如何对来自人工智能概述和聊天机器人的流量进行归因

介绍

如果您已经注意到您的流量发生了变化--点击量减少、印象量增加、新推荐人变得神秘--那么您并不孤单。

随着人工智能概述（谷歌）、必应Copilot以及Perplexity.ai和ChatGPT Search等会话工具越来越多地介入用户旅程，传统的网络分析正努力跟上。

搜索引擎优化和分析团队面临的新问题不是"我们获得了多少流量？- 而是"流量到底来自哪里？

本指南介绍了如何对来自人工智能驱动平台的流量和参与度进行归因，即使这些平台掩盖或分散了推荐，以及如何将这些洞察整合到您的Ranktracker 分析工作流程中，以全面了解 AEO（搜索引擎优化）情况。

为什么人工智能时代的归因发生了变化

在传统的搜索引擎优化中，跟踪很简单：用户点击搜索结果→分析记录推荐人（谷歌、必应等）→会话正确归因。

但人工智能系统现在经常这样做：

提供无需点击即可回答问题的摘要。
在人工智能聊天界面中直接嵌入您的内容。
传递不完整或通用的推荐数据（如 "直达 "流量）。
通过google.com/sg/aioverview/或bing.com/chat/ 等中间域进行路由。

因此，点击流变得模糊不清。

要重新获得可见性，您需要将技术跟踪、实体监控和 AEO 分析结合起来--这是一种混合方法，既能捕捉直接影响，也能捕捉间接影响。

1.在分析中识别人工智能流量来源

首先更新您的分析设置，以识别基于人工智能的流量途径。

常见的人工智能推荐人（截至 2025 年）：

google.com/sg/aioverview/（谷歌人工智能概述）
bing.com/chat/（Bing Copilot）
perplexity.ai
chat.openai.com
you.com(优聊)
duckduckgo.com/ai

在 Google Analytics 4 或类似工具中，您可以：

为 "人工智能/应答引擎流量 "创建自定义频道分组。
为上述域添加推荐检测规则。
将它们与有机搜索分开标注，以跟踪一段时间内的表现。

如果您发现 "直接 "流量与新的人工智能可见性同时激增，这通常是被掩盖的人工智能推荐流量。

2.使用 URL 参数检测聊天机器人点击

发布新内容时，添加专为人工智能来源设计的跟踪参数（UTM）。

例如

https://www.ranktracker.com/blog/what-is-aeo/?utm_source=ai-overview&utm_medium=organic&utm_campaign=aeo_guide

这有助于识别从显示 URL 的人工智能摘要或聊天机器人（如 Perplexity.ai、Copilot 或 ChatGPT Search）点击的用户。

建议：保持参数简短和描述性。冗长或复杂的 UTM 可能会破坏聊天机器人的呈现。

3.跟踪品牌提及和基于引用的点击

人工智能系统经常会在答案中包含您的域名或品牌--即使无法点击。用户经常会手动复制或输入该 URL，从而产生看起来 "直接 "的暗流量。

要估算这一点：

使用Ranktracker 的反向链接监控器来检测新的提及和未链接引用。
交叉参考这些提及上线后 "直接 "会话的峰值。
将其与SERP 检查器的洞察结合起来，找出引用您的域名的人工智能答案。

如果人工智能摘要引用了您的页面标题或品牌，但没有可点击的链接，那么这些手动来源的会话就是您的间接 AEO 流量。

4.细分人工智能推荐行为

获取人工智能流量数据后，将其细分为三个关键群体：

分段	定义	行为示例	跟踪方法
直接人工智能点击	用户点击人工智能答案中的可见链接	Perplexity.ai 链接到您的文章	UTM 参数或人工智能推荐人日志
间接提及	用户在看到您的品牌被引用后手动访问	谷歌人工智能中的 "根据 Ranktracker......"。	分析中的品牌流量峰值
聊天再吸引	用户点击聊天机器人的后续建议	Bing Copilot "了解更多 "卡片	针对人工智能特定推荐人的事件跟踪

直接可见性、品牌影响力和对话回忆是每个细分群体的不同特点。

5.在 GA4 中为人工智能流量创建自定义报告

要了解人工智能驱动的会话，请在 Google Analytics 4 中创建自定义报告：

报告字段：

会话来源/媒介
登陆页面
事件计数（滚动、点击、参与）
页面标题
会话持续时间

**过滤器：** 包含会话来源：

bing.com/chat
perplexity.ai
chat.openai.com
google.com/aioverview

将其保存为 **"人工智能推荐性能" ** 然后，您就可以将人工智能与传统的有机搜索进行比较。

6.使用 Ranktracker 的 SERP 检查器确认可见性

要了解人工智能驱动的点击来源，首先需要确认哪些页面出现在人工智能生成的答案中。

Ranktracker 的SERP 检查器可以让您

✅ 查看您的内容是否包含在 Google 的人工智能概述来源中。

✅ 确定 Bing Copilot 或 Perplexity 在何处列出了您的域名。

✅ 监控人工智能模型经常重复使用的特色片段。

这些洞察将直接与您的流量归因相关联--如果在新的 AI 概览可见性之后出现峰值，您就可以很有把握地将其关联起来。

7.为人工智能推荐设置事件触发器

在分析工具中，当用户会话来自人工智能相关来源时，配置标记事件。

事件设置示例：

事件名称： ai_referral
条件：推荐 URL 匹配 "aioverview"、"perplexity"、"copilot "或 "chat.openai.com"。
参数：
- source_platform（人工智能概述、Copilot 等）
- 页面URL
- session_id

这将创建一个人工智能会话来源的实时数据集，非常适合与Ranktracker 的 Rank Tracker集成，以查看哪些关键词正在推动可见性。

8.将人工智能可见性与品牌搜索提升联系起来

有时，人工智能产生的曝光会提高品牌知名度，而不是直接流量。在人工智能摘要中出现 "Ranktracker 评论 "或 "Ranktracker AEO 工具 "等品牌搜索后，您可能会看到品牌搜索的提升。

要跟踪这一点：

使用Ranktracker 的关键词搜索器来识别上升的品牌查询。
将它们与 AI 概述或 Copilot 提及进行周比比较。
寻找滞后效应--品牌查询的增长通常会比人工智能引用滞后5-10 天。

这揭示了您的品牌放大效应--人工智能曝光带来的看不见的流量收益。

9.跟踪基于实体的点击模式

人工智能流量不仅基于页面，还基于实体。用户可能通过相关实体（主题、工具或作者）发现您的品牌。

举例说明：

"根据 Ranktracker 首席执行官 Felix Rose-Collins 的说法，AEO 是 SEO 的下一个发展方向。

即使点击进入的是不同的页面，它仍然源自您的实体可见度。

要监测这一点：

确保您的 "组织"、"人员"和 "产品"模式已实施。
使用Ranktracker 的网络审计确认结构化数据的准确性。
跟踪与这些实体相关的入口页面（如作者简介页面）。

基于实体的入口点相当于内部推荐的人工智能--微妙、强大且可衡量。

10.建立人工智能流量归因仪表板

收集了所有来源后，将它们可视化为一个统一的视图。

仪表板板块：

人工智能概述推荐：来自google.com/aioverview的会话
聊天机器人点击：来自 Copilot、Perplexity 和 ChatGPT 的会话
品牌搜索增长：关于引用后趋势的关键词搜索器数据
引用频率：通过 SERP Checker 跟踪的提及次数
参与质量：会话持续时间、滚动深度、转化率

将Ranktracker的洞察力与 Looker Studio 或 Data Studio 中的分析数据相结合，以呈现整体的 AEO 性能概览。

常见的归因挑战

挑战	发生原因	解决方案
人工智能隐藏或扰乱推荐人	隐私协议和聊天架构	使用 UTM 跟踪 + 实体分析
零点击参与	用户无需访问即可获得答案	跟踪引用而非点击
转述提及	人工智能忽略直接链接	使用反向链接监控器检测上下文重复使用
错误归因的 "直接 "流量	缺少推荐人数据	根据新品牌访问或人工智能事件进行细分
快速更新模型	人工智能来源每周变化	每月使用 SERP 检查器重新检查

Ranktracker 如何帮助您对人工智能流量进行归因

Ranktracker 弥补了人工智能可见性与可衡量流量之间的差距：

SERP 检查器：检测您的内容何时出现在人工智能概述或聊天机器人引用中。
排名跟踪器：监控人工智能来源印象背后的关键词和主题可见性。
网络审计：验证结构化数据，提高人工智能的可追溯性。
反向链接监控器：识别产生品牌驱动访问的非链接引用。
关键词搜索器：跟踪人工智能曝光后的品牌搜索增长。

通过将这些洞察连接起来，Ranktracker 不仅能帮助您对访问量进行归因，还能帮助您对影响力进行归因--准确展示人工智能驱动的可见性如何转化为可衡量的影响力。

最后的思考

对来自人工智能概述和聊天机器人的流量进行归因并不是跟踪点击，而是将可见性、提及和行为连接成一个单一的叙述。

当用户在人工智能答案中看到您的品牌时，他们可能不会立即点击，但他们会记住。他们会搜索、稍后访问或在其他地方链接到您。

通过将技术分析与Ranktracker 的 AEO 可见性数据相结合，您最终可以衡量这种无形的路径：从 AI 摘要到品牌会话再到转化。

因为在 AEO 时代，归因并不是线性的，而是分层的、行为的、由信任驱动的。