون ظاهر بشیم، ایندکس وب رو فعال می‌کنن. برای همین واقعاً ارزشش رو نمی‌بینم. همه چیز خیلی به سئو گره خورده.

چطور با تحلیل احساسات، ارزش اضافه کنیم؟

من تقریباً هیچ ارزش خاصی در ردیابی پرامپت‌ها در LLMها در سطح پاسخ‌دهی پیدا نکردم. پس بیاین اینا رو برای یه لحظه فراموش کنیم و برای یه کار دیگه ازشون استفاده کنیم. بیاین با تحلیل احساسات شروع کنیم.

این ابزارها به ما این موارد رو می‌دن:

• امتیاز کلی احساسات آنلاین.
• منابع نقدی که LLMها به اون‌ها استناد کردن (در سطح پرامپت).
• امتیاز احساسات بر اساس موضوعات.
• پرامپت‌ها و لینک به منابع اطلاعاتی داخل و خارج از سایت.

می‌تونین بفهمین که بعضی از این مشکلات از کجا شروع می‌شن. که اگه بخوایم روراست باشیم، اساساً از Trustpilot و Reddit هستن.

نمی‌خوام همه چیز رو توضیح بدم، ولی چند تا مثال سریع می‌زنم:

1. ممکنه LLMها به پادکست‌ها و خبرنامه‌هایی که اخیراً غیرفعال شدن به عنوان «دلایل اشتراک» اشاره کنن.
2. ممکنه فرآیند لغو اشتراک شما به عنوان جدی‌ترین مشکل برای اکثر مشتریان ذکر بشه.

تا زمانی که شما صراحتاً اعلام نکنین که این پادکست‌ها و خبرنامه‌ها تموم شدن، همه چی برای LLMها مجازه. شما باید استراتژی بازاریابی محصول و ارتباطاتتون رو محکم‌تر کنین.

اول برای مردم. بعد برای LLMها.

این‌ها پروژه‌هایی نیستن که فقط به سئو ربط داشته باشن. ما داریم وارد دوره‌ای می‌شیم که پیش بردن پروژه‌هایی که صرفاً برای سئو هستن، سخت می‌شه. یه راه عالی برای گرفتن تأیید مدیران اینه که روی پروژه‌هایی دست بذارین که مزایایی خارج از دنیای جستجو دارن.

برجسته کردن مشکلات جدی کسب‌وکار – مثل نظرات منفی، اطلاعات نادرست و قدیمی و غیره – می‌تونه به جلب توجه و حمایت مدیران ارشد برای پروژه‌های کلیدی مدیریت اعتبار برند کمک کنه.

به نظر من، این هیچ ربطی به LLMها نداره. یا اینکه مخاطبان ما ممکنه چه سوالی از یه موتور پاسخگوی بی‌اطلاع بپرسن. اون‌ها فقط یه وسیله‌ان.

موضوع اصلی، حل کردن مشکلاته. مشکلاتی که برای کسب‌وکار شما ارزش واقعی ایجاد می‌کنن. در مورد شما، این می‌تونه افزایش ارزش طول عمر مشتری (LTV) باشه. افزایش نرخ نگهداری، کاهش ریزش مشتری و افزایش شانس تبدیل با ارائه یک تجربه بهتر.

اگه به اندازه کافی تو حوزه سئو کار کرده باشین، حتماً کسی ایده بهبود احساسات آنلاین و نظرات رو پیش شما مطرح کرده.

جف، صاحب کسب‌وکار خسته، می‌پرسه: «ولی این کار به سئوی ما هم کمکی می‌کنه؟»

کی می‌دونه جف جان. واقعاً بستگی داره که چی جلوی پیشرفتت رو در مقایسه با رقبا گرفته. و چه بخوای چه نخوای، جستجو در حال حاضر خیلی جای سرمایه‌گذاری نیست.

ولی در این مورد خاص، این موضوع اهمیتی نداره. این یه پروژه «اول-جستجو» نیست. یه پروژه «اول-مخاطب» هست. همه رو در بر می‌گیره. از خدمات مشتری گرفته تا سئو و تیم تحریریه. این کار، کار درست برای کسب‌وکاره.

یه نگاه سریع به اطلاعات فاش‌شده گوگل بهتون نشون می‌ده که چقدر معیارهای مرتبط با نظرات و احساسات ممکنه روی رتبه‌بندی شما تأثیر بذارن.

برای مدت طولانی، جستجو حول محور برندها و اعتماد بوده. حجم جستجوی نام برند، عملکرد بهتر از نرخ کلیک مورد انتظار (یه مدل پیش‌بینی‌کننده از نوع بیزی)، ترافیک مستقیم و تعامل و رضایت کلی کاربر.

این به این خاطر نیست که گوگل بهتر از مردم می‌فهمه. به این خاطره که اون‌ها حس ما رو نسبت به صفحات و برندها در ارتباط با کوئری‌ها ذخیره کردن و از اون به عنوان یک حلقه بازخورد استفاده کردن. گوگل به برندها اعتماد داره چون ما به اون‌ها اعتماد داریم.

اکثر ما هیچوقت نگران نظرات و احساسات نبودیم. ولی الان زمان خوبیه که هر مشکلی که دارین رو تحت عنوان AEO، GEO، SEO یا هر اسم دیگه‌ای که دوست دارین روش بذارین، حل کنین.

مقاله لارس لوفگرن با عنوان چطور یک رقیب، یک بوت‌کمپ ۲۳.۵ میلیون دلاری را با تبدیل شدن به مدیر ردیت فلج کرد، نگاهی فوق‌العاده به اینه که چطور Codesmith توسط روابط عمومی منفی زمین‌گیر شد. روابط عمومی منفی که توسط فقط یک مدیر ردیت شروع و حفظ شد. فقط یکی.

پس زیر نظر داشتن اعتبارتون و شناسایی مشکلات بالقوه جدی هیچوقت کار بدی نیست.

می‌تونم خودم یکی بسازم؟

بله. برای شروع، به یه برآورد از هزینه‌های ماهانه APIهای LLM بر اساس تعداد توکن‌های مورد نیاز در ماه نیاز دارین. بیاین از پلن قیمت‌گذاری پایین‌تر Profound به عنوان یه تخمین و از دوست قدیمیمون Gemini برای محاسبه هزینه‌های تقریبی استفاده کنیم.

• ۲۰۰ پرامپت × ۱۰ اجرا × ۱۲ روز (تقریباً) × ۳ مدل = ۲۴,۰۰۰ اجرای ماهانه.
• ۲۴,۰۰۰ اجرا × ۱,۰۰۰ توکن/کوئری (تخمین محافظه‌کارانه) = ۲۴,۰۰۰,۰۰۰ توکن.

بر این اساس، این یه برآورد هزینه (امیدوارم دقیق) برای هر مدل از طرف رفیق رباتمونه.

خب. حالا به یه سری قابلیت‌های بک‌اند، فضای ذخیره‌سازی داده و یه بخش فرانت‌اند برای نمایش داده‌ها نیاز دارین. من همینطور که پیش می‌ریم هزینه‌ها رو جمع می‌زنم.

۲۱ دلار در ماه

بک‌اند (Back-End)

• یک زمان‌بند/اجراکننده مثل Render VPS برای اجرای ۸۰۰ فراخوانی API در روز.
• یک هماهنگ‌کننده داده. اساساً، مقداری کد پایتون برای پردازش JSON خام و استخراج داده‌های مربوط به ارجاع و دیده شدن.

۱۰ دلار در ماه

ذخیره‌سازی داده (Data Storage)

• یک پایگاه داده، مثل Supabase (که می‌تونین مستقیماً از طریق Lovable بهش متصل بشین)، برای ذخیره پاسخ‌های خام و معیارهای ساختاریافته.
• فضای ذخیره‌سازی داده (که باید به عنوان بخشی از پایگاه داده شما باشه).

۱۵ دلار در ماه

نمایش در فرانت‌اند (Front-End Visualization)

• یک داشبورد وب برای ایجاد داشبوردهای تعاملی و قابل اشتراک‌گذاری. من بدون شوخی عاشق Lovable هستم. اتصال مستقیمش به پایگاه‌های داده آسونه. قبلاً از Streamlit هم استفاده کردم. Lovable خیلی شیک‌تر به نظر می‌رسه ولی چالش‌های خودشو داره.
• ممکنه به یه کتابخونه مصورسازی هم برای ایجاد نمودارها و گراف‌های سری زمانی نیاز داشته باشین. بعضی داشبوردها این قابلیت رو به صورت داخلی دارن.

۵۰ دلار در ماه

۹۶ دلار برای همه چی. البته فکر می‌کنم به ۵۰ دلار نزدیک‌تر باشه تا ۱۰۰ دلار. بدون هیچ صرفه‌جویی. با در نظر گرفتن ابزارهایی که من استفاده می‌کنم (مثل Lovable) و تخمین‌های Gemini، داریم در مورد ابزاری صحبت می‌کنیم که هزینه اجرا و عملکرد خوبش زیر ۱۰۰ دلار در ماه خواهد بود.

این پروژه یا ساختار پیچیده‌ای نداره. به نظر من، یه پروژه عالی برای یاد گرفتن اصول اولیه کدنویسیه. که البته باید بگم همیشه هم مثل گل و بلبل نیست.

خب، بالاخره بخریم یا نه؟

اگه از پس هزینه‌اش برمی‌آین، به نظرم یکی بخرین. حداقل برای یکی دو ماه. احساسات آنلاین در مورد برندتون رو بررسی کنین. ببینین مردم واقعاً در مورد شما آنلاین چی می‌گن. چند تا برد سریع و کم‌دردسر در زمینه بازاریابی محصول و مدیریت نقدها/اعتبار پیدا کنین و ببینین رقبای شما در چه وضعیتی هستن.

این ممکنه مهم‌ترین بخش دیده‌شدن در LLMها باشه. یه داشبورد ردیابی از طریق گوگل آنالیتیکس (یا هر ارائه‌دهنده تحلیلگر افتضاح دیگه‌ای که استفاده می‌کنین) بسازین و ببینین الف) چقدر ترافیک می‌گیرین و ب) آیا این ترافیک ارزشمنده یا نه.

هر چی ترافیک ارزشمندتر باشه، رصد جایگاهتون در LLMها هم ارزش بیشتری پیدا می‌کنه.

می‌تونین خودتون هم یکی بسازین. لذت ساختنش اینه که الف) یه مهارت جدید یاد می‌گیرین و ب) می‌تونین با همون هزینه، چیزهای دیگه‌ای هم بسازین.

خسته‌کننده؟ بله. سرگرم‌کننده؟ قطعاً.