Как измерять GEO интернет-магазина: 5 показателей рекомендаций
Нейросеть может порекомендовать товар, а покупатель закажет его у другого продавца. Для e-commerce измеряю оба этапа выбора: какая модель вошла в рекомендацию и кому достанется потенциальный заказ.
Для производителей и интернет-магазинов процент упоминаний бренда отражает лишь часть покупательского пути. Я изучаю рекомендации товаров, критерии выбора магазина и упоминания конкретных продавцов. После этого можно проверить, как меняется ситуация на одной и той же матрице запросов.
Эта страница развивает мою авторскую методику, опубликованную на Habr 29 сентября 2026 года. Ниже приведены определения показателей и рабочий порядок их подсчета. Точные формулы согласуются перед измерением, чтобы не менять правила в ходе проекта.
5 последовательных вопросов позволяют увидеть, на каком шаге нейросеть перестает помогать покупателю выбрать нужный магазин. Отдельно смотрю фактические заказы и обращения, если эти данные доступны.
5 показателей и правила расчета
В таблице приведена операционная схема подсчета. Все доли рассчитываются по полученным ответам соответствующей контрольной выборки. Пропуски и брендовые запросы отражаются отдельно.
| Показатель | Числитель | Знаменатель | Что проверяет |
|---|---|---|---|
| PRR | Ответы, где целевой товар или линейка действительно рекомендованы | Все ответы на релевантные запросы выбора товара | Нейросеть предложила нужную модель? |
| SCR | Ответы, где нейросеть сама добавила критерий выбора продавца | Все ответы на запросы, где пользователь не задавал критерий продавца | Она вспомнила о гарантии, сервисе или доставке? |
| RAR | Ответы, где реальное преимущество правильно связано с нужным магазином | Ответы, где соответствующий критерий выбора продавца появился | Она знает, какому продавцу принадлежит преимущество? |
| RRR | Ответы, где нужный магазин прямо предложен как вариант покупки | Все ответы на релевантные вопросы, допускающие выбор продавца | Магазин вошел в рекомендации? |
| PPSR | Ответы, где магазин сохраняет рекомендацию при подтвержденной более высокой цене | Ответы в парных тестах с дешевым предложением того же SKU | При каком ценовом разрыве преимущество магазина еще учитывается? |
Итог для каждого показателя: числитель / знаменатель × 100%. Для RAR база условная: считаем связь преимущества с магазином среди ответов, где этот критерий вообще появился. Рядом публикуем абсолютные количества на каждом шаге. Для PPSR отдельно показываем результаты по каждой ступени ценового разрыва.
Как проверить появление нового критерия
Берем 20–30 вопросов без названия магазина, сервиса или гарантии. Например: «Какую кофемашину выбрать для капучино до 100 000 рублей?» или «Какая автоматическая кофемашина проще в уходе?» Сохраняем ответы выбранных нейросетей вместе с датами и источниками.
В статье я привел условный пример: из 30 ответов только 3 самостоятельно затронули сервис. Исходный SCR равен 10%. После работы с сайтом и внешними материалами в той же выборке сервис появился в 10 ответах. Тогда SCR составил 33,3%. Разница составляет 23,3 процентного пункта.
Это иллюстрация метода подсчета. Реальный результат продвижения можно утверждать только после проведенного повторного замера. Следом нужно проверить RAR: связала ли нейросеть новый критерий с конкретным магазином.
Эксперимент с ценовой премией
Проверяем, как нейросеть сравнивает 2 предложения одного и того же SKU при разных условиях. У специализированного магазина должны быть реально действующие преимущества: например, помощь с настройкой и сервисное сопровождение.
| Условия | Специализированный магазин | Другое предложение | Сценарий |
|---|---|---|---|
| Тест 1 | 100 000 ₽ | 100 000 ₽ | Равная цена, различие по подтвержденному сервису |
| Тест 2 | 100 000 ₽ | 95 000 ₽ | Небольшая разница |
| Тест 3 | 100 000 ₽ | 93 000 ₽ | Разница увеличена |
| Тест 4 | 100 000 ₽ | 90 000 ₽ | Сильное давление цены |
Цены здесь условные. PPSR описывает устойчивость ответа нейросети к ценовому разрыву. По нему нельзя вычислять готовность реального покупателя переплачивать. Для этого нужны данные о поведении людей.
Как обеспечить сопоставимость замеров
Одна матрица
Фиксируем запросы, язык, страну, дату, нейросети и критерии подсчета. Новые запросы отмечаем отдельной серией.
Проверенный SKU
Для ценовых тестов сверяем полный артикул, комплектацию, продавца, наличие и условия. Ссылка на категорию не подтверждает цену нужного товара.
Ручная классификация
Различаем упоминание бренда, рекомендацию модели, выбор магазина и ссылку на источник. Несколько товарных позиций в одном ответе считаются одним ответом.
Пропуски и источники
Сохраняем полные ответы и URL источников. В отчете показываем ожидаемый и полученный объем, а также случаи отказа нейросети.
Коммерческий результат
Анализируем переходы, обращения, заказы и продажи по доступным данным магазина. Изменение PRR или RRR не доказывает рост выручки.
Как применить результаты аудита
После замера формирую задания для товарного каталога и сценарных страниц. Требования к Product/Offer, ценам, наличию и внешним источникам зависят от того, на каком этапе выбора покупателя возникли проблемы.
Техническая часть: сценарные страницы, Product/Offer, товарные фиды и подготовка каталога. Коммерческое применение: GEO-продвижение интернет-магазинов и товарных брендов. Базовая методика: BMR и Share of Voice.
Первичные авторские материалы
Исходная методика опубликована в сентябре 2026 года. В статье на Habr подробно разбираются рекомендации кофемашины, ценовой разрыв и выбор продавца. Oborot.ru содержит прикладную редакцию той же темы.
- «Как продвигать в нейросетях интернет-магазин…» на Habr, 29.09.2026
- Практическая редакция на Oborot.ru, 29.09.2026
Определения показателей взяты из моей публикации. Конкретные числители, знаменатели и контрольные правила на этой странице представлены как рабочий протокол для проектов GAEO.
Частые вопросы о метриках
Почему BMR недостаточно для интернет-магазина?
BMR считает присутствие названия бренда в ответах. Для интернет-магазина важно дополнительно узнать, какие товары рекомендуются и какого продавца называет нейросеть.
Как считать RAR, если нейросеть не назвала сервис?
В отдельном условном показателе RAR используем ответы, где соответствующий критерий появился. Если таких ответов нет, указываем, что показатель в этой серии не рассчитывается. SCR и абсолютное число ответов показываем рядом.
Можно ли сравнивать цены разных товаров?
Для PPSR нужны предложения одинакового SKU с проверенной комплектацией. Различия цен других моделей показываем как отдельные сценарии.
Доказывает ли высокий PPSR рост продаж?
PPSR измеряет поведение нейросети в контрольном эксперименте. Реальные покупки и готовность платить больше изучаются по заказам, аналитике сайта и другим коммерческим данным.
Можно ли использовать методику для маркетплейсов?
Да. Для производителя сначала измеряется рекомендация товара и бренда, затем выбор продавца на маркетплейсе или официальном сайте. Матрицу и условия покупки формируем для конкретной модели продаж.
Проверить рекомендации ваших товаров
Проверю покупательские запросы, реальные ответы нейросетей и критерии выбора продавца.
Получить мини-аудит