Реферальный трафик из AI и AI-видимость: как измерять без ложной атрибуции

Привет! Это команда theLUMA.

Реферальный трафик из AI и AI-видимость — это разные измерения. Реферальный трафик показывает наблюдаемые переходы на сайт, которым аналитика смогла присвоить источник. AI-видимость показывает, как бренд присутствует в ответах AI по выбранному набору запросов. Между ними может быть связь, но одна метрика не является полной заменой другой.

Чтобы не создавать ложную атрибуцию, полезно отдельно держать пять понятий: наблюдаемый реферальный трафик из AI → AI-видимость → спрос под влиянием AI → атрибуция → причинность.

1. Наблюдаемый реферальный трафик из AI: что аналитика реально увидела

В веб-аналитике referral — это сессия, для которой удалось определить внешний источник перехода. Google Analytics описывает Source как платформу, сайт, приложение или другое место, откуда пришёл пользователь, а Medium — как тип источника, включая referral.

Если пользователь кликает ссылку из AI-интерфейса и referrer/source сохраняется, такой визит можно анализировать как наблюдаемый источник трафика. Практически стоит проверять:

• Session source / medium;
• целевые страницы;
• вовлечённые сессии и ключевые события;
• новых и возвращающихся пользователей;
• динамику по конкретным известным доменам-источникам AI, если они реально появляются в данных.

Но это только наблюдаемые клики. Google Analytics отдельно указывает, что при отсутствии информации об источнике трафик может попадать в (direct) / (none): например, когда информация об источнике потеряна из-за особенностей перехода, редиректа или других технических условий.

2. Почему реферальный трафик не показывает весь эффект AI-видимости

Пользователь может получить ответ AI и не кликнуть на источник. Он может запомнить бренд, позже набрать его название напрямую, перейти через поиск, маркетплейс, приложение или другой канал. В этом случае AI мог быть частью информационного пути, но веб-аналитика не обязана увидеть AI как источник сессии.

Поэтому утверждение «у нас мало реферального трафика из AI, значит AI не влияет на спрос» методологически слабое. Точно так же нельзя говорить обратное: рост прямого или брендового трафика после улучшения AI-видимости сам по себе не доказывает, что его вызвал AI.

Поведение без клика как более широкую проблему измерения мы разбираем в опубликованном материале про zero-click.

3. AI-видимость: другой объект измерения

AI-видимость отвечает на вопрос не «сколько посетителей пришло», а «насколько бренд присутствует в релевантных AI-ответах относительно выбранного набора запросов и конкурентов».

В зависимости от задачи можно измерять:

• частоту упоминаний бренда;
• долю присутствия относительно конкурентов;
• попадание в рекомендации;
• источники, которые появляются в ответах;
• контекст и восприятие бренда;
• изменение показателей во времени.

Базовую систему измерения мы описали в руководстве по AI-видимости.

4. Спрос под влиянием AI: полезная гипотеза, но не автоматически измеримый канал

Спрос под влиянием AI — это спрос, на который AI мог повлиять до наблюдаемого визита или конверсии. Например, пользователь увидел бренд в сравнительном AI-ответе, а позже пришёл через брендовый поиск.

Это разумная бизнес-гипотеза, но без дополнительных данных нельзя просто переименовать весь рост брендового поиска или прямого трафика в «спрос под влиянием AI».

Для исследования такого спроса можно сочетать несколько сигналов:

• опросы «как вы узнали о нас?» с отдельным вариантом AI/ChatGPT/Perplexity и свободным полем;
• заметки CRM от отдела продаж;
• изменение брендового поискового спроса;
• прямой трафик и возвращающихся пользователей;
• временную динамику AI-видимости;
• качественные интервью;
• эксперименты или географические/сегментные сравнения, если дизайн позволяет.

Ни один из этих сигналов по отдельности не является полной атрибуцией.

5. Атрибуция: как система аналитики распределила вклад

Атрибуция — это правило распределения вклада между различными точками взаимодействия. Google Analytics описывает модель атрибуции как набор правил или алгоритм, который распределяет вклад по взаимодействиям на пути пользователя.

Это означает важную вещь: атрибуция — модель данных, а не доказательство причинности. Даже если GA4 присвоил ключевое событие определённому source / medium, система отвечает на вопрос «как вклад распределён по наблюдаемым взаимодействиям», а не «какой канал физически вызвал решение пользователя».

Для реферального трафика из AI полезно различать:

6. Причинность: самый сильный и самый трудный вывод

Причинный вопрос звучит так: «Изменилось бы бизнес-поведение пользователя, если бы контакта с AI не произошло?» Обычный аналитический отчёт этого не доказывает.

Чтобы приблизиться к причинному выводу, нужен более сильный дизайн: контролируемый эксперимент, достаточно хороший естественный эксперимент, контрольная группа без воздействия, сегментное сравнение или другая схема, уменьшающая влияние альтернативных объяснений.

В GEO это особенно сложно, потому что одновременно могут меняться:

• AI-модели и механизмы извлечения информации;
• конкурентная активность;
• PR и контент;
• SEO-позиции;
• продукт и цены;
• сезонность;
• брендовый спрос.

Поэтому формулировка «после GEO реферальный трафик из AI вырос — значит GEO вызвал рост» слишком сильная без экспериментального основания.

Практическая модель измерения

Мы рекомендуем держать минимум четыре панели отдельно.

A. Панель AI-видимости

• набор запросов;
• метрики упоминаний и рекомендаций;
• конкурентная видимость;
• источники;
• восприятие и контекст;
• динамика.

B. Панель наблюдаемого реферального трафика из AI

• известные источники и домены AI в аналитике;
• сессии и пользователи;
• целевые страницы;
• вовлечённость;
• ключевые события.

C. Панель спроса

• брендовый поиск;
• прямые визиты;
• данные CRM об источнике знакомства;
• опросы;
• повторные визиты.

D. Журнал изменений

• GEO- и контентные изменения;
• PR-активности;
• запуски продуктов;
• крупные SEO-изменения;
• изменения методики измерения.

После этого можно интерпретировать совместную динамику, не смешивая разные сущности.

Как читать сочетания сигналов

Как отслеживать реферальный трафик из AI в GA4

Начните не с готового списка «всех AI-доменов», который быстро устаревает, а с фактических данных ресурса:

1. Откройте отчёты по привлечению и источникам трафика.
2. Изучите Session source / medium и реферальные источники.
3. Выделите домены AI-сервисов, которые реально встречаются.
4. Создайте отдельное исследование/сегмент или группу каналов по документированному правилу.
5. Версионируйте правило: новые AI-интерфейсы и домены могут появляться.
6. Проверяйте, не попадают ли переходы в direct из-за отсутствующей информации об источнике.

Google определяет referrals как трафик с внешнего источника и предупреждает, что отсутствие информации о трафике может приводить к (direct)/(none). Это одна из причин, почему реферальный трафик из AI нельзя считать полным знаменателем влияния AI.

Как связать это с theLUMA

theLUMA не нужно превращать в инструмент веб-атрибуции. Её естественная роль здесь — измерять другую сторону картины: AI-видимость, конкурентное присутствие, источники и динамику.

Рабочий путь:

Исходный замер AI-видимости → регулярный мониторинг → наблюдаемый реферальный трафик и собственные сигналы спроса → GEO/PR-изменение → повторный замер → осторожная интерпретация.

Так маркетинговая аналитика и мониторинг AI дополняют друг друга, а не конкурируют за одну «главную» метрику.

Что писать в отчёте руководству

Хорошая формулировка:

«За период наблюдаем рост AI-видимости по сопоставимому набору запросов и отдельно рост/снижение распознаваемых реферальных сессий из AI-источников. Эти метрики измеряют разные части пути клиента. Дополнительные сигналы брендового спроса рассматриваем как возможные признаки влияния AI, но не приписываем их AI причинно без дополнительных данных.»

Плохая формулировка:

«AI-видимость принесла X продаж», если единственное основание — совпадение по времени.

Частые вопросы

Можно ли считать трафик из chatgpt.com всем ChatGPT-трафиком?

Нет. Это только те визиты, в которых аналитика смогла распознать соответствующий источник. Часть пользовательских путей может завершаться другим источником или прямым переходом.

Если AI не дал клик, есть ли ценность?

Возможна: рекомендация или упоминание могут повлиять на знание и выбор. Но конкретный бизнес-эффект нужно исследовать дополнительными собственными сигналами, а не предполагать автоматически.

Можно ли объединить AI-видимость и реферальный трафик в одну оценку?

Мы бы не советовали без очень ясной модели. Это разные единицы: одна описывает присутствие в ответах, другая — наблюдаемые визиты.

Рост брендовых запросов доказывает влияние AI?

Нет. Это совместимый с гипотезой сигнал, но на брендовый спрос влияют PR, реклама, продукт, сезонность и другие факторы.

Какая метрика главная?

Зависит от вопроса. Для присутствия в AI — AI-видимость; для наблюдаемых визитов — реферальные сессии; для бизнеса — собственные показатели результата. Сильная система измерения связывает их, не смешивая.

Что делать дальше?

Соберите исходный замер AI-видимости и параллельно настройте отдельный аналитический срез распознаваемых реферальных переходов из AI. Для регулярного мониторинга видимости можно запросить доступ к theLUMA, а атрибуцию и бизнес-результаты продолжать измерять в вашей веб- и CRM-аналитике.

Источники

• Google Analytics — About traffic-source dimensions.
• Google Analytics — Understand (direct) / (none) traffic.
• Google Analytics — Scopes of traffic-source dimensions.
• Google Analytics — Get started with attribution.
• theLUMA — официальный сайт: публичные функции AI-видимости, конкурентного анализа, источников и динамики.