https://virgool.ir/feed/@hesam.shaikhyدرباره رشد، بازاریابی، رفتار مشتری و مسئله‌هایی می‌نویسم که معمولا پشت عددها و نمودارها پنهان می‌مانند. کانال تلگرام: https://t.me/GrowthThinkingfa2026-11-11 06:26:09https://files.virgool.ir/upload/users/4939482/avatar/i2qeow.jpghttps://virgool.ir/@hesam.shaikhyhttps://virgool.ir/@hesam.shaikhy/ai-visibility-jgcolrnvemuzچرا تعداد دفعاتی که هوش مصنوعی نام برند شما را می‌آورد، به‌تنهایی معیار مناسبی برای سنجش جایگاه برند و فرصت رشد کسب‌وکار نیست؟در گزارش تیم مارکتینگ، مقابل شاخص AI Visibility نوشته شده است: «نام برند شما در ۴۰ درصد پاسخ‌های هوش مصنوعی دیده شده است.»تیم مارکتینگ از رشد این عدد خوشحال است. مدیرعامل هم احتمالاً آن را نشانه‌ای از بهتر شدن جایگاه برند می‌داند. اما هنوز مشخص نیست این ۴۰ درصد دقیقاً چه ارزشی برای کسب‌وکار دارد.ممکن است برند در پاسخ به سؤال «معروف‌ترین نرم‌افزارهای مدیریت پروژه کدام‌اند؟» ظاهر شده باشد، در انتهای فهرستی شامل ده‌ها ابزار مختلف.در مقابل، وقتی کاربری می‌پرسد «برای یک شرکت خدماتی ۳۰ نفره که به دنبال مدیریت پروژه با هزینه مناسب و پیاده‌سازی ساده است، چه نرم‌افزاری پیشنهاد می‌کنی؟»، نام همان برند اصلاً در پاسخ نباشد.اگر مشتری هدف این شرکت، کسب‌وکارهای کوچک و متوسط باشند، کدام پاسخ اهمیت بیشتری دارد؟این تفاوتی است که در بسیاری از گزارش‌های ساده AI Visibility گم می‌شود. گزارش نشان می‌دهد برند چند بار دیده شده، اما روشن نمی‌کند آیا در موقعیت‌هایی دیده شده که واقعاً می‌توانند به انتخاب مشتری منجر شوند یا خیر.برای ارزیابی جایگاه یک برند در پاسخ‌های AI، باید بدانیم نام آن در پاسخ به چه پرسشی آمده، در کدام فهرست قرار گرفته، چگونه توصیف شده و با چه رقبایی مقایسه می‌شود.وقتی مشتری سؤالش را تغییر می‌دهد، رقابت هم تغییر می‌کنددر ادبیات رشد برند، مفهومی به نام Category Entry Points وجود دارد. منظور موقعیت‌ها، نیازها و شرایطی است که باعث می‌شوند مشتری به خرید یک دسته محصول یا خدمت فکر کند.مثلاً مدیر یک شرکت ممکن است زمانی به خرید CRM فکر کند که تعداد سرنخ‌های فروش بالا رفته و پیگیری آن‌ها دشوار شده است. مدیر دیگری به دلیل نارضایتی از گزارش‌های فروش به دنبال همان دسته محصول می‌رود. شرکت سوم می‌خواهد وابستگی فرایند فروش به چند کارشناس باتجربه را کاهش دهد.هر سه به یک دسته محصول نیاز دارند، اما با مسئله‌های متفاوتی وارد بازار می‌شوند.برندها سال‌ها تلاش کرده‌اند هنگام شکل‌گیری این نیازها در ذهن مشتری حاضر باشند. حالا بخشی از همین موقعیت‌ها به شکل سؤال وارد ChatGPT، Gemini یا سایر ابزارهای هوش مصنوعی می‌شود.هوش مصنوعی می‌تواند بر اساس نیاز کاربر، گزینه‌ها را جست‌وجو، مقایسه و خلاصه کند. در نتیجه ممکن است پیش از آنکه مشتری وارد سایت فروشندگان شود، فهرستی اولیه از انتخاب‌های قابل بررسی داشته باشد.این تغییر یک پیامد مهم برای استراتژی برند دارد: موقعیت خرید مشتری تعیین می‌کند حضور در کدام پاسخ ارزشمند است.برای یک شرکت ارائه‌دهنده CRM، دیده‌شدن در پاسخ به «CRM چیست؟» می‌تواند به آشنایی اولیه مخاطب کمک کند. اما حضور در پاسخ به «بهترین CRM برای شرکت‌های B2B با چرخه فروش طولانی چیست؟» ممکن است به مرحله بررسی گزینه‌ها نزدیک‌تر باشد.البته پرسش‌های عمومی هم بی‌ارزش نیستند. آن‌ها می‌توانند در بلندمدت به شناخت برند کمک کنند. مسئله زمانی ایجاد می‌شود که حضور در پرسش‌های عمومی و پرسش‌های نزدیک به خرید، بدون هیچ تمایزی در یک KPI جمع شوند.مدیرعامل باید بداند کسب‌وکار در کدام موقعیت‌های خرید نیاز دارد در فهرست گزینه‌های مشتری قرار بگیرد و امروز در چند مورد از آن موقعیت‌ها حضور دارد.در کنار چه رقبایی نام شما می‌آید؟دو برند ممکن است به یک اندازه در پاسخ‌های AI دیده شوند، اما جایگاه رقابتی کاملاً متفاوتی داشته باشند.یک نرم‌افزار مدیریت پروژه را در نظر بگیریم که مزیت اصلی آن پیاده‌سازی سریع، پشتیبانی مناسب و سادگی استفاده برای تیم‌های کوچک است.اگر AI این نرم‌افزار را دائماً کنار ابزارهای پیچیده سازمانی قرار دهد، ممکن است مقایسه بر اساس قابلیت‌های پیشرفته، تعداد امکانات یا سطح یکپارچگی‌های سازمانی شکل بگیرد؛ معیارهایی که احتمالاً مزیت اصلی این برند نیستند.همان محصول اگر در کنار ابزارهای مناسب کسب‌وکارهای کوچک قرار بگیرد، با معیارهای دیگری ارزیابی می‌شود: هزینه، سرعت راه‌اندازی، سادگی آموزش کارکنان و میزان پشتیبانی موردنیاز.بنابراین حضور در کنار برندهای بزرگ‌تر الزاماً موفقیت محسوب نمی‌شود. گاهی این اتفاق به معنای ورود به رقابتی است که برند برای آن طراحی نشده است.از طرف دیگر، همیشه هم قرار نیست رقبا شرکت‌هایی با محصول مشابه باشند.برای یک نرم‌افزار مدیریت فروش، رقیب ممکن است یک CRM دیگر باشد؛ اما در بخشی از بازار، مشتری هنوز بین خرید نرم‌افزار و ادامه کار با اکسل تصمیم می‌گیرد.در چنین وضعیتی، پاسخ AI ممکن است نرم‌افزار شما را با ابزارهای ارزان‌تر، فرایندهای دستی یا حتی گزینه «فعلاً نیازی به خرید ندارید» مقایسه کند.این مقایسه‌ها نشان می‌دهند مشتری احتمالاً چه جایگزین‌هایی را بررسی می‌کند و AI چگونه محدوده انتخاب او را تعریف کرده است.از منظر Positioning، بررسی رقبای حاضر در پاسخ به چند پرسش کمک می‌کند بفهمیم برند در چه دسته‌ای قرار گرفته و چه انتظاری از آن ساخته می‌شود.اگر یک برند تخصصی دائماً با گزینه‌های عمومی مقایسه شود، ممکن است تمایز آن به‌اندازه کافی روشن نشده باشد. البته این فقط یک فرضیه تشخیصی است. برای نتیجه‌گیری باید پاسخ‌ها، منابع اطلاعاتی و موقعیت واقعی محصول در بازار را بررسی کرد.حضور در فهرست با توصیه‌شدن تفاوت داردحتی بعد از انتخاب پرسش‌های درست و شناسایی رقبای مرتبط، هنوز نمی‌توان صرفاً با شمارش نام برندها به نتیجه رسید.نحوه حضور اهمیت دارد.AI ممکن است نام برند شما را به‌عنوان یکی از ده گزینه مطرح کند، اما هیچ توضیحی درباره مزیت آن ندهد. در پاسخ دیگری ممکن است محصول را مناسب بداند، اما تأکید کند که برای تیم‌های بزرگ پیچیده یا پرهزینه است.حالت سوم زمانی است که برند در میان چند گزینه محدود قرار می‌گیرد و AI مشخصاً توضیح می‌دهد چرا با نیاز کاربر سازگار است.این سه پاسخ ارزش یکسانی ندارند.برای نمونه، اگر مشتری درباره یک نرم‌افزار حسابداری برای کسب‌وکار کوچک سؤال کند، عبارت «این محصول امکانات گسترده‌ای دارد، اما راه‌اندازی آن برای شرکت‌های کوچک دشوار است» ممکن است در عمل به حذف آن از فهرست انتخاب‌ها منجر شود.نام برند در پاسخ آمده، ولی توضیح ارائه‌شده احتمال انتخاب آن را کاهش می‌دهد.همچنین باید بین نام‌برده‌شدن، توصیه‌شدن و ارجاع به یک منبع تفاوت گذاشت. ممکن است سایت یک شرکت به‌عنوان منبع اطلاعات در پاسخ لینک شود، بدون اینکه محصول آن شرکت به کاربر توصیه شده باشد. نمایش تبلیغ در کنار پاسخ نیز از جنس دیگری است و نباید با توصیه ارگانیک یکی تلقی شود.برای همین، یک گزارش مناسب باید علاوه بر ثبت حضور برند، نقش آن را در پاسخ مشخص کند.آیا برند صرفاً نام برده شده است؟ آیا وارد فهرست کوتاه گزینه‌های مناسب شده؟ آیا AI آن را به دلیل مشخصی پیشنهاد می‌کند؟ یا نام برند همراه با محدودیتی مطرح می‌شود که می‌تواند مانع انتخاب مشتری شود؟بدون این تفکیک، افزایش AI Visibility ممکن است تصویر گمراه‌کننده‌ای از عملکرد برند بسازد.هوش مصنوعی چه تصویری از برند شما ساخته است؟یک مسئله مهم‌تر هم وجود دارد: ممکن است AI درباره برند اطلاعات کافی داشته باشد، اما آن را به شکلی توصیف کند که با جایگاه موردنظر شرکت همخوانی ندارد.برای مثال، شرکتی می‌خواهد به‌عنوان ارائه‌دهنده خدمات تخصصی و باکیفیت شناخته شود، ولی در پاسخ‌های AI بیشتر به‌عنوان گزینه‌ای اقتصادی معرفی می‌شود.یا یک محصول با مزیت سادگی استفاده، بیشتر با تعداد قابلیت‌های فنی توصیف می‌شود.در هر دو مورد، برند دیده شده، اما تصویری که به مشتری منتقل می‌شود با استراتژی شرکت فاصله دارد.بخشی از این مسئله به اطلاعاتی برمی‌گردد که درباره برند در دسترس است.سایت شرکت، صفحات محصول، توضیحات قیمت، سؤالات متداول و محتوای آموزشی به AI کمک می‌کنند برند را بشناسد. در کنار آن‌ها، نظر مشتریان، رسانه‌ها، سایت‌های مقایسه و تجربه‌های ثبت‌شده کاربران می‌توانند در توصیف برند نقش داشته باشند.این دو دسته اطلاعات همیشه تصویر یکسانی نمی‌سازند.ممکن است یک شرکت در سایت خود بر سرعت پیاده‌سازی تأکید کند، اما کاربران در بررسی‌های عمومی از دشواری استقرار یا کیفیت پایین پشتیبانی شکایت کرده باشند. در این صورت، تولید محتوای بیشتر درباره «پیاده‌سازی آسان» به‌تنهایی مسئله را حل نمی‌کند.گاهی لازم است تجربه مشتری اصلاح شود تا شواهد بیرونی با وعده برند هماهنگ شوند.اینجاست که AI Visibility از یک موضوع صرفاً مربوط به SEO یا تولید محتوا فراتر می‌رود و به کیفیت محصول، تجربه مشتری و استراتژی جایگاه‌یابی برند متصل می‌شود.یک اسکرین‌شات، وضعیت برند شما در AI را نشان نمی‌دهدمسئله سنجش یک پیچیدگی دیگر هم دارد: پاسخ مدل‌های زبانی ثابت نیست.در پژوهشی که در سپتامبر ۲۰۲۶ به‌صورت پیش‌انتشار منتشر شد، پژوهشگران توصیه برندها را در شش مدل زبانی و پنج دسته محصول بررسی کردند. نتایج نشان داد حتی تکرار یک پرسش می‌تواند به فهرست‌ها و ترتیب‌های متفاوتی از برندها منجر شود. همچنین وقتی هدف و محدودیت‌های کاربر در پرسش مشخص‌تر می‌شد، برندهای پیشنهادشده تغییر می‌کردند.این یافته‌ها هنوز نباید به همه بازارها و مدل‌ها تعمیم داده شوند، اما برای طراحی سنجش یک پیام روشن دارند.اگر تیم مارکتینگ یک سؤال را فقط یک بار از ChatGPT بپرسد و بر اساس جایگاه برند در همان پاسخ گزارش تهیه کند، نتیجه قابل اتکایی درباره موقعیت رقابتی شرکت ندارد.حتی انتخاب نحوه بیان سؤال هم می‌تواند نتیجه را تحت تأثیر قرار دهد.«بهترین نرم‌افزار فروش چیست؟» با «برای شرکت ۲۰ نفره‌ای که فروش B2B دارد و می‌خواهد فرصت‌های فروش را بهتر پیگیری کند چه نرم‌افزاری مناسب است؟» لزوماً مجموعه یکسانی از برندها ایجاد نمی‌کند.سنجش مناسب باید مجموعه‌ای از پرسش‌های مرتبط با موقعیت‌های واقعی خرید را دربر بگیرد. این پرسش‌ها لازم است با بیان‌های متفاوت، در مدل‌های منتخب و در چند نوبت زمانی بررسی شوند.هدف پیدا کردن یک رتبه قطعی و دائمی برای برند نیست؛ هدف برآورد این است که برند با چه تکراری، در چه نوع پاسخ‌هایی و با چه جایگاه رقابتی ظاهر می‌شود.اگر حضور بیشتر الزاماً بهتر نیست، چه چیزی را اندازه بگیریم؟یک سناریوی عددی ساده می‌تواند مسئله را روشن‌تر کند.دو برند را روی مجموعه یکسانی از ۱۰۰ پرسش آزمایش کرده‌ایم. برند الف در ۵۰ پاسخ دیده شده و برند ب در ۳۰ پاسخ.گزارشی که فقط تعداد حضورها را نشان دهد، برند الف را موفق‌تر معرفی می‌کند.حالا جزئیات را بررسی می‌کنیم.از ۵۰ پاسخ برند الف، ۴۰ مورد مربوط به پرسش‌های عمومی بوده است. در مقابل، برند ب در ۲۲ مورد از ۳۰ پاسخ، در پرسش‌های مرتبط با نیاز مشتری هدف ظاهر شده و چند بار هم با توضیحی مشخص وارد فهرست گزینه‌های پیشنهادی شده است.این اعداد فرضی‌اند و با آن‌ها نمی‌توان نتیجه گرفت برند ب فروش بیشتری خواهد داشت. اما روشن است که برتری برند الف در تعداد کل حضورها، به‌تنهایی برای قضاوت درباره فرصت تجاری کافی نیست.برای یک مدیرعامل، گزارش باید امکان پاسخ به چند موضوع را فراهم کند: برند در چه سهمی از پرسش‌های مرتبط با مشتری هدف ظاهر شده، در چند پاسخ واقعاً توصیه شده، کدام رقبا بیشتر همراه آن آمده‌اند و چه دلایلی برای انتخاب یا کنار گذاشتن برند ارائه شده است.حتی این اطلاعات هم هنوز نتیجه کسب‌وکار را نشان نمی‌دهند.ممکن است بهبود حضور در پرسش‌های مرتبط به افزایش ورودی‌های باکیفیت کمک کند، اما برای بررسی این رابطه باید داده‌های مسیر جذب و فروش هم وارد تحلیل شوند. سؤال از سرنخ‌های ورودی درباره نحوه آشنایی با برند، بررسی ارجاع‌های قابل‌شناسایی از ابزارهای AI و مقایسه روند کیفیت Leadها می‌توانند شواهد تکمیلی فراهم کنند.البته تغییر هم‌زمان این شاخص‌ها به‌خودی‌خود ثابت نمی‌کند AI عامل رشد فروش بوده است.از گزارش تعداد حضورها به یک مدل تشخیص برسیمبرای شروع، کسب‌وکار به یک ابزار گران‌قیمت یا هزاران پرسش نیاز ندارد. بهتر است ابتدا مشخص کند مشتریان اصلی در چه موقعیت‌هایی وارد فرایند خرید می‌شوند.این اطلاعات را می‌توان از گفت‌وگوهای تیم فروش، سؤالات مشتریان در جلسات دمو، درخواست‌های ثبت‌شده در CRM، پیام‌های پشتیبانی و مصاحبه با خریداران استخراج کرد.از میان این موقعیت‌ها باید مواردی اولویت بگیرند که با استراتژی رشد شرکت ارتباط بیشتری دارند.مثلاً اگر هدف یک شرکت نرم‌افزاری افزایش فروش به کسب‌وکارهای متوسط است، سنجش جایگاه برند در پرسش‌های مربوط به شرکت‌های بزرگ چندملیتی ممکن است در اولویت پایین‌تری باشد، حتی اگر حضور در آن پرسش‌ها بیشتر باشد.بعد از انتخاب سؤال‌ها، می‌توان یک گزارش با چهار بخش تهیه کرد:پوشش موقعیت‌های خرید: برند در کدام نیازها و پرسش‌های مهم حضور دارد و در کدام‌ها غایب است؟کیفیت توصیه: آیا برند وارد فهرست انتخاب‌های مناسب می‌شود؟ چه مزایا و محدودیت‌هایی به آن نسبت داده می‌شود؟جایگاه رقابتی:  چه برندها یا جایگزین‌هایی همراه آن مطرح می‌شوند و AI مقایسه را بر اساس چه معیارهایی انجام می‌دهد؟شواهد شکل‌دهنده پاسخ: در مواردی که منابع قابل مشاهده‌اند، کدام صفحات، بررسی‌ها یا اطلاعات محصول به توضیح برند کمک کرده‌اند و چه اطلاعاتی ناقص، قدیمی یا متناقض هستند؟بهتر است این گزارش در چند نوبت تکرار شود تا تغییرات احتمالی از نوسان عادی پاسخ‌ها تا حدی تفکیک شوند.در این مدل، یک KPI واحد جای همه شاخص‌ها را نمی‌گیرد. مدیرعامل مجموعه‌ای از شواهد دارد که می‌تواند درباره آن تصمیم بگیرد.وقتی تشخیص اشتباه باشد، تاکتیک هم اشتباه انتخاب می‌شودتصور رایجی وجود دارد که اگر برند در پاسخ‌های هوش مصنوعی دیده نمی‌شود، باید محتوای بیشتری تولید کرد یا برای GEO بودجه گذاشت.اما غیبت در یک پاسخ می‌تواند علت‌های متفاوتی داشته باشد.ممکن است برند از نظر شناخت عمومی ضعیف باشد. شاید وب‌سایت شرکت نتوانسته کاربرد محصول را برای نیازهای مشخص توضیح دهد. احتمال دارد منابع معتبر بیرونی درباره تجربه مشتریان اطلاعات کافی نداشته باشند. حتی ممکن است خود محصول برای آن دسته از نیازها گزینه رقابتی مناسبی نباشد.هرکدام از این شرایط تصمیم متفاوتی می‌طلبد.وقتی برند برای پرسش‌های عمومی شناخته‌شده است ولی در پرسش‌های تخصصی حضور ندارد، باید ارتباط برند با موارد استفاده مشخص و شواهد پشتیبان آن بررسی شود.وقتی حضور دارد اما دائماً با رقبا یا محصولات نامرتبط مقایسه می‌شود، مسئله ممکن است به Positioning و نحوه تعریف دسته محصول مربوط باشد.وقتی AI محصول را معرفی می‌کند اما درباره کیفیت خدمات یا هزینه آن هشدار می‌دهد، لازم است بررسی کنیم آیا این برداشت ناشی از اطلاعات قدیمی، توصیف نادرست یا تجربه واقعی مشتریان است.و وقتی برند در پرسش‌های درست دیده می‌شود و توصیه مناسبی هم دریافت می‌کند، شاید افزایش بیشتر تعداد حضورها دیگر بهترین محل سرمایه‌گذاری نباشد. در این نقطه، بررسی نرخ تبدیل، فرایند فروش، قیمت‌گذاری و تجربه مشتری می‌تواند اولویت بیشتری پیدا کند.بنابراین پیش از سرمایه‌گذاری روی تاکتیک‌های افزایش AI Visibility، باید مشخص شود محدودیت اصلی کجاست. بعضی محدودیت‌ها با اصلاح محتوا برطرف می‌شوند و بعضی به تصمیم‌های جدی‌تری درباره محصول، جایگاه رقابتی یا عملیات شرکت نیاز دارند.مدیرعامل باید چه سؤالاتی از تیم بپرسد؟پیش از اینکه افزایش AI Visibility را یکی از اهداف اصلی بازاریابی قرار دهید، بهتر است پاسخ این پنج سؤال روشن باشد:کدام موقعیت‌های خرید برای رشد شرکت اولویت دارند؟ آیا پرسش‌هایی که در گزارش رصد می‌کنیم بازتاب همین موقعیت‌ها هستند یا صرفاً عبارت‌های عمومی و پرتکرار؟در کدام پرسش‌ها وارد فهرست کوتاه مشتری می‌شویم؟ آیا AI برند را به دلیل مرتبطی پیشنهاد می‌دهد یا صرفاً نام آن را می‌آورد؟بیشتر در کنار کدام رقبا و جایگزین‌ها قرار می‌گیریم؟ آیا این همان رقابتی است که استراتژی Positioning ما برای آن طراحی شده است؟وقتی AI ما را توصیه نمی‌کند، چه توضیحی ارائه می‌دهد؟ مشکل از کمبود اطلاعات، ضعف شواهد، برداشت اشتباه از برند یا یک محدودیت واقعی در محصول است؟بهبود این شاخص‌ها قرار است چه نتیجه‌ای برای کسب‌وکار بسازد؟ آیا انتظار افزایش شناخت برند را داریم، ورود به فهرست بررسی خریداران، لید باکیفیت‌تر یا در نهایت رشد فروش؟پاسخ این سؤال‌ها می‌تواند اولویت سرمایه‌گذاری را تغییر دهد.ممکن است شرکت متوجه شود که به‌جای تولید ده‌ها مقاله جدید، ابتدا باید صفحات محصول را بر اساس نیازهای واقعی مشتری بازنویسی کند. در شرکت دیگری، مشکل اصلی نبود شواهد مستقل از کیفیت خدمات است. کسب‌وکار سوم شاید به اندازه کافی در پاسخ‌های AI حضور داشته باشد و محدودیت رشد آن در مرحله تبدیل تقاضا به فروش قرار گرفته باشد.سوال اصلی: می‌خواهیم در کدام انتخاب‌ها حضور داشته باشیم؟حضور برند در پاسخ‌های هوش مصنوعی به یکی از موضوعات قابل‌اندازه‌گیری در بازاریابی تبدیل شده است. اما هر چیزی که به‌راحتی اندازه‌گیری می‌شود، لزوماً بهترین معیار برای تصمیم‌گیری نیست.تعداد دفعات دیده‌شدن نام برند می‌تواند نقطه شروع تحلیل باشد. برای تصمیم درباره سرمایه‌گذاری، به شناخت دقیق‌تری از موقعیت‌های خرید، نوع توصیه‌ها، جایگاه رقابتی و شواهدی نیاز داریم که تصویر برند را در پاسخ‌های AI شکل می‌دهند.شرکتی که در صدها پرسش عمومی ظاهر می‌شود، ممکن است همچنان در موقعیت‌هایی که مشتریان ارزشمندش به دنبال انتخاب فروشنده هستند غایب باشد. از طرف دیگر، حضور محدودتر اما مرتبط‌تر می‌تواند نشانه‌ای از فرصت باشد که باید اثر تجاری آن بررسی شود.اگر قرار است برای افزایش حضور برند در AI بودجه تخصیص دهیم، بهتر است ابتدا نقشه روشنی از پرسش‌های مهم مشتریان و جایگاه واقعی برند در پاسخ به آن‌ها داشته باشیم.این تحلیل کمک می‌کند بفهمیم کجا به برندسازی نیاز داریم، کجا باید اطلاعات و اعتبار محصول را تقویت کنیم و کجا مسئله اصلی در خود پیشنهاد تجاری یا تجربه مشتری قرار دارد.پیش از افزایش بودجه GEO، ارزش دارد یک Growth Diagnostic از مسیر انتخاب مشتری با کمک AI انجام شود؛ تحلیلی که نشان دهد در کدام رقابت‌ها حضور داریم، در کدام‌ها غایبیم و کدام فاصله برای رشد کسب‌وکار اهمیت بیشتری دارد. حسام شیخیحسام شیخیSat, 10 Oct 2026 12:51:26 +0330https://virgool.ir/@hesam.shaikhy/preference-articulation-r70cjzzth8soPreference Articulationتا امروز بخش بزرگی از دیجیتال مارکتینگ بر یک واقعیت ساده بنا شده بود: مشتری برای انتخاب، باید خودش بازار را بگردد. در گوگل جستجو می‌کند، چند نتیجه را باز می‌کند، گزینه‌ها را مقایسه می‌کند، نظرات مشتریان را می‌خواند و در نهایت تصمیم می‌گیرد.در این مدل طبیعتاً مشتری نمی‌تواند تمام بازار را ببیند. یعنی اگر هزاران محصول یا ده‌ها تأمین‌کننده وجود داشته باشد، در عمل فقط تعداد محدودی از آن‌ها را بررسی می‌کند. بخش مهمی از رقابت بازاریابی هم دقیقاً از همین محدودیت شکل گرفته است.SEO تلاش می‌کند برند را وارد همان چند نتیجه اول کند. تبلیغات جستجومحور می‌خواهد برند قبل از رقبا دیده شود. مارکت‌پلیس‌ها بر سر جایگاه محصول رقابت ایجاد می‌کنند و برند تلاش می‌کند از میان ده‌ها گزینه، سریع‌تر وارد ذهن مشتری شود.اما هوش مصنوعی ممکن است این محدودیت را تا حدی تغییر دهد.اگر یک ایجنت بتواند به‌جای مشتری صدها یا هزاران گزینه را بررسی، اطلاعات آن‌ها را جمع‌آوری و مقایسه کند، دیگر مسئله فقط این نیست که مشتری برای دیدن همه گزینه‌ها وقت کافی ندارد.اینجا شکل مسئله عوض می‌شود:مشتری تا چه اندازه می‌تواند توضیح دهد که واقعاً چه می‌خواهد؟چند وقت پیش به پژوهشی برخوردم که در دانشگاه Washington نوشته شده و دقیقاً روی همین تغییر تمرکز دارد: گذار از Product Search به Preference Articulation؛ یعنی از جستجوی محصول به فرایندی که در آن مشتری باید ترجیحات خود را برای یک ایجنت به شکل روشن و دقیق بیان کند.چیزی که برای من در این ایده اهمیت داشت، خودِ هوش مصنوعی نبود.جابه‌جایی گلوگاه تصمیم‌گیری بود.شاید در مدل جدید، پیدا کردن گزینه‌ها آسان‌تر شود؛ اما تعریف اینکه «گزینه مناسب برای من دقیقاً چیست» اهمیت بیشتری پیدا کند. و این تغییر، به نظرم پیامدهای مهم‌تری از بحث‌های رایج درباره AI Search و GEO برای بازاریابی دارد.ما همیشه قبل از جستجو دقیقاً نمی‌دانیم چه می‌خواهیمبرای جاافتادن موضوع بهتر است با یک مثال مطلب را باز کنیم. به عنوان مثال برای انتخاب هتل ممکن است جستجو را با چند معیار روشن شروع کنیم:بودجه مشخص، موقعیت مکانی مناسب، امتیاز بالاتر از ۸ و دسترسی خوب به حمل‌ونقل عمومی. این موارد را به‌راحتی می‌توان در یک فیلتر وارد کرد و بعد شروع به دیدن گزینه‌ها می‌کنیم.یک هتل از نظر عددی همه شرایط را دارد، ولی فضای آن بیش از حد رسمی به نظر می‌رسد.گزینه دیگری زیباست، اما محله‌اش با چیزی که از سفر می‌خواهیم هماهنگ نیست.هتل سوم باعث می‌شود متوجه شویم طراحی فضای عمومی برایمان مهم‌تر از چیزی است که در ابتدا تصور می‌کردیم.اتفاقی که افتاده فقط «جمع‌آوری اطلاعات» نیست.بخشی از ترجیح ما در جریان دیدن و مقایسه‌کردن گزینه‌ها روشن شده است.همین اتفاق در بسیاری از تصمیم‌های سازمانی هم رخ می‌دهد. مدیرعامل ممکن است برای انتخاب CRM بگوید:«سیستمی می‌خواهم که پیچیده نباشد و تیم فروش واقعاً از آن استفاده کند.»اما «پیچیده نبودن» دقیقاً یعنی چه؟تعداد قابلیت کمتر؟فرایند راه‌اندازی ساده‌تر؟UI بهتر؟نیاز کمتر به آموزش؟انعطاف کمتر؟ممکن است تیم بعد از دیدن چند دمو تازه متوجه شود چه چیزی واقعاً برایش مهم است.بنابراین فرضی که گاهی پشت تصویر آینده AI Commerce قرار دارد بیش از حد ساده است:مشتری می‌داند چه می‌خواهد، آن را به AI می‌گوید و AI بهترین گزینه را پیدا می‌کند.در بسیاری از خریدها، قسمت اول این جمله درست نیست.گلوگاه از «چند گزینه می‌توانم ببینم؟» به «چه چیزی می‌خواهم؟» منتقل می‌شوددر جستجوی سنتی محدودیت اصلی تا حد زیادی مشخص بود:توجه مشتری محدود است.نمی‌توان ۵۰۰ محصول را باز کرد. نمی‌توان ۲۰۰ نظر را خواند. نمی‌توان با ۳۰ تأمین‌کننده جلسه برگزار کرد. پس مشتری بخش کوچکی از بازار را می‌بیند و از میان همان بخش کوچک انتخاب می‌کند.Agentic Search این معادله را تغییر می‌دهد. ماشین می‌تواند بسیار بیشتر از انسان ببیند، بخواند و مقایسه کند. اما برای انجام این کار به چیزی نیاز دارد:یک تعریف از آنچه برای مشتری «مناسب» محسوب می‌شود.اینجاست که Preference Articulation اهمیت پیدا می‌کند. این اصطلاح را می‌توان این‌طور بیان کرد:توانایی تبدیل چیزی که در ذهن می‌خواهیم، به معیارهایی که بتوان آن‌ها را توضیح داد.و این توانایی در همه تصمیم‌ها یکسان نیست. گفتن اینکه «لپ‌تاپ زیر 100 میلیون تومان می‌خواهم» ساده است. گفتن اینکه «لپ‌تاپی می‌خواهم که حس خوبی داشته باشد، برای جلسات رسمی مناسب باشد، سنگین نباشد و بعد از دو سال هم قدیمی به نظر نرسد» پیچیده‌تر است. نه به این دلیل که مشتری چیزی نمی‌فهمد. بلکه چون بخشی از ارزش محصول به ویژگی‌هایی وابسته است که تشخیص‌دادن آن‌ها هنگام مشاهده آسان‌تر از توضیح‌دادن آن‌ها قبل از مشاهده است.به نظرم این تمایز، یکی از نقاط کلیدی برای فهم آینده تصمیم‌گیری با هوش مصنوعی است.شاید مسئله اصلی «قدرت جستجو» نباشددر بحث‌های مربوط به هوش مصنوعی معمولاً ظرفیت مدل‌ها را با تعداد اطلاعاتی که می‌توانند پردازش کنند می‌سنجیم.ایجنت می‌تواند هزاران صفحه را بخواند.صدها محصول را مقایسه کند.نظرات مشتریان را خلاصه کند.قیمت‌ها را کنار هم بگذارد.اما اگر تعریف اولیه نیاز اشتباه باشد، قدرت بیشتر جستجو الزاماً مشکل را حل نمی‌کند. حتی ممکن است سیستم با دقت فوق‌العاده‌ای پاسخ درست به سؤال اشتباه را پیدا کند. برای من، اینجا بحث هوش مصنوعی به یکی از اصول قدیمی استراتژی نزدیک می‌شود:کیفیت پاسخ نمی‌تواند از کیفیت مسئله‌ای که تعریف شده بهتر باشد.در جستجوی سنتی بخشی از ضعف تعریف مسئله با Exploration جبران می‌شد. مشتری بازار را می‌دید، نظرش تغییر می‌کرد و جستجوی خود را اصلاح می‌کرد. اگر قرار است ایجنت بخش بیشتری از فرایند بررسی و کشف گزینه‌ها را به‌جای مشتری انجام دهد، باید به‌نوعی همان حلقه یادگیری را نیز بازسازی کند. به همین دلیل تصور می‌کنم ایجنت‌های موفق آینده صرفاً موتورهای جستجوی بسیار قدرتمند نخواهند بود. احتمالاً باید سیستم‌های خوبی برای سؤال‌پرسیدن هم باشند.شاید سؤال خوب از هزار پیشنهاد ارزشمندتر باشدبرای سال‌ها یکی از منطق‌های اصلی تجارت الکترونیک این بود:تنوع بیشتر در گزینه‌ها برابر است با انتخاب بهتر.محصول بیشتری در مارکت‌پلیس‌ها قرار دهید. فیلتر بیشتری بسازید. نتیجه بیشتری نمایش دهید. کاتالوگ را بزرگ‌تر کنید.اما هوش مصنوعی ممکن است این منطق را تا حدی برعکس کند. اگر سیستم هنوز نمی‌داند چه چیزی برای مشتری مهم است، نمایش ۵۰ گزینه دیگر الزاماً کمک زیادی نمی‌کند.گاهی یک سؤال می‌تواند مسئله را بسیار بیشتر محدود کند:«سادگی استفاده برای شما مهم‌تر است یا امکان سفارشی‌سازی محصول؟»«حاضرید برای موقعیت مکانی بهتر، اتاق کوچک‌تری انتخاب کنید؟»«در این خرید قیمت مهم‌تر است یا هزینه نگهداری در سه سال آینده؟»«تیم شما حاضر است برای استفاده از این نرم‌افزار آموزش ببیند؟»ارزش این سؤال‌ها در این نیست که اطلاعات بیشتری تولید می‌کنند. ارزششان در این است که Trade-off مشتری را روشن می‌کنند. مدل‌های جدید Agentic Purchasing نیز نشان می‌دهند در تصمیم‌های چندمعیاره، چند سؤال درست می‌تواند خیلی زودتر مشخص کند مشتری واقعاً چه می‌خواهد؛ بدون اینکه لازم باشد ده‌ها گزینه مختلف به او نشان داده شود.برای من، پیام مهم این نتیجه این است:ممکن است مزیت نسل بعدی سیستم‌های خرید در «تعداد گزینه‌هایی که می‌شناسند» نباشد؛ در کیفیت گفتگویی باشد که قبل از پیشنهاد محصول انجام می‌دهند.اما یک سؤال مهم‌تر وجود دارد: ایجنت برای چه چیزی بهینه شده است؟اینجا تصویر کمی پیچیده‌تر می‌شود. فرض کنیم ایجنت بتواند ترجیحات مشتری را بهتر بفهمد. آیا الزاماً تمام تلاش خود را برای پیدا کردن بهترین گزینه برای مشتری انجام می‌دهد؟نه لزوماً.هر پلتفرم یک هدف دارد. ممکن است هدفش رضایت بلندمدت مشتری باشد. ممکن است تبدیل بیشتر باشد. ممکن است درآمد باشد. ممکن است ترکیبی از چند هدف باشد.این تفاوت کوچک نیست.ممکن است سؤال‌های بیشتر به انتخاب دقیق‌تری منجر شوند، اما اگر فرایند را طولانی و خسته‌کننده کنند، بعضی مشتری‌ها خرید را نیمه‌کاره رها می‌کنند. در چنین شرایطی، یک سیستم Conversion-driven ممکن است ترجیح دهد عمداً سؤال‌های کمتری بپرسد.شاید به‌جای پیدا کردن بهترین گزینه شخصی برای شما، سریع‌تر محصولی را پیشنهاد کند که برای تعداد زیادی از کاربران «به‌اندازه کافی مناسب» است. در نتیجه پیشنهاد ایجنت را نباید صرفاً خروجی ترجیح مشتری تصور کرد. به نظرم مدل دقیق‌تر این است:ترجیح مشتری ← برداشت ایجنت از ترجیح ← هدف پلتفرم ← پیشنهاد نهاییالبته این واسطه همیشه وجود داشته، اما قدرت آن در حال افزایش است.گوگل هم واسطه بود؛ پس چه چیزی تغییر کرده است؟این سؤال مهمی است. گوگل هم هیچ‌وقت یک پنجره خنثی نسبت به اینترنت نبود. الگوریتم تصمیم می‌گرفت کدام نتیجه اول باشد. مارکت‌پلیس هم تصمیم می‌گرفت کدام محصول بالاتر دیده شود. شبکه اجتماعی هم تعیین می‌کرد چه محتوایی وارد فید شود. پس حضور یک واسطه الگوریتمی اتفاق جدیدی نیست.تفاوت در نقشی است که واسطه بر عهده می‌گیرد.موتور جستجو عمدتاً گزینه‌ها را مرتب می‌کرد. اما ایجنت می‌تواند نیاز را تفسیر کند، سؤال بپرسد، Trade-offها را تحلیل کند، ده‌ها گزینه را حذف کند و فقط چند انتخاب نهایی را نشان دهد. در این حالت الگوریتم دیگر فقط بر Visibility اثر نمی‌گذارد. بر Evaluation هم اثر می‌گذارد. یعنی الگوریتم فقط تعیین نمی‌کند مشتری چه گزینه‌هایی را ببیند؛ بلکه روی این هم اثر می‌گذارد که کدام گزینه‌ها ارزش بررسی و مقایسه بیشتری داشته باشند.همین‌جا به نظرم Agentic Commerce از یک موضوع تکنولوژیک به یک مسئله جدی بازاریابی تبدیل می‌شود.ماشین لزوماً یک خریدار کاملاً منطقی نیستتصویر جذابی وجود دارد که در آن هوش مصنوعی همه ضعف‌های تصمیم‌گیری انسان را حذف می‌کند. ماشین خسته نمی‌شود. تحت تأثیر ظاهر صفحه قرار نمی‌گیرد. صرفاً به‌خاطر اینکه یک گزینه اول نمایش داده شده، آن را ترجیح نمی‌دهد. تبلیغ نمی‌تواند نظرش را تغییر دهد. فقط داده را تحلیل می‌کند و بهترین انتخاب را انجام می‌دهد.داده‌های فعلی چنین تصویر ساده‌ای را تأیید نمی‌کنند.در آزمایش‌های کنترل‌شده روی Shopping Agentها، جایگاه محصول، Sponsored بودن، Endorsement پلتفرم، قیمت، Rating و Review توانسته‌اند بر انتخاب مدل‌ها اثر بگذارند. شدت و حتی شکل بعضی از این اثرها نیز بین مدل‌های مختلف متفاوت بوده است.از نظر من، نتیجه مهم این نیست که «هوش مصنوعی هم سوگیری دارد».موضوع عمیق‌تر است:با ورود ایجنت، Choice Architecture حذف نمی‌شود؛ یک Choice Architecture جدید ایجاد می‌شود. یعنی حتی اگر تصمیم‌گیری از انسان به هوش مصنوعی منتقل شود، نحوه چیده‌شدن، نمایش و ارزیابی گزینه‌ها همچنان روی انتخاب اثر می‌گذارد؛ فقط این بار بخشی از این معماری را خود ایجنت می‌سازد.در گذشته مارکتر باید رفتار انسان، صفحه نتایج گوگل و مارکت‌پلیس را می‌فهمید. در آینده ممکن است لازم باشد یک لایه دیگر را هم در نظر بگیرد:سیستمی که قبل از انسان، بازار را می‌بیند و تفسیر می‌کند.ممکن است بخشی از رقابت برای برند کاملاً نامرئی شوداین شاید یکی از مهم‌ترین پیامدهای این تغییر برای مدیران باشد. در Funnel دیجیتال فعلی، بخش قابل‌توجهی از رفتار مشتری قابل مشاهده است.Impression داریم.Click داریم.Session داریم.Lead داریم.Conversion داریم.حتی اگر مشتری خرید نکند، معمولاً ردپایی از حضورش باقی می‌ماند. حالا یک مدیر از هوش مصنوعی می‌پرسد:«برای شرکت ۵۰ نفره ما سه CRM مناسب پیشنهاد بده.»سیستم ۳۰ گزینه را بررسی می‌کند.۲۷ مورد را حذف می‌کند.و در نهایت سه مورد را به مدیر نشان می‌دهد.اگر برند شما در میان آن ۲۷ گزینه حذف‌شده باشد، چه داده‌ای در Analytics خود خواهید دید؟احتمالاً هیچ.نه Impressionنه Clickنه Sessionبا این حال یک فرصت واقعی وجود داشته و شما در فرایند ارزیابی حضور داشته‌اید؛ فقط قبل از رسیدن مشتری حذف شده‌اید.اگر این اتفاق گسترده شود، یک Blind Spot جدید در Marketing Measurement ایجاد می‌کند؛ یعنی بخشی از فرایند تصمیم‌گیری مشتری از دید ابزارهای سنجش ما پنهان می‌ماند.ممکن است بخشی از Consideration، یعنی مرحله‌ای که مشتری گزینه‌ها را بررسی و محدود می‌کند، داخل تعامل با هوش مصنوعی اتفاق بیفتد؛ جایی که کسب‌وکار شاید فقط نتیجه نهایی را ببیند، نه مسیری را که مشتری طی کرده است.شاید برند ضعیف نشود؛ شاید کارکرد دیگری پیدا کندیکی از سؤال‌هایی که از این بحث برای من ایجاد شد این بود:اگر هوش مصنوعی بتواند با هزینه بسیار کمی هزاران گزینه را مقایسه کند، آیا برند اهمیت کمتری پیدا می‌کند؟بخشی از ارزش برند همیشه کاهش Search Cost بوده؛ به این معنی که مشتری برای پیدا کردن و ارزیابی گزینه مناسب، زمان و انرژی کمتری صرف می‌کند. وقتی یک برند را می‌شناسیم و به آن اعتماد داریم، لازم نیست هر بار بازار را از ابتدا بررسی کنیم.اگر ایجنت بتواند این بررسی را برایمان انجام دهد، شاید بخشی از این مزیت کمتر شود. اما از زاویه Preference Articulation اتفاق جالب دیگری ممکن است رخ دهد. گاهی مشتری نمی‌تواند تمام ویژگی‌های چیزی را که می‌خواهد دقیق توضیح دهد، اما می‌تواند از یک برند شناخته‌شده به‌عنوان مثال استفاده کند. مثلاً به هوش مصنوعی بگوید:«هتلی می‌خواهم با حال‌وهوای برند X، اما آرام‌تر.»یا:«نرم‌افزاری شبیه Y می‌خواهم، اما ساده‌تر و مناسب یک شرکت کوچک‌تر.»در چنین شرایطی، نام برند به مشتری کمک می‌کند بدون توضیح‌دادن ده‌ها ویژگی، سریع‌تر منظورش را منتقل کند.برای اینکه این اتفاق بیفتد، باید در ذهن مشتری تصویر نسبتاً مشخصی از آن برند وجود داشته باشد. مثلاً وقتی نام یک برند مطرح می‌شود، مخاطب آن را با طراحی خاص، سادگی، کیفیت بالا، قیمت اقتصادی یا تجربه مشخصی به یاد بیاورد.به همین دلیل فکر می‌کنم در عصر هوش مصنوعی، داشتن Brand Meaning روشن می‌تواند اهمیت بیشتری پیدا کند. هرچه معنای یک برند برای مشتری روشن‌تر باشد، استفاده از آن برای توضیح چیزی که می‌خواهد هم آسان‌تر می‌شود. برندی که تصویر مبهمی در ذهن بازار دارد، این کارکرد را هم به‌سختی به دست می‌آورد.شاید رقابت آینده فقط بر سر توجه نباشدبازاریابی سال‌ها حول کمیابی توجه شکل گرفته است. مخاطب زمان محدودی دارد. پس برندها برای دیده‌شدن رقابت می‌کنند. به نظرم این منطق از بین نمی‌رود. اما یک منبع کمیاب دیگر در کنار آن در حال مهم‌شدن است:توانایی تفسیر درست.مشتری چقدر خوب می‌تواند نیازش را بیان کند؟ایجنت چقدر خوب می‌تواند آن را بفهمد؟محصول چقدر واضح می‌تواند ارزش خود را نشان دهد؟پلتفرم بر اساس چه هدفی تصمیم می‌گیرد کدام گزینه را به مشتری پیشنهاد دهددر جستجوی سنتی، برندها عمدتاً برای ورود به میدان دید مشتری رقابت می‌کردند. در Agentic Search ممکن است بخشی از رقابت به ورود به مدل تصمیم‌گیری مشتری منتقل شود.باید توجه داشت که این دو مسئله یکسان نیستند.شاید قیف دیگر تصویر کاملی از مسیر خرید نباشدمدل Funnel فرض می‌کند گروه بزرگی از گزینه‌ها در ابتدای مسیر وجود دارند و به‌تدریج تعداد آن‌ها کمتر می‌شود. اما با ایجنت ممکن است اتفاق دیگری رخ دهد. مشتری ترجیح اولیه‌ای بیان می‌کند، ایجنت چند سؤال می‌پرسد و گزینه‌هایی پیشنهاد می‌دهد. مشتری با دیدن آن‌ها متوجه می‌شود یکی از معیارهای قبلی‌اش چندان مهم نبوده است. ترجیح خود را اصلاح می‌کند، ایجنت دوباره جستجو می‌کند. این مسیر بیش از آنکه یک قیف خطی باشد، شبیه یک چرخه میان ترجیح، پیشنهاد و اصلاح ترجیح است و در همین چرخه است که انتخاب نهایی ساخته می‌شود.بنابراین ممکن است هوش مصنوعی فقط یک نقطه تماس جدید در مسیر خرید مشتری نباشد؛ بلکه در بعضی دسته‌های محصول یا خدمت، خودِ مسیر تصمیم‌گیری را از مرحله بررسی گزینه‌ها تا مقایسه و انتخاب نهایی تغییر دهد.مسئله فقط این نیست که هوش مصنوعی برند ما را پیدا کنداگر تمام این بحث را به «چطور در ChatGPT پیشنهاد شویم؟» تقلیل دهیم، احتمالاً مسئله اصلی را از دست داده‌ایم.سؤال مهم‌تر این است:آیا ارزش محصول ما به شکلی تعریف شده که با نیازها و ترجیحات واقعی مشتری هم‌خوانی داشته باشد؟بعضی ارزش‌ها راحت منتقل می‌شوند:قیمت کمتر، ارسال سریع‌تر، ضمانت طولانی‌تر، ظرفیت بیشتر و قابلیت‌های مشخص، همگی به‌راحتی قابل مقایسه‌اند. اما ارزش بسیاری از محصولات و خدمات در ویژگی‌هایی قرار دارد که نمی‌توان آن‌ها را به همین سادگی اندازه‌گیری و مقایسه کرد:سادگی استفاده، کیفیت تجربه، مناسب‌بودن برای فرهنگ یک سازمان، حس اعتماد، کیفیت طراحی، تناسب یک مشاور با مدیرعامل، یا اینکه یک نرم‌افزار چقدر با روش واقعی کار تیم هماهنگ است.در اینجا سه مرحله وجود دارد که هرکدام می‌توانند بخشی از معنا را از بین ببرند:مشتری باید ترجیح خود را بیان کند.ایجنت باید آن ترجیح را تفسیر کند.ارزش محصول باید به چیزی قابل مقایسه تبدیل شود.به نظرم مسئله استراتژیک آینده دقیقاً در فاصله میان همین سه مرحله قرار دارد.نقطه‌ای که مارکتینگ باید دوباره به آن فکر کندقبل از مواجهه با Preference Articulation، من هم Agentic Commerce را بیشتر به‌عنوان نسخه پیشرفته‌تر جستجو می‌دیدم. مشتری سؤال پیچیده‌تری می‌پرسد، هوش مصنوعی بازار را بهتر بررسی می‌کند و پاسخ مناسب‌تری پیدا می‌کند. اما حالا مسئله را کمی متفاوت می‌بینم.اگر هوش مصنوعی بتواند هزینه جستجو را به‌شدت کاهش دهد، گلوگاه بعدی احتمالاً خودِ جستجو نخواهد بود.گلوگاه می‌شود:تعریف اینکه «انتخاب خوب» دقیقاً چیست.و این تعریف همیشه از قبل وجود ندارد.گاهی مشتری باید با دیدن گزینه‌ها آن را کشف کند. گاهی ایجنت باید با سؤال‌پرسیدن به روشن‌شدن آن کمک کند. گاهی برندها خودشان بخشی از زبان مشتری برای توضیح ترجیحات می‌شوند. و گاهی هدف پلتفرم روی آنچه در نهایت «بهترین گزینه» معرفی می‌شود اثر می‌گذارد.به همین دلیل فکر می‌کنم تغییر مهم از جستجوی گوگل به Agentic Search صرفاً حرکت از Keyword به Prompt نیست. تغییر عمیق‌تر این است:جستجو دارد به بخشی از فرایند شکل‌گیری تصمیم تبدیل می‌شود.در مدل قدیمی، موتور جستجو کمک می‌کرد چیزی را که می‌خواستیم پیدا کنیم. در مدل جدید، هوش مصنوعی ممکن است وارد مرحله‌ای شود که طی آن تازه می‌فهمیم چه چیزی می‌خواهیم. و اگر این روند ادامه پیدا کند، اثر آن بسیار فراتر از SEO و جستجو خواهد بود.Positioning، Brand، Customer Journey، Recommendation، Marketplace Design و حتی تعریف ما از «شناخت مشتری» ممکن است نیاز به بازنگری پیدا کنند.حسام شیخیحسام شیخیThu, 24 Sep 2026 10:33:22 +0330https://virgool.ir/@hesam.shaikhy/why-high-roas-doesnt-mean-growth-wvijiigqhiqoدر یکی از جلسات مشاوره‌ای که داشتم، به تناقضی رسیدیم که احتمالاً برای خیلی از مدیرعامل‌ها آشناست.گزارش تبلیغات وضعیت خوبی نشان می‌داد. ROAS قابل‌قبول بود و از نگاه تیم بازاریابی، کمپین‌ها کار می‌کردند. اما وقتی از گزارش تبلیغات فاصله می‌گرفتیم و فروش کل شرکت را نگاه می‌کردیم، همان تصویر دیده نمی‌شد.سؤال اصلی این بود:اگر تبلیغات این‌قدر خوب کار می‌کند، چرا اثرش را در رشد فروش نمی‌بینیم؟قبل از هر چیز باید یک سوءبرداشت را کنار گذاشت.ثابت ماندن فروش به‌تنهایی اثبات نمی‌کند که تبلیغات بی‌اثر بوده است.ممکن است بدون تبلیغات، فروش کاهش پیدا می‌کرد و همین کمپین‌ها جلوی افت را گرفته باشند. اگر بدون تبلیغ قرار بود فروش از ۱۰ میلیارد به ۷ میلیارد برسد و تبلیغات آن را روی ۱۰ میلیارد نگه داشته باشد، تبلیغات سه میلیارد تومان فروش اضافه ساخته؛ حتی اگر در گزارش مدیریتی، فروش شرکت «ثابت» به نظر برسد.پس مقایسه فروش قبل و بعد کافی نیست.سؤال دقیق‌تر این است:اگر این تبلیغات اجرا نمی‌شد، فروش ما چقدر بود؟تمام بحث از همین سؤال شروع می‌شود.ROAS یک سؤال را جواب می‌دهد؛ مدیرعامل سؤال دیگری داردROAS در ساده‌ترین شکل می‌گوید:فروش منتسب به تبلیغات ÷ هزینه تبلیغاتاگر یک میلیارد تومان برای تبلیغات هزینه شده و پنج میلیارد تومان فروش به کمپین‌ها نسبت داده شده باشد، ROAS برابر ۵ است.این عدد اشتباه نیست. اشتباه زمانی رخ می‌دهد که آن را این‌طور تفسیر کنیم:«تبلیغات پنج میلیارد تومان فروش ساخته است.»ممکن است بخشی از این مشتریان بدون دیدن تبلیغ هم خرید می‌کردند. مشتری شاید از قبل برند را می‌شناخته، درباره محصول تحقیق کرده و تا حد زیادی تصمیمش را گرفته بوده است. بعد تبلیغ را دیده، روی آن کلیک کرده و خرید را انجام داده. گزارش تبلیغات می‌تواند این فروش را به کمپین نسبت دهد.اما سؤال مدیرعامل چیز دیگری است:آیا تبلیغ باعث این خرید شد، یا فقط در مسیر خرید مشتری قرار گرفت؟در سنجش بازاریابی به تفاوت میان نتیجه‌ای که اتفاق افتاده و نتیجه‌ای که بدون تبلیغات رخ می‌داد، اثر افزایشی (Incrementality) می‌گویند.به زبان ساده:تبلیغات واقعاً چه مقدار نتیجه جدید به کسب‌وکار اضافه کرده است؟این سؤال با «کدام کمپین فروش را به نام خودش ثبت کرده؟» فرق دارد.اما از کجا بفهمیم اگر تبلیغ نبود چه اتفاقی می‌افتاد؟این بخش از چیزی که در نگاه اول به نظر می‌رسد سخت‌تر است. نمی‌شود صرفاً کسانی را که تبلیغ دیده‌اند با کسانی که تبلیغ ندیده‌اند مقایسه کرد. چون ممکن است این دو گروه از ابتدا متفاوت باشند.کاربری که Retargeting دیده، احتمالاً قبلاً وارد سایت شده، محصولی را بررسی کرده یا حتی چیزی در سبد خرید گذاشته است. طبیعی است که احتمال خرید این فرد از کسی که هیچ تعاملی با برند نداشته بیشتر باشد.اگر این دو گروه را مستقیم مقایسه کنیم، ممکن است تفاوتی را که از قبل بین آن‌ها وجود داشته، به تبلیغات نسبت دهیم. برای همین روش قابل‌اتکاتر این است که یک گروه کنترل معتبر ایجاد شود؛ گروهی که تا جای ممکن شبیه گروه دیگر است، با این تفاوت که تبلیغ را دریافت نمی‌کند.ابزار Conversion Lift گوگل هم از همین منطق استفاده می‌کند: یک گروه در معرض تبلیغ قرار می‌گیرد و گروه کنترل تبلیغ را نمی‌بیند؛ سپس اختلاف نتیجه دو گروه برای برآورد اثر افزایشی کمپین بررسی می‌شود.البته این قابلیت برای همه حساب‌های Google Ads در دسترس نیست و گوگل نیز به محدودیت دسترسی و نیاز به شرایط کافی برای اجرای مطالعه اشاره می‌کند. برای کسب‌وکارهایی که چنین امکانی ندارند، بسته به حجم داده و ساختار بازار، روش‌هایی مثل holdout داخلی، آزمایش جغرافیایی یا طراحی‌های آزمایشی ساده‌تر ممکن است قابل بررسی باشند.نکته اصلی ابزار نیست. نکته این است که بتوانیم تا حد ممکن به سؤال زیر پاسخ قابل‌اعتمادی بدهیم:اگر تبلیغ نبود، چه اتفاقی می‌افتاد؟اینجاست که iROAS وارد تصمیم بودجه‌ای می‌شودوقتی اثر افزایشی را بدانیم، یک شاخص دیگر معنی پیدا می‌کند:iROAS یا Incremental ROASROAS می‌پرسد:«چقدر فروش به تبلیغات نسبت داده شده؟»iROAS می‌پرسد:«به ازای هزینه تبلیغات، چقدر فروش واقعاً جدید ایجاد شده؟»فرمولش ساده است:iROAS = فروش افزایشی ÷ هزینه تبلیغاتیک مثال عددی:یک میلیارد تومان هزینه تبلیغات کرده‌ایم و گزارش، پنج میلیارد تومان فروش را به کمپین نسبت داده است.بنابراین:ROAS = 5اما یک آزمایش معتبر نشان می‌دهد اگر تبلیغات اجرا نمی‌شد، چهار میلیارد تومان از همان فروش باز هم اتفاق می‌افتاد. پس تبلیغات یک میلیارد تومان فروش افزایشی ساخته است:iROAS = 1Google Ads نیز iROAS را براساس ارزش افزایشی ایجادشده توسط تبلیغات محاسبه می‌کند، نه صرفاً کل فروشی که به کمپین نسبت داده شده است.برای مدیرعامل، تفاوت ROAS پنج و iROAS یک، فاصله کوچکی نیست. اولی ممکن است این پیام را بدهد که «این کانال عالی است؛ بودجه را افزایش دهید.»دومی می‌گوید:قبل از افزایش بودجه، بهتر است بازده واقعی این کانال را دوباره بررسی کنیم.ساخت تقاضا با جذب تقاضای موجود یکی نیستاین مسئله در کانال‌هایی مثل Brand Search و Retargeting اهمیت بیشتری پیدا می‌کند.کسی که نام برند را در گوگل جست‌وجو کرده، احتمالاً در همان نقطه‌ای از مسیر خرید نیست که فردی برای اولین بار با شرکت آشنا شده است. اگر مشتری روی تبلیغ برند کلیک کند و خرید انجام دهد، این فروش می‌تواند در گزارش به تبلیغات نسبت داده شود. اما شاید در نبود تبلیغ، همان فرد روی نتیجه ارگانیک کلیک می‌کرد و خریدش را انجام می‌داد.در Retargeting هم شرایط مشابهی وجود دارد. کاربری که قبلاً چند محصول دیده و حالا دوباره تبلیغ را می‌بیند، از ابتدا شانس خرید بیشتری داشته است.بنابراین باید دو سؤال را از هم جدا کرد:چه کسی احتمال بیشتری دارد که خرید کند؟وتبلیغ واقعاً تصمیم خرید چه کسی را تغییر داده است؟این دو الزاماً یک گروه نیستند.مطالعه‌ای در Marketing Science با بررسی ۱۵ آزمایش بزرگ فیس‌بوک و حدود ۵۰۰ میلیون مشاهده نشان داد حتی با وجود حجم زیادی از اطلاعات رفتاری، روش‌های مبتنی بر داده‌های مشاهده‌شده در بسیاری از موارد نتوانسته‌اند اثر آزمایشی تبلیغات را به‌درستی بازسازی کنند.به زبان ساده:اینکه می‌دانیم مشتری کجا کلیک کرده، هنوز به این معنی نیست که می‌دانیم چرا خرید کرده است.تجربه Dropbox: وقتی فروش از بین نرفت، فقط مسیرش عوض شدمطالعه جدید Dropbox مثال خوبی از همین مسئله است.این شرکت در آوریل ۲۰۲۵ تبلیغات جست‌وجومحور و بخشی از تبلیغات موبایلی خود را در آمریکا برای یک ماه متوقف کرد. بازارهای بین‌المللی مشابه را برای مقایسه استفاده کرد و پژوهشگران با چند روش مختلف تلاش کردند اثر حذف تبلیغات را تخمین بزنند.بنابراین با یک آزمایش تصادفی کلاسیک روبه‌رو نیستیم؛ مطالعه یک آزمایش توقف جغرافیایی بوده که با استفاده از بازارهای کنترل سعی کرده شرایط بدون تبلیغ را تخمین بزند.نتیجه جالب بود.در تبلیغات موبایلی، برآورد اثر افزایشی تبلیغات کمتر از چیزی بود که گزارش‌های مبتنی بر کلیک نشان می‌دادند. در تبلیغات جست‌وجومحور نیز بخشی از خریدها پس از توقف تبلیغات از بین نرفتند و به سمت ورودی طبیعی منتقل شدند.یعنی بخشی از فروش:از یک ستون گزارش به ستون دیگری منتقل شد.البته این مطالعه محدودیت‌هایی هم دارد. بازار آمریکا و بازارهای مقایسه کاملاً یکسان نیستند و اتفاق‌های هم‌زمان بازار می‌توانند روی نتیجه تأثیر بگذارند. بنابراین عددهای Dropbox را نباید به کسب‌وکار دیگری تعمیم داد.ارزش مطالعه در سؤال آن است:وقتی هزینه یک کانال را کاهش می‌دهیم، فقط فروش ثبت‌شده در آن کانال افت می‌کند یا نتیجه کل کسب‌وکار هم به همان اندازه تغییر می‌کند؟اگر فروش یک کانال ۳۰ درصد افت کند ولی فروش کل شرکت فقط ۵ درصد پایین بیاید، نمی‌توان فوراً نتیجه گرفت آن ۲۵ درصد به کانال دیگری منتقل شده است.باید بررسی کرد آیا بخشی از فروش به مسیرهای دیگر منتقل شده یا عامل دیگری این افت را جبران کرده است.همین تفاوت، ارزش بررسی دارد.اما حتی iROAS هم پاسخ تصمیم بعدی نیستتا اینجا یک قدم مهم برداشته‌ایم.به‌جای اینکه فقط بدانیم چه میزان فروش به تبلیغات نسبت داده شده، تلاش کرده‌ایم بفهمیم تبلیغات واقعاً چقدر فروش جدید ساخته است. اما مدیرعامل معمولاً درباره بودجه‌ای که قبلاً خرج شده تصمیم نمی‌گیرد.سؤال اصلی او بودجه بعدی است.یک کانال ممکن است با بودجه فعلی iROAS خوبی داشته باشد، اما این الزاماً به معنی آن نیست که با دو برابر کردن بودجه همان بازده ادامه پیدا کند.ممکن است بخش اول بودجه روی بهترین مخاطبان هزینه شده باشد. با افزایش هزینه، تبلیغات به‌تدریج وارد بخش‌هایی می‌شود که جذب مشتری در آن‌ها سخت‌تر و گران‌تر است.اینجا مفهوم بازده حاشیه‌ای (Marginal Return) اهمیت پیدا می‌کند.سؤالش ساده است:یک تومان بعدی که وارد این کانال می‌کنیم، چقدر نتیجه جدید ایجاد خواهد کرد؟در ادبیات مدل‌سازی آمیخته بازاریابی (MMM) و ابزارهایی مثل Meridian، همین ایده با شاخص‌هایی مانند Marginal ROI و Response Curve بررسی می‌شود. هدف این است که بفهمیم با افزایش هزینه، بازده بودجه جدید چگونه تغییر می‌کند و از چه نقطه‌ای اثر اشباع جدی‌تر می‌شود.پس نباید Marginal ROAS را با Marginal ROI یکی دانست؛ اما هر دو به یک مسئله مدیریتی نزدیک می‌شوند:بودجه اضافه چه بازدهی خواهد داشت؟این نکته برای تخصیص بودجه حیاتی است.ممکن است متوسط بازده کانال خوب باشد، اما بازده پول بعدی آن‌قدر افت کرده باشد که افزایش بودجه دیگر منطقی نباشد. یعنی:عملکرد خوب بودجه قبلی تضمین نمی‌کند بودجه بعدی هم همان عملکرد را داشته باشد.حتی فروش افزایشی هم کافی نیستحالا می‌دانیم تبلیغات واقعاً فروش جدید ساخته است.اما هنوز یک سؤال باقی مانده:این فروش چقدر سود ساخته است؟اینجا دیگر فقط ROAS یا iROAS کافی نیست.یک میلیارد تومان فروش افزایشی برای کسب‌وکاری با حاشیه بالا، با همان یک میلیارد تومان در کسب‌وکاری که بخش زیادی از درآمدش صرف کالا، ارسال، تخفیف، کارمزد و مرجوعی می‌شود معنای یکسانی ندارد.برای تصمیم اقتصادی، بهتر است به Contribution Margin نگاه کنیم؛ یعنی بخشی از درآمد که بعد از هزینه‌های متغیر مرتبط با فروش باقی می‌ماند.در ساده‌ترین شکل:سود افزایشی = فروش افزایشی × Contribution Margin − هزینه تبلیغاتتبلیغات ممکن است یک میلیارد تومان فروش جدید ساخته باشد.اگر بعد از هزینه‌های متغیر فقط ۳۰ درصد آن باقی بماند، ۳۰۰ میلیون تومان برای پوشش هزینه تبلیغات و سود در اختیار کسب‌وکار قرار می‌گیرد. اگر برای ساخت همین فروش یک میلیارد تومان تبلیغ کرده باشیم، نتیجه روشن است.کمپین ممکن است فروش ساخته باشد، اما ارزش اقتصادی نساخته باشد.وقتی ROAS خوب است ولی فروش رشد نمی‌کند، چه چیزی را بررسی کنیم؟در چنین شرایطی من قبل از تغییر جدی بودجه چهار موضوع را بررسی می‌کنم.اول اینکه این فروش از چه نوع مشتریانی آمده است. اگر بخش زیادی از ROAS از Brand Search، Retargeting یا مشتریانی می‌آید که از قبل به خرید نزدیک بوده‌اند، احتمال اینکه بخشی از فروش بدون تبلیغ هم اتفاق می‌افتاد بیشتر می‌شود.بعد نگاه می‌کنم وقتی هزینه یک کانال تغییر می‌کند، فروش کل کسب‌وکار چه واکنشی نشان می‌دهد؛ نه فقط عددی که خود آن کانال گزارش می‌کند.سؤال سوم این است که آیا برای بررسی اثر تبلیغ یک مقایسه معتبر داریم یا نه. بدون گروه کنترل مناسب، خیلی از تحلیل‌ها در نهایت به حدس درباره علت تغییرات تبدیل می‌شوند.و در نهایت باید دید درباره پول بعدی چه می‌دانیم. عملکرد خوب گذشته الزاماً دلیل خوبی برای افزایش بودجه نیست.چهار سؤال برای چهار نوع تصمیمیکی از دلایلی که بحث ROAS گیج‌کننده می‌شود این است که چند سؤال متفاوت را با یک شاخص جواب می‌دهیم.تفکیک آن‌ها تصویر روشن‌تری می‌دهد.Attribution ← فروش به نام چه کانالی ثبت شده است؟برای گزارش‌گیری و مدیریت روزمره کمپین مفید است.Incrementality ← تبلیغات واقعاً چقدر نتیجه اضافه ساخته است؟اینجا مسئله دیگر ثبت فروش نیست؛ مسئله اثر تبلیغ است.iROAS و اقتصاد کانال ← نتیجه افزایشی به‌ازای پولی که خرج کرده‌ایم چقدر ارزش داشته است؟اینجا فروش جدید را در مقابل هزینه ایجاد آن می‌گذاریم و در نهایت باید حاشیه سود و هزینه‌های متغیر را هم وارد تصمیم کنیم.Marginal Return ← اگر بودجه را بیشتر کنیم، پول بعدی چه بازدهی خواهد داشت؟این سؤال مستقیماً به تخصیص بودجه آینده مربوط است.این چهار سؤال مکمل هم‌اند. مشکل زمانی ایجاد می‌شود که انتظار داشته باشیم ROAS به هر چهار سؤال پاسخ دهد.تصمیم مدیریتیوقتی ROAS بالا است ولی فروش کل متناسب با افزایش بودجه رشد نمی‌کند، نباید فوراً نتیجه گرفت تبلیغات بی‌اثر بوده است. همان‌طور که نباید فقط به‌دلیل ROAS بالا بودجه را بیشتر کرد. ممکن است تبلیغات جلوی افت فروش را گرفته باشد. ممکن است بخش قابل‌توجهی از نتیجه مربوط به جذب تقاضایی باشد که از قبل وجود داشته است. ممکن است تبلیغات اثر افزایشی داشته باشد، اما بخشی از نتیجه در کانال دیگری دیده شود. یا بودجه فعلی بازده خوبی داشته باشد، اما افزایش بیشتر آن وارد نقطه‌ای شود که بازده به‌سرعت افت می‌کند.در نهایت سؤال مدیرعامل باید از این:«ROAS چند است؟»به این برسد:اگر این بودجه را خرج نمی‌کردیم، دقیقاً چه مقدار فروش و سود را از دست می‌دادیم؟ و اگر بودجه بیشتری خرج کنیم، پول بعدی چه بازدهی خواهد داشت؟اگر پاسخ این دو سؤال روشن نیست، هنوز اطلاعات کافی برای تصمیم درباره سرمایه شرکت نداریم.ممکن است گزارش تبلیغات کاملاً دقیق باشد؛ اما گزارشی که برای مدیریت کمپین ساخته شده، الزاماً برای تخصیص سرمایه کافی نیست.Attribution کمک می‌کند بفهمیم فروش به نام چه کانالی ثبت شده است.Incrementality تلاش می‌کند بفهمد چه چیزی واقعاً فروش اضافه ساخته است.اقتصاد کانال نشان می‌دهد آن فروش اضافه ارزش هزینه‌اش را داشته یا نه.و بازده حاشیه‌ای نشان می‌دهد یک واحد بودجه بیشتر چه بازدهی خواهد داشت.گاهی قبل از اینکه کمپین بعدی را طراحی کنیم، تصمیم مهم‌تر این است که بفهمیم کمپین قبلی واقعاً چه چیزی به کسب‌وکار اضافه کرده است.حسام شیخیحسام شیخیSun, 20 Sep 2026 13:30:16 +0330