Uw merk wordt door AI aanbevolen.

Dat is positief.

Maar daarmee is de analyse nog niet compleet.

Stel dat ChatGPT bij 100 relevante prompts uw merk 40 keer aanbeveelt.

Concurrent A wordt eveneens:

40 keer

aanbevolen.

Op basis van alleen Recommendation Rate lijken beide merken even sterk.

Maar vervolgens ontdekt u:

Uw merk staat gemiddeld op positie:

3,2

Concurrent A:

1,4

Concurrent A verschijnt bovendien bij 65% van zijn recommendations als eerste aanbevolen oplossing.

Uw merk slechts bij:

18%.

Dan is de competitive recommendationpositie helemaal niet gelijk.

Dat is precies wat:

AI Recommendation Position Tracking

zichtbaar maakt.

AI Recommendation Position Tracking meet op welke positie uw merk en concurrenten verschijnen wanneer een AI-response meerdere merken, producten, leveranciers of oplossingen aanbeveelt.

De centrale vraag is:

Wanneer AI ons merk aanbeveelt, hoe prominent staat die recommendation dan ten opzichte van onze concurrenten?

Wat is AI Recommendation Position?

AI Recommendation Position is de positie van een merk binnen een duidelijk geordende set van recommendations.

Bijvoorbeeld:

Ik zou deze oplossingen bekijken:

1. Concurrent A
2. Uw merk
3. Concurrent B

Dan is:

Concurrent A:

Recommendation Position 1

Uw merk:

Recommendation Position 2

Concurrent B:

Recommendation Position 3

Waarom Recommendation Position belangrijk is

Een recommendation kan verschillende niveaus van prominence hebben.

Vergelijk:

De beste keuze is Product A. Daarnaast kunt u B en C bekijken.

met:

Product A, B en C zijn mogelijke opties.

In het eerste antwoord is A duidelijk prominenter.

Daarom is alleen:

Recommended = Yes/No

niet altijd voldoende.

Recommendation Rate versus Recommendation Position

Artikel 6 behandelde:

Recommendation Rate.

Die metric vraagt:

Hoe vaak worden we aanbevolen?

Recommendation Position vraagt:

Waar staan we wanneer we worden aanbevolen?

Voorbeeld

Uw merk:

Recommendation Rate — 42%.

A:

Recommendation Rate — 42%.

Maar:

Uw Average Recommendation Position — 3,1.

A — 1,5.

De Recommendation Rates zijn gelijk.

De recommendation prominence niet.

Recommendation Position versus algemene AI Position

Artikel 14 behandelde:

AI Position Tracking.

Dat is breder.

AI Position Tracking kan kijken naar de positie van een brand binnen allerlei:

• lists;
• comparisons;
• mentions;
• alternatives;
• category answers.

Recommendation Position Tracking kijkt uitsluitend naar:

recommendation contexts.

Waarom dit onderscheid nodig is

Een merk kan als eerste worden genoemd in een algemene uitleg zonder daadwerkelijk recommended te worden.

Dat is geen Recommendation Position 1.

Eerst moet worden vastgesteld:

is dit een recommendation?

Pas daarna:

wat is de position?

Recommendation Position versus Preference

Ook dit onderscheid is cruciaal.

Positie 1 betekent niet automatisch:

Preferred Brand.

Voorbeeld

AI zegt:

Drie opties zijn:

1. Product A
2. Product B
3. Product C

Voor uw specifieke situatie zou ik Product B kiezen vanwege de sterkere securitymogelijkheden.

A staat:

positie 1.

B staat:

positie 2.

Maar B krijgt:

Preference.

Daarom moeten Recommendation Position en Preference apart blijven.

Recommendation Position versus Win

Ook een eerste recommendation betekent niet automatisch:

Win.

Een directe vergelijking later in het antwoord kan een andere brand als beste keuze aanwijzen.

Daarom:

Position ≠ Preference ≠ Win.

Wanneer bestaat een geldige Recommendation Position?

Alleen wanneer voldoende ordering aanwezig is.

Bijvoorbeeld:

1. A.
2. B.
3. C.

Duidelijk.

Ook impliciete ordering kan voorkomen

Bijvoorbeeld:

Mijn eerste keuze is A. B is een goed alternatief en C zou ik vooral voor kleinere teams bekijken.

Hier bestaat een duidelijke hierarchy:

A → B → C.

Maar classification is moeilijker.

Geen positie forceren

Bijvoorbeeld:

A, B en C zijn alle drie goede opties.

Zonder verdere ordering.

Dan moet AI Monitor Brand niet automatisch aannemen:

A = 1.

B = 2.

C = 3.

Alleen omdat de namen in die volgorde staan.

List Order versus Recommendation Order

Dit is methodologisch zeer belangrijk.

List Order

is simpelweg de volgorde waarin brands verschijnen.

Recommendation Order

is de volgorde waarin ze daadwerkelijk worden aanbevolen.

Die twee kunnen gelijk zijn.

Maar dat hoeft niet.

Ordered Recommendation

Wanneer AI expliciet:

• nummers;
• ranking;
• first choice;
• second choice;
• top pick;

gebruikt, is de confidence hoog.

Unordered Recommendation

Wanneer AI zegt:

A, B en C zijn geschikte opties.

dan hebben alle drie een recommendation.

Maar mogelijk:

geen betrouwbare Recommendation Position.

Position Unknown

In zo’n geval:

recommendation_position = null

of:

Position Unknown.

Dat is beter dan een verzonnen ranking.

Explicit versus Inferred Position

Een bruikbaar onderscheid:

Explicit Position

AI geeft zelf duidelijke ordering.

Strongly Inferred Position

De tekst bevat een sterke hierarchy.

Unordered

Geen betrouwbare ordering.

Dit moet worden opgeslagen.

Recommendation Position Confidence

Daarmee kan een confidence-level worden toegevoegd:

High

Explicit ranking.

Medium

Strong textual ordering.

Low

Ambiguous.

Voor metrics zou ik Low Confidence observations eventueel uitsluiten.

Average Recommendation Position

Een van de eenvoudigste metrics:

Average Recommendation Position.

Formule

Som van alle geldige Recommendation Positions:

gedeeld door:

aantal positioned recommendation appearances.

Voorbeeld

Uw positions:

1, 2, 2, 3, 4.

Som:

Aantal:

Average Recommendation Position:

2,4

Lager is beter

Bij Average Position betekent:

1,4

meer prominence dan:

3,2.

Daarom moet de UI duidelijk maken:

lower = more prominent.

Median Recommendation Position

Gemiddelden kunnen worden beïnvloed door uitschieters.

Daarom is ook:

Median Recommendation Position

nuttig.

Voorbeeld

Positions:

1, 1, 1, 2, 9.

Average:

2,8.

Median:

De median laat zien dat het merk meestal zeer prominent staat.

Mijn advies voor AI Monitor Brand

Toon:

Average Position

en:

Top-1 Rate

Top-3 Rate

Dat is voor gebruikers begrijpelijker dan allerlei complexe statistieken.

Top-1 Recommendation Rate

Hoe vaak verschijnt uw merk als eerste recommendation?

Formule:

Top-1 Recommendation Rate = position-1 recommendations ÷ positioned recommendation opportunities waarin uw merk recommended is × 100

Voorbeeld

Uw merk:

100 positioned recommendations.

18 keer position 1.

Top-1 Rate:

18%

Concurrent A

100 positioned recommendations.

54 keer position 1.

Top-1 Rate:

54%

De Recommendation Rate kan gelijk zijn.

Maar A heeft veel sterkere prominence.

Top-3 Recommendation Rate

Hoe vaak staat uw merk binnen:

positie 1, 2 of 3?

Voorbeeld

100 positioned recommendations.

Uw merk staat 72 keer Top 3.

Top-3 Recommendation Rate:

72%

Waarom Top-3 nuttig is

Veel AI-antwoorden presenteren een beperkte set oplossingen.

Top-3 presence kan daardoor intuïtief begrijpelijk zijn.

Maar het is nog steeds:

een monitoringmetric.

Niet automatisch bewijs van clicks of sales.

Top-5 Recommendation Rate

Voor categories met langere recommendation lists kan:

Top-5 Recommendation Rate

nuttig zijn.

Maar ik zou dit alleen tonen wanneer de monitored responses regelmatig langere lists bevatten.

First Recommendation Rate

Een alternatief voor Top-1:

First Recommendation Rate.

Dit is semantisch misschien nog duidelijker.

Recommendation Position Distribution

Een gemiddelde verbergt veel.

Daarom kan een distribution worden weergegeven.

Bijvoorbeeld:

Nu ziet u precies waar het merk meestal verschijnt.

Concurrent comparison

Concurrent A heeft duidelijk meer first-position prominence.

Recommendation Position Share

U kunt ook vragen:

Welk merk bezit het grootste aandeel van position-1 recommendations?

Dat geeft:

Position-1 Recommendation Share of Voice.

Voorbeeld

Alle position-1 recommendation events:

Uw merk — 24%.

A — 53%.

B — 23%.

Dit is:

Top-1 Recommendation SOV.

Recommendation SOV versus Top-1 Recommendation SOV

Artikel 42 behandelde:

Recommendation SOV.

Voorbeeld:

Overall Recommendation SOV:

Uw merk — 34%.

A — 39%.

B — 27%.

Top-1 Recommendation SOV:

Uw merk — 21%.

A — 57%.

B — 22%.

Nu ziet u dat A vooral de meest prominente recommendations domineert.

Recommendation Prominence Gap

Dit verschil kan worden genoemd:

Recommendation Prominence Gap.

Voorbeeld

A Top-1 Rate:

54%.

Uw merk:

18%.

Prominence Gap:

−36 procentpunt.

Average Position Gap

Uw average:

3,1.

A:

1,7.

Difference:

1,4 positions.

Dit is:

Average Recommendation Position Gap.

Position Gap to Leader

Het verschil tussen uw average position en de best presterende competitor.

Recommendation Position Leader

Het merk met:

• laagste Average Position;
• en/of hoogste Top-1 Rate;

kan worden gezien als:

Recommendation Position Leader.

Maar ik zou in dashboards vooral de afzonderlijke metrics tonen.

Uw merk + twee concurrenten

Dit past perfect bij de core propositie van AI Monitor Brand.

In één tabel ziet u:

frequency + share + prominence.

High-Intent Recommendation Position

Position binnen high-intent prompts is waarschijnlijk belangrijker dan binnen algemene recommendations.

Voorbeeld

Overall Average Position:

2,4.

High-Intent Average Position:

3,2.

Uw merk zakt wanneer de commercial intent hoger wordt.

High-Intent Top-1 Rate

Overall:

31%.

High Intent:

14%.

Dat is een belangrijke warning.

High-Intent Position Gap

Concurrent A:

High-Intent Average Position — 1,4.

Uw merk — 3,2.

Gap:

1,8 positions.

Commercial Recommendation Prominence

Voor management kan dit worden samengevat als:

Commercial Recommendation Prominence.

Maar voor productmetrics zou ik de concrete Top-1/Top-3 metrics gebruiken.

Unbranded Recommendation Position

Bij unbranded prompts moet AI zelf de brands selecteren én ordenen.

Daarom is:

Unbranded Recommendation Position

zeer interessant.

Voorbeeld

Branded Average Position:

1,9.

Unbranded:

3,3.

Uw merk wordt veel prominenter wanneer de gebruiker het vooraf noemt.

Unbranded Position Gap

Dat kan een signaal zijn dat uw organic AI recommendation prominence relatief zwak is.

Discovery Position versus Recommendation Position

Discovery Position:

waar wordt uw merk spontaan geïntroduceerd?

Recommendation Position:

waar staat het binnen daadwerkelijke recommendations?

Voorbeeld

Discovery Position:

1,8.

Recommendation Position:

3,1.

Uw merk wordt vroeg ontdekt.

Maar competitors schuiven ervoor wanneer AI recommendations formuleert.

Dat is een belangrijk funnel insight.

Discovery-to-Recommendation Position Shift

Bijvoorbeeld:

Discovery Position — 1,7.

Recommendation Position — 3,0.

Shift:

+1,3 positions.

Omdat hoger nummer slechter is, verliest uw merk prominence downstream.

Positive Position Shift

Andersom:

Discovery Position:

3,2.

Recommendation Position:

1,9.

Uw merk stijgt zodra AI daadwerkelijk gaat selecteren.

Dat is sterk.

Recommendation Position en Shortlist

Uw shortlist position kan eveneens worden vergeleken met recommendation position.

Shortlist-to-Recommendation Position Shift

Shortlist:

2,8.

Recommendation:

1,9.

Uw merk stijgt binnen de funnel.

Recommendation Position en Preference

Zoals eerder:

Recommendation Position 1

is niet automatisch:

Preference.

Daarom is een interessante analyse:

Position-to-Preference Conversion.

Position-1 Preference Rate

Wanneer uw merk Recommendation Position 1 heeft:

hoe vaak krijgt het vervolgens ook Preference?

Voorbeeld

Position-1 appearances:

Preferred:

Position-1-to-Preference Rate:

74%

Concurrent A

Position-1:

Preferred:

Dan is A niet alleen vaak first recommendation, maar zet het die positie sterker om in preference.

Lower-Position Preference Wins

Interessant:

hoe vaak wordt een merk op position 2 of 3 uiteindelijk preferred?

Dit kan aantonen dat list order niet gelijkstaat aan final preference.

Recommendation Position en Win/Loss

Hetzelfde geldt voor decisive wins.

Een brand kan:

position 2

staan,

maar later de direct comparison winnen.

Daarom moeten beide events apart worden opgeslagen.

Recommendation Position per platform

Bijvoorbeeld:

Nu ziet u waar uw recommendation prominence het sterkst is.

Platform Position Gap

Gemini:

3,0.

Perplexity:

1,9.

Difference:

1,1 position.

Cross-Platform Position Consistency

Als uw merk overal rond:

2,0

staat:

high consistency.

Als het varieert:

1,3 tot 4,1:

high fragmentation.

Recommendation Position per topic

Bijvoorbeeld:

Dit laat zien waar uw brand prominence sterk of zwak is.

Topic Recommendation Position Gap

Enterprise:

Uw merk — 3,8.

A — 1,3.

Dit is een grote strategic prominence gap.

Recommendation Position per category

AI Brand Monitoring — 1,8.

GEO Software — 2,9.

AI Reputation Monitoring — 3,4.

Competitor Intelligence — 1,5.

Dit geeft:

Category Recommendation Position.

Recommendation Position per use case

Competitor Tracking — 1,5.

Share of Voice — 1,8.

Citation Tracking — 2,6.

Agency Reporting — 3,0.

Enterprise Governance — 3,7.

Dit is een duidelijke use-case map.

Recommendation Position per persona

Marketingmanager — 1,9.

SEO-specialist — 1,7.

Brand manager — 2,2.

CMO — 3,1.

Enterprise IT — 3,5.

Hiermee ziet u voor welke buyers uw brand prominence verandert.

Recommendation Position per bedrijfsgrootte

SMB:

1,7.

Mid-market:

2,2.

Enterprise:

3,6.

Dit kan een enterprise positioning weakness zichtbaar maken.

Recommendation Position per industrie

Technology — 1,9.

Professional Services — 2,1.

Retail — 2,8.

Finance — 3,3.

Healthcare — 3,5.

Dit geeft:

Industry Recommendation Position.

Dutch Recommendation Position

Voor Nederlandse prompts:

Average Position:

1,8.

Voor internationale Engelstalige prompts:

3,1.

Uw brand heeft een duidelijke:

Dutch Recommendation Position Advantage.

Language Position Gap

Nederlands:

1,8.

Engels:

3,1.

Difference:

1,3 positions.

Recommendation Position per Decision Criterion

Dit wordt bijzonder waardevol.

Bijvoorbeeld:

Dit is bijna een competitive positioning map.

Criterion Position Leadership

Uw merk bezit:

Ease.

Dutch Fit.

A bezit:

Security.

Enterprise.

B:

Price.

Dat kan direct aansluiten op Decision Criteria en Attribute Ownership.

Recommendation Position en Recommendation Reasons

Waarom staat A vaak eerste?

Recommendation Reason Tracking kan bijvoorbeeld laten zien:

A wordt op position 1 vaak gekoppeld aan:

• enterprise capabilities;
• security;
• integrations.

Uw merk:

• ease;
• Dutch market;
• simplicity.

Dit helpt prominence interpreteren.

Maar geen causale overclaim

Correct:

Enterprise Readiness appears frequently as a recommendation reason in responses where A occupies position 1.

Niet:

Enterprise Readiness veroorzaakt A’s eerste positie.

Recommendation Position en Trade-Offs

AI kan expliciet zeggen:

A is krachtiger, maar complexer. B is eenvoudiger. Voor deze enterprise zou ik A als eerste keuze plaatsen.

Nu is de trade-off gekoppeld aan position.

Dat is zeer waardevolle decision intelligence.

Recommendation Position en Attributes

Een attribute kan samengaan met hogere positions.

Bijvoorbeeld:

Security attribute present:

Average Position 1,5.

Security absent:

2,8.

Dit is:

Attribute-to-Position Association.

Geen bewezen causaliteit.

Recommendation Position en Differentiators

Een differentiator kan vooral voorkomen wanneer uw merk position 1 krijgt.

Dat geeft:

Differentiator-to-Top-1 Association.

Recommendation Position en Accuracy

Een eerste positie kan gebaseerd zijn op incorrecte informatie.

Bijvoorbeeld:

Product A staat op één omdat het volledig gratis is.

Terwijl dat niet klopt.

Dit kan worden gemarkeerd als:

Potential Accuracy-Driven Top Recommendation.

Waarom dit belangrijk is

Een hoge Recommendation Position is niet automatisch positief wanneer de supporting information verkeerd is.

Accuracy blijft een aparte kwaliteitslaag.

Recommendation Position en Misrepresentation

Uw merk kan laag worden geplaatst omdat AI het te beperkt positioneert.

Bijvoorbeeld:

Product A is vooral geschikt voor kleine teams.

Bij enterprise prompts:

position 4.

Als deze framing structureel terugkomt, kan een:

Positioning-Related Recommendation Position Gap

worden onderzocht.

Recommendation Position en citations

Wanneer citations zichtbaar zijn:

welke sources komen voor wanneer uw merk position 1 krijgt?

Welke bij competitors?

Dit is:

Recommendation Position Source Intelligence.

Top-1 Citation Profile

Bijvoorbeeld:

responses waarin A position 1 heeft bevatten vaak bepaalde source types.

Dat is een relevant observation.

Niet automatisch een oorzaak.

Recommendation Position Trend

Historical tracking:

Januari — 3,1.

Maart — 2,8.

Mei — 2,5.

Juli — 2,2.

September — 1,9.

Omdat lager beter is:

uw prominence verbetert.

Position Gain

3,1 → 1,9.

Verbetering:

1,2 positions.

Position Decline

1,7 → 2,9.

Verslechtering:

1,2 positions.

Top-1 Momentum

Bijvoorbeeld:

Top-1 Rate:

12%.

18%.

24%.

31%.

37%.

Dit is:

Positive Top-1 Recommendation Momentum.

Competitive Position Momentum

Uw merk:

Average Position 2,9 → 2,1.

A:

1,8 → 2,0.

U loopt duidelijk in.

Position Leadership Change

Vorige periode:

A Average Position — 1,7.

Uw merk — 2,0.

Nieuwe periode:

Uw merk — 1,6.

A — 1,9.

Uw merk wordt de prominence leader binnen de dataset.

Recommendation Position Volatility

Repeated observations:

1, 4, 2, 5, 1, 3.

Veel volatiliteit.

Stable Recommendation Position

1, 2, 1, 2, 1, 2.

Veel stabieler.

Position Stability

Een toekomstige metric kan aangeven hoe consistent recommendation prominence is.

Maar dit hoeft niet in de MVP.

Recommendation Position Confidence

Confidence hangt onder andere af van:

• explicit ordering;
• number of positioned recommendations;
• repeated observations;
• prompt consistency;
• platform coverage.

Sample size

Average Position:

1,4.

N = 5.

is minder robuust dan:

Average Position:

1,8.

N = 1.500.

Daarom moet:

N

altijd beschikbaar zijn.

Position Coverage

Niet iedere recommendation heeft een betrouwbare position.

Daarom is een nuttige metric:

Recommendation Position Coverage.

Formule

Position Coverage = recommendations met betrouwbare position ÷ totaal recommendations × 100

Voorbeeld

500 recommendations.

320 hebben duidelijke ordering.

Position Coverage:

64%

Average Position wordt dus berekend over:

320 positioned recommendations.

Dit moet transparant zijn.

Waarom Position Coverage belangrijk is

Anders kan een gebruiker denken dat Average Position alle recommendations vertegenwoordigt.

Dat hoeft niet zo te zijn.

Ordered versus Unordered Recommendation Rate

Een toekomstige breakdown:

Ordered recommendations — 64%.

Unordered — 36%.

Dit helpt de dataset begrijpen.

Recommendation Position Evidence

Iedere positioned recommendation moet terug te voeren zijn naar evidence.

Bijvoorbeeld:

Prompt

Welke AI Brand Monitoring-tools zou u aanbevelen?

Response

1. A
2. Uw merk
3. B

Brand

Uw merk.

Recommended

Yes.

Position

Position Type

Explicit.

Confidence

High.

Timestamp

…

Dat maakt de metric auditbaar.

Waarom raw responses essentieel blijven

Vandaag meet u:

position.

Later wilt u mogelijk:

• recommendation strength;
• preference;
• reasons;
• trade-offs;
• decision criteria;
• source relationships.

Daarom moet de volledige response worden bewaard.

Recommendation Position voor Nederlandse SaaS-bedrijven

Bijvoorbeeld:

Welke projectmanagementsoftware zou u aanbevelen voor een Nederlands SaaS-bedrijf?

Uw product wordt misschien vaak recommended.

Maar staat het:

eerste?

tweede?

vierde?

Dat verschil is commercieel relevant.

Voor Nederlandse IT-dienstverleners

Prompt:

Welke Microsoft Intune-partner zou u aanbevelen voor een Nederlandse organisatie?

Uw bedrijf kan:

wel in de recommendation set zitten,

maar steeds achter dezelfde competitor.

Recommendation Position Tracking maakt dat zichtbaar.

Voor agencies

Prompt:

Welke GEO-bureaus zou u aanbevelen in Nederland?

Een agency kan meten:

Recommendation Rate.

Recommendation SOV.

Average Position.

Top-1 Rate.

Recommendation Gaps.

Dat vormt al een krachtige competitive scorecard.

Voor consultants

Bijvoorbeeld:

Welke Nederlandse AI Visibility-consultants zou u aanraden?

Personal brands kunnen eveneens recommendation prominence meten.

Voor ecommerce

Recommendation Position is zeer tastbaar.

Prompt:

Welke drie zakelijke laptops zou u aanbevelen?

Productbrand A:

meestal #1.

Uw brand:

meestal #3.

Dat is waardevolle product intelligence.

Voor productmarketing

De centrale vraag:

Wanneer AI ons product aanbeveelt, krijgen we dan een prominente plaats of verschijnen we vooral als secundair alternatief?

Dat is veel rijker dan alleen Recommendation Rate.

Voor sales

Recommendation Position kan competitive battlecards versterken.

Bijvoorbeeld:

Wij staan vaak #1 bij

Dutch Fit.

Ease of Use.

Mid-Market.

A staat vaak #1 bij

Enterprise.

Security.

Integrations.

Dit maakt competitive positioning concreet.

Voor management

Een compact dashboard:

Recommendation Position

Average Position
2,4

Median Position
2

Top-1 Rate
27%

Top-3 Rate
76%

Position Coverage
68%

High-Intent Avg. Position
2,9

Dutch Avg. Position
1,8

vs Competitor A
+0,9 positie slechter

vs Competitor B
−0,3 positie beter

Trend
+0,6 positie verbeterd

Dit is goed te begrijpen.

Core dashboard voor AI Monitor Brand

Dit maakt frequency, share en prominence zichtbaar.

De Recommendation Intelligence-driehoek

Na Artikelen 41–44 ontstaat:

Frequency

Recommendation Rate

Hoe vaak?

Competitive Share

Recommendation SOV

Hoeveel share?

Prominence

Recommendation Position

Hoe prominent?

Daarnaast:

Gap

Waar worden competitors recommended terwijl wij niet worden recommended?

Samen is dit een zeer sterke recommendationmodule.

Recommendation Position in de MVP

Hier zou ik iets voorzichtiger zijn dan bij Recommendation Rate en SOV.

Ja, maar alleen eenvoudig.

Waarom?

Position is nuttig.

Maar position extraction kan methodologisch ingewikkelder worden wanneer AI-antwoorden geen expliciete ordering hebben.

Mijn MVP-regel

Alleen position opslaan wanneer:

de ordering expliciet en betrouwbaar is.

Bijvoorbeeld:

numbered lists.

Explicit “first choice”.

Explicit ranking.

Niet doen in MVP

Geen complexe semantic ranking proberen af te leiden uit subtiele prose.

Dat kan later.

MVP Position Fields

Minimaal:

recommended = true
recommendation_position = 2
position_type = "explicit"
position_confidence = "high"

Bij geen betrouwbare ordering:

recommended = true
recommendation_position = null
position_type = "unordered"

Dit is methodologisch veel sterker.

MVP Metrics

Toon:

1. Average Recommendation Position.
2. Top-1 Recommendation Rate.
3. Top-3 Recommendation Rate.
4. Position Coverage.
5. Own Brand vs Competitor A vs Competitor B.

Dat is voldoende.

Wat later kan

Post-MVP:

• inferred ordering;
• High-Intent Position;
• platform position;
• topic position;
• persona position;
• Decision Criterion Position;
• Position-to-Preference conversion;
• Position Stability;
• advanced prominence analysis.

Technische opslag

Per recommendation:

• response_id;
• prompt_id;
• brand_id;
• recommended;
• recommendation_position;
• position_type;
• position_confidence;
• recommendation_strength;
• evidence_span;
• high_intent;
• branded/unbranded;
• platform;
• timestamp.

Context:

• topic;
• category;
• use_case;
• persona;
• company_size;
• industry;
• geography;
• language.

Position Classification Version

Bewaar:

recommendation_position_version

zodat toekomstige wijzigingen in extraction logic reproduceerbaar blijven.

Belangrijke database-regel

recommendation_position

moet nullable zijn.

Geen position:

is geldige data.

Het betekent:

Recommendation detected, but no reliable ordering available.

Dat is veel beter dan geforceerde rankings.

Een belangrijk UI-principe

Toon niet simpelweg:

Average Position 2.4

zonder context.

Toon:

Average Recommendation Position: 2.4

Based on 327 ordered recommendations

Position Coverage: 68%

Dat is veel transparanter.

Een sterke homepageboodschap

Wordt uw merk als eerste aanbevolen — of vooral als alternatief?

Of:

Vergelijk niet alleen hoe vaak AI uw merk aanbeveelt, maar ook waar uw merk tussen concurrenten wordt geplaatst.

Of:

Zie welke positie uw merk krijgt wanneer AI meerdere oplossingen aanbeveelt.

De eerste is commercieel het sterkst.

Recommendation Position en de core propositie

De gebruiker kiest:

Mijn merk

Concurrent A

Concurrent B

AI Monitor Brand toont vervolgens:

Recommendation Rate.

Recommendation SOV.

Recommendation Position.

Recommendation Gaps.

Daarmee heeft u een zeer begrijpelijke competitive recommendation view.

Een belangrijk productinzicht

Met Artikel 44 ontstaat een mooie structuur:

Rate

Hoe vaak worden we recommended?

Share

Hoeveel recommendation visibility krijgen we?

Position

Hoe prominent staan we?

Gap

Waar verliezen we?

Dat zijn vier eenvoudige vragen.

En daarna komt de verklaring

Recommendation Reasons:

Waarom?

Decision Criteria:

Op basis waarvan?

Trade-Offs:

Welke voor- en nadelen worden afgewogen?

Preference:

Wie krijgt uiteindelijk de voorkeur?

Win/Loss:

Wie wint de vergelijking?

Dit geeft een logische progressive disclosure in de productinterface.

Van visibility naar decision intelligence

De volledige keten wordt steeds duidelijker:

Discovered

↓

Considered

↓

Shortlisted

↓

Recommended

↓

Prominently Recommended

↓

Preferred

↓

Wins

Recommendation Position vormt de brug tussen:

recommended

en:

preferred.

De belangrijkste strategische vraag

Recommendation Rate vertelt:

Hoe vaak worden we aanbevolen?

Recommendation SOV vertelt:

Welk aandeel van recommendations krijgen we?

Recommendation Gap vertelt:

Waar worden competitors aanbevolen en wij niet?

Recommendation Position vertelt:

Wanneer we wél worden aanbevolen, hoe prominent staan we dan tussen de alternatieven?

Dat onderscheid is belangrijk.

Een merk dat vaak als derde alternatief wordt aanbevolen heeft niet dezelfde AI recommendationpositie als een merk dat even vaak wordt aanbevolen maar vrijwel altijd als eerste keuze verschijnt.

Veelgestelde vragen over AI Recommendation Position Tracking

Wat is AI Recommendation Position Tracking?

AI Recommendation Position Tracking meet op welke positie een merk verschijnt wanneer een AI-response meerdere merken, producten of leveranciers daadwerkelijk aanbeveelt.

Wat is Recommendation Position?

Dit is de positie van een merk binnen een betrouwbaar geordende recommendation set.

Is de eerste genoemde brand automatisch Recommendation Position 1?

Nee. Alleen de volgorde van mentions is onvoldoende om een recommendation ranking vast te stellen.

Wat is het verschil tussen AI Position Tracking en Recommendation Position Tracking?

AI Position Tracking kan alle soorten brand appearances analyseren. Recommendation Position Tracking kijkt uitsluitend naar daadwerkelijke recommendations.

Wat is Average Recommendation Position?

Dit is de gemiddelde positie van uw merk over alle recommendations waarvoor een betrouwbare ordering beschikbaar is.

Is een lagere Average Position beter?

Ja. Positie 1,5 betekent gemiddeld een prominentere recommendation dan positie 3,2.

Wat is Median Recommendation Position?

Dit is de middelste position wanneer alle geldige positions worden gesorteerd en kan minder gevoelig zijn voor uitschieters dan het gemiddelde.

Wat is Top-1 Recommendation Rate?

Dit meet hoe vaak uw merk de eerste recommendation krijgt binnen relevante positioned recommendation observations.

Wat is Top-3 Recommendation Rate?

Dit meet hoe vaak uw merk binnen de eerste drie recommendation positions verschijnt.

Wat is Recommendation Position Coverage?

Dit is het percentage recommendations waarvoor een betrouwbare position kan worden vastgesteld.

Moet iedere recommendation een position krijgen?

Nee. Bij unordered recommendations is position unknown methodologisch beter dan een positie verzinnen.

Is Recommendation Position hetzelfde als Preference?

Nee. Een merk kan als tweede staan maar later expliciet als beste keuze voor de gebruiker worden aangewezen.

Is Recommendation Position hetzelfde als Win/Loss?

Nee. Een directe competitive comparison kan een andere uitkomst hebben dan de oorspronkelijke recommendation order.

Wat is een Recommendation Prominence Gap?

Dit is een verschil in recommendation prominence tussen uw merk en een competitor, bijvoorbeeld gemeten via Average Position of Top-1 Rate.

Wat is High-Intent Recommendation Position?

Dit meet recommendation positions uitsluitend binnen prompts met sterke commerciële selection intent.

Wat is Unbranded Recommendation Position?

Dit meet de position van uw merk wanneer AI zelf merken moet selecteren zonder dat de gebruiker vooraf brand names noemt.

Kan Recommendation Position per AI-platform verschillen?

Ja. Daarom kan position per platform afzonderlijk worden gemeten.

Kan Recommendation Position per doelgroep verschillen?

Ja. U kunt bijvoorbeeld verschillen analyseren per persona, bedrijfsgrootte, industrie, use case, geography en taal.

Is Recommendation Position een officiële ranking van ChatGPT of andere AI-platforms?

Nee. Het is een analysemethode binnen een specifieke monitoringdataset en geen officiële universele ranking.

Kan Recommendation Position helpen bij GEO?

Ja. Het kan laten zien of uw recommendation prominence binnen stabiele benchmark prompts over tijd verandert. Het bewijst niet automatisch dat een bepaalde optimalisatie die verandering heeft veroorzaakt.

Moet Recommendation Position Tracking onderdeel zijn van de MVP?

Een eenvoudige versie wel. Begin uitsluitend met recommendations waarvoor expliciete en betrouwbare ordering beschikbaar is en breid semantic position inference pas later uit.