Marka adı geçti — ama "kaçının" cümlesinde
Ham frekans "marka kaç kez geçti" der, "nasıl geçti" demez. Bir markanın "önerilmez" listesinde geçmesi, hiç geçmemekten bazen daha kötüdür — ama otomatik sayaç ikisini de "geçiş" sayar.
Bir görünürlük raporunda "marka 40 sorgunun 12'sinde geçti" cümlesi kulağa iyi gelir. Ama on ikisinden üçü "X'i tercih etmeyin, sık şikayet alıyor" türü cümlelerse, rapor aslında bir başarıyı değil bir riski gizliyor olabilir.
Ham frekansın kör noktası
Tek çalıştırma veri değildir yazısında anlatılan konum ağırlıklandırması bu sorunu kısmen çözer — "öneri" ile "yan cümle" farklı ağırlık taşır — ama ağırlıklandırma yönü varsaymaz, yalnızca konumu ölçer. Bir öneri cümlesinin olumlu mu olumsuz mu olduğunu ayrıca sınıflamak gerekir.
Dört geçiş türü, tek bir sayı değil
| Tür | Örnek | Rapora nasıl girmeli |
|---|---|---|
| Olumlu öneri | "X'i değerlendirebilirsiniz" | Görünürlük, pozitif |
| Tarafsız anma | "Piyasada X, Y, Z gibi seçenekler var" | Görünürlük, nötr |
| Olumsuz uyarı | "X'ten kaçının, şikayet oranı yüksek" | Risk, görünürlük değil |
| Yanlış/eski bilgi | "X artık hizmet vermiyor" (hâlâ veriyor) | Doğruluk hatası, ayrı kategori |
Dördü de teknik olarak "marka geçti" sayılır. Rapor bunları ayırt etmezse, olumsuz uyarı sayısı yüksek bir markanın görünürlük skoru yapay olarak şişer.
Neden otomasyon tek başına yetmez
Anahtar kelime taraması ("kaçının", "dikkat", "şikayet") kaba bir ilk filtre verir ama iki şeyi kaçırır:
- Olumsuzlama mesafesi. "Şikayet oranı düşük olan X" cümlesinde
"şikayet" kelimesi geçer ama anlam olumludur.
- İroni ve karşılaştırmalı kayıp. "X iyi ama Y daha hızlı" cümlesinde
X olumsuzlanmaz, sadece ikinci sıraya düşer — bu ayrı bir kategori, ne olumlu ne olumsuz, kaybedilen karşılaştırma.
Bu ayrımlar, kelime listesiyle güvenilir yakalanamaz; sınırdaki vakalarda insan gözden geçirmesi gerekir.
Pratik sınıflama akışı
- Anahtar kelime taraması ile kaba ayrım: nötr/olumlu görünenler bir
yığına, riskli kelime içerenler ayrı bir yığına.
- Riskli yığındaki her geçişi elle okuyup dört kategoriden birine ata.
- Rapora dördünü ayrı ayrı yazın — tek bir "görünürlük %X" sayısına
geri harmanlamayın.
- Olumsuz uyarı kategorisi boş değilse, bu bulguyu raporun en üstüne
koyun: ticari olarak en aciliyetli bulgu genellikle burada çıkar.
Karşılaştırmalı kayıp: üçüncü ve göz ardı edilen kategori
"X iyi ama Y daha hızlı/daha uygun/daha köklü" kalıbı ne olumlu ne olumsuzdur ama stratejik olarak önemlidir: marka görünüyor, rakip kazanıyor. Bu kalıp sık tekrarlanıyorsa ses payı ölçümünde rakip karşısındaki konumun zayıfladığının erken bir işaretidir — henüz "kaybettiniz" demez ama yönü gösterir.
Bu ayrım neden ticari olarak değerli
Bir müşteriye "AI'da %30 görünüyorsunuz" demek nötr bir bilgidir. "AI'da %30 görünüyorsunuz ama bunun üçte biri 'kaçının' uyarısı" demek, bütçeyi hemen açan türden bir bulgudur — denetimi kapatan üç bulgudan biriyle aynı aciliyet sınıfındadır.
Kontrol listesi
- Ham frekans, yön (olumlu/nötr/olumsuz/kayıp) ayrımı yapılmadan
raporlanıyor mu
- Riskli kelime içeren geçişler elle gözden geçirildi mi
- Karşılaştırmalı kayıp ayrı bir kategori olarak işaretlendi mi
- Olumsuz uyarı varsa raporun en üstünde mi
Markaların yapay zekâ destekli arama sistemlerindeki görünürlüğünü ölçer ve düzeltir. Ölçüm metodolojisi ham sunucu yanıtına ve tekrarlı çalıştırmaya dayanır; her bulgu kaydedilmiş bir sunucu yanıtına bağlanır.
Sık sorulanlar
Olumsuz geçişi otomatik olarak tespit edebilir miyim?
Kısmen. Anahtar kelime taraması ("kaçının", "önerilmez", "şikayet") kaba bir filtre sağlar ama olumsuzlama ve ironiyi güvenilir biçimde ayırt edemez. Yüksek hacimli ölçümde ilk elemeyi otomasyon yapar, sınırdaki vakaları insan gözden geçirir.
Rakip listesinde geçmek olumlu mu olumsuz mu?
İkisi de olabilir, bağlama bağlı. "X, Y ve Z arasından Y öne çıkıyor" cümlesinde Y olumlu, X ve Z ise ne olumlu ne olumsuz — sadece anıldı. Bu üçüncü kategori de ayrı işaretlenmeli.
Eski/yanlış bilgi ile olumsuz geçiş aynı şey mi?
Hayır, ayrı sorunlar. Eski bilgi bir doğruluk hatasıdır ve [düzeltilebilir](/blog/ai-yanlis-bilgi-duzeltme/). Olumsuz geçiş modelin markayı doğru bilip bilinçli olarak önermediği durumdur — çözümü içerik veya ürün tarafında, ölçüm tarafında değil.