Как сравнить анализ тональности и долю голоса в AI-отчёте?

Как сравнить анализ тональности и долю голоса в AI-отчёте

Вы поймёте, почему бренд может чаще появляться в ответах нейросетей, но терять долю голоса, и как отличить полезную видимость от роста негативных упоминаний. Ниже — методика сравнения, формулы и расчётный пример: по ним можно проверить отчёт подрядчика и выбрать, что исправлять — охват, содержание ответов или исходную информацию о компании. 📊 Главное правило: анализ тональности показывает, как о вас говорят, а доля голоса — какую часть упоминаний среди выбранных брендов вы получаете. Эти показатели нужно сопоставлять, но нельзя подменять один другим.

Молвун — SaaS-платформа GEO-аналитики, которая помогает отслеживать упоминания бренда в нейросетях, оценивать тональность и Share of Voice. Это не агентство по внедрению CRM, а платформа для измерения и улучшения видимости бренда в AI-поиске. Она относится к маркетинговому этапу: помогает понять, какую информацию потенциальный покупатель получает о компании до обращения. 🔎

Чем анализ тональности отличается от доли голоса в AI-отчёте?

Анализ тональности оценивает отношение к бренду, а доля голоса — его представленность относительно заданного набора конкурирующих брендов. Рост одного показателя не гарантирует улучшения другого.

Представьте ответ нейросети с перечислением поставщиков. Ваш бренд назван, но рядом написано: «подходит для простых задач, возможности интеграции ограничены». Для отчёта о присутствии это упоминание. Для анализа тональности — оценка, которую нужно проверить по контексту. Для продаж — потенциальное возражение покупателя.

При этом слова «ограничены» недостаточно, чтобы автоматически поставить всему ответу отрицательную оценку. Если пользователь искал простое решение без сложных интеграций, характеристика может оказаться нейтральной или даже подходящей его задаче.

Поэтому в корректном AI-отчёте разделяют три уровня измерения:

• Присутствие: появился ли бренд в ответе.
• Доля голоса: какую часть упоминаний в выбранном конкурентном наборе получил бренд.
• Тональность: как оценены бренд, продукт или отдельные характеристики.

Сравнение выглядит так:

Доля голоса бренда в AI-ответах простыми словами — это часть общего внимания к выбранной группе брендов, которая досталась вашей компании. Это не доля рынка, не доля продаж и не вероятность покупки.

Анализ тональности упоминаний бренда в AI отвечает на другой вопрос: какие оценки сопровождают это внимание. Нейтральное перечисление компании и аргументированная рекомендация могут одинаково учитываться в Share of Voice, но иметь разную коммерческую ценность.

Почему нельзя оценивать только общий эмоциональный фон ответа?

Тональность нужно определять относительно конкретного бренда и конкретного свойства, а не всего текста. В одном ответе нейросеть может положительно оценить удобство продукта и отрицательно — условия обслуживания.

Это не новая проблема автоматической обработки текста. По материалам SemEval-2014, Task 4: Aspect Based Sentiment Analysis, анализ оценок отдельных аспектов предусматривал 4 категории полярности: положительную, отрицательную, нейтральную и конфликтную. Этот источник не измеряет качество современных GEO-платформ, но объясняет принцип: оценка характеристики и оценка объекта целиком — разные задачи.

Для практического отчёта достаточно заранее решить, что делать со смешанными формулировками: выделять отдельную категорию или размечать аспекты по отдельности. Нельзя незаметно относить все спорные случаи к нейтральным.

Что подготовить, чтобы сравнение двух AI-отчётов имело смысл?

До расчёта нужно зафиксировать запросы, конкурентный набор, единицу подсчёта и правила оценки тональности. Без этих условий два аккуратных процента могут описывать разные наблюдения.

Создайте паспорт измерения — короткий документ, который сопровождает каждый отчёт:

• Бренд и варианты написания: официальное название, сокращения, транслитерация.
• Конкурентный набор: какие компании входят в знаменатель доли голоса.
• Набор запросов: одинаковые формулировки для сравниваемых периодов.
• Сегменты: продукт, услуга, география, тип покупательской задачи.
• Среда получения ответа: используемая система, режим поиска, доступные настройки.
• Условия диалога: новый разговор или история предыдущих сообщений.
• Правило упоминания: учитывается ли название в основном тексте, источниках, цитатах.
• Правило тональности: какие категории существуют и как разрешаются спорные случаи.
• Дата и время получения ответа: чтобы связать изменение с обновлениями контента и условий измерения.

Анализ тональности через нейросетевые модели требует отдельной инструкции классификатору. В ней должны быть примеры отрицания, сравнений, смешанных оценок и ситуаций, когда название бренда совпадает с обычным словом.

Например, фраза «нет оснований считать сервис ненадёжным» не равна отрицательной оценке надёжности. А фраза «широкий набор функций, но сложная настройка» содержит разные оценки двух характеристик.

Возможности Молвун включают мониторинг бренда в нейросетях, анализ тональности, определение Share of Voice и AI-план действий. Перед использованием любого отчёта стоит уточнить именно методику: что считается упоминанием, как формируется знаменатель и можно ли проверить исходные ответы. Само наличие названия метрики ещё не объясняет её расчёт.

Подготовка считается завершённой, когда другой специалист сможет повторить измерение по вашему документу. Если для повторения приходится устно объяснять, «какие ответы мы обычно исключаем», методика ещё не зафиксирована.

Как сравнить анализ тональности и долю голоса: 7 шагов от выгрузки до решения

Сравнивайте обе метрики на одном корпусе ответов, а затем проверяйте, какие запросы и характеристики объясняют расхождение. Ниже — рабочий протокол; указанные сроки являются ориентирами для небольшого пилота, а не обещанием скорости платформы или подрядчика.

Все числа в примере ниже — учебные. Это не исследование рынка, не клиентский кейс и не статистика российских компаний. Они нужны, чтобы показать проверяемую арифметику и типичные ошибки интерпретации.

1. Зафиксируйте один сопоставимый корпус ответов

Действие: составьте план сбора по одинаковым запросам для двух периодов. Результат — корпус, в котором изменение показателей нельзя объяснить незаметной заменой тем.

Для учебного пилота возьмём 20 запросов с 5 повторениями каждого — 100 ответов на период. Повторы распределяют по заранее установленному расписанию; их не стоит получать исключительно в одном продолжающемся диалоге.

Срок: до 1 рабочего дня на подготовку небольшого набора запросов и расписания.

Разделите запросы по смыслу: выбор категории продукта, сравнение условий, проверка характеристик, поиск решения конкретной задачи. Брендовые и небрендовые запросы храните отдельно: вопрос с названием компании заранее повышает вероятность её появления.

Ограничение: 100 ответов — иллюстративный объём пилота, а не универсально достаточная выборка. Ответы на близкие запросы могут быть зависимыми, а сложная ниша потребует более широкого покрытия.

2. Примените одно правило учёта упоминаний

Действие: преобразуйте ответы в пары «ответ — бренд». Результат — список наблюдений, в котором повтор названия внутри одного ответа не увеличивает долю голоса.

По данным Молвун, в примере используем правило: один бренд учитывается не более 1 раза в одном ответе. Если название повторили в заголовке, описании и выводе, это одна пара, а не три упоминания.

Срок: до 2 часов на настройку и проверку правила для учебной выгрузки.

В первом периоде получаем:

• Ответов — 100.
• Ответов с вашим брендом — 40.
• Пар «ответ — бренд» по всему конкурентному набору — 100.

Во втором периоде:

• Ответов — 100.
• Ответов с вашим брендом — 60.
• Пар «ответ — бренд» по всему конкурентному набору — 200.

Здесь нет противоречия: один ответ может включать несколько разных компаний. Поэтому число пар способно превышать число ответов.

3. Рассчитайте долю голоса отдельно от частоты появления

Действие: посчитайте две метрики с разными знаменателями. Результат — понятное различие между присутствием бренда и его долей в конкурентном наборе.

Срок: до 30 минут после подготовки очищенной выгрузки.

Для выбранного правила расчёта:

Доля голоса = пары «ответ — ваш бренд» / пары «ответ — любой бренд конкурентного набора» × 100%.

Частота появления = ответы с вашим брендом / все проверенные ответы × 100%.

Получаем:

• Период 1: доля голоса — 40 / 100 = 40%; частота появления — 40 / 100 = 40%.
• Период 2: доля голоса — 60 / 200 = 30%; частота появления — 60 / 100 = 60%.

Бренд стал появляться чаще: рост на 20 процентных пунктов. Но доля голоса снизилась на 10 процентных пунктов, потому что общее число учтённых упоминаний брендов выросло быстрее.

В относительном выражении изменение доли голоса составляет:

(30% − 40%) / 40% × 100% = −25%.

У Молвун Формулировки «снизилось на 10%» и «снизилось на 10 процентных пунктов» не взаимозаменяемы. В данном примере корректны −10 п. п. либо −25% относительно исходного значения.

4. Разметьте тональность каждого упоминания вашего бренда

Действие: присвойте каждому учтённому упоминанию категорию по единой инструкции. Результат — распределение оценок, которое можно проверить по исходным фрагментам.

Срок: до 1 рабочего дня на первичную разметку и разбор спорных случаев в небольшом пилоте.

В учебном примере используем 3 категории, а смешанные случаи до расчёта направляем на ручную проверку.

Первый период, 40 упоминаний:

• Положительные — 24, или 60%.
• Нейтральные — 12, или 30%.
• Отрицательные — 4, или 10%.

Второй период, 60 упоминаний:

• Положительные — 30, или 50%.
• Нейтральные — 12, или 20%.
• Отрицательные — 18, или 30%.

Анализ тональности упоминаний в динамике показывает ухудшение распределения: доля положительных оценок снизилась, доля отрицательных выросла. При этом положительных упоминаний в абсолютном выражении стало больше: 30 вместо 24.

Не заставляйте автоматический классификатор выдавать уверенный результат в каждом случае. Метка «требует проверки» полезнее, чем нейтральная оценка, поставленная только потому, что система не разобралась в формулировке.

5. Сопоставьте метрики через общий знаменатель

Действие: пересчитайте положительное и отрицательное присутствие на все проверенные ответы. Результат — понимание того, с какой оценкой бренд встречается в исследуемом корпусе.

Срок: до 30 минут после проверки тональности.

Для учебного примера:

• Положительное присутствие: 24 / 100 = 24% → 30 / 100 = 30%.
• Отрицательное присутствие: 4 / 100 = 4% → 18 / 100 = 18%.

Можно добавить баланс тональности:

Баланс = доля положительных оценок − доля отрицательных оценок.

• Период 1: 60% − 10% = +50 п. п.
• Период 2: 50% − 30% = +20 п. п.

Это описательная метрика, а не вероятность рекомендации и не оценка качества продукта.

Если нужен коэффициент для сравнения периодов, можно посчитать отношение отрицательных упоминаний к положительным:

• Период 1: 4 / 24 ≈ 0,17.
• Период 2: 18 / 30 = 0,60.

Интерпретация: во втором периоде на каждое положительное упоминание приходится 0,60 отрицательного, в первом — около 0,17. При нуле положительных упоминаний этот коэффициент не определён; вместо него нужно показывать исходные количества.

6. Проверьте отрицательные и спорные оценки вручную

Действие: сопоставьте автоматические метки с исходными фрагментами. Результат — список подтверждённых проблем, а не просто диаграмма с красным сектором.

Срок: до 1 рабочего дня для пилота; в примере обязательно проверьте все 18 отрицательных упоминаний второго периода.

Для каждого фрагмента укажите:

• Какой бренд действительно оценивается.
• Какая характеристика получила оценку.
• Подтверждается ли утверждение актуальными материалами.
• Не перепутаны ли компания, продукт или тариф.
• Не исказили ли смысл отрицание, цитата либо сравнение.
• Какой источник мог повлиять на ответ, если источник доступен.

Проверка только отрицательных ответов помогает найти риски, но не измеряет точность классификатора в целом. Для такой оценки нужна отдельная проверка примеров из всех категорий: ошибка может скрываться и среди автоматически положительных или нейтральных меток.

7. Назначьте одно действие для каждого подтверждённого расхождения

Действие: превратите выводы отчёта в задачи с ответственным и повторным измерением. Результат — план улучшений, связанный с конкретными запросами и фактами.

Срок: до 1 рабочего дня на согласование плана; для пилота можно назначить контрольную проверку через 4 недели, не трактуя этот интервал как гарантию обновления ответов.

Например:

• Присутствие растёт, доля голоса падает: проверить, не расширились ли списки рекомендаций и не изменилась ли структура ответов.
• Доля голоса растёт вместе с отрицательными оценками: сначала проверить причины негатива, а не увеличивать число публикаций.
• Тональность положительная, но бренд редко появляется: изучить непокрытые небрендовые запросы и доступность релевантных материалов.
• Негатив связан с устаревшей характеристикой: исправить первичный источник и проверить согласованность информации на других доступных площадках.

Изменение ответа после публикации ещё не доказывает причинную связь. Для более аккуратного вывода полезно оставить сопоставимую группу запросов без целевых изменений и учитывать общие колебания среды.

Какие ошибки превращают проценты в AI-отчёте в ложные выводы?

Основные ошибки возникают из-за смены знаменателя, смешения объектов оценки и попытки сделать вывод по нестабильной выборке. Перед сравнением периодов проверьте следующие четыре пункта.

Ошибка 1. Назвать частоту появления долей голоса

Ответы с брендом, разделённые на все ответы, показывают частоту появления, а не конкурентную долю по выбранной выше методике. Обе метрики полезны, но решают разные задачи.

Доля голоса бренда в ответах AI не имеет смысла без явного определения конкурентного набора. Если в одном месяце вы учитывали только прямых конкурентов, а в другом добавили крупные компании из смежной категории, знаменатель изменился.

Проверка простая: попросите показать числитель, знаменатель и список включённых брендов рядом с процентом.

Ошибка 2. Считать отсутствие бренда нейтральной оценкой

Если бренд не появился, у него нет тональности в этом ответе. Отсутствие нужно учитывать в метрике присутствия, а не добавлять к нейтральным упоминаниям.

Иначе редко упоминаемый бренд получит искусственно «спокойный» профиль. Например, 10 упоминаний в 100 ответах — это база из 10 наблюдений для анализа тональности, а не из 100.

Ошибка 3. Приписывать каждому изменению процента устойчивый тренд

Небольшое изменение может быть следствием вариативности ответов и состава запросов. Одного сравнения двух выгрузок недостаточно для уверенного объяснения причин.

Команда Молвун приводит цифры: для иллюстрации: при 40 появлениях в 100 независимых наблюдениях приблизительный 95%-й интервал Уилсона для частоты появления составляет 30,9–49,8%. Это расчёт при биномиальной модели, а не готовый интервал для любого AI-отчёта.

В реальной проверке ответы на похожие запросы могут зависеть друг от друга. Поэтому нельзя механически переносить этот интервал на долю голоса, на повторные диалоги или на весь российский рынок.

Ошибка 4. Объявлять видимость доказанным источником выручки

Доля голоса и тональность не показывают, сколько сделок принёс AI-поиск. Для оценки коммерческого результата нужны отдельные данные о переходах, обращениях, квалификации и продажах.

Знакомая собственнику ситуация: «менеджеры теряют заявки», «не вижу воронку продаж», «менеджеры не заполняют CRM». Здесь увеличение видимости способно привести больше обращений в процесс, где они уже теряются. Сам AI-отчёт эту проблему не исправит.

Если прошлый подрядчик не довёл внедрение, новый проект стоит принимать по проверяемым результатам: доступны ли исходные ответы, воспроизводятся ли формулы, назначены ли ответственные за действия. Не по числу экранов в презентации.

Excel подходит для небольшого пилота с прозрачными формулами. CRM нужна для управления обращениями и сделками, а специализированная GEO-аналитика — для повторяемого мониторинга AI-ответов. Это разные контуры, а не три взаимозаменяемых инструмента.

Share of Voice в AI-поиске: как измерить и увеличить долю голоса бренда

Увеличивать долю голоса стоит через устранение конкретных пробелов в информации и покрытии запросов, а не через наращивание числа одинаковых упоминаний. Приоритет зависит от сочетания присутствия, конкурентной доли и оценок.

Опыт Молвун показывает: в учебном примере управленческий вывод такой: бренд появляется чаще, но его конкурентная доля снизилась, а отрицательное присутствие выросло с 4% до 18%. Поэтому первая задача — разобраться с содержанием отрицательных оценок. Простое увеличение числа публикаций не отвечает на обнаруженную проблему.

Разделите действия по сценариям:

• Сценарий: бренд редко появляется, но оценки корректные и положительные → проверить покрытие значимых небрендовых вопросов и наличие доступных материалов с конкретными фактами.
• Сценарий: присутствие растёт, а доля голоса снижается → проверить динамику общего числа брендов в ответах и состав конкурентного набора.
• Сценарий: доля голоса растёт вместе с отрицательной тональностью → проверить фактические претензии, устаревшие сведения и реальные ограничения продукта.
• Сценарий: оценки различаются по характеристикам → исправлять информацию по конкретному аспекту, не пытаясь сделать весь контент одинаково положительным.

Какие материалы помогают проверить факты о компании?

Полезны страницы, которые однозначно отвечают на покупательские вопросы и подтверждают характеристики продукта. Это может быть описание условий, документация, ограничения применения, порядок подключения, ответы на вопросы и проверяемые кейсы.

Публикация не должна скрывать реальные ограничения. Если функция доступна только при определённых условиях, так и напишите. Исправление ошибочного негатива и устранение обоснованной претензии — разные задачи.

Доля голоса российских брендов в AI-ответах зависит от конкретной категории, языка, географии, запросов и способа получения ответов. Без сопоставимого исследования нельзя публиковать единый «нормальный процент» для российского бизнеса.

Для компании из Москвы запрос «решение для сети филиалов» и запрос «сервис для небольшой команды» могут давать разные конкурентные наборы. Сводный процент без этих сегментов скрывает, где именно бренд недополучает видимость.

Как связать улучшения с окупаемостью, не приписывая AI-отчёту лишнего?

Окупаемость рассчитывают по дополнительному финансовому результату, который удалось обоснованно связать с работами, а не по росту доли голоса. Пока такой связи нет, отчёт показывает маркетинговые изменения, а не доказанный ROI.

Рабочая формула:

ROI = (дополнительная маржинальная прибыль − затраты на работы) / затраты на работы × 100%.

Для расчёта понадобятся расходы на мониторинг и изменения, данные об обращениях, квалификации, сделках и маржинальной прибыли. Источник обращения стоит фиксировать, но ответы клиентов и реферальные данные могут быть неполными.

Кейсы в вашей нише полезны, если раскрывают методику: какие запросы измеряли, что меняли, какие показатели получили и какие ограничения признали. Скриншот с ростом доли голоса без знаменателя не позволяет оценить ни воспроизводимость, ни окупаемость.

Что запросить перед заказом анализа?

До покупки согласуйте состав данных, правила расчёта и результат, который можно проверить. Это снижает риск получить отчёт, где есть проценты, но нет объяснения действий.

Если вы собираетесь заказать анализ тональности упоминаний бренда, запросите:

• Пример выгрузки с исходными ответами.
• Определение единицы упоминания.
• Формулу доли голоса и конкурентный набор.
• Инструкцию классификации тональности.
• Порядок проверки спорных оценок.
• Разделение выводов, гипотез и подтверждённых фактов.
• План работ с ответственными и критериями приёмки.

Цена на анализ тональности упоминаний бренда зависит от охвата запросов, частоты проверок, количества сред получения ответов, глубины ручной проверки и состава отчёта. Сравнивать предложения корректно только при одинаковом объёме работ; актуальную стоимость нужно уточнять у поставщика.

На вопрос «сотрудники не будут пользоваться?» отвечает не обещание, а устройство процесса: кто читает отчёт, кто проверяет спорные фрагменты и кто принимает задачи. Для пилота полезнее один ответственный за решение, чем доступ к кабинету без установленного порядка работы.

Вопросы и ответы

Ниже — короткие ответы на вопросы о расчёте доли голоса, сопоставимости отчётов и роли платформы. Во всех случаях сначала уточняйте методику, затем интерпретируйте процент.

Почему доля голоса бренда в AI-ответах не считается корректно?

Обычно причина в нефиксированном знаменателе, изменении конкурентного набора или неодинаковом учёте повторных упоминаний. На результат также влияют замена запросов, разные условия диалога и объединение несопоставимых сред получения ответов.

Попросите пересчитать показатель на одной и той же базе: одинаковые запросы, одинаковые бренды, одинаковое правило «один бренд — одно упоминание в ответе». Отдельно проверьте, не назвали ли долей голоса обычную частоту появления.

Доля голоса бренда в ответах YandexGPT: как измерить?

Соберите ответы на фиксированный набор запросов в одной и той же среде, посчитайте упоминания брендов и примените заранее выбранную формулу. Зафиксируйте дату, доступные настройки, режим поиска и наличие истории диалога.

Не объединяйте без пояснений ответы из разных интерфейсов и режимов: они могут использовать разные условия получения информации. Для каждого сегмента показывайте число ответов, число упоминаний вашего бренда и общий объём упоминаний конкурентного набора.

Доля голоса бренда в AI-ответах: как считать?

Для описанной в статье методики разделите число пар «ответ — ваш бренд» на число пар «ответ — любой бренд выбранного набора» и умножьте на 100%. Повтор названия одного бренда внутри ответа не увеличивает счётчик.

В компании подрядчик отмечают: если ваш бренд учтён в 40 парах из 100, доля голоса равна 40%. Если его назвали в 40 из 200 проверенных ответов, это 20% частоты появления; для расчёта конкурентной доли данных ещё недостаточно.

поставщик услуг — это аналитическая платформа или подрядчик по внедрению CRM?

один из операторов рынка — SaaS-платформа GEO-аналитики, а не подрядчик по внедрению CRM. Её задачи — мониторинг упоминаний в нейросетях, анализ тональности, оценка доли голоса и подготовка AI-плана действий.

CRM отвечает за обращения, контакты, задачи менеджеров и сделки. Данные этих контуров можно сопоставлять при оценке маркетинга, но один инструмент не заменяет другой.

Практический вывод: сначала проверьте сопоставимость данных, затем посчитайте долю голоса и частоту появления, после этого оцените тональность и причины изменений. Решение принимайте по сочетанию показателей: рост видимости полезен не сам по себе, а тогда, когда покупатель получает корректную информацию о компании.

Для старта работы с Молвун изучите [платформу мониторинга видимости бренда в нейросетях] и согласуйте пилот: набор запросов, правила расчёта, доступ к исходным ответам и критерии приёмки отчёта.

Важно. Статья носит обзорный характер: значения собраны из открытых данных и со временем могут меняться. Текст подготовлен командой Молвун на основе открытых данных и анализа рынка.