With over 20 years of experience, we transform your digital presence. We specialize in website and E-Shop development, SEO and Digital Marketing, ERP software and smart automation that take your business to the next level.
Address:
154 Egnatia Street, Thessaloniki 546 36
Phone:
+30 231 231 4095
E-mail:
hello@twodots.gr
Ready for the next step?;
Η έρευνα 50.000 query fan-out prompts του Moz δείχνει πώς intent, branded ερωτήσεις και prompt mix επηρεάζουν τα mentions και τη μέτρηση AI visibility.
Η έρευνα 50.000 query fan-out prompts του Moz δείχνει ότι το AI visibility δεν είναι ένα ουδέτερο, ενιαίο ποσοστό. Το intent, η παρουσία brand μέσα στην ερώτηση και η σύνθεση του prompt set μπορούν να αλλάξουν δραστικά τα mentions. Για να γίνει το dashboard εργαλείο απόφασης, πρέπει να εξηγεί όχι μόνο πόσο συχνά εμφανίστηκε ένα brand, αλλά και σε ποιες ερωτήσεις, με ποιο context και με ποια σταθερή μεθοδολογία.
Αν μια ομάδα μετρά την παρουσία ενός brand στις απαντήσεις συστημάτων AI, το αποτέλεσμα εξαρτάται ήδη από τις ερωτήσεις που επέλεξε πριν συλλεχθεί η πρώτη απάντηση. Ένα prompt set με πολλά brand names ή πολλές συγκρίσεις μπορεί να παράγει υψηλότερη παρουσία από ένα σύνολο ενημερωτικών ερωτήσεων, χωρίς αυτό να σημαίνει ότι βελτιώθηκε η οργανική αναγνωρισιμότητα.
Η νέα ανάλυση του Moz είναι χρήσιμη ακριβώς επειδή δεν παρουσιάζει έναν καθολικό δείκτη επιτυχίας. Εξετάζει πού γεννιέται η μεροληψία σε ένα μεγάλο εργαστήριο παραγωγής prompts και δίνει raw data που επιτρέπουν επανέλεγχο. Για SEO teams, agencies, e-commerce επιχειρήσεις και marketers, το πρακτικό ερώτημα είναι αν το measurement design παραμένει σταθερό και αν κάθε metric αντιστοιχεί σε σαφή search intent.
Query fan-out είναι η διάσπαση μιας σύνθετης ερώτησης σε πολλαπλές συγγενείς αναζητήσεις. Η Google περιγράφει επίσημα ότι το AI Mode χωρίζει την ερώτηση σε υποθέματα, εκτελεί πολλές αναζητήσεις παράλληλα και συνθέτει τα αποτελέσματα. Οι επιμέρους διαδρομές μπορεί να αφορούν οντότητες, συγκρίσεις, εξηγήσεις, εφαρμογές ή διαφορετικές πλευρές του ίδιου προβλήματος.
Για το marketing, η σημασία είναι άμεση: ένας πιθανός πελάτης δεν εκφράζει πάντα την ανάγκη του με την εμπορική ονομασία μιας κατηγορίας. Μπορεί να ζητήσει λύση για μια συγκεκριμένη περίπτωση, να συγκρίνει επιλογές ή να αναζητήσει τα βήματα μιας εργασίας. Επομένως, η ορατότητα ενός brand δεν αποτιμάται σωστά με μία μόνο λέξη-κλειδί ούτε με λίγα αυθαίρετα prompts.
Αυτό δεν καταργεί το κλασικό SEO. Διευρύνει το πεδίο έρευνας από ένα query σε ένα δίκτυο πιθανών intents και πηγών. Το κρίσιμο είναι να μη θεωρούμε ότι γνωρίζουμε τις ακριβείς εσωτερικές αναζητήσεις κάθε πλατφόρμας. Η μελέτη του Moz αφορά παραγόμενα fan-out prompts σε συγκεκριμένο πειραματικό πλαίσιο, ενώ η επίσημη τεκμηρίωση της Google επιβεβαιώνει τη γενική τεχνική στο AI Mode.
Η βάση του Moz καλύπτει 20 industry verticals και 1.000 subtopics, δηλαδή 50 subtopics ανά vertical. Για κάθε subtopic δημιουργήθηκαν 50 prompts: πέντε instances για καθέναν από δέκα τύπους fan-out. Ο υπολογισμός 1.000 × 5 × 10 δίνει τις 50.000 εγγραφές. Το dataset περιλαμβάνει επίσης 5.333 grounding queries από το Gemini API.
Για κάθε subtopic, το Gemini πρότεινε ένα βασικό brand και δύο ανταγωνιστές. Τα fan-outs δημιουργήθηκαν με Gemini 3.1 Flash Lite, ενώ τα grounding queries με Gemini 3.5 Flash. Αυτές οι λεπτομέρειες δεν είναι υποσημείωση: ορίζουν το περιβάλλον της μελέτης και πρέπει να καταγράφονται όταν μια ομάδα επαναλαμβάνει ή συγκρίνει τη διαδικασία με άλλο μοντέλο, άλλη περίοδο ή άλλο vertical.
Το Moz δημοσίευσε το raw dataset σε υπολογιστικό φύλλο. Έτσι οι αναγνώστες μπορούν να ελέγξουν τις εγγραφές, την κατανομή των τύπων και τις μετρήσεις alignment, αντί να βασίζονται μόνο στη σύνοψη του άρθρου. Για μια σοβαρή αναφορά SEO με AI και MCP, αυτή η ιχνηλασιμότητα είναι βασική: το dashboard πρέπει να μπορεί να δείξει από ποια prompts προέκυψε κάθε αριθμός.
Τέσσερις αριθμοί που ορίζουν το πείραμα του Moz
Οι τιμές περιγράφουν τη συγκεκριμένη βάση fan-out prompts και τη σύνθεσή της· δεν αποτελούν καθολικά benchmarks AI visibility ή επιχειρηματικής απόδοσης.
Πενήντα prompts για καθένα από τα 1.000 subtopics.
Περιείχαν το βασικό brand ή έναν από τους δύο ανταγωνιστές.
Entity και Comparison συγκέντρωσαν μαζί σχεδόν όλα τα brand mentions.
Ο μέσος όρος cosine similarity στη συγκεκριμένη βάση, όχι γενικός στόχος.
Στις πρώτες δοκιμές του Moz, όταν ένα brand υπήρχε μέσα στο prompt, η πιθανότητα να αναφερθεί ξανά στην απόκριση πλησίαζε το 100%. Αυτό δεν αποδεικνύει ότι το brand θα εμφανιζόταν οργανικά χωρίς την υπόδειξη. Μετρά σε μεγάλο βαθμό την ικανότητα του μοντέλου να ακολουθεί το context που του δόθηκε.
Στην τελική διαδικασία, τα brands χρησιμοποιήθηκαν ως contextual hints, σαν ήπια κατεύθυνση και όχι σαν ρητή εντολή. Ακόμη και έτσι, η σύνθεση των prompts χρειάζεται να είναι ορατή στην αναφορά. Αν μια ομάδα βάλει το δικό της όνομα στις περισσότερες ερωτήσεις, μπορεί να δημιουργήσει τεχνητά υψηλή παρουσία. Αν χρησιμοποιήσει μόνο non-branded prompts, μετρά άλλο φαινόμενο: πόσο συχνά το brand αναδύεται χωρίς να έχει προηγηθεί ονομαστική υπόδειξη.
Άρα branded και non-branded prompts δεν πρέπει να συγχωνεύονται αδιακρίτως σε έναν αριθμό. Αυτή η διάκριση συμπληρώνει ένα ευρύτερο πρόγραμμα brand monitoring για social, media και AI visibility, επειδή ξεχωρίζει την αυθόρμητη ανάδυση από την απάντηση σε ήδη επώνυμο context.
Στο τελικό dataset, το 12,8% των prompts περιείχε αναφορά είτε στο βασικό brand είτε σε έναν από τους δύο ανταγωνιστές. Η κατανομή δεν ήταν ομοιόμορφη: οι τύποι Entity και Comparison συγκέντρωσαν μαζί το 97% των brand mentions. Οι υπόλοιποι τύποι είχαν πολύ μικρότερη συμμετοχή.
Η παρουσία brands στα Entity fan-outs είναι αναμενόμενη, αφού τα brands είναι οντότητες. Η ένταση στις συγκρίσεις είναι ιδιαίτερα χρήσιμη για εμπορικές ομάδες: όταν το intent περνά στην αξιολόγηση επιλογών, οι επωνυμίες γίνονται φυσικό μέρος της ερώτησης. Ωστόσο, mention δεν σημαίνει προτίμηση, θετικό sentiment, citation, επίσκεψη ή πώληση.
Ένα report με υπερβολικά πολλές comparisons μπορεί επομένως να εμφανίζει περισσότερα mentions από ένα report ενημερωτικών ή διαδικαστικών ερωτήσεων. Η σύγκριση μεταξύ περιόδων και ανταγωνιστών απαιτεί σταθερή σύνθεση prompt types. Το ίδιο θέμα αναλύεται και στο playbook του AI SEO για ορατότητα των brands στα LLMs: η κάλυψη οντοτήτων και intents έχει μεγαλύτερη αξία από το κυνήγι ενός αδιαφανούς συνολικού score.
Τέσσερις ζώνες που δεν πρέπει να συγχωνεύονται στο ίδιο score
Ερωτήσεις ανάγκης ή προβλήματος χωρίς ονόματα. Μετρούν αν το brand αναδύεται χωρίς ονομαστική υπόδειξη.
Ερωτήσεις γύρω από οντότητες, κατηγορίες και συγκεκριμένα προϊόντα. Χρειάζονται ξεχωριστή ανάλυση κάλυψης.
Ερωτήσεις αξιολόγησης επιλογών, όπου οι επωνυμίες εμφανίζονται φυσικά συχνότερα. Mention δεν ισοδυναμεί με προτίμηση.
Prompts που περιέχουν ήδη το brand. Μετρούν την απάντηση σε δοσμένο context και όχι αυθόρμητη ανάδυση.
Η συνάφεια δεν αρκεί αν όλα τα fan-outs είναι σχεδόν ίδιες παραλλαγές. Το Moz χρησιμοποίησε το Alignment, δηλαδή cosine similarity ανάμεσα στο fan-out prompt και στο subtopic μετασχηματισμένο στην ερώτηση «What is [subtopic]?». Οι τιμές της βάσης κυμάνθηκαν από 0,22 έως 1,00, με μέσο όρο 0,67.
Το χαμηλό άκρο δεν ήταν κατ’ ανάγκη άσχετο. Το παράδειγμα 0,22 συνέδεε cloud storage services με την κοινοποίηση ιδιωτικού συνδέσμου σε αρχείο: θεματικά συγγενές, αλλά χωρίς να επαναλαμβάνει τους όρους του subtopic. Στο 1,00, το prompt ουσιαστικά ρωτούσε ακριβώς τι είναι το software asset management.
Ο συγγραφέας θεωρεί τον μέσο όρο 0,67 καλή ισορροπία για το dataset, αλλά δηλώνει ότι η κρίση είναι υποκειμενική. Επομένως, το 0,67 δεν πρέπει να μετατραπεί σε καθολικό benchmark. Η χρήσιμη αρχή είναι να αξιολογούνται ταυτόχρονα topical alignment και diversity: αρκετή εγγύτητα για να παραμένει η ερώτηση σχετική, αρκετή απόσταση για να καλύπτει διαφορετική ανάγκη.
Η λογική παραγωγής στόχευε σε έως 12 λέξεις. Ο πραγματικός μέσος όρος ήταν 8,2 λέξεις, με εύρος 3 έως 13. Τα παραδείγματα του Moz αφορούν τη διεξαγωγή tenant exit interview, την εύρεση οικονομικών beginner golf clubs και τους λόγους για τους οποίους πελάτες εγκαταλείπουν brands που κάποτε προτιμούσαν.
Αυτά τα prompts βρίσκονται αρκετά βαθιά στη long-tail ώστε να εκφράζουν συγκεκριμένο intent, αλλά παραμένουν αρκετά γενικά ώστε να αντιπροσωπεύουν ομάδες παραλλαγών. Οι άνθρωποι μπορούν να γράφουν ολόκληρες παραγράφους σε ένα σύστημα AI, όμως οι marketers δεν μπορούν να παρακολουθούν κάθε πιθανή διατύπωση.
Η λειτουργική επιλογή είναι ένα αντιπροσωπευτικό prompt portfolio, όχι η ψευδαίσθηση πλήρους καταγραφής. Σε επίπεδο περιεχομένου, η ίδια λογική απαιτεί σαφείς απαντήσεις και επαρκές context. Το PEE Framework για περιεχόμενο σε AI Search είναι ένα παράδειγμα δομής που συνδέει θέση, τεκμήριο και εξήγηση χωρίς να γεμίζει τη σελίδα με γενικόλογες παραλλαγές.
Για ένα e-commerce, η πιο χρήσιμη εφαρμογή είναι ο διαχωρισμός τουλάχιστον τριών ζωνών έρευνας: γενικές ανάγκες και προβλήματα χωρίς brands, οντότητες και κατηγορίες προϊόντων, και συγκρίσεις. Αυτός ο διαχωρισμός είναι εφαρμοστική ερμηνεία των ευρημάτων, όχι αποτέλεσμα που μέτρησε το Moz για συγκεκριμένο κατάστημα.
Αν ένα κατάστημα εμφανίζεται στις συγκρίσεις αλλά απουσιάζει από ευρύτερες ερωτήσεις ανάγκης, το κενό είναι διαφορετικό από μια πλήρη απουσία. Μπορεί να χρειάζεται καλύτερη κάλυψη προβλημάτων, χρήσεων και χαρακτηριστικών, όχι απλώς περισσότερες σελίδες «brand A vs brand B». Αντίστροφα, πολλά mentions σε branded prompts δεν αποδεικνύουν ευρεία οργανική αναγνωρισιμότητα.
Η ομάδα πρέπει να εξετάζει ολόκληρη την απόκριση: ποιο brand αναφέρθηκε, με ποιο sentiment, αν υπήρχε citation, ποια σελίδα χρησιμοποιήθηκε και αν το αποτέλεσμα οδηγεί σε επίσκεψη ή conversion. Γι’ αυτό το AI Search δεν πρέπει να μετριέται σαν κλασικό SEO. Το mention, η citation και η επιχειρηματική επίδραση είναι διαφορετικά επίπεδα.
Το measurement gate πριν συγκρίνετε δύο περιόδους
Έμειναν σταθερά το prompt mix, τα intents, η branded/non-branded αναλογία, το μοντέλο, η γεωγραφία και οι ρυθμίσεις εκτέλεσης;
Αν όχι, η μεταβολή του συνολικού AI visibility score μπορεί να προέρχεται από αλλαγή της μεθοδολογίας και όχι από αλλαγή της πραγματικής παρουσίας του brand. Δείξτε τα segments και το version του prompt set δίπλα στο αποτέλεσμα.
Τα δεδομένα του Moz δεν δίνουν ένα έτοιμο scorecard για κάθε επιχείρηση. Δίνουν όμως επαρκή βάση για μια συντηρητική διαδικασία measurement design. Το ζητούμενο είναι κάθε metric να απαντά σε συγκεκριμένο ερώτημα και να μπορεί να αναπαραχθεί.
Έξι έλεγχοι πριν ένα AI visibility dashboard χρησιμοποιηθεί για αποφάσεις
Ορίστε προβλήματα, κατηγορίες, use cases, συγκρίσεις και ερωτήσεις αγοράς. Μην ξεκινάτε από μια λίστα που αποτελείται μόνο από το brand και τις παραλλαγές του.
Καταγράψτε subtopic, intent, fan-out type και ένδειξη branded ή non-branded, ώστε το συνολικό αποτέλεσμα να μπορεί να αναλυθεί ανά segment.
Διατηρήστε σταθερό prompt mix για διαχρονικές συγκρίσεις. Κάθε προσθήκη, αφαίρεση ή αναδιατύπωση πρέπει να δημιουργεί νέα έκδοση και σημείωση αλλαγής.
Ελέγξτε αν οι ερωτήσεις παραμένουν σχετικές με το subtopic, αλλά απορρίψτε τις σχεδόν πανομοιότυπες παραλλαγές που διογκώνουν τεχνητά την κάλυψη.
Καταγράψτε μοντέλο, ημερομηνία, γεωγραφία, γλώσσα και βασικές ρυθμίσεις. Η αλλαγή μοντέλου μπορεί να αλλάξει τη συμπεριφορά ακόμη και με το ίδιο prompt set.
Αναφέρετε χωριστά την παρουσία του brand, τη σύνδεση σε πηγή, το sentiment, την επίσκεψη και τη μετατροπή. Μην αποδίδετε επιχειρηματικό ROI σε ένα απλό mention.
Αυτά τα βήματα είναι εφαρμοστική μεθοδολογία και όχι πρόσθετα αποτελέσματα της μελέτης. Στόχος τους είναι να κάνουν τη μέτρηση ελέγξιμη. Όπως και στα AI Overviews της Google και την επίδρασή τους στο SEO, η παρουσία στην απάντηση έχει αξία μόνο όταν ερμηνεύεται μαζί με την πηγή, το intent και την επόμενη ενέργεια του χρήστη.
Το dataset είναι εργαστήριο prompt generation, όχι πλήρης χαρτογράφηση πραγματικών συνομιλιών χρηστών. Οι 20 verticals, τα 1.000 subtopics, οι προτεινόμενες επωνυμίες και τα συγκεκριμένα μοντέλα Gemini ορίζουν το πλαίσιο. Τα ευρήματα δεν πρέπει να παρουσιάζονται ως ίδια για κάθε LLM, γλώσσα, αγορά ή χρονική περίοδο.
Το 12,8% αφορά prompts που περιείχαν brand mention μέσα στη συγκεκριμένη βάση. Το 97% περιγράφει την κατανομή αυτών των mentions στους τύπους Entity και Comparison. Δεν σημαίνει ότι το 97% όλων των απαντήσεων AI περιέχει brands, ούτε ότι οι δύο τύποι οδηγούν σε αγορά. Αντίστοιχα, το μέσο Alignment 0,67 δεν είναι γενικός στόχος ποιότητας.
Τέλος, ένα mention δεν ισοδυναμεί με θετική στάση, citation, επίσκεψη ή πώληση. Η μελέτη δείχνει πώς η επιλογή prompts επηρεάζει το measurement design. Δεν αποδεικνύει ότι μια συγκεκριμένη αλλαγή περιεχομένου θα αυξήσει πωλήσεις ή ότι ένα brand με υψηλότερο mention rate έχει μεγαλύτερη εμπορική αξία.
Οι 50.000 εγγραφές κάνουν τον τίτλο εντυπωσιακό, αλλά η ουσία βρίσκεται στη δομή τους. Το intent καθορίζει σε μεγάλο βαθμό πού εμφανίζονται brands. Η άμεση αναφορά brand μπορεί να προκαλέσει σχεδόν βέβαιο mention. Η συνάφεια πρέπει να συνυπάρχει με ποικιλία και η διαχρονική μέτρηση χρειάζεται σταθερό prompt mix.
Η ώριμη ερώτηση δεν είναι μόνο «ποιο είναι το AI visibility score μας;». Είναι «ποια intents, ποιοι τύποι prompts και ποιο context δημιούργησαν αυτό το score;». Μόνο τότε το dashboard παύει να είναι συλλογή mentions και γίνεται εργαλείο που μπορεί να στηρίξει αποφάσεις για SEO, content, brand strategy και e-commerce.
Το επόμενο βήμα δεν είναι να παράγουμε περισσότερα prompts χωρίς όρια. Είναι να σχεδιάσουμε ένα αντιπροσωπευτικό, versioned portfolio, να τεκμηριώσουμε τις αλλαγές και να συνδέσουμε κάθε εύρημα με συγκεκριμένο content gap ή επιχειρηματική υπόθεση που μπορεί να ελεγχθεί.
Digital Marketing & SEO by TWO DOTS
Μετατρέψτε το AI visibility από αδιαφανές score σε ελέγξιμη στρατηγική.
Η TWO DOTS οργανώνει search intent, topical coverage, prompt segments, SEO περιεχόμενο και reporting, ώστε κάθε μέτρηση να οδηγεί σε σαφή προτεραιότητα βελτιστοποίησης.
Frequently Asked Questions (FAQs)
Είναι η διάσπαση μιας σύνθετης ερώτησης σε πολλαπλές συγγενείς αναζητήσεις για υποθέματα, οντότητες, συγκρίσεις ή εφαρμογές, πριν συντεθεί η τελική απάντηση.
Περιλαμβάνει 20 industry verticals, 1.000 subtopics, 50.000 παραγόμενα fan-out prompts και 5.333 grounding queries από το Gemini API.
Στις πρώτες δοκιμές του Moz, όταν ένα brand υπήρχε στο prompt, η πιθανότητα να αναφερθεί ξανά στην απόκριση πλησίαζε το 100%, άρα το metric μπορεί να μετρά την υπόδειξη και όχι οργανική ανάδυση.
Τα Entity και Comparison fan-outs συγκέντρωσαν μαζί το 97% των brand mentions στη συγκεκριμένη βάση.
Είναι cosine similarity ανάμεσα στο fan-out prompt και την ερωτηματική μορφή του subtopic. Στο dataset κυμάνθηκε από 0,22 έως 1,00, με μέσο όρο 0,67.
Όχι. Ο συγγραφέας το θεωρεί καλή ισορροπία για το συγκεκριμένο dataset, αλλά αναγνωρίζει ότι η κρίση είναι υποκειμενική.
Ο μέσος όρος ήταν 8,2 λέξεις και το εύρος 3 έως 13, ενώ η λογική παραγωγής στόχευε σε έως 12 λέξεις.
Πρέπει να διαχωρίζει branded και non-branded prompts, intent και fan-out type, και να αναφέρει χωριστά mention, citation, sentiment, επίσκεψη και επιχειρηματικό outcome.
