เราทดสอบการเพิ่มประสิทธิภาพแบบ Fan-Out แบบสอบถาม (นี่คือสิ่งที่เราเรียนรู้)

นับตั้งแต่ Google เปิดตัว AI Mode ผมมีคําถามในใจอยู่ 2 ข้อ คือ

• เราจะแน่ใจได้อย่างไรว่าเนื้อหาของเราจะแสดงเป็นผลลัพธ์ของ AI?
• เราจะทราบได้อย่างไรว่าอะไรได้ผลเมื่อการค้นหา AI ยังคงเป็นปริศนาอยู่?

แม้ว่าจะมีคําแนะนํามากมายทางออนไลน์ แต่ส่วนใหญ่เป็นการเก็งกําไรที่ดีที่สุด ทุกคนมีสมมติฐานเกี่ยวกับการเพิ่มประสิทธิภาพ AI แต่มีเพียงไม่กี่คนที่ทําการทดลองจริงเพื่อดูว่าอะไรได้ผล

แนวคิดหนึ่งคือการเพิ่มประสิทธิภาพสําหรับ สอบถามการพัดออก● การแจกแจงแบบสอบถามเป็นกระบวนการที่ระบบ AI (โดยเฉพาะโหมด Google AI และการค้นหา ChatGPT) นําคําค้นหาต้นฉบับของคุณมาแบ่งออกเป็นคําค้นหาย่อยหลายคํา จากนั้นรวบรวมข้อมูลจากแหล่งต่างๆ เพื่อสร้างคําตอบที่ครอบคลุม

ภาพประกอบนี้แสดงให้เห็นกระบวนการกระจายแบบสอบถามได้อย่างสมบูรณ์แบบ

กลยุทธ์การเพิ่มประสิทธิภาพนั้นง่าย: ระบุแบบสอบถามย่อยรอบหัวข้อใดหัวข้อหนึ่ง จากนั้นตรวจสอบให้แน่ใจว่าเพจของคุณมีเนื้อหาที่กําหนดเป้าหมายแบบสอบถามเหล่านั้น หากคุณทําเช่นนั้น คุณมีโอกาสที่ดีกว่าที่จะถูกเลือกในคําตอบของ AI (อย่างน้อยก็ในทางทฤษฎี)

ดังนั้นฉันจึงตัดสินใจทําการทดสอบเล็กๆ น้อยๆ เพื่อดูว่าวิธีนี้ใช้ได้ผลจริงหรือไม่ ฉันเลือกบทความสี่บทความจากบล็อกของเรา ให้สมาชิกในทีมอัปเดตเพื่อตอบคําถามที่เกี่ยวข้อง และติดตามการมองเห็น AI ของเราเป็นเวลาหนึ่งเดือน

ผลลัพธ์? พวกเขาเปิดเผยข้อมูลเชิงลึกที่น่าสนใจเกี่ยวกับการเพิ่มประสิทธิภาพ AI

ต่อไปนี้คือประเด็นสําคัญที่ได้จากการทดลองของเรา:

ประเด็นสําคัญ

• การเพิ่มประสิทธิภาพสําหรับการสืบค้นแบบ fan-out จะเพิ่มการอ้างอิง AI อย่างมาก: ในตัวอย่างบทความสี่บทความเล็กๆ ของเรา เราเพิ่มการอ้างอิงมากกว่าสองเท่าในข้อความแจ้งที่ติดตามจากสองเป็นห้า แม้ว่าจํานวนสัมบูรณ์จะน้อยเมื่อพิจารณาจากขนาดตัวอย่าง การอ้างอิงเป็นตัวชี้วัดหลักที่เราตั้งเป้าไว้ และการเพิ่มขึ้นนี้บ่งบอกถึงความสําเร็จในทิศทางเดียว
• การอ้างอิง AI ไม่สามารถคาดเดาได้: ฉันเช็คอินเป็นระยะในระหว่างเดือน และถึงจุดหนึ่ง การอ้างอิงของเราสูงถึงเก้าก่อนที่จะลดลงเหลือห้า มี รายงาน ของ ChatGPT ลดการอ้างอิงสําหรับแบรนด์และผู้จัดพิมพ์ทั่วกระดานลงอย่างมาก มันแสดงให้เห็นว่าสิ่งต่าง ๆ สามารถเปลี่ยนแปลงได้เร็วแค่ไหนเมื่อคุณอาศัยแพลตฟอร์ม AI ในการมองเห็น
• การกล่าวถึงแบรนด์ของเราลดลงสําหรับการสืบค้นที่ติดตาม และคนอื่นๆ ก็เช่นกัน: โดยรวม, เราสังเกตเห็นการอ้างอิงแบรนด์ที่ปรากฏในการตอบกลับ AI น้อยลงสําหรับคําถามที่เรากําลังติดตาม สิ่งนี้ส่งผลต่อส่วนแบ่งเสียง การมองเห็นแบรนด์ และตัวชี้วัดการกล่าวถึงทั้งหมดของเรา แบรนด์อื่นๆ ก็ประสบปัญหาการลดลงเช่นเดียวกัน นี่ดูเหมือนจะเป็นปัญหาที่แตกต่างจากการเปลี่ยนแปลงการอ้างอิง—เพิ่มเติมเกี่ยวกับวิธีที่แพลตฟอร์ม AI จัดการกับการกล่าวถึงแบรนด์ในช่วงระยะเวลาการทดลองของเรา

เราจะพูดถึงผลลัพธ์ของการทดลองนี้โดยละเอียดในบทความต่อไป ก่อนอื่น ให้ฉันอธิบายให้คุณฟังอย่างชัดเจนถึงวิธีที่เราทําการทดลองนี้ เพื่อให้คุณสามารถเข้าใจวิธีการของเรา และอาจทําซ้ําหรือปรับปรุงตามแนวทางของเรา

เราดําเนินการทดลองแบบ Fan-Out แบบสอบถามอย่างไร

นี่คือวิธีที่เราตั้งค่าและดําเนินการทดลองของเรา:

• ฉันเลือกบทความสี่บทความจากบล็อกของเรา
• สําหรับบทความที่เลือกแต่ละบทความ ฉันค้นคว้าคําถามแบบ fan-out 10 ถึง 20 ข้อ
• ฉันร่วมมือกับ ทูชาร์ โพลนักเขียนเนื้อหาอาวุโสในทีมของเรา เพื่อช่วยฉันดําเนินการเปลี่ยนแปลงเนื้อหาสําหรับการทดลองนี้ เขาแก้ไขเนื้อหาในบทความของเราเพื่อจัดการกับคําถามที่พัดออกไปให้ได้มากที่สุด
• ฉันตั้งค่าการติดตามสําหรับการสืบค้นแบบกระจายเพื่อให้เราสามารถวัดก่อนและหลังการมองเห็น AI ฉันใช้เซมรัช องค์กรเอไอโอ แพลตฟอร์มสําหรับสิ่งนี้ เราสนใจที่จะเห็นว่าการเปลี่ยนแปลงเนื้อหาของเราส่งผลกระทบต่อการมองเห็นในโหมด AI ของ Google อย่างไร แต่การเพิ่มประสิทธิภาพของเรายังช่วยเพิ่มการมองเห็นบนแพลตฟอร์มอื่น ๆ เช่น ChatGPT Search เป็นผลข้างเคียง ดังนั้นฉันจึงติดตามประสิทธิภาพที่นั่นเช่นกัน

เรามาดูแต่ละขั้นตอนเหล่านี้กันดีกว่า

1 การเลือกบทความ

ฉันมีเกณฑ์เฉพาะในใจเมื่อเลือกบทความสําหรับการทดลองนี้

ประการแรก ฉันต้องการบทความที่มีประสิทธิภาพคงที่ในช่วงสองสามเดือนที่ผ่านมา การเข้าชมมีความผันผวนเมื่อเร็วๆ นี้ และการทดสอบบนเพจที่ไม่เสถียรจะทําให้ไม่สามารถบอกได้ว่าการเปลี่ยนแปลงประสิทธิภาพใดๆ เกิดจากการปรับเปลี่ยนของเราหรือเพียงความผันผวนตามปกติ

ประการที่สอง ฉันหลีกเลี่ยงบทความที่เป็นหัวใจสําคัญของธุรกิจของเรา นี่เป็นการทดลองในที่สุด หากมีสิ่งผิดปกติเกิดขึ้น ฉันไม่ต้องการส่งผลเสียต่อการมองเห็นหัวข้อที่สําคัญของเรา

หลังจากตรวจสอบไลบรารีเนื้อหาของเราแล้วฉันพบผู้สมัครที่สมบูรณ์แบบสี่คน:

1. คู่มือวิธีการสร้างปฏิทินการตลาด
2. ผู้อธิบายเกี่ยวกับโดเมนย่อยคืออะไรและทํางานอย่างไร
3. คู่มือที่ครอบคลุมเกี่ยวกับการจัดอันดับคําหลักของ Google
4. คําแนะนําโดยละเอียดเกี่ยวกับวิธีการดําเนินการตรวจสอบ SEO ทางเทคนิค

2 กําลังค้นคว้าคําถามแบบ Fan-Out

ต่อไป ฉันไปค้นคว้าคําถามแบบ fan-out สําหรับแต่ละบทความ

ขณะนี้ไม่มีทางรู้ได้ว่า Google จะใช้ข้อความค้นหาแบบกระจาย (คําถามที่เกี่ยวข้องและการติดตามผล) ใดเมื่อมีคนโต้ตอบกับโหมด AI เนื่องจากสิ่งเหล่านี้ถูกสร้างขึ้นแบบไดนามิกและอาจแตกต่างกันไปตามการค้นหาแต่ละครั้ง

ดังนั้นฉันจึงต้องอาศัยการสืบค้นสังเคราะห์ เหล่านี้เป็นข้อความค้นหาที่สร้างโดย AI ซึ่งใกล้เคียงกับสิ่งที่ Google อาจสร้างขึ้นเมื่อผู้คนค้นหาในโหมด AI

ฉันตัดสินใจใช้เครื่องมือสองอย่างเพื่อสร้างแบบสอบถามเหล่านี้

อย่างแรก ฉันใช้ กบกรีดร้อง● เครื่องมือนี้ให้ฉันเรียกใช้ สคริปต์ที่กําหนดเอง ต่อต้านแต่ละบทความ สคริปต์จะวิเคราะห์เนื้อหาของหน้า ระบุคําหลักหลักที่กําหนดเป้าหมาย จากนั้นดําเนินการกระจายแบบสอบถามในเวอร์ชันของตัวเองเพื่อแนะนําแบบสอบถามที่เกี่ยวข้อง

น่าเสียดายที่ข้อมูลไม่สามารถมองเห็นได้อย่างเหมาะสมภายใน Screaming Frog— ทุกอย่างถูกอัดแน่นอยู่ในเซลล์เดียว ดังนั้นฉันจึงต้องคัดลอกและวางเนื้อหาเซลล์ทั้งหมดลงใน Google ชีตแยกต่างหาก

ตอนนี้ฉันเห็นข้อมูลแล้ว

ข้อดีคือสคริปต์ยังตรวจสอบว่าเนื้อหาของเรากล่าวถึงคําถามเหล่านี้แล้วหรือไม่ หากมีการตอบคําถามบางข้อแล้ว เราก็สามารถข้ามไปได้ แต่ถ้ามีคําถามใหม่ เราจําเป็นต้องเพิ่มเนื้อหาใหม่ให้พวกเขา

ต่อไปก็ใช้ คิวโฟเรีย, เครื่องมือฟรีที่สร้างขึ้นโดย ไมค์ คิง และทีมงานของเขาที่ iPullRank

เหตุผลที่ฉันใช้เครื่องมืออื่นนั้นง่ายมาก: เครื่องมือที่แตกต่างกันมักจะแสดงข้อความค้นหาที่แตกต่างกัน ด้วยการสร้างเครือข่ายที่กว้างขึ้น ฉันจะมีรายการคําถามที่อาจครอบคลุมมากขึ้น

นอกจากนี้ หากการสืบค้นบางอย่างเป็นเรื่องปกติในเครื่องมือทั้งสอง นั่นเป็นสัญญาณว่าการแก้ไขอาจมีความสําคัญ

วิธีการทํางานของ Qforia นั้นตรงไปตรงมา: ป้อนคําหลักหลักของบทความในช่องที่กําหนด เพิ่มคีย์ Gemini API เลือกโหมดการค้นหา (โหมด Google AI หรือภาพรวม AI) และดําเนินการวิเคราะห์ เครื่องมือจะสร้างแบบสอบถามที่เกี่ยวข้องสําหรับคุณ

หลังจากเรียกใช้การวิเคราะห์สําหรับแต่ละบทความแล้ว ฉันบันทึกผลลัพธ์ไว้ใน Google Sheet เดียวกัน 

3 การอัปเดตบทความ 

ด้วยสเปรดชีตที่เต็มไปด้วยคําถามมากมาย ถึงเวลาอัปเดตบทความของเราจริงๆ นี่คือจุดที่ทูชาร์ก้าวเข้ามา

คําแนะนําของฉันง่าย:

ตรวจสอบคําถามแบบ fan-out สําหรับแต่ละบทความและตอบคําถามที่ยังไม่ครอบคลุม และ มีความเป็นไปได้ที่จะเพิ่ม หากคําถามบางข้อรู้สึกว่าอยู่นอกเหนือขอบเขตของบทความ ก็เป็นเรื่องปกติที่จะข้ามคําถามเหล่านั้นและเดินหน้าต่อไป

ฉันยังบอก Tushar ด้วยว่าการรวมคําถามแบบคําต่อคําไม่จําเป็นเสมอไป ตราบใดที่เราตอบคําถามที่เกิดจากคําถาม ถ้อยคําที่แน่นอนก็ไม่สําคัญมากนัก เป้าหมายคือการทําให้แน่ใจว่าเนื้อหาของเรามีสิ่งที่ผู้อ่านกําลังมองหาจริงๆ

บางครั้ง การตอบคําถามหมายถึงการปรับแต่งเล็กๆ น้อยๆ—เพียงแค่เพิ่มประโยคหนึ่งหรือสองประโยคลงในเนื้อหาที่มีอยู่ ในบางครั้ง จําเป็นต้องสร้างส่วนใหม่ทั้งหมด

ตัวอย่างเช่น หนึ่งในคําถามแบบ fan-out สําหรับบทความของเราเกี่ยวกับการตรวจสอบ SEO ทางเทคนิคคือ: “ความแตกต่างระหว่างการตรวจสอบ SEO ทางเทคนิคและการตรวจสอบ SEO บนหน้า” 

เราสามารถตอบคําถามนี้ได้หลายวิธี แต่ตัวเลือกที่ชาญฉลาดอย่างหนึ่งคือการเปรียบเทียบทันทีหลังจากที่เรากําหนดว่าการตรวจสอบ SEO ทางเทคนิคคืออะไร

บางครั้ง มันไม่ง่าย (หรือเป็นไปได้ด้วยซ้ํา) ที่จะรวมการสืบค้นเข้ากับเนื้อหาที่มีอยู่ตามธรรมชาติ ในกรณีดังกล่าว เราได้แก้ไขด้วยการสร้างส่วนคําถามที่พบบ่อยใหม่และครอบคลุมคําถามที่ขยายออกไปหลายรายการในส่วนนั้น

นี่คือตัวอย่าง:

ตลอดระยะเวลาหนึ่งสัปดาห์ เราได้อัปเดตบทความทั้งสี่บทความจากรายการของเรา บทความเหล่านี้ไม่ได้ผ่านกระบวนการตรวจสอบบรรณาธิการมาตรฐานของเรา เราเคลื่อนไหวอย่างรวดเร็ว แต่นั่นเป็นการตั้งใจ เนื่องจากนี่เป็นการทดลอง ไม่ใช่การอัปเดตเนื้อหาตามปกติ

4 การตั้งค่าการติดตาม

ก่อนที่เราจะเผยแพร่การอัปเดตแบบสด ฉันได้บันทึกประสิทธิภาพปัจจุบันของแต่ละบทความเพื่อสร้างพื้นฐานสําหรับการเปรียบเทียบ ด้วยวิธีนี้ เราจะสามารถบอกได้ว่าการเพิ่มประสิทธิภาพการปัดเป่าแบบสอบถามช่วยปรับปรุงการมองเห็น AI ของเราจริงหรือไม่

ฉันใช้ของเรา องค์กรเอไอโอ แพลตฟอร์มเพื่อติดตามผลลัพธ์ ฉันสร้างโปรเจ็กต์ใหม่ในเครื่องมือและเสียบปลั๊กคําถามทั้งหมดที่เรากําหนดเป้าหมาย จากนั้นเครื่องมือก็เริ่มวัดการมองเห็นปัจจุบันของเราในโหมด Google AI และ ChatGPT

หมายเหตุด้านข้าง

เนื่องจากเราสร้างแบบสอบถามแบบกระจายออกโดยใช้เครื่องมือสองอย่าง จึงมีคําถามที่คล้ายกันในรายงานทั้งสองฉบับ ฉันต้องรวบรวมข้อมูลเพื่อหลีกเลี่ยงการติดตามรายการที่ซ้ํากัน ตัวอย่างเช่น การสืบค้นเช่น “ซอฟต์แวร์และเครื่องมือปฏิทินการตลาด” และ “คําแนะนําซอฟต์แวร์ปฏิทินการตลาด” มีจุดประสงค์เดียวกันอย่างมีประสิทธิภาพ ดังนั้นฉันจึงติดตามเพียงรายการเดียวเท่านั้น

นี่คือสิ่งที่ประสิทธิภาพดูเหมือนในช่วงเริ่มต้นของการทดลองนี้:

• การอ้างอิง: นี่เป็นการวัดจํานวนครั้งที่เพจของเราถูกอ้างถึงในการตอบกลับของ AI ในตอนแรก มีเพียงสองในสี่บทความของเราเท่านั้นที่ได้รับการอ้างอิงอย่างน้อยหนึ่งครั้ง
• การกล่าวถึงทั้งหมด: ตัวชี้วัดนี้แสดงอัตราส่วนของคําถามที่แบรนด์ของเราได้รับการกล่าวถึงโดยตรงในการตอบสนองของ AI อัตราส่วนนั้นคือ 18/33—หมายถึงจากการสืบค้นที่ถูกติดตาม 33 รายการ เราถูกกล่าวถึงสําหรับการสืบค้น 18 รายการ
• แบ่งปันเสียง: นี่คือเมตริกถ่วงน้ําหนักที่พิจารณาทั้งตําแหน่งของแบรนด์และความถี่ในการกล่าวถึงในการสืบค้น AI ที่ติดตาม คะแนนของเราคือ 23.4% ซึ่งบ่งชี้ว่าเรามีคําตอบบางส่วน แต่ไม่ใช่ทั้งหมดหรืออยู่ในตําแหน่งผู้นํา
• การมองเห็นแบรนด์: สิ่งนี้บอกเราว่าเปอร์เซ็นต์ของการตอบกลับที่รวดเร็วกล่าวถึงแบรนด์ของเราอย่างน้อยหนึ่งครั้งโดยไม่คํานึงถึงตําแหน่ง

ฉันตัดสินใจรอหนึ่งเดือนก่อนที่จะบันทึกเมตริกอีกครั้ง จากนั้นก็ถึงเวลาสรุปการทดลองของเรา

ผลลัพธ์: สิ่งที่เราเรียนรู้เกี่ยวกับการเพิ่มประสิทธิภาพการสืบค้นแบบ Fan-Out

ผลลัพธ์ที่ได้คือถุงผสมจริงๆ

ก่อนอื่น ข่าวดี: การอ้างอิงทั้งหมดของเราเพิ่มขึ้น

บทความทั้งสี่ของเราเปลี่ยนจากการอ้างอิงสองครั้งเป็นห้าเท่า—a เพิ่มขึ้น 150% ตัวอย่างเช่น หนึ่งในการแก้ไขที่เราทํากับบทความ SEO ทางเทคนิค (ซึ่งเราแสดงไปก่อนหน้านี้) ถูกนํามาใช้เป็นแหล่งที่มาในการตอบสนองของ AI

การได้เห็นเนื้อหาของเราถูกอ้างถึงคือสิ่งที่เราหวังไว้ ดังนั้นนี่คือชัยชนะ (แม้จะมีขนาดตัวอย่างเล็กก็ตาม)

สิ่งที่น่าสนใจคือผลลัพธ์สุดท้ายของเราอาจจะน่าประทับใจกว่านี้หากเราสิ้นสุดการทดลองก่อนหน้านี้ จนถึงจุดหนึ่ง เราได้รับการอ้างอิงถึงเก้าครั้ง แต่แล้วก็ลดลงเมื่อ ChatGPT การอ้างอิงลดลงอย่างมาก สําหรับทุกยี่ห้อ 

นี่แสดงให้เห็นว่าแพลตฟอร์ม AI ที่คาดเดาไม่ได้สามารถเป็นอย่างไร และปัจจัยที่อยู่นอกเหนือการควบคุมของคุณโดยสิ้นเชิงอาจส่งผลต่อการมองเห็นของคุณ

แต่เมตริกอื่นๆ ที่เราติดตามล่ะ?

ส่วนแบ่งเสียงของเราลดลงจาก 23.4% เป็น 20.0% การมองเห็นแบรนด์ลดลงจาก 13.6% เป็น 10.6% และการกล่าวถึงแบรนด์ของเราลดลงจาก 18 เป็น 10

จากข้อมูลของเรา เราไม่ใช่กลุ่มเดียวที่พบว่าตัวชี้วัดของแบรนด์ลดลง นี่คือแผนภูมิที่แสดงจํานวนส่วนแบ่งเสียงของ brand’ ที่ลดลงในเวลาเดียวกัน

สิ่งนี้เกิดขึ้นเนื่องจากแพลตฟอร์ม AI กล่าวถึงชื่อแบรนด์โดยรวมน้อยลงเมื่อสร้างการตอบสนองต่อคําค้นหาที่ติดตามของเรา นี่เป็นปัญหาที่แตกต่างอย่างสิ้นเชิงจากความผันผวนของการอ้างอิงที่ฉันกล่าวถึงก่อนหน้านี้

เมื่อพิจารณาถึงปัจจัยภายนอก ฉันเชื่อว่าความพยายามในการเพิ่มประสิทธิภาพของเราทํางานได้ดีกว่าข้อมูลที่แสดง เราสามารถเพิ่มการอ้างอิงของเราได้แม้ว่าสิ่งต่างๆ จะขัดแย้งกับเราก็ตาม

ดังนั้น, ตอนนี้คําถามคือ:

การเพิ่มประสิทธิภาพการสืบค้นแบบ Fan-Out ทํางานได้หรือไม่?

จากสิ่งที่เราเรียนรู้ในการทดลอง ฉันจะบอกว่าใช่—แต่มีเครื่องหมายดอกจันขนาดใหญ่ 

การเพิ่มประสิทธิภาพการปัดเป่าแบบสอบถามสามารถช่วยให้คุณได้รับการอ้างอิงมากขึ้นซึ่งมีคุณค่า แต่เป็นการยากที่จะขับเคลื่อนการเติบโตที่คาดการณ์ได้เมื่อสิ่งต่างๆ มีความผันผวนเช่นนี้ โปรดจําไว้ว่าเมื่อคุณเพิ่มประสิทธิภาพสําหรับ AI

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับ AI SEO โปรดจับตาดูเนื้อหาใหม่ที่เราเผยแพร่ในบล็อกของเราเป็นประจํา นี่คือบทความบางส่วนที่คุณควรตรวจสอบต่อไป:

• การค้นหา AI ทํางานอย่างไร: ข้อค้นพบจากการศึกษาการมองเห็น AI ของเรา
• LLMs.txt คืออะไร และคุณควรใช้มันหรือไม่?
• เหตุใดแบรนด์ของคุณจึงเป็นสินทรัพย์ SEO ที่สําคัญที่สุดของคุณในปี 2569