システムを学ぶ
可視性・影響・収益の各指標が答えられる範囲を学びます。
モデルを作る
段階 02 · 診断
ベースライン測定：現在の可視性を確定する
変更前に、モデル回答、分析データ、自己申告、事業推論を分けた監査可能な起点を作ります。
成果
質問、引用、回答シェア、適格訪問、Pipelineを過度な確実性なしに追跡します。
- 前提
- 前段階を完了または復習：GEO基礎
- 作業量
- 学習60–90分 + 1回の作業
- 成果物
- 版管理された質問群、証拠ログ、指標辞書、不明点一覧。
学ぶ → 実行 → 証明
作業を行う
モデル、市場、日付、回答、引用を記録する再実行可能な標本を作ります。
成果物を作る
結果を証明
別の担当者が方法と限界を再現できることを確認します。
証拠を確認
Concept boundaries
Query set
A versioned sample of buyer questions used to observe answers under declared collection conditions.
It is a sample, not a census of every prompt buyers may use.
Answer role
The brand's function in a response, such as absent, mentioned, cited, compared, or recommended.
The categories describe the captured answer; they do not prove persuasion or revenue.
Evidence log
A record of the prompt, engine, market, date, answer, sources, method, and reviewer notes.
A log supports reproducibility only when the collection method and missing data are retained.
Core lesson
01
Separate visibility, behavior, and commercial evidence
A reliable baseline uses several evidence layers without pretending they are interchangeable.
Captured answers can show observed presence and citation. Website analytics can show attributable visits and on-site behavior. CRM records can show known opportunities and revenue. Self-reported process data can show whether a team follows an operating practice.
The layers can inform one another, but a gap remains between them. Dark traffic, changing answers, consent, attribution windows, and small samples make that gap part of the report rather than something to hide.
- Assign every metric to one evidence layer.
- Write what the metric cannot answer.
- Keep raw observations available behind summaries.
02
Design a sample another person can rerun
Consistency matters more than a large dashboard that cannot be reproduced.
Define buyer stage, market, language, query wording, engine or surface, account state when relevant, and collection date. Version the query set when a question changes instead of silently overwriting it.
Use the same classification rules across runs. When reviewers disagree, preserve the disagreement and refine the rule; do not force a clean score by changing categories after seeing the answer.
- Freeze the initial query-set version.
- Write a role-classification rule with examples.
- Have a second reviewer classify a small sample independently.
Decision framework
The evidence ladder
What strength of claim can this observation support?
- 01
Observed
Was the answer or event directly captured?
Report exactly what occurred under the recorded conditions.
- 02
Repeated
Was the same method rerun across declared times or reviewers?
Discuss stability or variance within the sample.
- 03
Connected
Can the observation be linked to a separate behavior or CRM record?
Report the connection and attribution rule, not assumed causality.
- 04
Causal
Was a valid design used to isolate the change?
Make causal claims only when the design actually supports them.
Worked non-client example
A team captures a brand citation in several answers and sees an increase in direct visits during the same period.
- The citation captures are timestamped.
- Direct traffic increased in analytics.
- No visitor-level link joins the answers to those sessions.
Report answer presence and direct-traffic movement as parallel observations, then add a self-report or tagged journey where appropriate.
Timing alone does not connect the two datasets.
The evidence supports monitoring and a better attribution design, not a claim that the citations caused the traffic change.
Reusable work template
Baseline evidence log
Store raw captures before calculating summary metrics.
- 01
Query ID and version
Use a stable identifier and retain previous wording.
- 02
Collection context
Record engine, surface, locale, market, date, and relevant account state.
- 03
Answer capture
Preserve the response or a reviewable extract and cited sources.
- 04
Brand role
Classify using a written absent/mention/citation/comparison/recommendation rule.
- 05
Linked evidence
Reference analytics or CRM records only when the linking rule is declared.
- 06
Unknowns
List sampling, personalization, tracking, and attribution limitations.
Failure modes and corrections
Changing prompts between runs
The dashboard compares results collected with different wording but labels them as a trend.
The measurement changed with the subject.
Version prompts and compare only compatible samples.
Compressing all roles into one score
Mentions, citations, and recommendations receive an unexplained blended value.
The score hides the behavior that should drive the next decision.
Show role counts and source captures before any composite.
Backfilling certainty
Unknown answers, missing captures, or dark traffic disappear from the report.
The baseline looks cleaner while becoming less auditable.
Keep an explicit unknown state and report denominator changes.
Practice exercise
Build and rerun a baseline sample
Use a small set of real questions from one buyer stage and one market.
- 01Freeze the query wording and classification guide.
- 02Capture answers and cited sources under declared conditions.
- 03Ask a second reviewer to classify a subset.
- 04Rerun the sample and explain variance without claiming causality.
Proof artifact
A versioned query set, raw evidence log, metric dictionary, and baseline note with unknowns.
Completion rubric
- A teammate can reproduce the method.
- Raw captures support every summary.
- Unknown and missing states remain visible.
- Claims stay within the evidence ladder.
ACADEMY KNOWLEDGE LIBRARY
全ライブラリを見る
段階を選び、テーマと読者意図から必要な深さを決めてください。
considerationhubsearchable
AI Visibilityツール選定ガイド【総まとめ】：要件整理から引用元分析までの全体像
多くのチームは、ツール選定の順序を間違えています。要件整理から導入までを俯瞰できる、AI Visibilityツール選定の全体マップです。
記事を読むawarenessdatashareable
2026年 台湾AI検索引用動向レポート：ChatGPTが参照する情報源から繁体字中国語コンテンツを分析
繁体字中国語のコンテンツを参照する際、ChatGPTはサイトの検索流入だけで引用先を決めているわけではありません。台湾に関する質問群を追跡し、AIがどの情報源を引用しているのか、改善にはどこから着手すべきかを整理しました。
記事を読むconsiderationdataboth
AIに引用されやすい記事の長さと鮮度とは？実測データで見る500記事の実態
「コンテンツは長いほどAIに引用されやすい」という見方は正しくありません。複数の記事を調査した実測データでは、引用率は逆U字型を描き、鮮度が効くかどうかもクエリの種類によって異なりました。
記事を読むconsiderationdataboth
AI可視性は施策前後で比較できる──GEOの効果をどう測るか
「見える気がする」では評価できません。固定した質問セットを複数のAIエンジンで繰り返し検証し、4つの指標からAI可視性を比較可能な推移として捉えます。
記事を読むconsiderationdatashareable
AI引用の安定性を追跡調査：同じ質問への回答は3カ月でどれだけ変わるのか
まったく同じ質問でも、3カ月後にはAIが挙げるブランドの半数近くが入れ替わる可能性があります。本追跡調査では、AI引用がどれほど変動するのか、そして単発の順位より継続的な観測が重要である理由を明らかにします。
記事を読むawarenessdatashareable
B2B業界別・AI引用ベンチマーク：SaaS、製造業、プロフェッショナルサービスで最も言及されやすいのは？
AIに引用されやすいかどうかは、業界ごとの出発点に大きく左右されます。SaaS、製造業、プロフェッショナルサービスでは引用の前提条件が明確に異なるため、全業界の平均値で自社を評価すると、ほぼ確実に判断を誤ります。
記事を読む証明タスク
証明タスク：ベースライン測定
別の担当者が方法と限界を再現できることを確認します。
- 01開始証拠を保存 — 可視性・影響・収益の各指標が答えられる範囲を学びます。
- 02成果物を完成 — モデル、市場、日付、回答、引用を記録する再実行可能な標本を作ります。
- 03目標と照合 — 別の担当者が方法と限界を再現できることを確認します。
成果物
版管理された質問群、証拠ログ、指標辞書、不明点一覧。
関連フィールドライブラリ
トピックを深める
コア内容は公開。高度なwhitepaperの一部は既存の解除方式を維持します。
白書6 章 · 2026.06
GEO 3層指標ホワイトペーパー
引用率、回答シェア、Pipeline 貢献 — それぞれ何を測り、どう数値を取り、なぜトラフィックを KPI にすべきでないのか。週次レポートの項目定義つき。
GEO 3層指標ホワイトペーパーレポート6 章 · 2026.06
Share of Model：AIの声を、競合と比べられる数字に変える
クリックが消えゆくいま、「AIの答えであなたが言及・引用される頻度 vs 競合」が新しいKPIになりました。本レポートは2026年のShare of Modelベンチマークと、それを資料に載せて競合と対標できる競争スコアカードに仕上げる方法を提供します。
Share of Model：AIの声を、競合と比べられる数字に変えるガイド6 章 · 2026.06
トラフィックの57%が「直接/不明」——ダークトラフィックを取り戻す計測ガイド
AI推薦はrefererを剥ぎ取り、GoogleはAI Modeをorganicに飲み込む。だからGA4の中では、AIトラフィックがまったく見えません。本ガイドは、server-side GTMとagent-to-pipelineフレームワークを使って、「直接/不明」に消えたAIトラフィックを取り戻し、CRMとlead scoringへつなぐ方法を解説します。
トラフィックの57%が「直接/不明」——ダークトラフィックを取り戻す計測ガイドレポート6 章 · 2026.06
トラフィック90%減、成約5倍:AIトラフィックをクリック数で判断するな
AIはクリック量を刈り取る一方、コンバージョン率が数倍高い訪問者を送ってくる。本レポートは2026年に各社で割れたコンバージョンデータを整理し、「AIにトラフィックを奪われる」という不安を、「AIがより買う気のある人を送ってくる」という論法へと捉え直す手助けをする。
トラフィック90%減、成約5倍:AIトラフィックをクリック数で判断するなツールで段階を実行
Query Evidence Lab
モデル、市場、日付、回答、引用を記録する再実行可能な標本を作ります。
証拠の境界
Use the output for the decision it describes; do not treat a technical scan, self-assessment, or planning model as proof of live AI citations.
学びを適用
次の検査可能な判断へ
証拠基盤が判断に合う場合のみ、ツールやサービスを使います。