← ส่วนหนึ่งของคู่มือฉบับเต็ม: ทำไม AI ไม่รู้จักแบรนด์คุณ
TL;DR: การวัดว่า AI พูดถึงแบรนด์คุณหรือไม่ ขึ้นกับชุดคำถามที่ใช้เกือบทั้งหมด เราเปิดโครงสร้างชุดคำถาม 93 ข้อที่ใช้จริงในการวัด แบ่งเป็น 8 ชั้นตามเจตนาของคนถาม พร้อมเหตุผลว่าแต่ละชั้นวัดอะไร วิธีให้คะแนน 5 ค่าต่อคำถาม และข้อผิดพลาดที่ทำให้ชุดคำถามที่สร้างเองใช้ไม่ได้
ทำไมชุดคำถามถึงสำคัญกว่าเครื่องมือ
ตัวเลข AI visibility ทุกตัวเป็นผลของคำถามที่ใช้ถาม ถ้าเลือกคำถามที่แบรนด์ตัวเองถนัด ตัวเลขจะสวยโดยไม่ได้สะท้อนความจริง ถ้าเลือกคำถามที่ไม่มีใครถามจริง ตัวเลขจะแย่โดยไม่มีความหมาย ชุดคำถามจึงเป็นส่วนที่กำหนดคุณภาพของการวัดมากที่สุด และเป็นส่วนที่คนเปิดเผยน้อยที่สุด
เราเปิดโครงสร้างทั้งหมดด้วยเหตุผลเดียวกับที่เปิด เกณฑ์ให้คะแนน AIVS คือถ้าตรวจวิธีวัดไม่ได้ ตัวเลขก็เชื่อไม่ได้ และถ้าใครเอาไปใช้วัดเองแล้วได้ผลต่างจากเรา เราต้องอธิบายได้ว่าต่างเพราะอะไร
โครงสร้าง 8 ชั้น
| ชั้น | จำนวน | วัดอะไร |
|---|---|---|
| 1. ถามหาผู้ให้บริการตรง ๆ | 18 | ชั้นเดียวที่ระบบจะไล่ชื่อบริษัทเป็นลำดับ ตัดสินว่าติดห้าอันดับแรกหรือไม่ |
| 2. ผู้ให้บริการ พร้อมเงื่อนไข | 11 | กรองด้วยงบ ขนาดธุรกิจ หรือรูปแบบราคา เพื่อดูว่าแบรนด์ติดในกลุ่มย่อยไหน |
| 3. อาการปัญหา แล้วหาคนแก้ | 10 | คนซื้อจริงมักมาด้วยอาการ ไม่ได้มาด้วยชื่อหมวดบริการ |
| 4. คำถามเชิงเรียนรู้ | 18 | วัดว่าเว็บถูกใช้เป็นแหล่งอ้างอิงหรือไม่ คนละอย่างกับการถูกเอ่ยชื่อเป็นผู้ให้บริการ |
| 5. เปรียบเทียบและตัดสินใจ | 11 | ปลายกรวย คำตอบมักให้เกณฑ์พร้อมตัวอย่างชื่อ เป็นทางเข้าที่สองสู่รายชื่อแนะนำ |
| 6. เจาะรายบริการ | 8 | คำถามที่ตรงกับบริการเฉพาะ ปริมาณน้อยแต่คู่แข่งบางกว่ามาก |
| 7. รายอุตสาหกรรม | 8 | อิงหมวดธุรกิจของลูกค้าจริง แข่งน้อยกว่าคำถามกลางมาก |
| 8. ถามถึงแบรนด์ตรง ๆ | 9 | วัดความแข็งของตัวตนธุรกิจ ระบบรู้จักไหม และประเมินความน่าเชื่อถืออย่างไร |
ชั้นที่ 1 กับชั้นที่ 8 ต้องอ่านคู่กันเสมอ เพราะบอกคนละเรื่อง เราเจอกับตัวเองว่าชั้นที่ 8 ผ่านสบาย ระบบอธิบายบริการเราได้ถูกหมด แต่ชั้นที่ 1 ได้ศูนย์ทุกข้อ นั่นแปลว่าปัญหาอยู่ที่การถูกหยิบเข้ารายชื่อ ไม่ใช่การที่ระบบไม่รู้จักเรา บันทึกเต็มอยู่ที่ ผลทดสอบตัวเอง
ทำไมต้องมีทั้งคำถามเชิงจ้างงานและเชิงเรียนรู้
สองกลุ่มนี้ให้ผลลัพธ์คนละแบบและแก้ด้วยงานคนละชุด
คำถามเชิงจ้างงาน เช่น ถามหาบริษัทที่รับทำงานนี้ ระบบจะตอบด้วยการไล่ชื่อบริษัท การจะติดในรายชื่อต้องมีตัวตนที่ยืนยันได้จากภายนอก เช่นข้อมูลธุรกิจที่ตั้งหมวดถูก รีวิว และการถูกกล่าวถึงในแหล่งที่ระบบเชื่อถือ
คำถามเชิงเรียนรู้ เช่น ถามวิธีทำอะไรสักอย่าง ระบบจะตอบด้วยคำอธิบายแล้วอ้างอิงแหล่งข้อมูล การจะถูกอ้างต้องมีเนื้อหาที่ตอบคำถามนั้นได้ชัดและมีอะไรที่แหล่งอื่นไม่มี
ธุรกิจที่วัดเฉพาะกลุ่มแรกจะไม่เห็นว่าเนื้อหาตัวเองกำลังถูกใช้อยู่ ส่วนธุรกิจที่วัดเฉพาะกลุ่มหลังจะเข้าใจผิดว่าตัวเองไปได้ดีทั้งที่ไม่เคยถูกเสนอชื่อให้คนที่กำลังจะจ่ายเงินเลย
ให้คะแนนยังไง
ต่อหนึ่งคำถามคูณหนึ่งแพลตฟอร์ม บันทึกห้าค่า
- ถูกเอ่ยชื่อหรือไม่ — ชื่อแบรนด์ปรากฏในเนื้อคำตอบ ไม่นับกรณีที่โผล่เฉพาะในรายการแหล่งอ้างอิง
- อันดับที่เท่าไร — ถ้าคำตอบเรียงเป็นลำดับ ให้บันทึกตำแหน่ง ถ้าไม่ได้เรียงให้เว้นว่าง
- เว็บอยู่ในแหล่งอ้างอิงไหม — แยกจากข้อแรก เพราะถูกอ้างเป็นแหล่งข้อมูลกับถูกแนะนำเป็นผู้ให้บริการเป็นคนละสถานะ
- แหล่งอ้างอิงทั้งหมด — เก็บโดเมนทุกตัวที่ระบบใช้ ข้อมูลนี้บอกว่าต้องไปปรากฏตัวที่ไหนถึงจะเข้าชุดข้อมูลที่ระบบหยิบ
- คู่แข่งที่ถูกเอ่ย เรียงตามลำดับ — บอกว่าใครถือที่นั่งที่ควรเป็นของคุณ
ค่าที่ใช้ตัดสินใจได้คือ สัดส่วนของรอบที่ชื่อคุณปรากฏ ไม่ใช่ผลของรอบใดรอบหนึ่ง คำตอบของระบบเหล่านี้แกว่งตามเซสชันและตำแหน่งที่ระบบเดา การอ่านผลจากการยิงครั้งเดียวจึงให้ข้อสรุปที่ผิดได้ง่าย
ข้อผิดพลาดที่ทำให้ชุดคำถามใช้ไม่ได้
เขียนคำถามด้วยคำที่มีแต่คนในวงการใช้
คำเรียกบริการที่คนทำงานสายนี้ใช้กัน มักไม่ใช่คำที่ลูกค้าพิมพ์ ให้เขียนคำถามด้วยประโยคที่ลูกค้าพูดจริงเวลาเล่าปัญหา ไม่ใช่ชื่อหมวดบริการ
เปลี่ยนคำถามระหว่างเดือน
ถ้าแก้คำถามแม้เพียงคำเดียวระหว่างรอบวัด ตัวเลขสองเดือนจะเทียบกันไม่ได้ ชุดคำถามต้องแช่แข็งไว้ ถ้าจะเพิ่มคำถามใหม่ให้เพิ่มเป็นชุดแยกและเริ่มนับ baseline ใหม่ของชุดนั้น
ยิงในเซสชันเดิมต่อกัน
ประวัติการสนทนาก่อนหน้ามีผลต่อคำตอบถัดไป การยิงคำถามทั้งชุดในแชทเดียวจะทำให้คำตอบท้าย ๆ เอนตามคำตอบแรก ต้องเปิดเซสชันใหม่ทุกข้อ
ลืมปิดส่วนขยายเบราว์เซอร์
ส่วนขยายบางตัวแทรกผลค้นหาเข้าไปในคำถามโดยที่ผู้ใช้มองไม่เห็น ทำให้สิ่งที่วัดได้ไม่ใช่พฤติกรรมจริงของระบบ ตอนเราทดสอบเจอเคสนี้กับตัวเองและต้องปิดส่วนขยายก่อนถึงเริ่มเก็บข้อมูลได้
ใช้คำถามน้อยเกินไป
คำถามห้าถึงสิบข้อไม่พอจะแยกความแกว่งออกจากแนวโน้มจริง เราใช้อย่างน้อย 25 ข้อต่อธุรกิจในการให้คะแนน AI Citation Presence และใช้ชุดเต็ม 93 ข้อเมื่อต้องการภาพที่ละเอียดกว่านั้น
สร้างชุดคำถามของคุณเอง
- เริ่มจากชั้นที่ 1 ให้ได้ 15 ถึง 20 ข้อก่อน เขียนประโยคที่คนกำลังจะจ้างพิมพ์จริง ทั้งภาษาไทยและภาษาอังกฤษถ้าลูกค้าคุณใช้ทั้งสองภาษา
- เพิ่มชั้นอาการปัญหา ถอดจากประโยคที่ลูกค้าเล่าตอนติดต่อเข้ามาครั้งแรก นั่นคือถ้อยคำจริงที่คนใช้ก่อนรู้จักชื่อหมวดบริการ
- เพิ่มชั้นรายอุตสาหกรรมตามลูกค้าที่มีอยู่ คำถามกลุ่มนี้แข่งน้อยกว่ามาก และมักเป็นจุดแรกที่แบรนด์เล็กจะติดได้
- ปิดท้ายด้วยชั้นถามชื่อแบรนด์ตรง ๆ เพื่อแยกให้ออกว่าปัญหาคือระบบไม่รู้จัก หรือรู้จักแต่ไม่หยิบมาแนะนำ
- แช่แข็งชุดคำถาม แล้วตั้งวันวัดซ้ำ รอบละเดือนกำลังพอดี ถี่กว่านั้นจะเห็นแต่ความแกว่ง
CiteLogics — วัดด้วยชุดคำถามที่เปิดเผยได้
AI Visibility Audit ใช้ชุดคำถามอย่างน้อย 25 ข้อต่อธุรกิจ ยิงข้าม ChatGPT, Claude, Perplexity และ Gemini บันทึกครบห้าค่าต่อคำถาม แล้วให้คะแนน AIVS ห้ามิติ ลูกค้าได้ชุดคำถามที่ใช้ไปด้วยเพื่อวัดซ้ำเองได้
- AI Visibility Audit — รายงาน AIVS Score เต็ม พร้อมคุย 30 นาที ราคา 2,000 บาท ส่งภายใน 24 ชั่วโมง คืนเงินได้ใน 7 วัน
- Big Win (Audit + WebFix) — ตรวจพร้อมลงมือแก้ครบทั้ง crawlability โครงสร้าง และ schema ราคา 20,000 บาท
เริ่มจาก สแกน AI visibility ฟรี หรือติดต่อ sales@citelogics.com
คำถามที่พบบ่อย
ทำไมถึงเปิดชุดคำถามให้คู่แข่งเห็น
ชุดคำถามไม่ใช่ความลับที่ทำให้ได้เปรียบ ใครก็เขียนคำถามแบบเดียวกันได้ภายในครึ่งวัน สิ่งที่มีค่าคือการวัดซ้ำอย่างสม่ำเสมอและการตีความผลให้ถูก การเปิดชุดคำถามทำให้ลูกค้าตรวจงานเราได้ ซึ่งสำคัญกว่าการปิดบัง
ต้องใช้กี่คำถามถึงจะพอ
อย่างน้อย 25 ข้อต่อธุรกิจสำหรับการให้คะแนนปกติ ต่ำกว่านั้นจะแยกความแกว่งของระบบออกจากแนวโน้มจริงไม่ได้ ชุดเต็มที่เราใช้มี 93 ข้อสำหรับกรณีที่ต้องการภาพละเอียดรายชั้น
ควรวัดบ่อยแค่ไหน
เดือนละครั้งกำลังพอดี ถี่กว่านั้นจะเห็นแต่ความแกว่งของระบบมากกว่าผลของงานที่ทำ ห่างกว่านั้นจะรู้ช้าเกินไปเมื่อคู่แข่งขยับ สิ่งสำคัญกว่าความถี่คือใช้คำถามชุดเดิมทุกรอบ
คำถามภาษาไทยกับภาษาอังกฤษให้ผลต่างกันไหม
ต่างกัน ในการทดสอบของเรา คำถามภาษาอังกฤษกับภาษาไทยที่ถามเรื่องเดียวกันได้รายชื่อบริษัทไม่เหมือนกัน ถ้าลูกค้าคุณใช้ทั้งสองภาษา ต้องวัดทั้งสองภาษา
ผลแกว่งทุกครั้งที่ยิง แปลว่าวัดผิดหรือเปล่า
ไม่ผิด ความแกว่งเป็นธรรมชาติของระบบเหล่านี้ วิธีรับมือคือยิงคำถามเดิมหลายรอบแล้วใช้สัดส่วนของรอบที่ชื่อคุณปรากฏเป็นตัวเลขหลัก แทนที่จะอ่านผลจากการยิงครั้งเดียว
เขียนโดย
Nipun Kasevayuth
ผู้ก่อตั้งและ CTO, CiteLogics
วิศวกรผู้หลงใหลใน AI ที่ถอดรหัสว่าโมเดล AI เลือกอ้างอิงแบรนด์ไหนจากอะไร เริ่มจากพิสูจน์วิธีกับเว็บของตัวเองก่อน แล้วสร้างผลลัพธ์แบบเดียวกันให้แบรนด์อย่าง Coldtubb รวมสแกนเว็บไซต์เพื่อวัด AI visibility มาแล้วกว่า 1,000 เว็บ
ดูโปรไฟล์ LinkedIn →
