Мы потратили 20 лет на измерение того, что происходит после выполнения запроса. ИИ объясняет, почему этого уже недостаточно.

<п>В течение последних двух десятилетий мы позволяем нашему успеху определяться кликами, показами, рейтингом кликов, рейтингом и всем остальным, что Google предлагает нам. Затем появился искусственный интеллект, и мы внезапно начали обращать внимание на новые показатели, такие как упоминание бренда, быстрое освещение событий и конверсии по рекомендациям AI, а также на многие другие, которые добавили совершенно новый уровень измерения.

И в традиционных показателях нет ничего плохого. Фактически, недавний анализ систем ранжирования Google показывает, что эти сигналы, наряду с взаимодействием с пользователем, все больше помогают поисковым системам делать выводы о ценности и релевантности контента.

Проблема в том, что все они измеряют одно и то же: результат решения.

<п>Они рассказывают нам, что произошло после того, как кто-то выбрал результат, но очень мало о том, что вообще сделало этот результат правильным выбором. Или почему мы упоминаемся (или не упоминаемся) в оперативном ответе. И, по моему мнению, это упускает из виду огромные возможности, скрытые в наших данных.

<п>Потому что, хотя явный выбор и поведение, вытекающее из него, являются отличными индикаторами того, что работает (и, возможно, предсказателем успеха SEO), все, что происходит до принятия решения, не менее важно: это позволяет нам выявлять пробелы в нашей стратегии и то, что мы могли бы сделать в масштабе, чтобы повлиять на вероятность того, что мы не только видимы, но и на выбранный вариант среди доступных.

Вот почему я стал меньше думать о трафике и больше о том, что я называю «дистанцией принятия решения»: разрывом между мотивами, определяющими решение пользователя, и сообщениями, которые бренд передает на каждом этапе пути клиента.

Почему традиционных показателей недостаточно в эпоху искусственного интеллекта?

По правде говоря, раньше они были неполными, но введение LLM в поисковые пути только усилило слепое пятно в понимании поведения пользователя за пределами того, что сразу доступно в результате действия.

Не поймите меня неправильно, традиционные показатели по-прежнему хороши, когда вы разрабатываете стратегию и собираете билеты разработчиков, чтобы убедиться, что вы охватили основы, как с технической точки зрения, так и с точки зрения покрытия спроса; но большинство из них фиксируют только результат уже принятого решения, и если мы оставим все как есть, мы упустим некоторые из самых больших возможностей объединиться с нашей аудиторией, особенно сейчас, когда LLM значительно сокращает путь поиска и принятия решений.

<п>Фактически, удобство получения ответа, синтезированного для нас еще до того, как мы посетим веб-сайт (будь то в собственной экосистеме Google с обзором искусственного интеллекта или непосредственно в LLM с диалоговыми запросами), интегрировало, если не заменяло, систематический исследовательский процесс, который мы использовали для выявления соответствующего результата в поисковых системах. И часто эти обобщенные результаты охватывают не только запрос, но и наши конкретные намерения и даже временные состояния — своего рода персонализация, от которой трудно отказаться. Помимо обеспечения удобства, студенты LLM пытаются отразить наш выбор, основываясь на том, что они знают о нас, наших ценностях, наших предпочтениях – или у таких людей, как мы. For a brand, this makes it harder to rank as an option if we are not perfectly aligned with the search intent, the values, and the emotional states of the person behind the search, since that’s exactly what the LLM is trying to provide.

<стр>Поскольку ИИ-обзоры и диалоговый поиск побуждают пользователей оценивать результаты перед тем, как нажать на них, большая часть процесса принятия решений происходит за пределами наших веб-сайтов и вне нашего поля зрения.

Именно здесь традиционные показатели SEO начинают показывать свои пределы. Они рассказывают вам, что произошло, но не объясняют, почему, оставляя общую картину неполной. <п>Например, CTR говорит вам о том, что люди перешли по ссылке, но не говорит о том, почему один результат кажется более привлекательным, чем другой; показатель отказов говорит нам о том, что пользователи ушли, но не говорит о том, какие ожидания не оправдались; то же самое касается большинства традиционных показателей, о которых нас учили заботиться. Они имеют тенденцию скрываться и рассказывать нам историю уже предпринятых действий, а не то, что привело пользователя к этому конкретному результату.

К моменту измерения этих показателей решение (человеческое или агентское) уже принято, и на него невозможно повлиять.

Изображение от автора, август 2026 г.

Итак, если решения все чаще формируются до того, как будут предприняты действия, одно только измерение кликов говорит нам все меньше и меньше о том, почему люди предпочли один результат другому. И я считаю, что именно на этом пробеле нам следует сосредоточиться.

Что следует измерять вместо этого: расстояние принятия решения

<п>Каждое решение обусловлено сочетанием функциональных, эмоциональных и социальных факторов. Чем ближе ваши сообщения соответствуют этим движущим силам, тем больше вероятность, что кто-то двинется вперед. Люди редко совершают конверсии из-за самого контента – они выполняют действие, потому что передаваемый контент приблизил их к решению, которое они уже оценивали. Поэтому вместо того, чтобы использовать только клики, рейтинги и трафик в качестве наших основных ключевых показателей эффективности, я считаю, что нам следует также измерить соответствие между нашими сообщениями и мотивами, которые действительно влияют на решение.

<п>Я называю это «дистанцией принятия решения»: семантический разрыв между основными факторами принятия решений пользователем и сообщениями, которые бренд передает на протяжении всего пути клиента. Другими словами, расстояние принятия решения оценивает, насколько ваши сообщения и предложения далеки от мотивов, которые на самом деле приближают кого-то к действию.

Такие расчеты мы делаем каждый день, почти на автопилоте. В нашей повседневной жизни мы часто принимаем решения и оцениваем соответствие того или иного варианта нашим потребностям, целям и ценностям – и тем самым мы постоянно измеряем разрыв между тем, что предлагают эти варианты, и нашими потребностями.

<п>Подумайте, например, о дороге на работу. Возможно, вы не всегда будете выбирать самый быстрый маршрут, но выберите вариант, который лучше всего соответствует тому, что важно в данный момент, перекалибровывая и корректируя путешествие. Возможно, вам нужно избегать пробок, заходить в спортзал по дороге или как можно быстрее добраться домой. То же самое касается и нашего поведения в Интернете: на какой потоковый сервис подписаться или какое программное обеспечение купить. Прежде чем сделать выбор, мы постоянно оцениваем, насколько тот или иной вариант соответствует нашим потребностям, целям и ценностям. А поскольку мы созданы для удобства, наша естественная тенденция состоит в том, чтобы выбирать варианты, которые наиболее точно соответствуют нашему набору неявных требований, где воспринимаемая дистанция является наименьшей.

Измерение воспринимаемого расстояния между тем, чего хотят ваши пользователи, и тем, что дает ваше сообщение, является недостающим элементом в понимании того, почему вы можете терять людей и цитируемость – – и, что особенно важно, как ее решить.

<стр>Как это выглядит на практике? Представьте, что кто-то ищет программное обеспечение для расчета заработной платы. Если вас больше всего беспокоит доверие поставщику конфиденциальных данных о сотрудниках, но на вашей странице большую часть времени рассказывается о функциях, интеграции и информационных панелях, то ваша дистанция принятия решения высока, и она вряд ли приведет к конверсии. Ваш контент мог соответствовать основному запросу, но не требованиям для принятия решения в вашу пользу.

<п>Расстояние принятия решения сообщает, какие психологические стимулы в первую очередь вызвали такое поведение, и насколько хорошо мы им удовлетворяем.

Вот почему я рассматриваю это как дополнительную меру, а не замену традиционных показателей SEO. Рейтинги, клики и показы говорят нам, был ли наш контент просмотрен или на него воздействовали. Дистанция принятия решения помогает объяснить, обратились ли мы в первую очередь к мотивам, которые делают это действие возможным.

Как измерить расстояние принятия решения

<п>Используя встраивание предложений и семантическое сходство, вы можете оценить, насколько близко ваше предложение и сообщение соответствуют библиотеке факторов принятия решений и мотивации, выраженной вашей аудиторией.

Процесс, который я использую для определения расстояния принятия решения, разбит на четыре основных этапа:

<х3>1. Определить факторы принятия решений на языке клиента

<стр>Первый шаг — определить мотивы поиска пользователя. Хотя запросы не рассказывают нам всей истории, они часто содержат убедительные сигналы о функциональных, эмоциональных или социальных факторах, лежащих в основе решения, и помогают нам сформировать профиль решения аудитории.

Итак, определите факторы принятия решений, которые вы хотите обнаружить, и напишите краткое описание каждого из них. Эти описания действуют как семантические ориентиры, которые можно сравнить с языком клиента с помощью встраивания предложений, поэтому важно потратить некоторое время на их уточнение и просмотр неоднозначных классификаций. Некоторые из наиболее распространенных факторов принятия решений, например:

<ул>

<сильный>Соотношение цены и качества: Желание максимизировать воспринимаемую ценность относительно стоимости.

Доверие: Потребность в уверенности в том, что бренд выполнит свои обещания.

Удобство: Желание минимизировать усилия, сложность и время.

<сильный>Социальное доказательство:Уверенность, основанная на поведении или мнении других.

Качество: Ожидание превосходной производительности, долговечности и мастерства.

<п>И еще.

После того, как вы определили свои драйверы, вам нужно будет собрать набор данных об аудитории.

<стр>Вы можете начать это упражнение с поисковых запросов, а затем расширить его до социальных сетей, интервью с клиентами, разговоров со службой поддержки или данных CRM, чтобы создать более полную картину того, что влияет на решения на каждом этапе. <п>Цель состоит в том, чтобы сопоставить язык аудитории с различными факторами принятия решений, которые мы выбрали. У меня есть сценарий Colab, который я использовал в качестве примера, чтобы рассказать об этом шаге, и вы можете поэкспериментировать с ним здесь, заменяя этот игрушечный набор своими собственными драйверами и данными об аудитории.

В свой сценарий я добавил короткий фрагмент, чтобы назначить каждому водителю отдельный этап поездки, чтобы вы точно знали, где должны быть ваши действия (и информировали о ваших межфункциональных усилиях).

Пример присвоения языка клиента факторам принятия решений на этапах пути с использованием семантического сходства. Скриншот публикации автора в Colab, август 2026 г. <х3>2. Оцените, насколько сильно ваши сообщения отражают эти движущие силы

Далее проанализируйте свои собственные сообщения, используя ту же структуру драйверов принятия решений. Здесь оценивается профиль драйверов вашего бренда, и он формируется на основе вашего собственного контента: страниц продуктов, целевых страниц, контента блога, рекламных объявлений.

<стр>На этом этапе вы сопоставляете страницы, претензии или сообщения бренда с теми же драйверами, которые вы установили на шаге 1, и ваша цель — понять, какие драйверы ваш бренд усиливает, а какие игнорирует.

Вывод может выглядеть примерно так:

Пример семантического соответствия между отдельными сообщениями бренда и факторами принятия решений. Каждое сообщение сравнивается с той же структурой драйверов принятия решений, которая используется для анализа аудитории. Скриншот публикации автора в Colab, август 2026 г.

В этом примере мы видим, каковы три основных драйвера для каждого из этих сообщений, исходя из их сходства с определениями, которые мы установили на предыдущем шаге.

<х3>3. Сравните профили, чтобы рассчитать расстояние принятия решения

<п>Это реальная “Расстояние принятия решения” Этап расчета, на котором вы сравниваете два профиля и выявляете разницу между тем, что говорит ваш контент, и тем, что на самом деле нужно услышать вашей аудитории, чтобы двигаться дальше. Сравнение двух профилей дает экспериментальную оценку расстояния принятия решения, а также пробелы в отдельных драйверах, которые объясняют, где расходятся два профиля. Эти пробелы становятся возможностями для оптимизации и расстановки приоритетов.

Скажем, например, что профиль аудитории показывает, что качество является важным фактором на этапе осведомленности, но вместо этого ваш контент в значительной степени опирается на удобство: первый отражает непредставленное стремление и возможность лучше соответствовать тому, что пользователи хотят видеть.

Иллюстративное сравнение предполагаемой аудитории и профилей факторов, определяющих принятие решений о бренде. Положительные различия указывают на более сильный относительный акцент в языке аудитории; отрицательные пробелы указывают на более сильный акцент в обмене сообщениями о бренде. Скриншот публикации автора в Colab, август 2026 г. <х3>4. Уменьшите пробелы посредством обмена сообщениями и изменениями контента

<стр>Наконец, используйте эти знания для улучшения согласованности. Это может означать изменение обмена сообщениями, введение более сильных сигналов доверия, реструктуризацию контента или сотрудничество с другими командами для удовлетворения потребностей, которые в настоящее время не удовлетворяются. Это ваш план действий по улучшению взаимодействия с пользователем.

<п>В этом простом примере аудитория и язык бренда совпадают лишь частично. Запросы аудитории больше касались качества и доверия, в то время как в сообщениях бренда подчеркивались социальные доказательства, удобство и безопасность. Обратите внимание, что эти пропорции отражают не процент людей, которым небезразличен каждый водитель, а то, насколько сильно каждый водитель присутствует в анализируемом языке.

Оценочная аудитория и профили факторов, определяющих принятие решения о бренде. Каждая полоса показывает относительную известность фактора принятия решения среди аудитории или языка бренда. Большие различия между столбцами указывают на большие различия в акцентах. Скриншот публикации автора в Colab, август 2026 г.

Традиционный поиск вознаграждает соответствующие запросы. ИИ все чаще вознаграждает за сопоставление стоящих за ними причин, и понимание этих причин может стать одним из самых больших конкурентных преимуществ в поиске, продвигающемся вперед.