Το μέλλον της επωνυμίας …

Το μόνο κοινό πράγμα που έχουν οι διαχειριστές επωνυμίας, οι ιδιοκτήτες εταιρειών, οι SEO και οι επαγγελματίες του μάρκετινγκ είναι η επιθυμία να έχουν μια πολύ δυνατή επωνυμία, επειδή είναι win-win για όλους. Σήμερα, από την άποψη του SEO, το να έχεις μια ισχυρή επωνυμία σου επιτρέπει να κάνεις περισσότερα από το να κυριαρχείς απλώς στο SERP — σημαίνει επίσης ότι μπορείς να συμμετάσχεις στις απαντήσεις του chatbot.

Το Generative AI (GenAI) είναι η τεχνολογία που διαμορφώνει τα chatbot, όπως το Bard, το Bingchat, το ChatGPT και τις μηχανές αναζήτησης, όπως το Bing και το Google. Το GenAI είναι μια συνομιλητική τεχνητή νοημοσύνη (AI) που μπορεί να δημιουργήσει περιεχόμενο με το πάτημα ενός κουμπιού (κείμενο, ήχος και βίντεο). Τόσο η Bing όσο και η Google χρησιμοποιούν το GenAI στις μηχανές αναζήτησής τους για να βελτιώσουν τις απαντήσεις τους στις μηχανές αναζήτησής τους και έχουν και οι δύο σχετικό chatbot (Bard και Bingchat). Ως αποτέλεσμα των μηχανών αναζήτησης που χρησιμοποιούν το GenAI, οι επωνυμίες πρέπει να αρχίσουν να προσαρμόζουν το περιεχόμενό τους σε αυτήν την τεχνολογία, διαφορετικά υπάρχει κίνδυνος μειωμένης προβολής στο διαδίκτυο και, τελικά, χαμηλότερων μετατροπών.

Όπως λέει και η παροιμία, ό,τι λάμπει δεν είναι χρυσός. Η τεχνολογία GenAI συνοδεύεται από μια παγίδα – τις παραισθήσεις. Οι ψευδαισθήσεις είναι ένα φαινόμενο στο οποίο τα παραγωγικά μοντέλα τεχνητής νοημοσύνης παρέχουν απαντήσεις που φαίνονται αυθεντικές αλλά στην πραγματικότητα είναι κατασκευασμένες. Οι ψευδαισθήσεις είναι ένα μεγάλο πρόβλημα που επηρεάζει οποιονδήποτε χρησιμοποιεί αυτήν την τεχνολογία.

Μια λύση σε αυτό το πρόβλημα προέρχεται από μια άλλη τεχνολογία που ονομάζεται «Γράφημα γνώσης». Το Γράφημα Γνώσης είναι ένας τύπος βάσης δεδομένων που αποθηκεύει πληροφορίες σε μορφή γραφήματος και χρησιμοποιείται για την αναπαράσταση της γνώσης με τρόπο που είναι εύκολο να κατανοήσουν και να επεξεργαστούν οι μηχανές.

Πριν εμβαθύνουμε σε αυτό το ζήτημα, είναι επιτακτική ανάγκη να κατανοήσουμε από την οπτική γωνία του χρήστη εάν η επένδυση χρόνου και ενέργειας ως επωνυμία για την προσαρμογή στο GenAI έχει νόημα.

 

Πρέπει η επωνυμία μου να προσαρμοστεί στο Generative AI;

Για να κατανοήσουμε πώς το GenAI μπορεί να επηρεάσει τις επωνυμίες, το πρώτο βήμα είναι να κατανοήσουμε σε ποιες περιπτώσεις οι άνθρωποι χρησιμοποιούν μηχανές αναζήτησης και πότε χρησιμοποιούν chatbots.

Όπως αναφέρθηκε, και οι δύο επιλογές χρησιμοποιούν το GenAI, αλλά οι μηχανές αναζήτησης εξακολουθούν να αφήνουν λίγο χώρο για τα παραδοσιακά αποτελέσματα, ενώ τα chatbots είναι εξ ολοκλήρου GenAI. Ο Fabrice Canel έφερε πληροφορίες σχετικά με τον τρόπο με τον οποίο οι άνθρωποι χρησιμοποιούν τα chatbots και τις μηχανές αναζήτησης στην προσοχή των εμπόρων κατά τη διάρκεια του Pubcon.

Η παρακάτω εικόνα δείχνει ότι όταν οι άνθρωποι ξέρουν ακριβώς τι θέλουν, θα χρησιμοποιήσουν μια μηχανή αναζήτησης, ενώ όταν οι άνθρωποι ξέρουν τι θέλουν, θα χρησιμοποιήσουν chatbots. Τώρα, ας πάμε ένα βήμα παραπέρα και ας εφαρμόσουμε αυτή τη γνώση στην πρόθεση αναζήτησης. Μπορούμε να υποθέσουμε ότι όταν ένας χρήστης έχει ένα ερώτημα πλοήγησης, θα χρησιμοποιούσε μηχανές αναζήτησης (Google/Bing) και όταν έχει ένα ερώτημα εμπορικής έρευνας, συνήθως θα ρωτούσε ένα chatbot.

 

Οι παραπάνω πληροφορίες έχουν ορισμένες σημαντικές συνέπειες:

1. Όταν οι χρήστες γράφουν μια επωνυμία ή ένα όνομα προϊόντος σε μια μηχανή αναζήτησης, θέλετε η επιχείρησή σας να κυριαρχεί στο SERP. Θέλετε το πλήρες πακέτο: εμπειρία GenAI (που ωθεί τον χρήστη στο βήμα αγοράς μιας διοχέτευσης), την κατάταξη του ιστότοπού σας, ένα πλαίσιο γνώσεων, μια κάρτα Twitter, ίσως Wikipedia, κορυφαίες ιστορίες, βίντεο και οτιδήποτε άλλο μπορεί να υπάρχει στο SERP.

Η Aleyda Solis στο Twitter έδειξε πώς μοιάζει η εμπειρία GenAI για τον όρο «nike sneakers»:

 

2. Όταν οι χρήστες κάνουν ερωτήσεις για chatbots, συνήθως θέλουν η επωνυμία τους να αναφέρεται στις απαντήσεις. Για παράδειγμα, αν είστε η Nike και ένας χρήστης πάει στο Bard και γράψει “καλύτερα αθλητικά παπούτσια”, θα θέλετε να υπάρχει η επωνυμία/το προϊόν σας.

 

3. Όταν κάνετε μια ερώτηση σε ένα chatbot, οι σχετικές απαντήσεις δίνονται στο τέλος της αρχικής απάντησης. Αυτές οι ερωτήσεις είναι σημαντικό να σημειωθούν, καθώς συχνά βοηθούν τους χρήστες να ωθήσουν τους χρήστες στη διοχέτευση πωλήσεών σας ή παρέχουν διευκρινίσεις σε ερωτήσεις σχετικά με το προϊόν ή την επωνυμία σας. Κατά συνέπεια, θέλετε να μπορείτε να ελέγχετε τις σχετικές ερωτήσεις που προτείνει το chatbot.

Τώρα που ξέρουμε γιατί οι επωνυμίες πρέπει να προσπαθούν να προσαρμοστούν, ήρθε η ώρα να εξετάσουμε τα ζητήματα που φέρνει αυτή η τεχνολογία πριν προχωρήσουμε σε λύσεις και τι πρέπει να κάνουν οι επωνυμίες για να εξασφαλίσουν την επιτυχία.

 

Ποιες είναι οι παγίδες του Generative AI;

Η ακαδημαϊκή εργασία Unifying Large Language Models and Knowledge Graphs: A Roadmap εξηγεί εκτενώς τα προβλήματα του GenAI. Ωστόσο, πριν ξεκινήσουμε, ας διευκρινίσουμε τη διαφορά μεταξύ Generative AI, Large Language Models (LLMs), Bard (Google chatbot) και Language Models for Dialogue Applications (LaMDA).

Τα LLM είναι ένας τύπος μοντέλου GenAI που προβλέπει την «επόμενη λέξη», το Bard είναι ένα συγκεκριμένο chatbot LLM που αναπτύχθηκε από την Google AI και το LaMDA είναι ένα LLM που έχει σχεδιαστεί ειδικά για εφαρμογές διαλόγου.

Για να γίνει ξεκάθαρο, ο Bard βασίστηκε αρχικά στο LaMDA (τώρα στο PaLM), αλλά αυτό δεν σημαίνει ότι όλες οι απαντήσεις του Bard προέρχονταν μόνο από το LamDA. Εάν θέλετε να μάθετε περισσότερα για το GenAI, μπορείτε να παρακολουθήσετε το εισαγωγικό μάθημα της Google για το Generative AI.

Όπως εξηγήθηκε στην προηγούμενη παράγραφο, το LLM προβλέπει την επόμενη λέξη. Αυτό βασίζεται στην πιθανότητα. Ας δούμε την παρακάτω εικόνα, η οποία δείχνει ένα παράδειγμα από το βίντεο της Google Τι είναι τα μεγάλα γλωσσικά μοντέλα (LLMs);

Λαμβάνοντας υπόψη την πρόταση που γράφτηκε, προβλέπει την υψηλότερη πιθανότητα της επόμενης λέξης. Μια άλλη επιλογή θα μπορούσε να ήταν ότι ο κήπος ήταν γεμάτος όμορφες «πεταλούδες». Ωστόσο, το μοντέλο εκτίμησε ότι τα «λουλούδια» είχαν την υψηλότερη πιθανότητα. Έτσι επέλεξε «λουλούδια».

Οι παγίδες μπορούν να συνοψιστούν σε τρία σημεία σύμφωνα με την εργασία Unifying Large Language Models and Knowledge Graphs: A Roadmap:

“Παρά την επιτυχία τους σε πολλές εφαρμογές, τα LLM έχουν επικριθεί για την έλλειψη γνώσης των πραγματικών στοιχείων.” Αυτό σημαίνει ότι το μηχάνημα δεν μπορεί να ανακαλέσει γεγονότα. Ως αποτέλεσμα, θα εφεύρει μια απάντηση. Αυτό είναι μια παραίσθηση.

«Ως μοντέλα μαύρου κουτιού, τα LLM επικρίνονται επίσης για έλλειψη ερμηνείας. Τα LLM αντιπροσωπεύουν τη γνώση σιωπηρά στις παραμέτρους τους. Είναι δύσκολο να ερμηνευτεί ή να επικυρωθεί η γνώση που αποκτήθηκε από LLMs.» Αυτό σημαίνει ότι, ως άνθρωπος, δεν γνωρίζουμε πώς το μηχάνημα κατέληξε σε ένα συμπέρασμα/απόφαση επειδή χρησιμοποίησε πιθανότητα.

“Οι LLM που έχουν εκπαιδευτεί σε γενικό σώμα ενδέχεται να μην είναι σε θέση να γενικευτούν καλά σε συγκεκριμένους τομείς ή νέες γνώσεις λόγω της έλλειψης γνώσεων για συγκεκριμένο τομέα ή νέων δεδομένων κατάρτισης.” Εάν ένα μηχάνημα είναι εκπαιδευμένο στον τομέα πολυτελείας, για παράδειγμα, δεν θα προσαρμοστεί στον ιατρικό τομέα.

Ο αντίκτυπος αυτών των προβλημάτων για τις επωνυμίες είναι ότι τα chatbots θα μπορούσαν να εφεύρουν πληροφορίες για την επωνυμία σας που δεν είναι αληθινές. Θα μπορούσαν ενδεχομένως να πουν ότι μια επωνυμία μετονομάστηκε, να εφεύρουν πληροφορίες για ένα προϊόν που δεν πουλά μια επωνυμία και πολλά άλλα. Ως αποτέλεσμα, είναι καλή πρακτική να δοκιμάζετε τα chatbots με οτιδήποτε σχετίζεται με την επωνυμία.

Αυτό δεν είναι πρόβλημα μόνο για τις επωνυμίες αλλά και για την Google και την Bing, επομένως πρέπει να βρουν μια λύση. Η λύση προέρχεται από το Γράφημα Γνώσης.

 

Τι είναι το Γράφημα Γνώσης;

Ένα από τα πιο διάσημα Γραφήματα Γνώσης στο SEO είναι το Γράφημα Γνώσης Google και η Google το ορίζει: «Η βάση δεδομένων μας με δισεκατομμύρια γεγονότα για ανθρώπους, μέρη και πράγματα. Το Γράφημα Γνώσης μας επιτρέπει να απαντάμε σε πραγματικές ερωτήσεις όπως «Πόσο ψηλός είναι ο Πύργος του Άιφελ;» ή «Πού έγιναν οι Θερινοί Ολυμπιακοί Αγώνες του 2016;» Στόχος μας με το Γράφημα Γνώσης είναι τα συστήματά μας να ανακαλύψουν και να εμφανίσουν δημόσια γνωστές, πραγματικές πληροφορίες όταν είναι αποφασισμένο να είναι χρήσιμο».

Οι δύο βασικές πληροφορίες που πρέπει να έχετε υπόψη σε αυτόν τον ορισμό είναι:

1. Είναι μια βάση δεδομένων

2. Που αποθηκεύει πραγματικές πληροφορίες

Αυτό είναι ακριβώς το αντίθετο του GenAI. Κατά συνέπεια, η λύση για την επίλυση οποιουδήποτε από τα προβλήματα που αναφέρθηκαν προηγουμένως, και ιδιαίτερα των παραισθήσεων, είναι η χρήση του Γράφημα Γνώσης για την επαλήθευση των πληροφοριών που προέρχονται από το GenAI.

Προφανώς, αυτό φαίνεται πολύ εύκολο στη θεωρία, αλλά δεν είναι στην πράξη. Αυτό συμβαίνει επειδή οι δύο τεχνολογίες είναι πολύ διαφορετικές. Ωστόσο, στην εργασία «LaMDA: Language Models for Dialog Applications», φαίνεται ότι η Google το κάνει ήδη αυτό. Φυσικά, εάν η Google το κάνει αυτό, θα μπορούσαμε επίσης να περιμένουμε ότι η Bing θα κάνει το ίδιο.

Το Γράφημα γνώσης έχει αποκτήσει ακόμη μεγαλύτερη αξία για τις επωνυμίες, επειδή τώρα οι πληροφορίες επαληθεύονται χρησιμοποιώντας το Γράφημα γνώσης, που σημαίνει ότι θέλετε η επωνυμία σας να βρίσκεται στο Γράφημα γνώσης.

 

Πώς θα ήταν μια επωνυμία στο Γράφημα γνώσης

Για να είναι στο Γράφημα Γνώσης, μια επωνυμία πρέπει να είναι οντότητα. Μια μηχανή είναι μια μηχανή. δεν μπορεί να κατανοήσει μια επωνυμία όπως θα καταλάβαινε ένας άνθρωπος. Εδώ μπαίνει η έννοια της οντότητας.

Θα μπορούσαμε να απλοποιήσουμε την έννοια λέγοντας ότι μια οντότητα είναι ένα όνομα που έχει έναν αριθμό που της έχει εκχωρηθεί και ο οποίος μπορεί να διαβαστεί από το μηχάνημα. Για παράδειγμα, μου αρέσουν τα πολυτελή ρολόγια. Θα μπορούσα να περάσω ώρες μόνο κοιτάζοντάς τους.

Ας πάρουμε λοιπόν μια διάσημη μάρκα πολυτελών ρολογιών που πιθανότατα γνωρίζετε οι περισσότεροι – τη Rolex. Το αναγνώσιμο από μηχανή αναγνωριστικό της Rolex για το γράφημα γνώσεων Google είναι /m/023_fz. Αυτό σημαίνει ότι όταν πηγαίνουμε σε μια μηχανή αναζήτησης και γράφουμε το εμπορικό σήμα “Rolex”, το μηχάνημα το μετατρέπει σε /m/023_fz.

Τώρα που καταλάβατε τι είναι μια οντότητα, ας χρησιμοποιήσουμε έναν πιο τεχνικό ορισμό που δόθηκε από τον Krisztian Balog στο βιβλίο Entity-Oriented Search: «Μια οντότητα είναι ένα μοναδικά αναγνωρίσιμο αντικείμενο ή πράγμα, που χαρακτηρίζεται από τα ονόματά του, τους τύπους , ιδιότητες και σχέσεις με άλλες οντότητες.”

Ας αναλύσουμε αυτόν τον ορισμό χρησιμοποιώντας το παράδειγμα Rolex:

Μοναδικό αναγνωριστικό = Αυτή είναι η οντότητα. Αναγνωριστικό: /m/023_fz

Όνομα = Rolex

Τύπος = Αυτό κάνει αναφορά στη σημασιολογική ταξινόμηση, σε αυτήν την περίπτωση «Πράγμα, Οργανισμός, Εταιρεία».

Ιδιότητες = Αυτά είναι τα χαρακτηριστικά της οντότητας, όπως όταν ιδρύθηκε η εταιρεία, η έδρα της και άλλα. Στην περίπτωση της Rolex, η εταιρεία ιδρύθηκε το 1905 και έχει την έδρα της στη Γενεύη.

Όλες αυτές οι πληροφορίες (και πολλές άλλες) που σχετίζονται με το Rolex θα αποθηκευτούν στο Γράφημα Γνώσης. Ωστόσο, το μαγικό μέρος του Γράφου Γνώσης είναι οι συνδέσεις μεταξύ οντοτήτων.

Για παράδειγμα, ο ιδιοκτήτης της Rolex, Hans Wilsdorf, είναι επίσης μια οντότητα και γεννήθηκε στο Kulmbach, το οποίο είναι επίσης οντότητα. Έτσι, τώρα μπορούμε να δούμε κάποιες συνδέσεις στο Γράφημα Γνώσης. Και αυτές οι συνδέσεις συνεχίζονται και συνεχίζονται. Ωστόσο, για το παράδειγμά μας, θα πάρουμε μόνο τρεις οντότητες, δηλαδή Rolex, Hans Wilsdorf, Kulmbach.

 

Από αυτές τις συνδέσεις, μπορούμε να δούμε πόσο σημαντικό είναι για μια επωνυμία να γίνει οντότητα και να παρέχει στο μηχάνημα όλες τις σχετικές πληροφορίες, οι οποίες θα επεκταθούν στην ενότητα «Πώς μπορεί μια επωνυμία να μεγιστοποιήσει τις πιθανότητές της να είναι σε chatbot ή να είσαι μέρος της εμπειρίας GenAI;»

Ωστόσο, ας αναλύσουμε πρώτα το LaMDA , το παλιό μοντέλο Google Large Language που χρησιμοποιήθηκε στο BARD, για να κατανοήσουμε πώς συνεργάζονται το GenAI και το Γράφημα Γνώσης.

 

Το LaMDA και το Γράφημα Γνώσης

Μίλησα πρόσφατα με τον καθηγητή Shirui Pan από το Πανεπιστήμιο Griffith, ο οποίος ήταν ο κορυφαίος καθηγητής για την εργασία «Ενοποίηση μεγάλων μοντέλων γλώσσας και γραφημάτων γνώσης: Ένας χάρτης πορείας» και επιβεβαίωσα ότι πιστεύει επίσης ότι η Google χρησιμοποιεί το Γράφημα Γνώσης για την επαλήθευση πληροφοριών.

Για παράδειγμα, μου έδειξε αυτήν την πρόταση στο έγγραφο LaMDA: Language Models for Dialog Applications:

«Δείχνουμε ότι η προσαρμογή με σχολιασμένα δεδομένα και η δυνατότητα στο μοντέλο να συμβουλεύεται εξωτερικές πηγές γνώσης μπορεί να οδηγήσει σε σημαντικές βελτιώσεις στις δύο βασικές προκλήσεις της ασφάλειας και της τεκμηριωμένης βάσης».

Δεν θα υπεισέλθω σε λεπτομέρειες σχετικά με την ασφάλεια και τη γείωση, αλλά εν συντομία, η ασφάλεια συνεπάγεται ότι το μοντέλο σέβεται τις ανθρώπινες αξίες και τη γείωση (που είναι το πιο σημαντικό πράγμα για τις επωνυμίες), που σημαίνει ότι το μοντέλο πρέπει να συμβουλεύεται εξωτερικές πηγές γνώσης (ανάκτηση πληροφοριών σύστημα, μεταφραστής γλώσσας και αριθμομηχανή).

Παρακάτω είναι ένα παράδειγμα του πώς λειτουργεί η διαδικασία. Είναι δυνατό να δείτε από την παρακάτω εικόνα ότι το πράσινο πλαίσιο είναι η έξοδος από το εργαλείο συστήματος ανάκτησης πληροφοριών. Το TS σημαίνει σύνολο εργαλείων. Η Google δημιούργησε ένα σύνολο εργαλείων που αναμένει μια συμβολοσειρά (μια ακολουθία χαρακτήρων) ως είσοδο και έξοδο ενός αριθμού, μιας μετάφρασης ή κάποιου είδους πραγματικών πληροφοριών. Στην εργασία LaMDA: Language Models for Dialog Applications, υπάρχουν ορισμένα διευκρινιστικά παραδείγματα: η αριθμομηχανή παίρνει το “135+7721” και βγάζει μια λίστα που περιέχει το [“7856”].

Ομοίως, ο μεταφραστής μπορεί να πάρει το “Hello in French” και να βγάζει [“Bonjour”]. Τέλος, το σύστημα ανάκτησης πληροφοριών μπορεί να πάρει “Πόσο χρονών είναι ο Ραφαέλ Ναδάλ;” και έξοδος [“Rafael Nadal / Age / 35”]. Η απάντηση “Rafael Nadal / Ηλικία / 35” είναι μια τυπική απάντηση που μπορούμε να λάβουμε από ένα Γράφημα Γνώσης. Ως αποτέλεσμα, είναι δυνατό να συμπεράνουμε ότι η Google χρησιμοποιεί το Γράφημα Γνώσης για να επαληθεύσει τις πληροφορίες.

 

Αυτό με φέρνει στο συμπέρασμα που είχα ήδη προβλέψει: η παρουσία στο Γράφημα Γνώσης γίνεται ολοένα και πιο σημαντική για τις επωνυμίες. Όχι μόνο για να έχετε μια πλούσια εμπειρία SERP με ένα Πάνελ Γνώσης αλλά και για νέες και αναδυόμενες τεχνολογίες. Αυτό δίνει στην Google και την Bing έναν ακόμη λόγο να παρουσιάσουν την επωνυμία σας αντί για έναν ανταγωνιστή.

 

Πώς μπορεί μια επωνυμία να μεγιστοποιήσει τις πιθανότητές της να είναι μέρος των απαντήσεων ενός chatbot ή να είναι μέρος της εμπειρίας GenAI;

Κατά τη γνώμη μου, μία από τις καλύτερες προσεγγίσεις είναι η χρήση της διαδικασίας Kalicube που δημιουργήθηκε από τον Jason Barnard, η οποία βασίζεται σε τρία βήματα: Κατανόηση, Αξιοπιστία και Παράδοση. Πρόσφατα έγραψα μια λευκή βίβλο με τον Jason σχετικά με τη δημιουργία περιεχομένου για το GenAI. παρακάτω είναι μια περίληψη των τριών βημάτων.

1. Κατανοήστε τη λύση σας. Αυτό αναφέρεται στο να γίνετε οντότητα και να εξηγήσετε στη μηχανή ποιος είστε και τι κάνετε. Ως επωνυμία, πρέπει να βεβαιωθείτε ότι η Google ή η Bing κατανοούν την επωνυμία σας, συμπεριλαμβανομένης της ταυτότητας, των προσφορών και του κοινού-στόχου της. Στην πράξη, αυτό σημαίνει να έχετε ένα αναγνώσιμο από μηχανήματα αναγνωριστικό και να τροφοδοτείτε το μηχάνημα με τις σωστές πληροφορίες για την επωνυμία και το οικοσύστημά σας. Θυμηθείτε το παράδειγμα Rolex όπου καταλήξαμε στο συμπέρασμα ότι το αναγνώσιμο αναγνωριστικό Rolex είναι /m/023_fz. Αυτό το βήμα είναι θεμελιώδες.

2. Στη διαδικασία Kalicube, η αξιοπιστία είναι μια άλλη λέξη για την πιο σύνθετη έννοια του E-E-A-T. Αυτό σημαίνει ότι εάν δημιουργείτε περιεχόμενο, πρέπει να επιδείξετε Εμπειρία, Εξειδίκευση, Αυθεντία και Αξιοπιστία στο θέμα του κομματιού περιεχομένου.

Ένας απλός τρόπος για να γίνει αντιληπτός ως πιο αξιόπιστος από ένα μηχάνημα είναι να συμπεριλάβετε δεδομένα ή πληροφορίες που μπορούν να επαληθευτούν στον ιστότοπό σας. Για παράδειγμα, εάν μια επωνυμία υπάρχει εδώ και 50 χρόνια, θα μπορούσε να γράψει στον ιστότοπό της «Είμαστε στην επιχείρηση εδώ και 50 χρόνια». Αυτές οι πληροφορίες είναι πολύτιμες αλλά πρέπει να επαληθεύονται από την Google ή την Bing. Εδώ είναι χρήσιμες οι εξωτερικές πηγές. Στη διαδικασία Kalicube, αυτό ονομάζεται επιβεβαίωση των πηγών. Για παράδειγμα, εάν έχετε μια σελίδα Wikipedia με την ημερομηνία ίδρυσης της εταιρείας, αυτές οι πληροφορίες μπορούν να επαληθευτούν. Αυτό μπορεί να εφαρμοστεί σε όλα τα πλαίσια.

Εάν πάρουμε μια επιχείρηση ηλεκτρονικού εμπορίου με κριτικές πελατών στον ιστότοπό της και οι κριτικές πελατών είναι εξαιρετικές, αλλά δεν υπάρχει τίποτα που να το επιβεβαιώνει εξωτερικά, τότε είναι λίγο ύποπτο. Αλλά, εάν οι εσωτερικές κριτικές είναι ίδιες με αυτές του Trustpilot, για παράδειγμα, η μάρκα αποκτά αξιοπιστία!

Επομένως, το κλειδί για την αξιοπιστία είναι να παρέχετε πρώτα πληροφορίες στον ιστότοπό σας και αυτές οι πληροφορίες να επιβεβαιώνονται εξωτερικά.

Το ενδιαφέρον μέρος είναι ότι όλα αυτά δημιουργούν έναν κύκλο, επειδή δουλεύοντας για να πείσετε τις μηχανές αναζήτησης για την αξιοπιστία σας τόσο εντός όσο και εκτός τοποθεσίας, θα πείσετε επίσης το κοινό σας από την κορυφή μέχρι το κάτω μέρος της διοχέτευσης απόκτησης.

3. Το περιεχόμενο που δημιουργείτε πρέπει να είναι παραδοτέο. Η δυνατότητα παράδοσης στοχεύει να παρέχει μια εξαιρετική εμπειρία πελάτη για κάθε σημείο επαφής του ταξιδιού απόφασης αγοραστή. Αυτό αφορά πρωτίστως την παραγωγή στοχευμένου περιεχομένου στη σωστή μορφή και δεύτερον για την τεχνική πλευρά του ιστότοπου.

Ένα εξαιρετικό σημείο εκκίνησης είναι η χρήση του μοντέλου Customer Journey του Ομίλου Pedowitz και η παραγωγή περιεχομένου για κάθε βήμα. Ας δούμε ένα παράδειγμα διοχέτευσης στο BingChat που, ως επωνυμία, θέλετε να ελέγξετε.

Ένας χρήστης θα μπορούσε να γράψει: “Μπορώ να βουτήξω με πολυτελή ρολόγια;” Όπως μπορούμε να δούμε από την παρακάτω εικόνα, μια συνιστώμενη ερώτηση παρακολούθησης που προτείνεται από το chatbot είναι «Ποια είναι μερικά καλά ρολόγια κατάδυσης;»

 

 

Εάν ένας χρήστης κάνει κλικ σε αυτήν την ερώτηση, λαμβάνει μια λίστα με πολυτελή ρολόγια κατάδυσης. Όπως μπορείτε να φανταστείτε, εάν πουλάτε ρολόγια κατάδυσης, θέλετε να συμπεριληφθείτε στη λίστα.

Με μερικά κλικ, το chatbot έφερε έναν χρήστη από μια γενική ερώτηση σε μια πιθανή λίστα ρολογιών που θα μπορούσε να αγοράσει.

Ως επωνυμία, πρέπει να παράγετε περιεχόμενο για όλα τα σημεία επαφής του ταξιδιού απόφασης αγοραστή και να βρείτε τον πιο αποτελεσματικό τρόπο παραγωγής αυτού του περιεχομένου, είτε πρόκειται για συχνές ερωτήσεις, οδηγίες, λευκές βίβλους, ιστολόγια ή οτιδήποτε άλλο .

Το GenAI είναι μια ισχυρή τεχνολογία που συνοδεύεται από τα δυνατά και τα αδύνατα σημεία της. Μία από τις κύριες προκλήσεις που αντιμετωπίζουν οι μάρκες είναι οι παραισθήσεις όταν πρόκειται για τη χρήση αυτής της τεχνολογίας. Όπως καταδεικνύεται από την εργασία LaMDA: Language Models for Dialog Applications, μια πιθανή λύση σε αυτό το πρόβλημα είναι η χρήση Γραφημάτων Γνώσης για την επαλήθευση των εξόδων GenAI. Το να βρίσκεστε στο Γράφημα Γνώσης Google για μια επωνυμία είναι πολύ περισσότερο από το να έχετε την ευκαιρία να έχετε ένα πολύ πιο πλούσιο SERP. Παρέχει επίσης την ευκαιρία να μεγιστοποιήσουν τις πιθανότητές τους να συμμετέχουν στη νέα εμπειρία GenAI και στα chatbot της Google — διασφαλίζοντας ότι οι απαντήσεις σχετικά με την επωνυμία τους είναι ακριβείς.

Αυτός είναι ο λόγος για τον οποίο, από την άποψη της επωνυμίας, το να είσαι οντότητα και να είσαι κατανοητός από την Google και την Bing είναι απαραίτητο και δεν πρέπει πλέον!