آموزه های سئو

کشف سوالات مشتریان از AI: گنجی که ابزارهای سئو از آن بی خبرند

تبدیل تماس‌های فروش، تیکت‌های پشتیبانی و گفتگوهای آنلاین به نقشه راه تولید محتوای هوش مصنوعی

چگونه تماس های فروش، تیکت های پشتیبانی و گفتگوهای آنلاین را به یک نقشه راه تولید محتوا تبدیل کنیم که به سوالات واقعی مشتریان از هوش مصنوعی پاسخ می دهد و شکاف هایی را پر می کند که ابزارهای تحقیق کلمات کلیدی از آن غافلند.

در مقاله های گذشته، به این موضوع پرداختم که «حجم جستجو» (Search Volume) چگونه بهترین فرصت های محتوایی شما را پنهان می کند. خلاصه بحث این بود که مشتریان بالقوه، سوالات بسیار مهم و دارای قصد خرید بالا (high-intent) را به طور فزاینده ای از دستیارهای هوش مصنوعی می پرسند و این سوالات به ندرت در ابزارهای تحقیق کلمات کلیدی ظاهر می شوند. در انتهای آن مقاله، به چند منبع برای یافتن این سوالات اشاره کردم: بخش “People Also Ask” گوگل، فروم ها و انجمن های آنلاین، تماس های فروش و تیکت های پشتیبانی خودتان، و خودِ دستیارهای هوش مصنوعی. آن لیست فقط شامل چهار مورد بود و رایج ترین بازخوردی که از آن زمان دریافت کردم این بود: «خب، اینها عالیه، ولی دقیقاً چطور باید این کار رو انجام بدم؟»

بنابراین، این مقاله یک راهنمای عملی برای همان «چگونه» است. در ادامه توضیح خواهم داد که چگونه این سوالات را جمع آوری می کنم، چگونه با استفاده از سرچ کنسول گوگل بررسی می کنم که کدام یک از آن ها در حال حاضر به سایت من می رسند، و چگونه تمام این اطلاعات پراکنده را به یک برنامه مدون تبدیل می کنم که تیم تولید محتوا بتواند از آن استفاده کند.

با گنجینه داخلی خودتان شروع کنید: تماس ها و تیکت ها

من همیشه کار را از اینجا شروع می کنم، زیرا این منبعی است که بیشتر تیم ها نادیده اش می گیرند و معمولاً بهترین منبع هم هست. تماس های فروش، جلسات مشاوره اولیه (discovery calls)، تیکت های پشتیبانی، لاگ های چت آنلاین و پیام هایی که افراد قبل از رزرو یک جلسه دمو ارسال می کنند، همگی حاوی کلماتی هستند که افراد برای توصیف مشکلشان به زبان خودشان استفاده می کنند. این زبان، بسیار نزدیک به زبانی است که آن ها برای صحبت با ChatGPT یا Gemini به کار می برند.

این یک مثال واقعی از یکی از جلسات مشاوره اخیر خودم است (جزئیات برای حفظ حریم خصوصی تغییر کرده اند). مشتری بالقوه ما یک فروشگاه اینترنتی مبلمان بود و مکالمه را تقریباً این طور شروع کرد:

«ما چند سال پیش سایتمون رو به شاپیفای (Shopify) منتقل کردیم و بخش بزرگی از رتبه هامون رو از دست دادیم. بخشی از رتبه ها برگشت، ولی امسال دوباره افت کردیم. می خواستم بدونم این مشکل هنوز مربوط به همون مهاجرت سایته یا به خاطر اینه که صفحات دسته بندی خودمون دارن با هم رقابت می کنن (Keyword Cannibalization)؟»

چند دقیقه بعد، سوال دومی پرسید:

«ما دقیقاً همین محصولات رو در سایت های فرانسه و آلمان هم می فروشیم، ولی اون سایت ها تقریباً هیچ ورودی ای ندارن. آیا لازمه برای هر کشور محتوای کاملاً جداگانه ای تولید کنیم؟»

هیچ کدام از این دو پرسش هرگز در خروجی یک ابزار تحقیق کلمات کلیدی ظاهر نمی شوند. نزدیک ترین عباراتی که شاید پیدا کنید، چیزهایی مثل «سئو مهاجرت شاپیفای» یا «سئو بین المللی» است که تقریباً هیچ اطلاعاتی درباره موقعیت واقعی مشتری به شما نمی دهد. اما اگر به این دو سوال به عنوان یک «بریف محتوایی» (Content Brief) نگاه کنید، فوق العاده دقیق هستند: یک پلتفرم مشخص (شاپیفای)، یک بازه زمانی، دو دلیل احتمالی برای مشکل، و یک تصمیم مهم که باید گرفته شود.

این دقیقاً همان نوع سوالی است که یک خریدار از یک دستیار هوش مصنوعی می پرسد و همان نوع سوالی است که محتوای شما باید بتواند به آن پاسخ دهد. این نوع تحلیل عمیق از نیاز مشتری، سنگ بنای استراتژی های موفقی است که ما در دانش وب برای مشتریان طراحی سایت و سئو خود پیاده سازی می کنیم.

استخراج سوالات واقعی مشتریان از فایل صوتی تماس های فروش و تیکت های پشتیبانی با هوش مصنوعی

نمایش بصری نحوه تبدیل مکالمات ضبط شده جلسات مشاوره، چت های آنلاین و تیکت های پشتیبانی به پرسش های ساختارمند و پرتکرار کاربران برای کشف موضوعات محتوایی با حجم جستجوی پنهان.

چگونه این سوالات را در مقیاس بزرگ استخراج کنیم؟

اگر تماس های خود را ضبط می کنید (من از ابزارهایی مانند Fireflies استفاده می کنم، اما اکثر سیستم های ضبط تماس، خروجی متنی یا Transcript ارائه می دهند)، توصیه می کنم متن پیاده شده تماس های فروش و مشاوره سه ماه اخیر را استخراج کرده و با یک پرامپت (دستور) مشابه این، آن ها را به یک دستیار هوش مصنوعی بدهید:

«از روی این متن های پیاده شده تماس ها، تمام سوالاتی که مشتری بالقوه پرسیده یا به طور ضمنی به آن اشاره کرده را لیست کن. هر سوال را به گونه ای بازنویسی کن که انگار همان شخص آن را از یک دستیار AI می پرسد. تمام جزئیات و محدودیت ها مانند اندازه شرکت، بودجه، بازه زمانی، پلتفرم و کارهایی که قبلاً امتحان کرده اند را حفظ کن. سوالات مشابه را در یک گروه قرار بده و مشخص کن که هر گروه از سوالات در چند تماس تکرار شده است.»

دستور آخر در این پرامپت حیاتی است. اگر یک سناریوی مشابه در پنج تماس مختلف تکرار شود، این نزدیک ترین داده ای است که شما به «تقاضا» برای یک سوال با حجم جستجوی صفر دارید و در یک جلسه تیمی، بسیار متقاعدکننده تر از این جمله است که «من فکر می کنم مردم این را می پرسند.»

در اینجا باید مراقب چند نکته باشید. قبل از اینکه متن ها را به یک ابزار سوم (Third-party) بدهید، نام ها، جزئیات شرکت و هرگونه اطلاعات شناسایی را حذف کنید. همچنین، تماس های فروش بیشتر به سمت افرادی سوق دارند که در مراحل پایانی خرید هستند. بنابراین، من تیکت های پشتیبانی و پیام های پیش از فروش را نیز به این ترکیب اضافه می کنم تا سوالات مراحل اولیه سفر مشتری را نیز پوشش دهم.

از انجمن های آنلاین برای تکمیل تصویر استفاده کنید

تماس های شما فقط داستان افرادی را می گویند که قبلاً شما را پیدا کرده اند. انجمن های آنلاین (Forums) به شما کمک می کنند تا بقیه افراد را نیز بشناسید.

ردیت (Reddit) واضح ترین گزینه است، اما Quora، گروه های تخصصی در Slack و Discord، گروه های فیسبوک و سایت های بررسی مانند G2 یا Trustpilot نیز بسته به بازار شما می توانند به همان اندازه مفید باشند. ارزش اصلی معمولاً در پست اول نهفته است، جایی که یک نفر مشکل و محدودیت های خود را به طور کامل توضیح می دهد، و همچنین در پاسخ ها، جایی که افراد دیگر سوالات تکمیلی را می پرسند که یک دستیار AI نیز برای دادن پاسخ مناسب به آن ها نیاز دارد.

با همان مثال مهاجرت سایت، یک جستجوی ساده مانند site:reddit.com shopify migration rankings dropped احتمالاً موضوعات زیادی را نشان می دهد که در آن صاحبان فروشگاه ها همین مشکل را با کلمات خودشان توصیف کرده اند؛ اغلب با جزئیاتی که مشتری من به آن ها اشاره نکرده بود، مانند مشکلات ریدایرکت یا اینکه چقدر منتظر مانده اند تا دچار وحشت شوند.

من مرتبط ترین گفتگوها را در یک سند کپی کرده و همان پرامپت استخراج سوال را روی آن ها اجرا می کنم. به این ترتیب، سوالات انجمن ها و سوالات فروش در یک فرمت یکسان قرار می گیرند و می توانید بعداً آن ها را با هم گروه بندی کنید.

ببینید دستیارهای هوش مصنوعی چگونه یک سوال را تجزیه می کنند

وقتی مجموعه ای از سوالات واقعی را در دست دارید، قدم بعدی این است که بفهمید یک دستیار هوش مصنوعی برای پاسخ به آن ها، در واقع چه چیزهایی را جستجو می کند.

گوگل به صراحت اعلام کرده است که ویژگی های AI Overviews و AI Mode ممکن است از تکنیک «فن آوت کوئری» (Query Fan-out) استفاده کنند؛ یعنی برای ساختن یک پاسخ واحد، چندین جستجوی مرتبط را انجام می دهند. شما نمی توانید این جستجوها را در یک جلسه واقعی AI Mode ببینید، اما می توانید از طریق Gemini API به یک تقریب منطقی دست پیدا کنید.

وقتی از قابلیت Grounding با Google Search در این API استفاده می کنید، پاسخ API شامل یک فیلد به نام webSearchQueries است که جستجوهایی را که مدل برای پاسخ به پرامپت شما انجام داده، لیست می کند. مستندات خود گوگل این قابلیت را برای درک «فرایند استدلال مدل» مفید توصیف می کند.

اگر همان سوال اول درباره مهاجرت سایت را به آن بدهید، انتظار می رود زیر-جستجوهایی (sub-queries) مانند «چه مدت طول می کشد رتبه ها بعد از مهاجرت به شاپیفای بازیابی شوند»، «چگونه ریدایرکت ها را بعد از تغییر پلتفرم بررسی کنیم» و «چگونه کنیبالیزیشن کلمات کلیدی بین صفحات دسته بندی را تشخیص دهیم» را ببینید. خروجی شما ممکن است در هر بار اجرا متفاوت باشد، اما هر زیر-جستجو عملاً یک بخش از محتوایی است که صفحه شما برای مفید بودن به عنوان منبع، باید پوشش دهد.

برای این کار نیازی به دانش فنی پیچیده ندارید. تیم Go Fish Digital یک راهنمای گام به گام منتشر کرده که این فرآیند را با استفاده از ابزار Screaming Frog، یک قطعه کد جاوا اسکریپت آماده و یک کلید API از Google AI Studio انجام می دهد.

اما می خواهم شفاف بگویم که این خروجی دقیقاً چیست. این داده به شما نشان می دهد که یک مدل Gemini چگونه یک سوال را بسط می دهد، که تقریب خوبی برای ویژگی های هوش مصنوعی گوگل است، اما این یک رکورد از آنچه AI Mode برای یک کاربر واقعی اجرا کرده، نیست. من با آن به عنوان یک چک لیست برای پوشش محتوایی رفتار می کنم.

برای ChatGPT، Perplexity و سایر دستیارها، روش دستی هنوز به خوبی کار می کند. سوال خود را از هر کدام بپرسید، یادداشت کنید که کدام زیرموضوعات را پوشش می دهند و به کدام منابع استناد می کنند، و آن را با صفحه ای که قرار است به آن سوال پاسخ دهد، مقایسه کنید.

تحلیل فن آوت کوئری در هوش مصنوعی و بررسی سوالات طولانی مشتریان در سرچ کنسول گوگل

این تصویر نشان می دهد چگونه یک پرسش اصلی کاربر در موتورهای جستجوی هوش مصنوعی به چندین زیر-جستجوی مرتبط (Sub-queries) منشعب می شود و چگونه می توان ردپای آن ها را در گزارش های سرچ کنسول گوگل بررسی کرد.

از سرچ کنسول برای تایید فرضیه ها استفاده کنید

سرچ کنسول برای این کار بیشتر یک ابزار «تایید» است تا یک ابزار «کشف»، زیرا به شما نشان می دهد کدام یک از این سوالات طولانی، در حال حاضر به سایت شما می رسند.

کوئری های طولانی و محاوره ای در گزارش Performance ظاهر می شوند. برای یک بررسی سریع، من از فیلتر Custom (regex) در بخش Query استفاده می کنم. این الگو، کوئری های ۸ کلمه ای یا بیشتر را برمی گرداند:

بخش Query استفاده می کنم. این الگو، کوئری های ۸ کلمه ای یا بیشتر را برمی گرداند:

^([^ ]+ ){7,}[^ ]+$

و این الگو، کوئری هایی را که با یک کلمه پرسشی شروع می شوند، پیدا می کند:

^(how|what|why|which|should|can|do|does|is|are|when|where|who)\s

سپس، نتایج را با سوالاتی که از تماس ها و انجمن ها استخراج کرده ام مقایسه می کنم. اگر سناریوی مهاجرت سایت به عنوان یک کوئری طولانی ظاهر شود، این یک تایید خوب است که افراد واقعی این مشکل را در گوگل جستجو می کنند. اگر ظاهر نشود، می تواند به دلیل شکاف محتوایی (coverage gap) باشد، یا اینکه این کوئری ها آنقدر نادر هستند که گوگل آن ها را به شما نشان نمی دهد.

نکته آخر مهم است، زیرا گوگل کوئری های نادر را برای حفظ حریم خصوصی ناشناس (anonymize) می کند و کوئری های محاوره ای تقریباً همیشه نادر هستند. یک تحلیلگر متوجه شد که ۵۷.۷٪ از ایمپرشن های سایتش در یک دوره ۵۹ روزه در بخش ناشناس قرار داشته اند، بنابراین هر چیزی که در اینجا پیدا کنید، کمتر از تعداد واقعی است.

همه چیز را به یک نقشه راه محتوایی تبدیل کنید

تا اینجا، شما یک لیست نامرتب از سوالات از چندین منبع مختلف دارید. برای اینکه آن را به شکلی درآورید که یک تیم محتوا بتواند واقعاً از آن استفاده کند، من همه چیز را در یک شیت (spreadsheet) قرار می دهم. در اینجا یک نمونه از یک ردیف، با استفاده از همان مثال مهاجرت سایت، آمده است:

ستون مثال
سوال کاربر «به شاپیفای مهاجرت کردیم، رتبه از دست دادیم، کمی برگشت و دوباره افت کرد. مشکل از مهاجرته یا رقابت صفحات دسته بندی؟»
منبع جلسه مشاوره، به علاوه چندین تاپیک در ردیت
فرکانس تکرار مثلاً در ۳ تماس از ۲۰ تماس اخیر
موقعیت مشتری فروشگاه اینترنتی، روی شاپیفای، حدود دو سال پیش مهاجرت کرده، دومین افت در سال جاری
سوالات فرعی (از AI) زمان بندی بازیابی رتبه، بررسی ریدایرکت ها، کنیبالیزیشن صفحات دسته بندی
صفحه موجود در سایت صفحه خدمات سئو شاپیفای
پوشش محتوایی تا حدی پاسخ داده شده (مهاجرت را پوشش می دهد، اما کنیبالیزیشن را نه)
اولویت بالا

برای ستون «اولویت»، من از همان معیارهای قبلی استفاده می کنم: ارزش تجاری سوال، شواهدی مبنی بر پرسیده شدن آن، بزرگی شکاف محتوایی، و اینکه آیا می توانید با جزئیات واقعی به آن پاسخ دهید یا خیر. ستون «فرکانس تکرار» مستقیماً به معیار دوم کمک می کند.

وقتی شیت پر شد، معمولاً متوجه می شوید که بیشتر سوالات حول چند موقعیت خاص جمع شده اند. این خوشه ها، نقشه راه محتوایی شما هستند. بر اساس تجربه من، بیشتر این موارد را می توان با تقویت یک صفحه ای که از قبل دارید، مدیریت کرد. این کار هم سریع تر از انتشار یک مقاله جدید است و هم معمولاً عملکرد بهتری دارد. اینجا نقطه ای است که خدماتی مانند «بهینه سازی و تولید محتوای سئو محور» که در دانش وب ارائه می دهیم، می تواند تفاوت چشمگیری ایجاد کند.

این روش چه چیزهایی را به شما نخواهد گفت؟

من آگاهم که این روش بسیار کمتر از مرتب سازی یک اکسل بر اساس حجم جستجو، «تمیز» و قطعی به نظر می رسد. بنابراین، بهتر است در مورد محدودیت های آن صادق باشیم.

  • شما هنوز هیچ عدد دقیقی برای حجم جستجوی این سوالات نخواهید داشت، به این معنی که اولویت بندی شما بر اساس قضاوت و شواهد کیفی (مانند فرکانس تکرار) است.
  • تماس های شما به سمت افرادی سوگیری دارد که از قبل شما را می شناسند، بنابراین سوالات مخاطبانی که هنوز به آن ها دسترسی ندارید، کمتر نمایندگی می شوند.
  • تحلیل «فن آوت» Gemini یک تقریب از رفتار گوگل است، نه یک حقیقت محض.
  • سرچ کنسول به دلیل ناشناس سازی، تنها بخشی از تصویر را به شما نشان می دهد.

با این حال، من فکر نمی کنم هیچ کدام از این ها دلیلی برای انجام ندادن این کار باشد. این فقط به این معنی است که شما باید خروجی را به عنوان یک «لیست کوتاه با شواهد قوی» ارائه دهید، به خصوص به مدیران یا ذی نفعانی که عادت دارند کنار هر هدف یک عدد ببینند.

نتیجه گیری

دنیای سئو در حال یک گذار استراتژیک از کمیت گرایی صرف به سمت درک عمیق کیفی است. دیگر نمی توان تنها به ابزارهای تحقیق کلمات کلیدی که اعداد و ارقام کلی را نشان می دهند، اتکا کرد. گنج واقعی در سوالات دقیق، موقعیت محور و پر از جزئیاتی نهفته است که مشتریان واقعی شما هر روز از دستیارهای هوش مصنوعی یا در تماس با تیم شما می پرسند. این مقاله یک نقشه راه عملی برای استخراج این گنجینه ارائه داد. با گوش دادن فعالانه به صدای مشتری در کانال های مختلف (تماس ها، تیکت ها، انجمن ها) و استفاده هوشمندانه از خودِ ابزارهای AI برای درک ساختار این سوالات، شما می توانید محتوایی تولید کنید که نه تنها به رتبه نمی رسد، بلکه مستقیماً به قلب نیاز کاربر شلیک می کند، اعتماد می سازد و شما را به عنوان یک مرجع واقعی در صنعت خود معرفی می کند. این رویکرد، یعنی حرکت از «شکار کلمات کلیدی» به «حل مشکلات واقعی»، آینده تولید محتوای هدفمند و برگ برنده کسب وکارهایی مانند دانش وب است که فراتر از الگوریتم ها، به انسان ها فکر می کنند.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *