GEO

Etapa 02 · Diagnosticar

Medição de base: estabeleça a visibilidade real

Antes de mudar conteúdo, separe respostas observadas, analytics, dados declarados e inferências comerciais.

Resultado

Medir consultas, citações, share de resposta, visitas qualificadas e Pipeline sem falsa certeza.

Pré-requisito
Concluir ou revisar a etapa anterior: Fundamentos GEO
Esforço
60–90 min + uma sessão de trabalho
Entregável
Consultas versionadas, registro de evidências, dicionário de métricas e incógnitas.

Aprender → Fazer → Provar

01

Aprender o sistema

Aprenda o que métricas de visibilidade, influência e receita respondem e seus limites.

Construir o modelo

02

Fazer o trabalho

Crie uma amostra repetível com mecanismo, mercado, data, resposta e fontes.

Criar o entregável

03

Provar o resultado

Faça outra pessoa reproduzir o método e explicar seus limites.

Revisar a evidência

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?

  1. 01

    Observed

    Was the answer or event directly captured?

    Report exactly what occurred under the recorded conditions.

  2. 02

    Repeated

    Was the same method rerun across declared times or reviewers?

    Discuss stability or variance within the sample.

  3. 03

    Connected

    Can the observation be linked to a separate behavior or CRM record?

    Report the connection and attribution rule, not assumed causality.

  4. 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.

  1. 01

    Query ID and version

    Use a stable identifier and retain previous wording.

  2. 02

    Collection context

    Record engine, surface, locale, market, date, and relevant account state.

  3. 03

    Answer capture

    Preserve the response or a reviewable extract and cited sources.

  4. 04

    Brand role

    Classify using a written absent/mention/citation/comparison/recommendation rule.

  5. 05

    Linked evidence

    Reference analytics or CRM records only when the linking rule is declared.

  6. 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.

  1. 01Freeze the query wording and classification guide.
  2. 02Capture answers and cited sources under declared conditions.
  3. 03Ask a second reviewer to classify a subset.
  4. 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.

BIBLIOTECA DA ACADEMY

Explore a biblioteca completa

Escolha uma etapa e use tema e intenção para chegar à profundidade certa.

Mostrar todas as fontes desta etapa
considerationhubsearchable

Guia para escolher uma ferramenta de visibilidade em IA: da necessidade de negócio às fontes

A maioria das equipes começa pelo lugar errado. Veja o mapa completo, da necessidade à implementação.

Ler artigo
awarenessdatashareable

Chinês tradicional vs. simplificado: estudo inédito revela fontes diferentes na busca por IA

Para a mesma pergunta, as respostas em chinês tradicional e simplificado apresentam uma sobreposição mediana de apenas 18% entre as fontes. A presença de uma marca de Taiwan em conteúdo simplificado não garante que ela apareça nas respostas em tradicional.

Ler artigo
awarenessdatashareable

Citações por IA no B2B: quem aparece mais — SaaS, indústria ou serviços profissionais?

O ponto de partida para ser citado por mecanismos de IA depende, em grande parte, do setor. SaaS, serviços profissionais e indústria têm bases de referência distintas — por isso, comparar sua marca com uma média geral quase sempre leva à conclusão errada.

Ler artigo
considerationdatashareable

Estudo de estabilidade das citações em IA: quanto as respostas às mesmas perguntas mudaram em três meses?

Três meses depois, a mesma pergunta pode levar a IA a apresentar uma lista de marcas quase 50% diferente. Este estudo de acompanhamento mede a força dessa variação e explica por que a estabilidade das citações importa mais do que uma posição isolada no ranking.

Ler artigo
awarenessdatashareable

Levantamento anual das fontes citadas pelo Perplexity: qual é o peso de notícias, wikis e sites de marcas?

Em um grande conjunto de respostas, notícias, wikis e sites oficiais de marcas concentram mais da metade das referências — mas a única frente sob controle direto da marca costuma ser também a menor.

Ler artigo
decisiondatasearchable

Para onde vai o investimento em GEO? Quatro camadas de atribuição, da IA ao negócio real

O retorno do investimento em GEO não pode ser medido apenas pela pergunta “a IA mencionou a marca?”. É preciso acompanhar quatro camadas: recuperação, citação, clique e negócio.

Ler artigo

Tarefa de prova

Tarefa de prova: Medição de base

Faça outra pessoa reproduzir o método e explicar seus limites.

  1. 01Guardar evidência inicial — Aprenda o que métricas de visibilidade, influência e receita respondem e seus limites.
  2. 02Concluir entregável — Crie uma amostra repetível com mecanismo, mercado, data, resposta e fontes.
  3. 03Revisar contra resultado — Faça outra pessoa reproduzir o método e explicar seus limites.

Entregável

Consultas versionadas, registro de evidências, dicionário de métricas e incógnitas.

Biblioteca de apoio

Aprofunde o tema

O núcleo segue aberto; alguns whitepapers avançados mantêm o acesso atual.

Whitepaper6 capítulos · 2026.06

Whitepaper dos três níveis de métrica do GEO

Taxa de citação, presença nas respostas e contribuição pro pipeline — o que cada uma mede, como coletar e por que o tráfego não deveria ser KPI. Inclui as definições de campo da newsletter.

Whitepaper dos três níveis de métrica do GEO
Relatório6 capítulos · 2026.06

Share of Model: transforme sua presença na IA em um número comparável ao concorrente

Com o clique desaparecendo, 'a frequência com que você é mencionado/citado nas respostas de IA vs. seus concorrentes' virou a nova métrica. Este relatório traz os dados de benchmark de Share of Model de 2026 e mostra como transformá-los em um placar competitivo pronto para o slide, capaz de medir você contra os rivais.

Share of Model: transforme sua presença na IA em um número comparável ao concorrente
Guia6 capítulos · 2026.06

57% do tráfego é "direto/desconhecido": o guia de atribuição para recuperar o tráfego invisível

As recomendações de IA removem o referrer, e o Google ainda joga o AI Mode dentro do orgânico — resultado: você simplesmente não enxerga o tráfego de IA no GA4. Este guia mostra como usar GTM server-side e um framework agent-to-pipeline para resgatar o tráfego de IA perdido em "direto/desconhecido" e conectá-lo ao CRM e ao lead scoring.

57% do tráfego é "direto/desconhecido": o guia de atribuição para recuperar o tráfego invisível
Relatório6 capítulos · 2026.06

90% menos tráfego, 5x mais vendas: não julgue o tráfego de IA pelos cliques

A IA zerou os cliques, mas trouxe visitantes que convertem várias vezes mais. Este relatório organiza os dados de conversão conflitantes de 2026 para ajudar você a reenquadrar o pânico do 'a IA roubou o tráfego' como o argumento de que 'a IA está trazendo gente que compra mais'.

90% menos tráfego, 5x mais vendas: não julgue o tráfego de IA pelos cliques

Aplique a etapa com uma ferramenta

Query Evidence Lab

Crie uma amostra repetível com mecanismo, mercado, data, resposta e fontes.

Limite da evidência

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.

Abrir ferramenta

APLICAR

Vá à próxima decisão verificável

Use ferramenta ou serviço apenas quando a base de evidência corresponder à decisão.

Abrir ação