Nessun punteggio black box. Ecco esattamente come i 42 fattori in sette categorie costruiscono il GEO Score - con ponderazioni, base dati e limiti onesti.
Sette categorie. 42 fattori principali ponderati, più ~18 sotto-verifiche per fattore (60 verifiche di dettaglio in totale). Ogni fattore corrisponde a una verifica reale del backend del sistema di scoring.
Non tutti i fattori hanno lo stesso peso. I dati strutturati e i fondamentali tecnici contribuiscono di più al GEO Score.
Le ponderazioni si basano su osservazioni empiriche di provider IA del piano (ChatGPT, Perplexity, Claude e altri provider configurati e Kimi) nel corso di diversi mesi. I dati strutturati (25%) e il SEO tecnico (20%) dominano perché i sistemi IA elaborano principalmente dati leggibili da macchina. Il livello di dati aziendali (5%) è deliberatamente ponderato in basso: i feed mancanti costano punti, ma i feed perfetti alzano appena il punteggio.
L'onestà fa parte della metodologia. Ecco i limiti reali del nostro sistema.
Non abbiamo accesso privilegiato agli algoritmi di ranking interni di OpenAI, Anthropic o Google. La nostra misurazione si basa sul comportamento di output osservabile dei modelli.
Un GEO Score alto aumenta statisticamente la probabilità di citazione - non la garantisce. Le risposte IA sono non deterministiche.
Misuriamo la visibilità a livello di dominio. Nessun profilo utente, nessun tracciamento dei clienti finali - orientato al GDPR by design.
Le query ai motori IA vengono eseguite su un ciclo di polling tipico di 24 ore. La visibilità in tempo reale non è tecnicamente misurabile.
Dalla qualità tecnica dei dati all'impatto aziendale misurabile - quattro livelli che insieme forniscono un quadro completo.
Fondamento: I dati sono leggibili da macchina, completi e freschi?
L'azienda è menzionata, citata o raccomandata nelle risposte IA?
Quanto sono accurate e positive le dichiarazioni IA sull'azienda?
La visibilità IA si traduce in traffico, lead e ricavi misurabili?
Il GEO Score non si basa sull'intuizione. Queste pubblicazioni formano la base empirica.
Aggarwal et al.
Primo studio sistematico sull'ottimizzazione per motori di ricerca generativi. Definisce citazioni, impressioni e share of voice come metriche GEO primarie.
Stanford Human-Centered AI Institute
Tassi di allucinazione per modello e dominio. Base per il nostro Hallucination Score e la calibrazione della nostra matrice di test ai provider IA attivati nel piano.
Patronus AI / IBM Research
Benchmark di rilevamento degli errori fattuali negli output LLM. Metodologia adottata per il nostro rilevamento delle allucinazioni a 8 livelli.
Google LLC
Specifica ufficiale per i dati strutturati. Definisce quali tipi di schema Google Search utilizza per la generazione di risposte.
Beconova non è un istituto di ricerca accademico. Le fonti citate supportano i fondamenti teorici - le ponderazioni pratiche derivano dalla nostra empiri di misurazione su 6+ mesi di dati di produzione.
Se qualcosa della nostra metodologia non è chiaro, contattateci direttamente. Nessun buzzword, nessuna evasione.