manuboss
Pourquoi c'est important
L'IA change la façon dont vos clients rechercher et réécrire les règles de la visibilité des marques.
En tant que spécialistes du marketing, nous devons comprendre ce qui fait que les grands modèles linguistiques (LLM) font appel à certaines marques et pas à d'autres lorsque des questions pertinentes sont posées.
Pour ce faire, nous devons commencer à analyser quels facteurs peuvent influencer la visibilité de ces réponses.
Pourquoi nous avons construit cette étude
Nous avons vu d'excellents tests à petite échelle sur les résultats du LLM, mais rien qui aborde la situation dans son ensemble.
Pourquoi? Parce que faire évoluer le suivi et l’analyse des questions est incroyablement difficile. C'est là notre outil propriétaire de suivi LLM est entré.
Nous ne suivons pas seulement les questions et réponses prioritaires de nos clients (de la même manière que la plupart des référenceurs suivent les mots-clés prioritaires pour surveiller les SERP), mais nous pouvons également exécuter des tests à grande échelle et joindre des données provenant d'autres sources pour découvrir des modèles entre les mentions LLM et facteurs externes.
Nous nous efforçons de trouver des informations exploitables pour l'avenir afin de déterminer quels facteurs ont réellement un impact sur la visibilité du LLM.
L'approche
Notre objectif ultime est de découvrir les facteurs qui sont en corrélation avec une forte visibilité LLM et de les mettre à l'épreuve. Cela signifie suivre des questions spécifiques au fil du temps, procéder à des ajustements stratégiques en fonction des facteurs que nous avons identifiés et mesurer l'impact sur chaque marque. Il s’agit de déterminer ce qui fonctionne et ce qui ne fonctionne pas dans un contexte réel.
Cet article n'est que le début. Pour l'instant, nous nous concentrons sur la première phase : repérer les corrélations entre les mentions LLM et les facteurs liés à la recherche.
Ensuite, nous examinerons des domaines tels que le contenu de la page, les fonctionnalités de relations publiques, les notes, les avis et bien plus encore pour comprendre comment ils façonnent les réponses LLM.
Le cadre que nous construisons nous aidera à exécuter des tests plus intelligents et ciblés et à affiner nos stratégies pour aider nos clients à maximiser la visibilité des réponses de l'IA.
Ce que nous voulions découvrir
Notre mission ? Pour répondre aux grandes IA Répondez aux questions :
- Les meilleurs classements Google ou Bing augmentent-ils les mentions LLM ?
- Des contenus diversifiés (images, vidéos, publicités) rendent-ils les marques plus visibles ?
- Les backlinks et le classement de domaine sont-ils la sauce secrète derrière les mentions ?
Comment nous l'avons fait
Nous sommes allés grand avec notre processus :
- Mots-clés recueillis : Nous avons tiré Plus de 300 000 mots-clés en finance et SaaS à partir de sources payantes et organiques.
- Classements vérifiés : Nous avons analysé ces mots-clés via Google et Bing pour obtenir des classements et des données sur les pages de résultats des moteurs de recherche (SERP).
- Questions extraites : Ces mots-clés ont déclenché près de 600 000 personnes posent également des questions sur Google et Bing. Nous utilisons des proxys de questions People Also Ask (PAA) pour les requêtes des utilisateurs réels et les avons restreintes à 10 000 pertinents.
- J'ai interrogé le LLM : J'ai couru ceux 10 000 questions via l'API GPT4o d'OpenAI pour voir quelles marques sont apparues. Nous nous sommes spécifiquement concentrés sur les questions qui déclencheraient naturellement des mentions de marque (par exemple, « Quel est le meilleur CRM pour les petites entreprises ? » et pas « Comment ouvrir un compte bancaire ? »).
- Mentions comptées : Extraire les noms de marques des réponses pour mesurer la fréquence à laquelle ils apparaissent dans l'ensemble de données.
Le défi Join Key
Voici où les choses sont devenues délicates :
Pour tout analyser, nous avons dû faire correspondre les mentions de marque avec leurs domaines pour créer une clé de jointure permettant de mélanger correctement les données LLM et SEO. Cela semble simple, non ? Pas tellement. Parce que les LLM fournissent des réponses à des questions spécifiques, ils font un excellent travail en nommant des produits spécifiques mais pas la marque globale elle-même.
Cette étape a été un casse-tête mais a inspiré plusieurs nouvelles fonctionnalités que nous prévoyons d'intégrer dans notre Outil de suivi LLM pour permettre de futures analyses cross-canal avec des réponses IA.
Rassembler tout cela
Une fois que nous avons eu la clé de jointure, nous nous sommes connectés :
- Données LLM, y compris les mentions de marque et les réponses
- Notre clé de jointure marque/domaine
- Données SERP de Google et Bing, filtrées selon les mots-clés qui ont déclenché les questions PAA spécifiques que nous avons posées à ChatGPT
Ce mélange de données nous permet d'approfondir les tendances et les corrélations pour voir ce qui détermine réellement la visibilité du LLM.
Ce qui nous a surpris
Les classements Google sont importants :
Le classement des marques sur la page 1 de Google a montré une forte corrélation (~0,65) avec les mentions LLM. Les classements Bing étaient également importants, mais dans une moindre mesure (~ 0,5 à 0,6).
Les backlinks ne signifient pas grand-chose :
Nous nous attendions à ce que les backlinks jouent un rôle important, mais leur impact était faible, voire neutre.
La variété du contenu est surfaite :
Le contenu multimodal n’a pas fait bouger les choses autant que nous le pensions.
Filtrage du bruit
Tous les sites Web ne proposent pas de contenu orienté solution. Les forums, les réseaux sociaux et les agrégateurs sont des lieux où les gens posent des questions, et non des solutions.
Par exemple, si vous demandez « Quelle est la meilleure carte de crédit pour les étudiants ? » à un LLM, vous n'obtiendrez pas « Reddit » comme réponse. Nous devions donc supprimer les sites Web susceptibles d'être classés de manière organique pour les termes de recherche liés aux « cartes de crédit pour étudiants », mais qui n'apparaîtraient jamais dans les réponses LLM aux questions connexes.
Nous avons utilisé notre Signaux de voyant fonction de catégorisation des sites Web pour séparer les sites Web axés sur les solutions (comme les fournisseurs SaaS ou les sites de services) du bruit. Lorsque nous avons filtré les forums, les agrégateurs et les sites similaires, les corrélations entre les classements et les mentions sont devenues encore plus fortes.
Les résultats: En supprimant le bruit (par exemple, les forums, les médias sociaux et les agrégateurs), nous avons constaté des corrélations plus fortes pour les sites Web orientés solutions, qui étaient plus susceptibles d'apparaître dans les réponses LLM.
Points clés à retenir
Les classements de recherche semblent jouer un certain rôle en influençant les mentions LLM, mais ils ne représentent pas tout. Les relations publiques, les partenariats et les stratégies sur la page sont des domaines que nous aborderons ensuite.
Le filtrage du bruit des données pour se concentrer sur les sites Web orientés solutions montre des corrélations encore plus fortes, prouvant importance d’un contenu pertinent et de haute qualité.
Quelle est la prochaine étape ?
Restez à l'écoute car ce test est la première étape d'une étude plus vaste. Nous avons de nombreux autres facteurs à tester, notamment des facteurs sur la page, des efforts de relations publiques, etc., tels que :
- Explorer comment les efforts de relations publiques et les partenariats OpenAI (comme celui de Hearst) influencent les mentions.
- Examiner le rôle des politiques de citation et des stratégies de contenu spécifiques.
- Voir l'impact des mises à jour en temps réel sur les mentions de marque dans les réponses de l'IA.
Une fois que nous aurons identifié des corrélations positives, nous approfondirons la question en suivant un ensemble de questions de manière récurrente, en apportant des changements ciblés en fonction de ces facteurs et en mesurant si elles influencent les réponses générées par LLM pour des marques spécifiques.
Nous sommes ravis de continuer à apprendre et à repousser les limites de la visibilité de l'IA.
Que devrions-nous tester ensuite ?
Vous avez des idées sur les facteurs qui pourraient être importants ? Laisser un commentaire -nous serions ravis d'entendre vos commentaires !
