Wahrnehmung

Die Sichtbarkeit sagt dir, ob ein Modell deine Marke genannt hat. Die Wahrnehmung sagt dir, was es über dich gesagt hat. Öffne das KI-Sichtbarkeits-Projekt eines Kunden und wähle in der linken Navigation unter Marke den Punkt Wahrnehmung — dort stehen die Wörter, zu denen die Modelle greifen, wenn sie eine getrackte Marke beschreiben: „reaktionsschnell“, „teuer“, „White-Label“, „auf Enterprise ausgerichtet“ — jeweils mit der Häufigkeit, mit der sie vorkamen. Jede getrackte Marke bekommt ihre eigene Karte: zuerst die Marke deines Kunden, dann die Wettbewerber, sortiert danach, wie viel Beleg dahintersteht. Über den Zeitraum-Schalter oben wechselst du zwischen den letzten 7, 30 und 90 Tagen und siehst, ob sich die Sprache rund um eine Marke verschiebt oder stabil bleibt. Es ist die Ansicht für die Frage, die ein Kunde nach „Sind wir sichtbar?“ wirklich stellt — nämlich: „Und wie werden wir beschrieben?“

Hier wird nichts neu berechnet, und es läuft kein zweiter KI-Durchgang dafür. Wenn ein Scan eine Antwort ausliest und eine Markenerwähnung festhält, zieht der Extraktor zusätzlich einen bis acht kurze beschreibende Begriffe für diese Marke heraus — wörtlich aus dem Antworttext, mit der ausdrücklichen Vorgabe, niemals einen Begriff zu erfinden, der dort nicht steht. Das passiert schon seit Langem bei jedem Scan. Die Wahrnehmung ist einfach die Seite, die es endlich zeigt — deshalb hat ein Projekt mit Scan-Historie vom ersten Tag an etwas zu lesen und startet nicht bei null. Damit klar ist, was es nicht ist: Es ist keine Entitätserkennung, und die Begriffe werden gegen keine externe Datenbank und keine Wissensbasis aufgelöst. Es sind beschreibende Wörter, die das Modell benutzt hat, angehängt an eine Marke, die du uns ohnehin zum Tracken gegeben hast. Hat ein Modell eine Marke in einer Antwort nicht beschrieben, trägt diese Erwähnung schlicht keine Begriffe — es wird nichts ergänzt.

Jede Karte listet die 20 häufigsten Begriffe dieser Marke, die häufigsten zuerst, jeweils mit Anzahl und Anteil. Lies die beiden Stichprobengrößen im Kartenkopf, bevor du dir die Begriffe ansiehst: Dort steht, wie viele Erwähnungen Begriffe getragen haben — neben der Gesamtzahl der Erwähnungen der Marke, denn diese beiden Zahlen unterscheiden sich in der Regel. Der Anteil wird gegen die Erwähnungen gerechnet, die tatsächlich Begriffe getragen haben, nie gegen alle Erwähnungen: Eine Erwähnung ohne beschreibende Begriffe hätte nie einen liefern können, und die größere Zahl würde den Beleg still übertreiben. Die Balken sind innerhalb jeder Marke skaliert, gegen den häufigsten Begriff genau dieser Marke. Das ist Absicht: Eine Marke wird gegen sich selbst gelesen, nicht gegen einen Wettbewerber, der zufällig die fünffache Stichprobe hat. Balkenbreiten über zwei Karten hinweg zu vergleichen würde mehr über das Erwähnungsvolumen aussagen als über die Sprache. Und eine Marke mit weniger als fünf Erwähnungen mit Begriffen wird als „zu wenige Erwähnungen für ein belastbares Muster“ gekennzeichnet — sie wird weiterhin angezeigt, denn Daten zu verstecken ist schlechter, als sie einzuordnen, aber der Hinweis steht da, damit niemand eine Strategie auf drei Datenpunkte baut.

Ein Begriff mit Fingerabdruck-Symbol ist unterscheidend: Im ganzen Projekt und im gewählten Zeitraum wurde er für diese Marke verwendet und für keine andere getrackte Marke. Genau dort wird Positionierung sichtbar. „Schnell“, das auf alle in der Kategorie zutrifft, ist Grundvoraussetzung und sagt wenig; „White-Label“, das nur auf dich zutrifft, ist eine Position, die dir in der Sprache der Modelle gehört — und die unterscheidenden Begriffe eines Wettbewerbers sind das Feld, das er besetzt und du nicht. Die Unterscheidung bezieht sich immer auf die Marken in diesem Projekt und auf den gewählten Zeitraum. Sie ändert sich also, wenn du Wettbewerber hinzufügst oder entfernst oder zwischen 7, 30 und 90 Tagen wechselst. Behandle einen unterscheidenden Begriff als Anlass für eine Frage — wollen wir so beschrieben werden, und ist der unterscheidende Begriff des Wettbewerbers etwas, worum wir kämpfen sollten? — und nicht als Kennzahl.

Jede Karte zeigt neben den Stichprobengrößen einen Sentiment-Wert von 100. Dieser Wert ist die Gesamttonalität der Marke über ihre Erwähnungen im Zeitraum. Er hängt an keinem einzelnen Begriff, und die Wahrnehmung wird dir niemals einen Sentiment-Wert neben einem Begriff anzeigen — weil wir das nicht messen. Den Grund sagen wir lieber deutlich, als ihn zu verstecken: Die beschreibenden Begriffe und der Sentiment-Wert werden pro Erwähnung getrennt erfasst, ohne Verbindung zueinander. Die ehrliche Lesart lautet also: „Die Modelle haben dich als ‚langsamer Support‘ beschrieben, und dein Gesamt-Tonalitätswert liegt bei 45“ — zwei Fakten nebeneinander. Die Lesart, die wir nicht stützen können, ist „euer Sentiment beim Support liegt bei 45“, denn nichts in den Daten verknüpft einen bestimmten Begriff mit einem bestimmten Wert. Willst du wissen, warum ein Tonalitätswert so ausfällt, sind die Begriffe ein starker Beleg, den du daneben lesen kannst — eine Aufschlüsselung dieses Werts nach Aspekten sind sie nicht.

Dieselben Daten wandern in Berichte. Füge ein Tabellen-Widget ein, wähle die Quelle KI-Sichtbarkeit und setze die Dimension auf „Perception“. Die Tabelle hat fünf Spalten — Marke, Begriff, Erwähnungen, Anteil und „Nur diese Marke“ —, ein Kunde sieht also die Sprache, ihre Häufigkeit, ihren Anteil an den Erwähnungen dieser Marke mit Begriffen und ob sie nur für ihn verwendet wird. Wie auf der Seite steht die Marke des Kunden zuerst, und eine Sentiment-Spalte gibt es bewusst nicht. Ein Unterschied zur Ansicht in der App: Im Bericht wird eine Marke mit weniger als fünf Erwähnungen mit Begriffen aus der Tabelle entfernt statt gekennzeichnet. Auf dem Bildschirm kannst du einen Hinweis neben einer dünnen Stichprobe lesen; in einem Kundenbericht ist eine Fußnote, die niemand liest, schlechter, als eine Zeile einfach wegzulassen, die ihr eigenes Gewicht nicht trägt.

Zeigt die Wahrnehmung nichts an, ist das meistens kein Fehler. Der häufigste Grund ist ein aus Peec AI importiertes Projekt: Aus Peec importierte Erwähnungen werden ohne beschreibende Begriffe gespeichert, ein importiertes Projekt hat für diese Seite also nichts zu zeigen — egal wie viele Sichtbarkeitsdaten es mitbringt. Das ist eine Grenze dessen, was der Import liefert, kein Bug — und es löst sich für diesen Kunden in dem Moment, in dem du eigene Prompts anlegst und CrunchJunkies eigene Scans laufen lässt, die ab dann Begriffe erfassen. Zwei weitere ehrliche Gründe für eine dünne oder leere Seite: Ein brandneues Projekt hat schlicht noch nicht genug gescannt, und ein kurzer Zeitraum kann außerhalb deiner Scan-Historie liegen — probier 90 Tage, bevor du schließt, dass da nichts ist. Und innerhalb eines Zeitraums tragen manche Erwähnungen tatsächlich keine Begriffe, weil das Modell die Marke genannt, aber nicht beschrieben hat. Genau deshalb weist die Karte die Erwähnungen mit Begriffen getrennt von der Gesamtzahl der Erwähnungen aus.