تبدو أرقام Adobe وBrightEdge متناقضة: أقل من 1% زيارات referral من الذكاء الاصطناعي مقابل نحو 15% نشاط وكلاء. في الحقيقة هما يقيسان طبقتين مختلفتين: المتصفح والخادم.
يفشل last-click عندما يؤثر الذكاء الاصطناعي قبل النقرة الأخيرة. قد يكتشف المستخدم العلامة في Perplexity، يقارنها في ChatGPT، ثم يشتري بعد أيام عبر بحث العلامة. يسجل GA4 العملية Organic، بينما تشكلت النية في الذكاء الاصطناعي.
هناك أربعة أنماط فشل: تأثير الذكاء الاصطناعي ينسب إلى Direct، طلبات الوكلاء لا تنفذ JavaScript، referrer غير مكتمل، وسلوك المستخدم موزع على منصات متعددة. أما MMP في التطبيقات فلا يرى غالبا تأثير الويب العلوي.
الحل هو الإسناد الطبقي: AI Exposed وAI Referred وAI Assisted وAI Last-Touch وAgent Checkout وMMP Confirmed. لكل طبقة قيمة إذا تم توضيح قوة الدليل وحدوده.
يجب كذلك فصل النمو المرصود عن النمو القابل للمقارنة وعن توسع التغطية. إذا أظهر Edge Lite طلبات أكثر 15 مرة، فقد يكون ذلك لأن بيانات غير مرئية أصبحت مرئية، لا لأن الطلب الحقيقي تضاعف.
عمليا، لا ينبغي التعامل مع حدود last-click attribution كمبادرة محتوى منفصلة. يجب قراءة بيانات المنتج، وإجابات الذكاء الاصطناعي، وطلبات الوكلاء، والزيارات، والسلوك داخل الموقع، والطلبات كسلسلة أدلة واحدة. عندها فقط يستطيع الفريق تحديد ما إذا كانت المشكلة في البيانات أو المحتوى أو التكامل أو الميزانية.
ومن المهم أيضا الحفاظ على انضباط القياس. بحث الذكاء الاصطناعي وAgentic Commerce أصبحا قابلين للرصد، لكنهما لم يصلا بعد إلى استقرار قنوات paid media التقليدية. لكل من prompt sampling وreferrer وserver logs وطلبات Shopify نقاط عمياء. القياس الجيد يفصل بين الدليل القوي، وإشارة المساعدة، والارتباط فقط.
FAQ
Q1: لماذا يقلل GA4 أثر الذكاء الاصطناعي؟
A: بسبب طلبات خادم غير مرئية، وreferrer غير مكتمل، وبحث علامة متأثر بالذكاء الاصطناعي.
Q2: ما هو الإسناد الطبقي؟
A: فصل التعرض والزيارة والمساعدة والتحويل المباشر وcheckout حسب قوة الدليل.
Q3: هل يمكن حساب AI ROAS بدقة الآن؟
A: ليس كرقم واحد مثالي. الأفضل بناء خطوط أساس لكل طبقة.
Q4: هل يستبدل CitationGraph أدوات MMP؟
A: لا. هو يكملها بإشارات الذكاء الاصطناعي في الأعلى.