Sådan filtrerer du dine data efter AI-model, land, tag og dato i AmICited

Hvert tal i AmICited er underlagt én kontrol: det globale filterpanel øverst i app’en. AI-model, land, tag og datoperiode omstiller hele produktet på én gang — så det at lære disse filtre er nøglen til at kunne læse alle andre visninger korrekt.

Hvad er segmentering af AI-søgesynlighed?

AI-søgesynlighed er et mål for, hvor ofte — og hvor fremtrædende — et brand bliver citeret af AI-assistenter som ChatGPT, Perplexity, Gemini og Google AI Overviews, når folk stiller spørgsmål relateret til brandets kategori. I modsætning til en traditionel SEO-rangeringstracker, der rapporterer én placering pr. søgeord pr. søgemaskine, kan en AI-svarmaskine citere nul, én eller flere kilder i ét og samme svar, i vilkårlig rækkefølge, og selve svaret kan variere fra det ene øjeblik til det næste. Netop denne variabilitet er grunden til, at ét samlet synlighedstal sjældent er nok at handle på — det fortæller dig at noget har ændret sig, ikke hvorfor.

Segmentering handler om at opdele det samlede tal langs de dimensioner, der reelt forklarer variansen: hvilken AI-motor der genererede svaret, hvilket land eller sprog forespørgslen blev stillet på, hvilket emne eller hvilken kampagne prompten hører til, og hvilket tidsvindue dataene dækker. Hver dimension isolerer sin egen type udsving. Et brand kan blive citeret konstant i ChatGPT og aldrig i Gemini, fordi de to modeller er trænet forskelligt og vægter kilder forskelligt — det er en model-effekt. Et brand kan dominere sit hjemmemarked, men være usynligt i udlandet, fordi AI Overviews og Perplexity trækker på regionsspecifikke kilder og sprogsignaler — det er en lande-effekt. Et brands share of voice kan se stærkt ud samlet set, men skjule, at det vinder informative prompts og taber kommercielle — det er en tag- eller emneeffekt. Og alle disse kan skifte efter en modelopdatering, en indholdssatsning eller en konkurrents lancering — hvilket kun en sammenligning af datoperioder vil afsløre.

Dette er vigtigt for arbejdet med generative engine optimization , fordi løsningen på “vi bliver ikke citeret” er helt forskellig afhængigt af, hvilken dimension der driver hullet. Hvis hullet er modelspecifikt, kan løsningen være teknisk — at sikre, at dit indhold er crawlbart og velstruktureret til netop den motors retrieval-pipeline. Hvis det er landespecifikt, kan løsningen være lokaliseret indhold eller regionsspecifik PR og citationer. Hvis det er tagspecifikt, er løsningen som regel indholdsdækning — du har simpelthen ikke publiceret noget, der besvarer de prompts godt. Filtrering er ikke en kosmetisk UI-funktion; det er det diagnostiske trin, der omdanner et vagt “vores AI-synlighed er faldet” til en konkret, handlingsorienteret hypotese.

De fire filtre i AmICited afspejler direkte denne ramme, og fordi de kan kombineres — du kan slå Land og Tag sammen, eller AI-model og Datoperiode, på samme tid — giver de dig mulighed for at stille virkelig præcise spørgsmål, som “hvordan klarer vores prisrelaterede prompts sig i USA på Perplexity de seneste 30 dage?” i stedet for altid kun at se på hele kontoen samlet.

Sådan finder du det

Filterpanelet sidder i toplinjen og er til stede på alle sider i app’en: Alle AI-modeller, Alle lande, Alle tags og en datoperiode-kontrol (f.eks. Seneste 30 dage), placeret ved siden af opdateringsknappen og handlingen + Ny prompt. Fordi panelet er fastgjort i headeren i stedet for gemt væk i et indstillingspanel, forbliver det synligt og justerbart, uanset hvilken visning du befinder dig i — Dashboard, Prompts, Kilder eller Konkurrenter — så du aldrig behøver at navigere væk for at ændre dit scope.

Hvad hvert filter gør

• AI-model — afgrænser alle diagrammer og tabeller til én enkelt motor (ChatGPT, Perplexity, Gemini eller Google AI Overview) eller viser dem samlet. Dette er det filter, der oftest forklarer et forvirrende overordnet tal: motorerne trækker på forskellige indekser, vægter AI-citationer forskelligt og opdaterer på forskellige cyklusser, så en samlet score kan skjule et reelt problem pr. motor.
• Land — afgrænser resultater til et bestemt marked. Hvis du sporer AI-synlighed på tværs af flere regioner, er dette afgørende — AI-svarmaskiner lokaliserer resultater, og et brand, der bliver citeret godt i én landeversion af Perplexity, kan reelt være fraværende i en anden.
• Tag — afgrænser til en gruppe prompts, du har mærket, uanset om det er efter kampagne, tragtstadie, produktlinje eller emne. Tags gør, at du kan behandle dit prompt-bibliotek mindre som en flad liste og mere som et sæt navngivne kohorter, du kan rapportere på hver for sig.
• Datoperiode — fastsætter det tidsvindue, som hver eneste tendenslinje, gennemsnit og delta beregnes over. Det er dette filter, der forvandler en øjebliksmåling til en tendens, og det er det filter, du oftest vil ty til, når du undersøger en bestemt ændring.

Sådan bruger du det

1. Skift kun ét filter ad gangen. Når du sammenligner tal, skal du justere én enkelt kontrol, så du ved præcis, hvad der ændrede tallet. Skifter du AI-model og datoperiode samtidig, bliver det umuligt at afgøre, hvilken ændring der forårsagede den forskel, du ser.
2. Diagnosticér pr. motor. Skift AI-model til hver motor på skift for at finde ud af, hvor du er stærk, og hvor du er usynlig. Det er almindeligt at se en sund samlet AI-synlighedsscore , der reelt bæres af én motor, mens en anden viser næsten intet — et mønster, du aldrig ville få øje på ved kun at se på visningen “Alle AI-modeller”.
3. Segmentér efter marked og tema. Kombinér Land og Tag for at besvare fokuserede spørgsmål som “hvordan klarer vores prisrelaterede prompts sig i USA på Perplexity?” Det er netop denne form for kombineret filtrering, der giver den egentlige diagnostiske værdi — ét filter fortæller dig at noget er galt, to filtre sammen begynder at fortælle dig hvor.
4. Vælg det rigtige vindue. Udvid datoperioden til langsigtet tendenslæsning — stiger eller falder share of voice over et kvartal — eller indsnævr den for at undersøge en nylig ændring, f.eks. dagene lige efter en indholdsudgivelse, en konkurrents lancering eller en kendt modelopdatering.
5. Tjek filterpanelet igen, før du stoler på et tal. Fordi filtrene bevares, når du bevæger dig mellem sider, er det let ubevidst at tage et indsnævret scope (f.eks. ét land, seneste 7 dage) med ind i en visning, hvor du egentlig ville se det fulde billede. Gør det til en vane at kigge på panelet først, når en metrik ser uventet høj, lav eller flad ud.

Sådan læser du filtrerede data korrekt

Nogle få praktiske vaner forhindrer, at filtrerede visninger bliver misvisende i stedet for klargørende. Hold først øje med din stikprøvestørrelse: hvis du indsnævrer efter Land, Tag og AI-model samtidig, kan antallet af underliggende prompts og AI-svar krympe så meget, at uge-til-uge-udsving blot er støj og ikke signal — hvis et filtreret diagram ser uroligt ud, så udvid én dimension igen, før du konkluderer, at noget har ændret sig. For det andet bør du behandle standardvisningen “Alle AI-modeller” som et udgangspunkt, ikke som svaret — den er nyttig til et hurtigt helbredstjek, men enhver reel undersøgelse af hvorfor et tal har ændret sig, bør straks forgrene sig ud i visninger pr. motor, fordi motorerne opfører sig nok som separate kanaler til, at et gennemsnit på tværs af dem kan skjule den egentlige historie. For det tredje: når du opbygger en tilbagevendende rapport — f.eks. en månedlig kundeopdatering, hvis du kører AI-synlighed på tværs af en bureaus kundeportefølje — så gem den filterkombination, du lander på, som din standardvisning, så måned-til-måned-sammenligninger altid måler det samme datasegment i stedet for utilsigtet at sammenligne æbler og pærer, fordi en datoperiode som standard var sat anderledes.

Tags fortjener særlig omtale, fordi de, i modsætning til AI-model og Land, er noget, du selv definerer. En velorganiseret prompt-sporingsopsætning tagger som regel prompts langs mindst to akser — emne (f.eks. “priser”, “sammenligning”, “sådan gør du”) og tragtstadie (f.eks. “opmærksomhed”, “overvejelse”, “beslutning”) — så filtrering efter Tag kan besvare både “er vi synlige for spørgsmål med kommerciel hensigt?” og “er vi synlige tidligt i køberrejsen, mens brandovervejelsen stadig er under opbygning?” Hvis dit prompt-bibliotek blev importeret eller er vokset organisk uden tags, er det værd at bruge tid på at tilføje dem bagudrettet; filterpanelet bliver langt mere nyttigt, når hver eneste prompt har mindst ét meningsfuldt label. For teams, der stadig overvejer, hvordan de i første omgang skal strukturere det prompt-sæt, er det et godt næste skridt at gennemgå, hvordan man finder de prompts, der udløser, at AI nævner dit brand , inden man går i gang med at tagge.

Hvor dette passer ind i en GEO-arbejdsgang

Filterpanelet er ikke en rapporteringsbekvemmelighed, der er hægtet på dashboardet — det er den mekanisme, der gør alle andre visninger i AmICited troværdige. En citationstendens, en konkurrentsammenligning eller en kildeopdeling er kun så nyttig, som din tillid til, at du ved præcis, hvilken model, hvilket marked, hvilket emne og hvilket tidsvindue der frembragte den. Når du først er tryg ved at bevæge dig mellem disse fire filtre, er det naturlige næste skridt at se på, hvad de filtrerede visninger reelt fortæller dig, du skal gøre — hvad enten det er at lukke et hul på en bestemt motor, at prioritere indhold til et underpræsterende land, eller at omfordele opmærksomheden mod de prompt-tags, hvor din AI-rangeringstracker viser den største mulighed. Mestrer du filterpanelet, bliver alle andre funktioner i dette Akademi skarpere, for du vil altid vide præcis, hvilket datasegment du kigger på, før du handler på det.