Jak LLM Shelf mierzy widoczność produktów w AI

1. Definicja produktu i kategorii

Zaczynamy od zdefiniowania audytowanego produktu, kontekstu kategorii, rynku, claims, pozycjonowania i istotnych konkurentów. Obejmuje to marki producenckie, retailerów, private labels i kategorie sąsiednie, które mogą rozwiązywać tę samą potrzebę konsumenta.

2. Odkrywanie use case’ów

AI product discovery zależy od sytuacji zakupowej. Marka może się pojawić, gdy użytkownik pyta bezpośrednio o kategorię produktu, ale zniknąć, gdy zaczyna od szerszej potrzeby.

• Codzienna wygoda
• Przekąska do pracy lub szkoły
• Potrzeba po treningu
• Zakup wrażliwy cenowo
• Pozycjonowanie premium lub health
• Zastosowanie składnikowe lub przepisowe
• Skóra wrażliwa lub pielęgnacja oparta o składniki
• Substytucja produktu

3. Generowanie prompt battery

Budujemy kontrolowany zestaw promptów konsumenckich obejmujący neutral discovery, pytania brandowe, porównania konkurencyjne, prompty kontekstowe i prompty kwalifikujące się do follow-upu. Każdy prompt testuje konkretne pytanie biznesowe.

4. Zbieranie odpowiedzi AI

Zbieramy odpowiedzi z wybranych modeli AI i answer engines, używając spójnych scenariuszy oraz — gdy to potrzebne — powtórzeń. Dzięki temu mierzymy nie tylko, czy marka się pojawia, ale też jak stabilna i powtarzalna jest odpowiedź.

5. Testowanie follow-upów

Wiele rozmów z AI nie kończy się po pierwszej odpowiedzi. LLM Shelf mierzy, czy marka pojawia się po naturalnej kontynuacji, np. gdy użytkownik prosi o więcej szczegółów lub akceptuje zasugerowany follow-up.

6. Scoring i analiza

Scorujemy każdą odpowiedź pod kątem widoczności, siły rekomendacji, sentymentu, obecności konkurentów, ryzyka substytucji, widoczności claims i użyteczności komercyjnej. Wynikiem jest uporządkowany obraz tego, jak AI reprezentuje markę.

7. Plan działań

Audyt przekłada wyniki na praktyczne rekomendacje dotyczące contentu, stron produktowych, pokrycia źródłowego, claims, skojarzeń kategorii i cyklicznego monitoringu.