查看 AI 如何推荐你的企业
进行免费审核
方法论说明： 本报告基于对 100 家属于 10 个电商类别的网店的监控数据编制。数据已聚合并匿名化，因此报告不会识别个别品牌。对于每家网店，每日监控一组 100 条反映购买流程不同阶段的查询。报告中呈现的结果是整个样本和分析子组的汇总数据，不应被解读为对每家网店结果的预测。
关键结论
在分析的数据集中，网店在 AI 响应中的平均可见度在 90 天内从 11.8% 上升至 22.6%。这代表增长了 10.8 个百分点，或相对于初始水平增长了 91.5%。
然而，变化并不均匀。在 100 个分析的档案中，有 43 个至少将可见度翻倍，35 个增长了 25–99%，7 个在观察期结束时的结果低于初始水平。
最大的增长出现在那些定期进行更新产品信息、开发满足特定客户需求的内容以及实施监控结果所提出的建议的网店群体中。
该结果显示出行动一致性与分析样本中可见度增长之间的相关性。但这并不意味着每个品牌都能保证获得相同水平的增长，或观察到的相关性完全源于所采取的行动。
报告数据摘要
| 指标 | 初始值 | 30 天后 | 60天后 | 90天后 | 90 天后的变化 |
|---|---|---|---|---|---|
| 平均可见度 | 11.8% | 14.7% | 18.2% | 22.6% | +91.5% |
| 进入前 3 推荐的出现率 | 4.9% | 6.3% | 8.5% | 11.7% | +138.8% |
| 引用率 | 2.7% | 3.4% | 4.6% | 6.8% | +151.9% |
| 声量占比 | 8.6% | 10.3% | 12.5% | 15.4% | +79.1% |
| 平均品牌排名* | 5.8 | 5.3 | 4.7 | 4.2 | 提升 1.6 个排名 |
* 平均排名仅针对提及品牌的回复计算。分数越低越好。
研究范围与初步结论
- 100个网店档案
- 10,000个独特的购物与产品提示
- 10个分析过的电商行业
- 5种AI回复环境
- 43%的网店在90天内至少将可见度翻倍
- 78%的网店至少将可见度提高了25%
研究模型是如何设计的？
该研究涵盖了100个网店，每个分析行业各10个。针对每个网店准备了100个反映购买决策实际阶段的提示。共创建了10,000个独特的查询。
这些提示被分为五个组：
| 提示类型 | 在集合中的占比 | 意图 |
|---|---|---|
| 发现与推荐 | 30% | “适合轻松徒步的登山鞋有哪些？” |
| 问题与解决方案 | 25% | “什么方法能减少家里的狗毛脱落？” |
| 比较 | 20% | “自动或手动意式咖啡机哪个更好？” |
| 产品与交易型 | 15% | “100欧元的办公椅在哪里可以买到？” |
| 品牌验证 | 10% | “品牌X是否值得信赖？” |
在五个环境中检查了可见度：ChatGPT、Gemini、Google AI、Claude 和 Grok。同一组提示每天被分析90天。分析了450万条AI回复。
本报告中的可见度意味着什么？
基本指标显示了监控品牌出现在AI回复中的提示百分比。例如，20%的可见度意味着该品牌在100个检查查询中的20个中被提及。
然而，仅提及并不能涵盖所有分析内容。因此，还包含了以下内容：
- TOP 3 比率，即品牌在推荐中位列前三的回复占比
- 引用率，即监控品牌网站被指示为信息来源或链接出现的所有分析回复的百分比
- 声量占比，即品牌在所有提及中及其监控竞争对手中的占比
- 平均位置，即品牌被提及的情况下在推荐列表中的平均位置
三个月后的可见度增长了91.5%
研究开始时，品牌平均出现在11.8%的回复中。第一个月后，结果增加到14.7%。在第30天和第90天之间出现了更显著的加速：两个月后，可见度为18.2%，三个月后为22.6%。
| 测量时刻 | 可见度 | 指数，起始 = 100 | 相对于起始的增长 |
|---|---|---|---|
| 初始值 | 11.8% | 100 | 0% |
| 30天 | 14.7% | 125 | +24.6% |
| 60天 | 18.2% | 154 | +54.2% |
| 90天 | 22.6% | 192 | +91.5% |
数据显示，几天或几周后评估效果可能是仓促的。内容必须被发布、被信息收集系统发现、被处理并用于回复中。实际上，首个信号可能更早出现，但变化的完整图景只有在随后的几次测量周期后才能提供。
并非所有商店都以相同的速度增长
变化的分布显然各不相同：
- 43家店铺的可见度至少翻倍
- 35家店铺增加了25-99%
- 15家店铺的增加幅度低于25%或结果接近初始状态
- 7家店铺在期末的结果低于期初
最初，100家店铺中有31家未出现在其类别的任何关键提示中。经过90天后，研究中此类店铺的数量减少到9家。与此同时，中位可见度从10.6%上升至20.1%。
结论很简单：平均增长并非由少数特别强势的品牌造成。这种改善涵盖了样本中的大多数，尽管其规模取决于行业和行动的强度。
哪些行业增长最快？
最高动态出现在客户问题详细、以解决问题为导向且需要澄清的行业中。这包括但不限于营养补充剂、宠物用品、汽车配件和家用设备。
| 行业 | 初始值 | 90天后 | 相对变化 | 变化百分点 |
|---|---|---|---|---|
| 健康和营养补充剂 | 8.4% | 20.3% | +141.7% | +11.9 |
| 汽车配件和配件 | 7.6% | 17.2% | +126.3% | +9.6 |
| 宠物用品 | 9.8% | 21.8% | +122.4% | +12.0 |
| 家居园艺 | 12.1% | 25.4% | +109.9% | +13.3 |
| 运动和户外 | 11.7% | 23.8% | +103.4% | +12.1 |
| 儿童和玩具 | 13.9% | 25.6% | +84.2% | +11.7 |
| 时尚和鞋类 | 13.5% | 23.9% | +77.0% | +10.4 |
| 消费电子 | 10.9% | 18.6% | +70.6% | +7.7 |
| 专业食品 | 14.3% | 23.6% | +65.0% | +9.3 |
| 美容和化妆品 | 15.8% | 25.8% | +63.3% | +10.0 |
最大的相对增长并不总是意味着最高的最终可见度。健康和营养补充剂行业起步较低，因此从8.4%增长到20.3%使得动态超过了140%。相比之下，化妆品行业具有最高的初始可见度，并在三个月后实现了最高的最终结果，尽管其百分比动态较低。
为什么某些类别增长更快？
研究显示，满足三个条件的类别获得了优势：
- 客户在购买前会提出许多详细问题
- 产品选择取决于参数、应用或用户问题
- 网店可以发布无法在简短产品描述中容纳的具体知识
这可能部分解释了家居园艺类别中观察到的高动态性。用户很少只询问特定产品名称。更多时候，他们会描述空间、预算、限制和预期结果。一家比竞争对手更好地解释此类情况的网店为模型提供了构建有用推荐所需的内容。
不同 AI 系统的结果各不相同
同一品牌在一个系统中可能具有良好的可见度，而在另一个系统中几乎不可见。每个环境都使用不同的信息源、信息检索方法和响应构建机制。
| AI 环境 | 发布时的可见度 | 90 天后的可见度 | 相对变化 |
|---|---|---|---|
| ChatGPT | 13.7% | 25.4% | +85.4% |
| Gemini | 11.9% | 23.7% | +99.2% |
| Google AI | 9.4% | 18.2% | +93.6% |
| Claude | 10.1% | 20.1% | +99.0% |
| Grok | 13.9% | 25.6% | +84.2% |
| 平均值 | 11.8% | 22.6% | +91.5% |
引用方面的差异更为明显：
| AI 环境 | 初始引用率 | 90 天后的引用率 |
|---|---|---|
| ChatGPT | 3.1% | 7.6% |
| Gemini | 3.4% | 8.2% |
| Google AI | 5.8% | 10.9% |
| Claude | 0.9% | 2.9% |
| Grok | 0.3% | 4.4% |
| 平均值 | 2.7% | 6.8% |
结果表明，仅在一个聊天中进行一次测试不足以评估可见度。一个品牌可能经常被提及但很少被引用。它也可能在比较性问题中显示得很高，而在与问题相关的查询中消失。只有对多个模型和提示组进行持续监控才能揭示实际的可见度结构。
问题提示的可见度增长最大
并非每个问题组对行动的反应程度都相同。最大的动态效果来自于用户描述问题、预期结果或产品使用条件的查询。
| 提示意图 | 初始值 | 90天后 | 相对变化 |
|---|---|---|---|
| 问题与解决方案 | 9.8% | 23.4% | +138.8% |
| 发现与推荐 | 8.4% | 19.2% | +128.6% |
| 比较 | 12.9% | 24.6% | +90.7% |
| 产品与交易型 | 11.6% | 20.5% | +76.7% |
| 品牌验证 | 22.8% | 28.1% | +23.2% |
包含品牌名称的提示从一开始就具有高可见度。因此，它们的增长潜力有限。相比之下，客户在了解特定品牌之前提出的问题提供了更大的改进空间，例如：
- “选择什么床垫来缓解背部疼痛并侧睡？”
- “如何为消化系统敏感的狗狗选择食物？”
- “哪种跑步鞋适合脚宽的人？”
- “哪款智能割草机可以处理斜坡草坪？”
在此阶段，AI 的回复可能会在购买流程中引入一个新品牌。对于电子商务而言，这是最有价值的领域，因为它可以触达那些尚未决定在何处购买产品的用户。
90 天内行为强度与可见度变化
所研究的商店根据观察期间采取的行为强度被分为三组。
评估使用了 Semly AI 增长评分——一个根据与提升 AI 回复可见度相关的行动规律性对档案进行排名的指标。
分析显示活动水平与可见度变化之间存在明确关系。采取最规律行动的群体在 90 天内实现了最大的改善。
这是一种观察性关系。仅基于各组之间的比较，无法断定行为强度是结果差异的唯一原因。
| 组别 | 特征 | 初始值 | 90天后 | 变化 |
|---|---|---|---|---|
| 高活动量 | 定期发布、数据更新及实施大部分建议 | 12.0% | 31.2% | +160% |
| 中等活动量 | 每月 2-3 次行动，部分实施建议 | 11.8% | 22.0% | +86% |
| 低活动量 | 单次行动或缺乏规律性 | 11.6% | 14.8% | +28% |
最初各组之间的差异较小，但三个月后变得非常明确。活动最积极的商店最终可见度是低活动组的两倍以上。
这并不意味着发布的数量会自动带来增长。关键在于内容是否与 AI 回复中的实际空白相匹配。四篇针对品牌在竞争中落于下风问题的文章可能比几篇未经过提示分析准备的通用文本更有价值。
什么连接了增长最快的档案？
在所研究的领导者群体中，五个元素最为常见：
- 精确的产品数据。 参数、应用、限制、兼容性和可用性信息均记录在无需执行JavaScript即可阅读的内容中。
- 内容针对具体问题进行解答。 文章解决实际的购物问题，而不仅仅是宽泛的类别短语。
- 基于标准进行比较。 网店解释了特定解决方案适用于谁，以及何时选择其他选项更为合适。
- 信息的一致性。 产品描述、类别、指南、结构化数据和品牌信息之间没有矛盾。
- 定期测量。 在相同提示和同一模型上评估变化，从而区分持久趋势与一次性波动。
提及不等于引用。
90天后，提及率（Mention Rate）为22.6%，而引用率（Citation Rate）为6.8%。这意味着品牌被提及的频率远高于其网站作为来源被引用的频率。
假设引用是包含品牌提及的响应子集，则约30%包含品牌提及的响应也包含了对品牌网站的引用。
这并不削弱存在价值。不带链接的推荐可以建立品牌认知，并影响后续的品牌搜索。然而，从网站流量的角度来看，引用尤为重要，因为它为用户提供了直接进入网店的路径。
在关于引用率增长的研究中，以下因素最常与之相关：
- 明确回答具体问题。
- 清晰的标题和小节描述用户的问题。
- 独特数据、比较和操作指南。
- 作者信息、更新和来源的可见性。
- 指南、类别和产品之间的逻辑链接。
- 结构化数据与页面内容一致。
对网店的结论是实用性的：值得单独衡量品牌是否被提及、是否在推荐列表中排名靠前，以及其网站是否被引用为来源。每个结果描述了构建可见度的不同阶段。
前3大排名增长快于整体提及数量。
品牌在推荐前三名中的响应比例从4.9%增长到11.7%。这一提升幅度为138.8%，明显高于可见度本身的提升幅度。
同时，品牌在推荐列表中的平均排名从5.8提升到4.2。实际上，研究中的网店不仅出现频率更高，而且更接近推荐列表的开头，那里的推荐更具可见性且更容易被记住。
此结果展示了为何“品牌出现”这一回应是不够充分的。将店铺列为第七名与将其作为第一条推荐并附带理由和链接，其价值是不同的。
电商店主的5个结论
1. AI中的可见度可以改变，但需要时间
观察到的从11.8%到22.6%的增长并非在一次发布后发生。大部分改进出现在第一个月，当系统性行动开始创建更广泛且连贯的报价图景时。
2. 最大的机会在于询问品牌之前
有问题和推荐的提示增长了两倍多。这些是用户知道自己需要什么但尚未选择产品或卖家的问题。
3. 每个行业都需要其专属提示集
一家化妆品店、一个汽车配件卖家和一个家居用品品牌参与完全不同的决策过程。通用的、一般性的问题集不会揭示它们的真实可见度。
4. 需要同时衡量多个维度
提及率、引用率、TOP 3、声量份额和平均位置回答的是不同问题。只有综合这些指标，才能判断品牌是否被识别、推荐，以及被作为信息来源引用。
5. 优势是通过系统构建的，而非单篇文章
最佳效果是由那些结合了监控、竞争分析、产品信息优化以及定期发布填补已识别空白内容的店铺实现的。
您品牌的90天可见度增长计划
第1-30天：诊断与基础建设
- 构建一套包含推荐、问题、对比和产品问题的提示集
- 在多个AI模型中检查品牌形象和主要竞争对手的可见度
- 选择10-20个竞争对手可见但您的品牌未出现的高业务价值查询
- 验证机器人和信息收集系统是否可以访问该网站
- 用应用、参数、限制和客户问题的答案补充关键产品和类别描述
第31-60天：发布与分发知识
- 根据特定可见度空白准备的内容进行发布
- 将指南与适当的产品和类别链接
- 添加对比、表格、简短答案和明确界定的选择标准
- 确保产品数据、可用性、定价和品牌信息的一致性
- 将第二次测量结果与基线分别对比每个提示组
第61-90天：扩展有效做法
- 扩展那些提高可见度或引用率的主题
- 更新已被发现但仍未带来引用的内容
- 分析新竞争对手提及和前3名的变化
- 限制不解决任何监控用户问题的内容创作
- 基于多次测量的趋势而非单个模型响应来评估效果
研究限制因素
报告结果应在多种限制条件下进行解读。
AI系统生成的响应可能在重复调用相同提示时有所不同。这些响应受到模型更新、信息检索机制变化、来源可用性和不同平台构建响应方式等因素的影响。
该研究主要展示了在分析的数据集中观察到的变化方向和规模，而不是每个品牌保证的结果。
按活动强度划分网店是观察性的。较高的活动频率与更大的可见度增长相关，但该分析并不能让我们得出这是唯一原因的结论。
其他因素也可能影响了结果，例如先前的品牌知名度、域名权威性、品牌在外部来源的存在感、产品变化以及AI系统本身的更新。
因此，应将结果视为对90天内观察到的依赖关系的分析，而不是对采取特定行动后具体增长的保证。
总结
对100个网店档案和10,000个提示的分析显示，电商品牌在AI响应中的可见度可能在几个月内发生显著变化。
在分析的数据集中，平均可见度从11.8%增长到22.6%，在90天内。最大的动态记录于问题和推荐查询——即用户已知其需求但尚未选择特定品牌或产品时的阶段。
同时，结果表明了行动规律性与观察到的增长规模之间存在明确关系。高活动组的网店在研究结束时的可见度显著高于那些偶发进行操作的档案。
这并不意味着单次优化会自动带来特定的增长。AI中的可见度取决于许多因素，包括品牌信息的质量和可用性、AI系统使用的来源、竞争情况以及模型本身的变化。
因此，对AI搜索的实用方法应结合定期测量、识别AI响应中的差距、提高产品和品牌信息的质量，以及发布解决特定用户需求的内容。
分享：
