Зачем нужен RankLens
Разработчики RankLens столкнулись с проблемой: сложно было дать клиентам четкий ответ на вопрос, насколько часто ИИ-ассистенты предлагают их бренд в сравнении с конкурентами. Вместо хаотичных промптов для SEO этот инструмент применяет структурированные пробы, привязанные к конкретным сущностям. Каждая такая проба сочетает бренд или сайт с определенным намерением пользователя, а для точности проводят множественные запуски, чтобы минимизировать влияние случайного шума от промптов и вариативности моделей.
Что отслеживает RankLens для каждой пробы
- явное упоминание бренда или сайта (Brand Match);
- точность рекомендаций, когда бренд предлагается как основной ответ (Brand Target);
- частоту рекомендаций конкурентов вместо вашего бренда (Brand Appearance + доля голоса);
- вероятность того, что ИИ порекомендует бренд (Brand Discovery);
- оценку заметности и уверенности модели в этой рекомендации.
Индекс видимости и его применение
Все эти метрики объединяются в общий индекс видимости. Благодаря ему бренды и агентства могут отслеживать изменения в рекомендациях ИИ со временем, сравнивать разные системы вроде чат-ботов типа ChatGPT с другими, а также замечать моменты, когда они теряют долю внимания ИИ в пользу конкретных соперников в определенных регионах или локалях.
Методология и исходный код
Фреймворк для проб на основе сущностей открыт для всех: код и конфигурации доступны в репозитории RankLens Entities.
Подробное исследование по теме называется «Entity-Conditioned Probing with Resampling: Validity and Reliability for Measuring LLM Brand/Site Recommendations» и опубликовано по ссылке: https://zenodo.org/records/17489350.