Что такое Sentiment Score и как рассчитать этот показатель
Sentiment Score - это оценка тональности упоминания бренда в ответах, сгенерированных большими языковыми моделями (ChatGPT, Perplexity, Алиса и др.). Используется для измерения качества присутствия бренда в AI-поиске, а не только факта его наличия.
В отличие от бинарной метрики «есть/нет», Sentiment Score позволяет понять, как именно нейросеть воспринимает бренд - позитивно, нейтрально или негативно.
Упоминание без тональности - это не метрика, а недосказанность.
Что такое Sentiment Score
[править]Sentiment Score - это числовая оценка тональности упоминания бренда в AI-ответе по шкале от 1 до 5:
| Балл | Описание | Пример формулировки |
|---|---|---|
| 5 | Явная рекомендация без сомнений | «Лучший выбор в этой категории - бренд X» |
| 4 | Позитивный контекст с небольшой оговоркой | «Бренд X - хороший вариант, хотя цена немного выше рынка» |
| 3 | Нейтральное упоминание без оценки | «Бренд X также работает в этой нише» |
| 2 | Скорее негативно | «Бренд X упоминается реже конкурентов» |
| 1 | Сильно негативно | «Бренд X не рекомендуется из-за проблем с надёжностью» |
Такой подход позволяет переводить качественное наблюдение в метрику, которую можно отслеживать во времени, сравнивать по моделям и использовать в отчётах.
Почему одной видимости недостаточно
[править]Метрика видимости без тональности искажает картину. Она показывает, что бренд существует в поле ответа, но не говорит, приносит ли это пользу.
- Позитивное упоминание - бренд рекомендован без оговорок, создаёт доверие
- Нейтральное упоминание - бренд назван, но не рекомендован, не влияет на выбор
- Негативное упоминание - бренд упомянут с оговорками или в негативном контексте, создаёт риски
Бренд может часто попадать в ответы, но звучать там вяло, сомнительно или даже опасно. Например, нейросеть может упоминать компанию как «один из вариантов», но добавлять оговорки, которые снижают доверие. Или, наоборот, бренд может быть упомянут редко, но в очень сильном контексте, где он выглядит лидером категории.
Откуда берётся негатив в AI-ответах
[править]Негатив в AI-ответах редко возникает случайно. Обычно он появляется из-за комбинации факторов:
- Слабые или противоречивые источники
- Старые материалы, которые всё ещё индексируются
- Негативные отзывы в открытых источниках
- Неясное позиционирование бренда
- Плохая структура сайта
- Отсутствие авторитетных внешних сигналов
- Смешение бренда с похожими сущностями
Иногда проблема не в том, что о бренде написано что-то плохое. Проблема в том, что AI не видит достаточно сильных и ясных данных, чтобы дать уверенный позитивный ответ. Тогда модель выбирает осторожность, и на выходе получается нейтрально-негативная формулировка.
Как считать Sentiment Score
[править]Ручной метод
[править]Для каждого запроса и каждой модели фиксируется:
- был ли бренд упомянут
- в каком контексте
- была ли рекомендация
- была ли оговорка
- был ли негатив
- итоговый балл по шкале 1-5
Если делать это системно, лучше использовать одинаковую шкалу и короткие комментарии к каждому баллу. Главное - чтобы оценка была повторяемой, а не зависела от настроения аналитика.
Автоматический метод
[править]Специализированные инструменты (например, AI Presence) могут анализировать тональность упоминаний по запросам, моделям и категориям интента.
Что учитывать при оценке
[править]Sentiment Score нельзя считать в отрыве от контекста. Один и тот же ответ может выглядеть нейтральным для массового бренда и довольно проблемным для премиального. Поэтому при анализе важно учитывать:
- Тип запроса (информационный, коммерческий, транзакционный)
- Стадию воронки (осведомлённость, сравнение, решение)
- Модель, которая отвечает (ChatGPT, Perplexity, Алиса, Gemini)
- Страну и язык
- Конкурентный контекст
- Наличие альтернатив в ответе
Например, запрос «лучший CRM для SMB» и запрос «недорогая CRM для стартапа» могут давать разную тональность по одному и тому же бренду. Если смотреть только на общий средний балл, можно упустить ключевые провалы по коммерческим интентам.
Что делать с негативом
[править]Если AI систематически даёт негативный или сомнительный контекст, нужно не просто «почистить выдачу», а разбирать источник проблемы. Обычно полезны три направления:
- Усилить собственные материалы - понятные страницы услуг, FAQ, кейсы, сравнения, страницы команды и бренда.
- Улучшить внешние сигналы доверия - публикации, цитаты, конференции, обзоры, подкасты и упоминания в авторитетных источниках.
- Убрать или нейтрализовать слабые места - устаревшие тексты, размытое позиционирование, плохие отзывы без ответа и странные формулировки на сайте.
Использование в отчётности
[править]Sentiment Score удобно показывать в связке с другими показателями:
- Доля упоминаний бренда в AI-ответах
- Доля позитивных упоминаний
- Средний балл по модели
- Средний балл по категории запросов
- Изменение по сравнению с прошлым месяцем
- Связь с лидогенерацией или бренд-запросами
Такой отчёт показывает не только присутствие, но и качество присутствия. Для руководства это гораздо полезнее, чем просто список запросов. А для команды - понятный ориентир, что именно надо улучшать.
Где бренды ошибаются
[править]- Ошибка 1: считать любой нейтральный ответ хорошим. Нейтральность иногда означает, что бренд просто неважен для модели.
- Ошибка 2: пытаться исправлять тональность только через контент на своём сайте, игнорируя внешнюю среду.
- Ошибка 3: не разделять коммерческие и информационные интенты.
- Ошибка 4: отсутствие единой методики оценки. Если сегодня один аналитик ставит 4 за «скорее позитивно», а завтра другой ставит 3 за тот же текст, метрика теряет смысл.
Связь с другими терминами
[править]- AI Visibility - общая видимость бренда в ответах AI-ассистентов
- GEO (Generative Engine Optimization) - оптимизация для генеративных ИИ-моделей
- E-E-A-T - сигналы экспертизы, авторитета и доверия, коррелирующие с тональностью
- AI Presence - инструмент для аудита AI Visibility и Sentiment Score
- Управление репутацией в ИИ - работа с цифровым следом бренда
Инструменты для измерения Sentiment Score
[править]На рынке представлены как классические SEO-инструменты с расширенной функциональностью, так и специализированные решения:
- AI Presence - специализированный инструмент для аудита AI Visibility и тональности. Позволяет анализировать упоминания по 6 нейросетям, отслеживать динамику и видеть распределение баллов по категориям интента.
- Киберкошка - российский инструмент для мониторинга упоминаний брендов в ИИ-поиске. Анализирует ChatGPT, Gemini, DeepSeek, Perplexity, а также AI-сводки Google и Яндекса.
- Ручной аудит - оценка тональности вручную по заранее заданным правилам. Подходит для небольших проектов и разовых исследований.
Практический вывод
[править]Sentiment Score делает анализ AI-видимости взрослее. Он переводит разговор из плоскости «нас там упомянули» в плоскость «как именно нас воспринимают и что это значит для бизнеса». Это уже уровень, на котором можно защищать бюджет, выстраивать приоритеты и связывать GEO с выручкой.
Если бренд хочет управлять своим образом в AI-ответах, нужно следить не только за количеством упоминаний, но и за их качеством. Именно тональность часто решает, станет ли видимость активом или риском.
