Come Misuriamo i Risultati SEO e di Visibilità AI

Un risultato è un cambiamento misurato rispetto a un punto di partenza datato, calcolato con una definizione scelta prima dell’inizio del lavoro e interpretato nel contesto di tutto ciò che è cambiato. Non è un numero favorevole scoperto dopo la consegna. Questa metodologia è il contratto alla base di ogni risultato che pubblichiamo: un lettore dovrebbe essere in grado di prendere gli stessi dati originali, applicare la formula indicata e ottenere lo stesso numero.

Questo standard è importante perché la performance nei motori di ricerca è un sistema osservazionale. Le pagine cambiano, i concorrenti reagiscono, la domanda si muove, i motori di ricerca si aggiornano e le campagne di marketing si sovrappongono. Possiamo dimostrare ciò che abbiamo rilasciato e quando. Possiamo misurare ciò che è successo dopo. Possiamo affermare che il nostro lavoro ha causato l’intero movimento solo quando il disegno di ricerca supporta tale affermazione.

Il registro di misurazione che ogni risultato deve includere

Ogni risultato pubblicato deve fornire informazioni sufficienti per essere verificato. Come minimo, il suo registro contiene:

• l’obiettivo di business e la metrica selezionata prima dell’implementazione;
• la formula della metrica, la fonte, il fuso orario, la valuta ove pertinente, e il modello di attribuzione;
• il sito, la directory, il template, la coorte di pagine, il mercato, il dispositivo, il motore e l’ambito del prompt;
• le date di baseline e di confronto, inclusi il numero di giorni completi in ciascuna finestra;
• il valore assoluto iniziale, il valore assoluto finale e la variazione calcolata;
• le date di implementazione e il lavoro esatto incluso nella rivendicazione;
• annotazioni sostanziali e spiegazioni concorrenti note;
• dati mancanti, modifiche al tracciamento, esclusioni e dimensione del campione o del denominatore;
• la forza del linguaggio di attribuzione che siamo autorizzati a utilizzare; e
• il revisore che ha approvato i numeri destinati al cliente.

Se uno di questi campi non è disponibile, divulghiamo la limitazione accanto al risultato oppure non lo pubblichiamo. Un foglio di calcolo privato contenente la precisazione non ripara una dichiarazione pubblica non qualificata.

1. Cosa costituisce un risultato

Lo scopo della misurazione è mostrare se il lavoro ha cambiato qualcosa di valore. Organizziamo le metriche come una catena, perché ogni fase risponde a una domanda diversa:

1. Consegna: La modifica prevista è stata pubblicata correttamente? Esempi includono pagine rilasciate, template aggiornati, redirect risolti e accesso dei crawler ripristinato.
2. Scoperta e visibilità: I sistemi di ricerca o AI hanno trovato e mostrato il lavoro? Esempi includono pagine indicizzate valide, impressioni, distribuzione del ranking, punteggio di visibilità AI, menzioni e citazioni.
3. Selezione e coinvolgimento: Le persone o i motori di risposta lo hanno selezionato? Esempi includono clic organici, sessioni qualificate, URL citati, visite coinvolgenti e visite a una pagina successiva.
4. Risultato di business: Quel comportamento ha creato valore? Esempi includono lead qualificati, trial, acquisti, ricavi da abbonamenti, appuntamenti prenotati o un altro risultato concordato con il cliente prima dell’inizio del lavoro.

La consegna è la prova che il lavoro è avvenuto. La visibilità è un indicatore anticipatore: una misura che ci si aspetta si muova prima di un risultato di business. Il coinvolgimento mostra la risposta. Il risultato di business è ciò che la maggior parte delle organizzazioni alla fine finanzia.

Il solo traffico non è quindi un risultato per la maggior parte dei modelli di business. Un’azienda SaaS non trae beneficio semplicemente perché 20.000 visitatori extra leggono un articolo irrilevante; trae beneficio quando potenziali clienti idonei avviano o influenzano trial, demo e abbonamenti. Un’attività di ecommerce ha bisogno di ordini redditizi, non di sessioni scollegate da ricavi e margini. Un editore può legittimamente trattare le visualizzazioni di pagina qualificate come un risultato di business quando queste generano valore pubblicitario o da abbonamenti, ma anche in quel caso il traffico bot, le visite accidentali e la geografia del pubblico possono alterare il valore dello stesso numero di visite.

Riportiamo il traffico quando è il posto appropriato della metrica nella catena, e lo abbiniamo a prove di qualità o a valle ogni volta che il modello di business lo consente. Rifiutiamo di presentare impressioni, un singolo ranking, il conteggio delle pagine, il traffico grezzo, il tasso di coinvolgimento o un punteggio proprietario come impatto finale di business quando non è stata dimostrata alcuna connessione validata.

Il risultato viene selezionato in anticipo. Se il risultato primario concordato sono le richieste di demo qualificate, non lo sostituiamo dopo la consegna con le impressioni solo perché le impressioni sono aumentate e le richieste di demo no.

2. Baseline: congelare il punto di partenza

Una baseline è una misurazione datata e immutabile dell’ambito rilevante prima che la prima modifica nell’ambito venga rilasciata. La fase di misurazione della baseline P5 spiega come acquisirla. La baseline deve utilizzare la stessa formula, le stesse fonti, filtri, segmenti, fuso orario, valuta, modello di attribuzione, set di prompt, set di concorrenti ed esclusioni che saranno utilizzati dal checkpoint successivo.

Per le metriche di tasso, salviamo il numeratore e il denominatore, non solo il tasso. Per i totali a livello di sito, salviamo anche la coorte interessata. Se si stanno ottimizzando 40 pagine prodotto, la loro baseline rimane separata dalle altre 8.000 URL; altrimenti, la crescita non correlata del sito può mascherare ciò che è successo al lavoro.

Una baseline ricostruita retroattivamente non è una baseline. Una volta che il team conosce il risultato, le scelte su date, filtri, segmenti ed esclusioni sono vulnerabili al senno di poi. Gli strumenti live potrebbero anche aver modificato le loro modalità di elaborazione, conservazione, attribuzione o dati dei concorrenti. Chiamare una ricostruzione una baseline implicherebbe un livello di controllo che non esisteva.

Quando un cliente non ha una cronologia pulita, utilizziamo una di tre alternative oneste:

• Baseline prospettica: connetti e convalida la misurazione, non apportare modifiche nell’ambito durante un periodo di osservazione definito, poi congela quel periodo prima dell’implementazione.
• Riferimento ricostruito: esporta la migliore cronologia disponibile, documenta la fonte e le modifiche al tracciamento, etichettalo come “ricostruito” e limita la rivendicazione a ciò che i dati sopravvissuti supportano.
• Nessuna rivendicazione prima-dopo: inizia la misurazione ora e riporta le performance assolute del checkpoint finché non esiste un confronto prospettico valido.

I dati mancanti sono sconosciuti, non zero. Non li interpoliamo semplicemente per creare un grafico pulito. Se l’intervallo mancante si sovrappone a un cambiamento sostanziale o rende il confronto non equivalente, il risultato non è pubblicabile come rivendicazione prima-dopo.

3. Finestre di confronto e orologio di rendicontazione

Le due finestre devono contenere lo stesso numero di giorni completi, utilizzare la stessa combinazione di giorni della settimana ed escludere il giorno corrente incompleto. Indichiamo entrambi gli intervalli nel risultato anziché usare etichette come “il mese scorso” che cambiano significato nel tempo.

Confronto anno su anno confronta una finestra con la finestra di calendario equivalente di un anno prima. È il nostro default quando la domanda ha pattern stagionali e i dati precedenti sono puliti. Le festività fisse e mobili vengono annotate; quando una festività si sposta tra le finestre e influisce materialmente sulla domanda, allineiamo le settimane di scambio o divulghiamo la discrepanza.

Confronto periodo su periodo confronta finestre adiacenti di uguale lunghezza, ad esempio 28 giorni completi dopo l’implementazione con i 28 giorni completi precedenti. Lo utilizziamo quando il sito non ha un anno precedente pulito, quando l’attività non è sostanzialmente stagionale o quando abbiamo bisogno di un segnale operativo recente. È più esposto a campagne, lanci, festività e cambiamenti di mercato, quindi non lo presentiamo mai come stagionalmente controllato.

Dove esiste una cronologia sufficiente, mostriamo entrambi. L’anno su anno risponde a “siamo ahead rispetto alla stagione equivalente?” Il periodo su periodo risponde a “la direzione recente è cambiata?” Se sono in disaccordo, il disaccordo è un’informazione da spiegare, non un motivo per nasconderne uno.

Nessun movimento di performance è segnalabile come risultato prima che siano trascorsi 28 giorni completi dalla modifica rilevante. Osservazioni precedenti possono verificare che una pagina sia live, scansionabile, indicizzata o citata, ma sono controlli di implementazione, non risultati. Ventotto giorni è un minimo, non un’approvazione automatica. Estendiamo la finestra quando:

• il ciclo normale di acquisto o lead è più lungo di 28 giorni;
• la modifica ha richiesto tempo per raggiungere tutte le pagine o per essere elaborata dai sistemi di ricerca e AI;
• il volume settimanale è troppo piccolo perché pochi eventi smettano di dominare il tasso;
• l’attività ha una forte stagionalità mensile, trimestrale o annuale; oppure
• un’interruzione, una campagna, una migrazione, un cambiamento nel tracciamento o un evento esterno importante contaminano gran parte della finestra.

Pre-registriamo il primo checkpoint e la finestra di rendicontazione prevista. Non continuiamo a spostare le date di inizio o fine finché la curva non appare favorevole.

4. Onestà nell’attribuzione

L’attribuzione è l’assegnazione di un effetto osservato a una causa. La sola tempistica non la stabilisce: “dopo” non significa necessariamente “a causa di.” Utilizziamo quattro livelli di affermazione.

Consegna verificata significa che possiamo attribuire la modifica implementata stessa al lavoro: ad esempio, 120 pagine specificate hanno ricevuto canonical tag validi nella data di rilascio registrata. Non stabilisce l’effetto sulle performance.

Effetto supportato da esperimento richiede un disegno in grado di stimare un effetto incrementale, come un gruppo di controllo randomizzato o credibilmente appaiato con un’ipotesi, una metrica, un campione e una data di fine pre-specificati. Descriviamo il disegno e l’incertezza; non trasformiamo un esperimento di contenuti imperfetto in certezza da laboratorio.

Prova contributiva si applica quando la coorte interessata si muove dopo la modifica registrata, la direzione corrisponde all’ipotesi pre-specificata e una coorte di riferimento invariata o un benchmark competitivo non mostra lo stesso movimento. Possiamo dire che il risultato è “coerente con,” “associato a,” o “supporta il contributo di” del lavoro.

Solo correlazione si applica quando la metrica si è mossa dopo la modifica ma non esiste un valido controfattuale. Riportiamo la sequenza e le spiegazioni concorrenti. Non diciamo “generato,” “causato,” o “prodotto” per il risultato.

Nel lavoro ordinario con i clienti, spesso non possiamo separare l’effetto di:

• aggiornamenti algoritmici dei motori di ricerca o dei fornitori di AI;
• stagionalità, festività, meteo e cambiamenti nella domanda sottostante;
• search a pagamento, social a pagamento, retargeting e attività affiliate;
• copertura PR, attività dei creator, campagne di brand e promozione offline;
• lanci di prodotto, prezzi, disponibilità, merchandising e modifiche al tasso di conversione;
• migrazioni, redesign, modifiche al tracciamento, modifiche al consenso e interruzioni;
• lanci, perdite, promozioni e cambiamenti nella spesa mediatica dei concorrenti; oppure
• cambiamenti economici, normativi, culturali e di categoria a livello di mercato.

Nominiamo i fattori che si sono verificati, diciamo se ciascuno probabilmente influisce sulla coorte misurata e riduciamo di conseguenza la forza dell’affermazione. Se pagato e organico atterrano sulla stessa pagina durante un lancio, non assegniamo tutte le conversioni al contenuto organico. Se un aggiornamento algoritmico si sovrappone al checkpoint, possiamo riportare il movimento relativo rispetto a segmenti o concorrenti non influenzati, ma quel confronto è prova, non isolamento perfetto.

5. Le annotazioni rendono possibile l’interpretazione

Un’annotazione è una registrazione datata di una modifica o di un evento esterno collocata sulla stessa linea temporale della metrica. Senza annotazioni, l’attribuzione diventa un esercizio di memoria mesi dopo.

Registriamo l’evento quando accade, non quando inizia la rendicontazione. Ogni annotazione registra la data e il fuso orario, il proprietario, le URL interessate o il segmento, la categoria, la descrizione, il riferimento al deployment o alla campagna, la metrica e la direzione previste, il ritardo previsto, la data del checkpoint e le attività sovrapposte note. I rilasci su più giorni hanno date di inizio e completamento. Le inversioni e i rollback ricevono voci proprie anziché sovrascrivere l’originale.

Annotiamo rilasci di contenuti, deployment tecnici, migrazioni, redirect, modifiche ai template, modifiche ad analytics e consenso, interruzioni, campagne a pagamento, PR, modifiche di prodotto e prezzi, eventi importanti dei concorrenti e aggiornamenti confermati delle piattaforme. Risultati delle Annotazioni tiene insieme tali modifiche, aspettative, checkpoint e risultati osservati, trattando esplicitamente l’associazione come evidenza piuttosto che come prova di causalità.

6. Come misuriamo la visibilità AI

Le metriche di visibilità AI sono calcolate separatamente perché rispondono a domande diverse. Non mescoliamo mai visibilità, voce, citazioni, sentiment e posizionamento in un numero stimato di “impatto AI.”

Prima di confrontare i periodi, congeliamo il testo del prompt, l’argomento, la locale, il motore, la cadenza di esecuzione, il set di brand monitorati e il set di domini monitorati. Una osservazione di prompt è una risposta memorizzata di un prompt, motore, locale ed esecuzione programmata definiti. La risposta e le sue URL citate vengono conservate in modo che l’aggregato possa essere verificato.

Punteggio di visibilità AI

Il punteggio di visibilità risponde: “Per quanto del set di prompt tracciati questo dominio ha ottenuto almeno una citazione?”

Punteggio di visibilità AI = osservazioni di prompt che citano il dominio almeno una volta ÷ tutte le osservazioni di prompt valide nella coorte congelata × 100

Citazioni multiple in una risposta non rendono quell’osservazione più visibile; conta una volta nel numeratore. Un errore di raccolta non è una risposta a zero citazioni. È un dato mancante, riportato attraverso la copertura e rieseguito o escluso coerentemente da entrambe le finestre. La vista Visibilità AI espone le risposte sottostanti necessarie per ispezionare il punteggio.

Quota di voce

La quota di voce risponde: “Dei brand monitorati menzionati in queste risposte, quale quota apparteneva a questo brand?”

Quota di voce = menzioni del brand ÷ menzioni di ogni brand monitorato nel set competitivo fisso × 100

Specifichiamo se l’unità di conteggio è una menzione per risposta o ogni occorrenza di menzione e manteniamo invariata questa regola. Non rinormalizziamo la cronologia quando viene aggiunto un concorrente; un cambiamento nel set di concorrenti avvia una nuova serie comparabile o fa sì che la finestra precedente venga ricalcolata dalle risposte memorizzate.

Quota di citazioni

La quota di citazioni risponde: “Delle citazioni assegnate al set di domini monitorati, quale quota puntava a questo dominio?”

Quota di citazioni = citazioni al dominio ÷ citazioni a ogni dominio monitorato nel set fisso × 100

Il numeratore conta le citazioni, non le menzioni del brand. Una risposta può citare diverse URL dello stesso dominio, e ogni citazione conta secondo la regola dichiarata. La rendicontazione a livello di dominio non deve essere presentata come performance a livello di pagina. Intelligence su Fonti e Citazioni conserva i dettagli di dominio, URL, prompt e motore alla base dell’aggregato.

Queste metriche hanno limitazioni note. Le risposte AI possono variare tra esecuzioni; i fornitori cambiano modelli, sistemi di recupero, interfacce e comportamento delle citazioni; posizione, lingua, personalizzazione e freschezza possono alterare una risposta; e i set di prompt e concorrenti scelti definiscono l’universo misurato. Un set tracciato è un campione ripetibile delle domande che abbiamo scelto, non un censimento di tutto ciò che i potenziali clienti chiedono. La presenza di una citazione inoltre non prova che una persona abbia visto, abbia fiducia o abbia visitato la fonte. Pertanto, riportiamo motore, locale, coorte, frequenza di esecuzione, copertura e conteggi assoluti con ogni dichiarazione sostanziale di visibilità AI.

7. Arrotondamento, intervalli e valori assoluti

Le percentuali non vengono mai pubblicate da sole. Ogni percentuale appare con i valori assoluti utilizzati per calcolarla.

Per una variazione di conteggio, riportiamo la baseline, il valore finale, la differenza assoluta e la variazione relativa: “i lead organici qualificati sono passati da 40 a 52, con un aumento di 12 lead o del 30%.” Per un tasso, riportiamo entrambi i tassi in punti percentuali e includiamo i relativi numeratori e denominatori: “il tasso di conversione è passato dal 2,0% (40/2.000) al 2,4% (52/2.167), con un aumento di 0,4 punti percentuali.” Chiamarlo un aumento dello 0,4% sarebbe sbagliato; l’aumento relativo è del 20%.

I conteggi sono numeri interi. Le percentuali sono normalmente arrotondate a una cifra decimale, tranne quando ciò trasformerebbe un valore non nullo in 0,0%, nel qual caso aggiungiamo una seconda cifra decimale. Calcoliamo le variazioni dagli input non arrotondati e arrotondiamo solo il risultato visualizzato. I valori inferiori a 1.000 non vengono abbreviati. Abbreviazioni maggiori possono apparire nei titoli, ma il numero esatto rimane nel corpo o in una tabella accessibile.

Utilizziamo intervalli solo quando la fonte o il metodo produce genuinamente incertezza. L’intervallo deve indicare il proprio metodo, come un intervallo di confidenza, un intervallo del modello di attribuzione o un limite di copertura dei dati. Non inventiamo un intervallo per far sembrare scientifica una stima puntuale, e non sostituiamo piccoli conteggi esatti con percentuali che esagerano il movimento.

8. Anonimizzazione del cliente senza perdere significato

Un risultato anonimo deve rimanere verificabile. Possiamo sostituire il nome del cliente, il dominio, i nomi dei prodotti e i dati commercialmente sensibili, ma la descrizione pubblicata deve preservare:

• il modello di business, la categoria generale, il mercato e i vincoli sostanziali;
• l’ambito del sito o della coorte di pagine e il tipo di pagine modificate;
• le date di baseline e di confronto esatte e le lunghezze delle finestre;
• la definizione della metrica, la fonte, il modello di attribuzione e il denominatore;
• i valori assoluti di baseline e finali, o una serie indicizzata esplicitamente quando la riservatezza contrattuale proibisce gli assoluti;
• l’intervento, le date di rilascio e il tempo trascorso prima della misurazione;
• l’attività concorrente nota e la conseguente limitazione dell’attribuzione; e
• sufficienti dettagli metodologici per consentire a un altro team di applicare il calcolo.

Se i valori commerciali esatti non possono essere mostrati, un indice può impostare la baseline a 100 e applicare la stessa scala a ogni punto successivo. Lo etichettiamo come indicizzato e mostriamo comunque i conteggi degli eventi o del campione sottostanti dove la divulgazione lo consente. Non combiniamo mai più clienti in un “cliente tipico” fittizio, alteriamo le date per rafforzare la curva o nascondiamo che il risultato proviene da una directory anziché dall’intero sito.

Se preservare questo contesto identificherebbe il cliente, non pubblichiamo il risultato. La riservatezza è un motivo per trattenere un caso, non un permesso per pubblicare una percentuale impressionante ma non verificabile.

9. Cosa non pubblicheremo

La pubblicazione è una decisione di selezione, quindi le sue regole devono essere rigorose quanto i suoi calcoli. Non pubblicheremo:

• una data di inizio, data di fine, motore di ricerca, paese, dispositivo, prompt, parola chiave o segmento scelti ad arte;
• un risultato di una singola pagina descritto come crescita a livello di sito;
• una metrica selezionata dopo il fatto perché si è mossa favorevolmente;
• una percentuale senza la sua baseline, il valore assoluto finale e il denominatore ove applicabile;
• un confronto che mescola formule, ambiti, fonti, modelli di attribuzione, valute o coorti di prompt diversi;
• un mese parziale confrontato con un mese intero, o finestre disuguali presentate come equivalenti;
• osservazioni mancanti trattate come zero, o interruzioni del tracciamento nascoste all’interno di un grafico continuo;
• un risultato riportato prima della finestra minima o prima del completamento del normale ciclo di conversione;
• un punteggio AI presentato senza le definizioni di prompt, motore, locale, concorrente e copertura;
• un risultato correlazionale scritto come prova che il solo nostro lavoro ha causato il risultato;
• solo la migliore pagina, query, motore o checkpoint quando è disponibile l’intera coorte dichiarata; oppure
• un risultato del cliente che il revisore autorizzato non ha approvato per accuratezza, contesto e divulgazione.

Inoltre, non eliminiamo checkpoint sfavorevoli da una serie. Un’ipotesi mancata può comunque insegnare al team cosa cambiare. Nasconderla renderebbe il successo successivo meno credibile, non di più.

Approvazione alla pubblicazione

Prima della pubblicazione, la persona responsabile dei numeri destinati ai clienti deve riprodurre il calcolo dalle esportazioni congelate, confermare l’ambito e le date del confronto, ispezionare il registro delle annotazioni, verificare ogni valore assoluto e percentuale, approvare la formulazione dell’attribuzione e confermare che l’anonimizzazione sia conforme all’accordo con il cliente. Un secondo controllo editoriale deve garantire che il titolo non dica più di quanto le evidenze supportino.

La domanda finale è semplice: un lettore scettico potrebbe identificare cosa è cambiato, cosa no, cos’altro potrebbe spiegare il movimento e come ogni numero è stato calcolato? In caso contrario, il risultato non è pronto per essere pubblicato.