Согласен. Здесь действительно важен не только сам факт присутствия негатива в брендовом SERP, но и интент запроса. «Бренд» и «бренд отзывы» — разные этапы проверки и разный репутационный риск. Поэтому корректнее анализировать брендовые запросы по группам интентов, а не сводить их в один показатель.
Да, на данном этапе ситуация непростая. GEO сложно оценивать как обычный канал трафика из-за ограничений аналитики. Но текущие решения уже позволяют косвенно оценивать влияние: если одновременно вести GEO-аналитику и корректно разводить источники трафика в обычной аналитике, связь с результатами всё-таки можно увидеть.
Мы как разработчики платформы GeoAist пытаемся сделать эту связь более прозрачной и измеримой.
Сложно сказать не зная контекста :) Если базово - то, наверное, наиболее универсальные методы это SEO, GEO (новомодное :) ) и публикация в профильных каталогах/рейтингах.
SEO - чтобы накапливать органическую видимость, GEO - чтобы постепенно появляться в ответах нейросетей и рекомендациях. Но также есть множество других способов продвижения стартапов - все зависит от конкретной ситуации.
В SaaS особенно важно не смотреть только на прямые переходы из ИИ: человек может увидеть продукт в ответе, а потом найти его через обычный поиск или зайти напрямую.
Тут временные промежутки выбраны не случайно. Данные 2021–2022 годов используются только как историческая база для динамики осведомлённости, а декабрь 2025 и июнь 2026 — это две сопоставимые волны ВЦИОМ с одинаковой методикой. Именно поэтому их и корректно сравнивать между собой.
По Алисе замечание тоже учтено в статье: мы специально не смешиваем самостоятельное использование сервиса и встроенные AI-функции. Например, Mediascope считает отдельный сайт и приложение без интеграций в Поиск, а данные Яндекса по AI-ответам — уже другую метрику. Поэтому цифры по встроенной Алисе нигде не трактуются как количество людей, которые осознанно выбрали её как отдельный ИИ-сервис.
Контрольной группы действительно нет, но она здесь и не заявлена: статья не доказывает причинность, а сопоставляет доступные независимые срезы рынка. Там, где методики различаются, мы прямо не объединяем данные в один временной ряд. В этом, собственно, и была задача исследования — не «скорректировать всё под одну модель», а показать, почему разные источники дают разные цифры и что именно каждый из них измеряет.
Согласен. Здесь действительно важен не только сам факт присутствия негатива в брендовом SERP, но и интент запроса. «Бренд» и «бренд отзывы» — разные этапы проверки и разный репутационный риск. Поэтому корректнее анализировать брендовые запросы по группам интентов, а не сводить их в один показатель.
Да, на данном этапе ситуация непростая. GEO сложно оценивать как обычный канал трафика из-за ограничений аналитики. Но текущие решения уже позволяют косвенно оценивать влияние: если одновременно вести GEO-аналитику и корректно разводить источники трафика в обычной аналитике, связь с результатами всё-таки можно увидеть.
Мы как разработчики платформы GeoAist пытаемся сделать эту связь более прозрачной и измеримой.
Сложно сказать не зная контекста :) Если базово - то, наверное, наиболее универсальные методы это SEO, GEO (новомодное :) ) и публикация в профильных каталогах/рейтингах.
SEO - чтобы накапливать органическую видимость, GEO - чтобы постепенно появляться в ответах нейросетей и рекомендациях. Но также есть множество других способов продвижения стартапов - все зависит от конкретной ситуации.
В SaaS особенно важно не смотреть только на прямые переходы из ИИ: человек может увидеть продукт в ответе, а потом найти его через обычный поиск или зайти напрямую.
Спасибо за комментарий.
Тут временные промежутки выбраны не случайно. Данные 2021–2022 годов используются только как историческая база для динамики осведомлённости, а декабрь 2025 и июнь 2026 — это две сопоставимые волны ВЦИОМ с одинаковой методикой. Именно поэтому их и корректно сравнивать между собой.
По Алисе замечание тоже учтено в статье: мы специально не смешиваем самостоятельное использование сервиса и встроенные AI-функции. Например, Mediascope считает отдельный сайт и приложение без интеграций в Поиск, а данные Яндекса по AI-ответам — уже другую метрику. Поэтому цифры по встроенной Алисе нигде не трактуются как количество людей, которые осознанно выбрали её как отдельный ИИ-сервис.
Контрольной группы действительно нет, но она здесь и не заявлена: статья не доказывает причинность, а сопоставляет доступные независимые срезы рынка. Там, где методики различаются, мы прямо не объединяем данные в один временной ряд. В этом, собственно, и была задача исследования — не «скорректировать всё под одну модель», а показать, почему разные источники дают разные цифры и что именно каждый из них измеряет.