Een merkvermelding in een AI-antwoord is waardevol.

Maar een aanbeveling is commercieel veel interessanter.

Er bestaat namelijk een groot verschil tussen:

Product A is een platform voor AI Brand Monitoring.

en:

Voor een Nederlands marketingteam zou ik Product A aanbevelen.

In het eerste voorbeeld kent AI het merk.

In het tweede voorbeeld gebruikt AI het merk als mogelijke oplossing voor een concrete behoefte.

Dat verschil staat centraal bij:

AI Recommendation Tracking.

AI Recommendation Tracking is het structureel monitoren en analyseren van situaties waarin AI-systemen uw merk, product of dienstverlening daadwerkelijk aanbevelen.

Daarbij kijkt u niet alleen naar:

hoe vaak

uw merk wordt aanbevolen.

Maar ook naar:

op welk AI-platform;
bij welke prompts;
binnen welke onderwerpen;
voor welke doelgroepen;
voor welke use cases;
naast welke concurrenten;
op welke recommendation position;
met welke recommendation strength;
binnen branded of unbranded prompts;
bij welke commercial intent;
met welke onderbouwing;
en hoe dit over tijd verandert.

De centrale vraag is:

Wanneer ziet AI ons merk daadwerkelijk als een oplossing die het aan potentiële klanten zou aanbevelen?

Wat is een AI Recommendation?

Een AI Recommendation ontstaat wanneer een AI-response een merk, product of leverancier positief presenteert als een mogelijke of geschikte keuze voor de behoefte van de gebruiker.

Bijvoorbeeld:

Voor kleinere Nederlandse marketingteams is Product A een interessante optie.

Of:

Ik zou Product B overwegen wanneer security en enterprise governance belangrijk zijn.

Of:

De drie oplossingen die ik zou bekijken zijn A, B en C.

Dit kunnen allemaal recommendation signals zijn.

Niet iedere mention is een recommendation

Dit onderscheid is essentieel.

Prompt:

Welke AI Visibility-tools bestaan er?

Antwoord:

Product A, Product B en Product C zijn voorbeelden van platforms in deze markt.

Dit kan voornamelijk:

mentions

bevatten.

Een sterkere response

Voor een Nederlands SaaS-bedrijf zou ik Product A en Product B als eerste bekijken.

Nu is sprake van:

recommendation intent.

Mention Tracking versus Recommendation Tracking

Mention Tracking

Meet:

Komt uw merk voor?

Recommendation Tracking

Meet:

Presenteert AI uw merk daadwerkelijk als relevante keuze?

Recommendation Tracking ligt daardoor verder in de commerciële AI-selection funnel.

Recommendation Rate versus Recommendation Tracking

Artikel 6 behandelde:

AI Recommendation Rate.

Dat is een specifieke KPI.

Formule:

Recommendation Rate = responses waarin uw merk wordt aanbevolen ÷ eligible recommendation opportunities × 100

AI Recommendation Tracking is veel breder.

Het omvat het volledige monitoringsproces rond recommendations.

Recommendation Tracking omvat bijvoorbeeld

Recommendation Rate

Recommendation Count

Recommendation Position

Recommendation Strength

Recommendation Share of Voice

High-Intent Recommendation Rate

Unbranded Recommendation Rate

Recommendation Gap

Recommendation Reasons

Recommendation Trends

Competitor Recommendations

Platform Recommendations

Topic Recommendations

Recommendation Evidence

Daarom is Recommendation Rate één metric binnen Recommendation Tracking.

Waarom AI Recommendations commercieel belangrijk zijn

Steeds meer customer journeys kunnen beginnen met vragen als:

Welke software is geschikt voor mijn bedrijf?

Welke leverancier zou u aanbevelen?

Wat zijn goede alternatieven voor Product X?

Welke oplossing past het beste bij mijn situatie?

Welke bedrijven moet ik vergelijken?

In zulke situaties functioneert AI niet alleen als zoekinterface.

Het helpt:

selecteren.

Van search naar recommendation

Traditionele search:

Query

↓

Search Results

↓

Websites

↓

Comparison

↓

Choice

Een AI-assisted journey kan korter zijn:

Question

↓

AI-generated comparison

↓

Recommendation

↓

Website

↓

Further evaluation

Of zelfs:

Question

↓

AI recommendation

↓

Preference

↓

Vendor investigation

Daarom wordt recommendation visibility belangrijk.

AI Recommendation Tracking is geen sales tracking

Een recommendation betekent niet:

dat de gebruiker klikt;
dat de gebruiker contact opneemt;
dat er een lead ontstaat;
dat de gebruiker koopt.

Het meet uitsluitend:

observed AI recommendation behavior binnen de gekozen monitoringdataset.

Recommendation Opportunity

Niet iedere prompt is geschikt voor Recommendation Tracking.

Prompt:

Wat is Microsoft Intune?

is voornamelijk informatief.

Prompt:

Welke Microsoft Intune-partner zou u aanbevelen voor een Nederlands bedrijf?

is duidelijk een:

Recommendation Opportunity.

Eligible Recommendation Opportunity

AI Monitor Brand moet daarom bepalen of een prompt:

recommendation eligible

is.

Bijvoorbeeld:

recommendation_eligible = true

of:

false

Dit voorkomt misleidende percentages.

Typische Recommendation Prompts

Voorbeelden:

Welke software zou u aanbevelen voor…?

Welke leverancier is geschikt voor…?

Wat zijn de beste tools voor…?

Welke drie oplossingen moet ik vergelijken?

Wat zijn goede alternatieven voor…?

Welke dienstverlener past bij…?

Welke tool zou u kiezen?

Welke platforms zijn geschikt voor een bedrijf met…?

Deze prompts zijn commercieel veel interessanter dan algemene informational prompts.

Recommendation Intent

Niet iedere recommendation prompt heeft dezelfde commerciële intent.

Een eenvoudig model:

Niveau 1 — Informational

Welke CRM-systemen bestaan er?

Niveau 2 — Solution Discovery

Welke CRM-tools zijn geschikt voor kleine bedrijven?

Niveau 3 — Commercial Comparison

Welke CRM-tools zijn het beste voor Nederlandse bedrijven?

Niveau 4 — Selection

Welke drie CRM-tools zou u vergelijken?

Niveau 5 — Preference

Welke CRM-tool zou u kiezen voor mijn situatie?

Dit helpt Recommendation Tracking structureren.

Recommendation Count

De eenvoudigste metric:

Hoeveel recommendations zijn waargenomen?

Bijvoorbeeld:

Uw merk:

142 recommendations.

Maar count alleen is onvoldoende.

De grootte van de dataset moet bekend zijn.

Recommendation Rate

Daarom:

Recommendation Rate.

Voorbeeld:

500 eligible responses.

Uw merk aanbevolen in:

Recommendation Rate:

29%

Waarom de denominator belangrijk is

145 recommendations klinkt sterk.

Maar:

145 uit 200 = 72,5%.

145 uit 2.000 = 7,25%.

Daarom moet Recommendation Tracking altijd rates en sample sizes tonen.

Recommendation Share of Voice

Welke brand krijgt het grootste aandeel van recommendations?

Dit kan worden genoemd:

Recommendation Share of Voice.

Formule

Recommendation SOV = recommendations voor merk X ÷ totaal recommendations binnen de monitored competitive set × 100

Voorbeeld

Uw merk:

Totaal:

1.000.

Recommendation SOV:

Uw merk — 25%.

A — 45%.

B — 30%.

Recommendation Rate versus Recommendation SOV

Recommendation Rate:

Hoe vaak worden wij aanbevolen?

Recommendation SOV:

Welk aandeel van alle competitive recommendations krijgen wij?

Beide zijn nodig.

Uw merk + twee concurrenten

Dit past perfect bij AI Monitor Brand.

Metric	Uw merk	A	B
Mention Rate	67%	79%	63%
Recommendation Rate	31%	48%	34%
Recommendation SOV	27%	43%	30%
High-Intent Recommendation	26%	44%	29%
Unbranded Recommendation	19%	39%	24%

Nu ziet u direct uw competitive recommendation position.

Recommendation Gap

Concurrent A:

Recommendation Rate 48%.

Uw merk:

31%.

Gap:

−17 procentpunt.

Dit is:

Competitive Recommendation Gap.

Recommendation Gap to Leader

Als A de leader is:

Recommendation Gap to Leader = 17 pp.

Recommendation Advantage

Versus B:

Uw merk 31%.

B 25%.

Uw advantage:

+6 pp.

Dit kan:

Recommendation Advantage

worden genoemd.

Recommendation Leader

Het merk met de hoogste Recommendation Rate binnen de gekozen dataset:

Recommendation Leader.

Maar altijd:

within the monitored dataset.

Niet:

het meest aanbevolen merk in ChatGPT wereldwijd.

Dat zou niet te onderbouwen zijn.

Recommendation Position

AI kan meerdere brands aanbevelen.

Bijvoorbeeld:

Product A.
Uw merk.
Product B.

Uw:

Recommendation Position = 2.

Average Recommendation Position

Over veel responses:

gemiddelde recommendation position:

2,4

Dit kan worden gekoppeld aan Artikel 14 over AI Position Tracking.

Top-1 Recommendation Rate

Hoe vaak is uw merk:

de eerste recommendation?

Formule

Top-1 Recommendation Rate = responses waarin uw merk als eerste recommendation verschijnt ÷ eligible recommendation responses × 100

Top-3 Recommendation Rate

Hoe vaak behoort uw merk tot de eerste drie recommendations?

Dit kan commercieel zeer bruikbaar zijn.

Recommendation Position is niet automatisch Preference

Belangrijk:

de eerste recommendation is niet altijd de preferred option.

AI kan bijvoorbeeld zeggen:

A is een goede algemene optie. B staat tweede in deze lijst, maar voor uw specifieke situatie zou ik B kiezen.

B heeft dan:

Preference

ondanks position 2.

Daarom moeten Position en Preference apart worden gemeten.

Recommendation Strength

Niet iedere recommendation is even sterk.

Vergelijk:

Product A kan een optie zijn.

met:

Product A zou ik sterk aanbevelen.

Dat is een duidelijk verschil.

Recommendation Strength Levels

Een praktisch model:

Strong Recommendation

Moderate Recommendation

Weak Recommendation

Neutral Consideration

Not Recommended

Recommended Against

Strong Recommendation

Product A is voor uw situatie mijn eerste keuze.

Moderate Recommendation

Product A is een sterke optie.

Weak Recommendation

Product A kunt u eventueel ook bekijken.

Recommended Against

Ik zou Product A in deze situatie niet aanraden.

Dit is eveneens waardevolle data.

Recommendation Strength Rate

Later kan worden gemeten welk aandeel van recommendations:

Strong.

Moderate.

Weak.

Bijvoorbeeld:

Strong — 24%.

Moderate — 51%.

Weak — 25%.

Weighted Recommendation Score?

Technisch mogelijk.

Strong = 1.

Moderate = 0,6.

Weak = 0,3.

Maar voor een vroege versie zou ik dit vermijden.

Transparante categories zijn beter.

Positive versus Negative Recommendation

Een brand mention kan positief zijn zonder recommendation.

Maar AI kan ook expliciet afraden.

Daarom moet Recommendation Tracking minimaal onderscheid maken tussen:

Recommended

Not Recommended

Recommended Against

Recommendation Exclusion

Bijvoorbeeld:

Voor enterprise gebruik zou ik A en B overwegen, maar C niet.

C krijgt:

Explicit Recommendation Exclusion.

Dit is sterker dan simpelweg afwezig zijn.

Recommendation Exclusion Rate

Formule:

responses waarin uw merk expliciet wordt afgeraden of uitgesloten ÷ eligible responses waarin het merk wordt geëvalueerd × 100

Dit is een geavanceerde maar waardevolle metric.

Geen exclusion afleiden uit afwezigheid

Als uw merk niet wordt genoemd, weet u niet waarom.

Dus:

Absent ≠ Rejected.

Dat onderscheid moet strikt blijven.

High-Intent Recommendation Tracking

Een van de belangrijkste segmenten:

High-Intent Recommendations.

Voorbeeld

Welke AI Brand Monitoring-tool zou u aanbevelen voor een Nederlands SaaS-bedrijf met 150 medewerkers?

Dit is zeer commercieel.

High-Intent Recommendation Rate

Formule:

high-intent responses waarin uw merk wordt aanbevolen ÷ totaal high-intent recommendation opportunities × 100

Voorbeeld

Overall Recommendation Rate:

36%.

High-Intent:

22%.

Dan verliest uw merk recommendation strength wanneer de selection intent toeneemt.

Andersom

Overall:

25%.

High-Intent:

41%.

Dan is uw brand juist relatief sterk in commercially valuable recommendations.

Waarom High-Intent belangrijker kan zijn

Een recommendation bij:

Welke tools bestaan er?

heeft mogelijk minder commerciële waarde dan:

Welke tool zou u kiezen voor een Nederlands marketingteam met 20 medewerkers?

Daarom moet AI Monitor Brand high-intent apart kunnen tonen.

Unbranded Recommendation Tracking

De gebruiker noemt uw merk niet.

AI ontdekt het zelfstandig.

En beveelt het vervolgens aan.

Dit is:

Unbranded Recommendation.

Unbranded Recommendation Rate

Formule:

eligible unbranded recommendation responses waarin uw merk wordt aanbevolen ÷ totaal eligible unbranded recommendation responses × 100

Waarom dit zo krachtig is

De gebruiker:

kent uw merk mogelijk nog niet.

AI:

introduceert het én beveelt het aan.

Dat combineert:

Brand Discovery

met:

Recommendation.

Discovery-to-Recommendation Rate

Artikel 38 behandelde discovery.

Nu kunt u meten:

Hoe vaak wordt een spontaneous discovery uiteindelijk een recommendation?

Formule

Discovery-to-Recommendation Rate = discovery appearances die recommendation bereiken ÷ totaal discovery appearances binnen eligible selection contexts × 100

Voorbeeld

Uw merk:

200 discovery appearances.

80 recommendations.

Discovery-to-Recommendation:

40%

Concurrent A

300 discoveries.

90 recommendations.

Conversion:

30%.

A wordt vaker ontdekt.

Maar uw merk converteert sterker naar recommendation.

Dat is belangrijke nuance.

Mention-to-Recommendation Rate

Voorbeeld

Uw merk:

400 mentions.

160 recommendations.

Mention-to-Recommendation:

40%.

600 mentions.

180 recommendations.

30%.

Uw brand wordt minder vaak genoemd maar relatief vaker aanbevolen wanneer het verschijnt.

Recommendation Efficiency

Dit kan worden gezien als:

Recommendation Efficiency.

Maar ik zou in het product vooral de transparante conversion rate tonen.

Recommendation per platform

Bijvoorbeeld:

Platform	Recommendation Rate
ChatGPT	38%
Gemini	24%
Claude	31%
Perplexity	42%

Dit geeft:

Platform Recommendation Visibility.

Platform Recommendation Gap

Gemini:

24%.

Perplexity:

42%.

Gap:

18 pp.

Uw recommendation position verschilt duidelijk per platform.

Cross-Platform Recommendation Coverage

Op hoeveel monitored platforms wordt uw merk structureel aanbevolen?

Bijvoorbeeld:

4/4.

Of:

2/4.

Recommendation Consistency

Als recommendations over platforms vergelijkbaar zijn:

High Recommendation Consistency.

Sterke verschillen:

Recommendation Fragmentation.

Recommendation per topic

Bijvoorbeeld:

Topic	Recommendation Rate
Competitor Monitoring	61%
AI Share of Voice	52%
Citation Tracking	39%
Reputation Monitoring	28%
Enterprise Analytics	17%

Nu ziet u:

Voor welke problems beveelt AI ons aan?

Topic Recommendation Gap

Als Enterprise Analytics strategisch belangrijk is:

17%

kan een belangrijke gap zijn.

Recommendation per category

Bijvoorbeeld:

AI Brand Monitoring — 48%.

AI Visibility Software — 41%.

GEO Software — 22%.

AI Reputation Monitoring — 19%.

Dit kan direct worden gekoppeld aan Category Association.

Category Association-to-Recommendation Gap

AI kan uw merk goed associëren met een category.

Maar nauwelijks aanbevelen.

Bijvoorbeeld:

Category Association:

72%.

Recommendation Rate:

24%.

Dat is:

Category Association-to-Recommendation Gap.

AI weet waar u thuishoort.

Maar kiest u onvoldoende vaak als solution.

Recommendation per use case

Competitor Tracking — 63%.

Share of Voice — 55%.

Citation Tracking — 37%.

Agency Reporting — 31%.

Enterprise Governance — 16%.

Dit geeft een:

Use-Case Recommendation Profile.

Recommendation per persona

Marketingmanager — 57%.

SEO-specialist — 62%.

Brand manager — 48%.

IT-manager — 26%.

CMO — 33%.

Dit is:

Persona Recommendation Rate.

Waarom dit belangrijk is

Uw overall Recommendation Rate kan prima zijn.

Maar bij uw belangrijkste buyer persona laag.

Dat is strategisch belangrijker dan de overall metric.

Recommendation per bedrijfsgrootte

SMB:

61%.

Mid-market:

49%.

Enterprise:

21%.

Dit geeft:

Company-Size Recommendation Profile.

Recommendation per industrie

Technology — 54%.

Professional Services — 46%.

Retail — 31%.

Financial Services — 22%.

Healthcare — 18%.

Dit is:

Industry Recommendation Visibility.

Recommendation per geography

Netherlands:

52%.

Belgium:

36%.

Germany:

21%.

International:

27%.

Dit geeft:

Geographic Recommendation Profile.

Dutch Recommendation Rate

Voor de Nederlandse markt:

Hoe vaak wordt ons merk aanbevolen binnen prompts die specifiek betrekking hebben op Nederlandse bedrijven en gebruikers?

Dit is:

Dutch Recommendation Rate.

Dutch Recommendation Advantage

Nederland:

52%.

International:

27%.

Difference:

+25 pp.

Dat kan:

Dutch Recommendation Advantage

worden genoemd.

Recommendation per taal

Nederlandstalige prompts:

49%.

Engelstalige prompts:

28%.

Dit is:

Language Recommendation Gap.

Recommendation Share of Voice per segment

Niet alleen Recommendation Rate kan worden gesegmenteerd.

Ook Recommendation SOV.

Bijvoorbeeld:

Dutch Recommendation SOV

Uw merk — 44%.

A — 31%.

B — 25%.

International Recommendation SOV

Uw merk — 19%.

A — 49%.

B — 32%.

Dit geeft veel competitive context.

Recommendation Tracking en Shortlist

Artikel 34 behandelde AI Shortlist Tracking.

Een merk kan:

shortlisted

worden,

maar niet recommended.

Shortlist-to-Recommendation Rate

Formule:

recommendation appearances ÷ shortlist appearances × 100

Voorbeeld

Uw merk:

200 shortlist appearances.

120 recommendations.

Conversion:

60%.

300 shortlist appearances.

240 recommendations.

80%.

A converteert veel sterker.

Shortlist-to-Recommendation Gap

Uw merk:

60%.

80%.

Gap:

−20 pp.

Dat is een duidelijke downstream weakness.

Recommendation Tracking en Consideration

De volledige progression:

Mention

↓

Consideration

↓

Shortlist

↓

Recommendation

Recommendation Tracking bevindt zich dus relatief diep in de AI Selection Funnel.

Recommendation Tracking en Preference

Artikel 37 behandelde Preference.

AI kan meerdere brands aanbevelen.

Maar vervolgens één prefereren.

Recommendation-to-Preference Rate

Bijvoorbeeld:

Recommendations:

Preference:

Conversion:

48%.

Dit vertelt hoeveel recommendations uiteindelijk preference krijgen.

Recommendation-to-Preference Gap

Recommendation Rate:

44%.

Preference Rate:

26%.

Gap:

18 pp.

Dat kan wijzen op:

goede recommendation presence, maar zwakkere final preference.

Recommendation Tracking en Win/Loss

Artikel 31 behandelde Win/Loss Analysis.

Recommendation Tracking vraagt:

Worden we aanbevolen?

Win/Loss vraagt:

Wanneer meerdere brands worden vergeleken, wie wint?

Dat zijn verschillende levels.

Recommendation-to-Win Rate

Een mogelijke downstream conversion:

Win outcomes ÷ relevant recommendations × 100

Maar alleen binnen correct gekoppelde eligible comparisons.

Recommendation Reasons

Artikel 30 behandelde:

AI Recommendation Reason Tracking.

Recommendation Tracking detecteert:

dat

uw merk wordt aanbevolen.

Recommendation Reason Tracking onderzoekt:

waarom.

Voorbeeld

Recommendation:

Uw merk.

Reasons:

Ease of Use.

Dutch Market Fit.

Transparent Pricing.

Dit maakt de recommendation veel waardevoller.

Recommendation Reason Profile

Voor uw merk:

Ease — 42%.

Dutch Fit — 31%.

Transparency — 27%.

Price — 18%.

Voor A:

Enterprise — 51%.

Security — 43%.

Integrations — 37%.

Nu begrijpt u de competitive recommendation positioning.

Recommendation Reason SOV

Per reason:

welk merk domineert de observed recommendation arguments?

Dit koppelt Recommendation Tracking aan competitive positioning.

Recommendation Tracking en Attributes

Een attribute kan vaak voorkomen zonder een recommendation te ondersteunen.

Bijvoorbeeld:

Product A is uitgebreid maar complex.

“Uitgebreid” is een attribute.

Niet noodzakelijk een recommendation reason.

Attribute-to-Recommendation Rate

Een interessante analyse:

wanneer Attribute X aan uw merk wordt gekoppeld, hoe vaak wordt uw merk dan ook recommended?

Voorbeeld

Ease:

Attribute present 100 keer.

Recommendation present 68 keer.

Attribute-to-Recommendation association:

68%.

Security:

100 observations.

Recommendation:

Dit geeft context over welke attributes samengaan met recommendations.

Geen causale claim.

Recommendation Tracking en Differentiators

Een Strategic Differentiator kan worden gevolgd:

Recognized

↓

Considered

↓

Shortlisted

↓

Used as Recommendation Reason

↓

Recommendation

↓

Preference

↓

Win

Dit is krachtige productmarketing intelligence.

Differentiator-to-Recommendation Gap

Een differentiator wordt vaak herkend:

65%.

Maar slechts:

18%

van recommendations gebruikt hem als supporting reason.

Dan is er een:

Differentiator-to-Recommendation Gap.

Recommendation Tracking en Key Messages

Een key message kan zichtbaar zijn zonder selection relevance.

Daarom kunt u meten:

Key Message-to-Recommendation Pull-Through.

Recommendation Tracking en Decision Criteria

Artikel 33 behandelde Decision Criteria.

Bijvoorbeeld:

Security.

Price.

Ease.

Integrations.

Nu vraagt u:

Welk merk wordt recommended wanneer Criterion X belangrijk is?

Criterion Recommendation Rate

Bijvoorbeeld:

Wanneer Ease relevant is:

Uw merk — 68%.

A — 37%.

B — 42%.

Wanneer Security relevant is:

Uw merk — 21%.

A — 71%.

B — 39%.

Dit is zeer sterke competitive intelligence.

Recommendation Criteria Matrix

Criterion	Uw merk	A	B
Ease	68%	37%	42%
Security	21%	71%	39%
Price	44%	23%	63%
Dutch Fit	72%	19%	17%
Enterprise	18%	74%	31%

Dit kan later een zeer waardevol dashboard zijn.

Recommendation Tracking en Trade-Offs

Wanneer AI bijvoorbeeld afweegt:

Ease versus Enterprise Capability,

kan Recommendation Tracking laten zien:

welke brand uiteindelijk recommended wordt.

Trade-Off Tracking verklaart vervolgens welke voordelen tegen elkaar zijn afgewogen.

Recommendation Tracking en Brand Accuracy

Een recommendation kan gebaseerd zijn op verkeerde informatie.

Bijvoorbeeld:

Ik raad Product A aan omdat het gratis is.

Terwijl Product A niet gratis is.

Dat is:

Potential Accuracy-Driven Recommendation.

Positive Hallucination Recommendation

Dit kan zelfs positief lijken:

AI beveelt u aan.

Maar om een reden die niet klopt.

Dat is riskant.

Daarom moet recommendation quality uiteindelijk ook accuracy meenemen.

Recommendation Accuracy Rate

Een toekomstige metric:

Welk percentage recommendations is gebaseerd op factually supported brand claims?

Dit kan:

Recommendation Accuracy Rate

worden genoemd.

Recommendation Tracking en Misrepresentation

AI kan uw merk aanbevelen aan de verkeerde doelgroep.

Bijvoorbeeld:

Goed voor freelancers.

Terwijl u enterprise target.

De recommendation is positief.

Maar de positioning kan verkeerd zijn.

Recommendation Quality

Hieruit ontstaat later een breder concept:

Recommendation Quality.

Niet alleen:

worden we aanbevolen?

Maar:

aan de juiste persona?
voor de juiste use case?
om de juiste reasons?
met accurate information?
binnen de juiste positioning?

Dat is veel rijker.

Maar niet in de MVP

Recommendation Quality is een geavanceerde layer.

De MVP moet Recommendation Tracking eenvoudig houden.

Recommendation Tracking en citations

Wanneer visible citations aanwezig zijn, kunt u onderzoeken welke sources voorkomen bij recommendations.

Dit is:

Recommendation Source Intelligence.

Recommendation Citation Rate

Bijvoorbeeld:

100 recommendations.

42 bevatten visible citations.

Daarvan:

18 naar own domain.

Dit geeft verschillende source metrics.

Citation-Backed Recommendation

Een recommendation met zichtbare supporting source:

Citation-Backed Recommendation.

Citation-Backed Recommendation Rate

Formule:

recommendations met visible citation ÷ totaal recommendations × 100

Own-Domain Citation-Backed Recommendation Rate

Hoe vaak wordt uw brand recommended terwijl uw eigen domain zichtbaar als source verschijnt?

Interessant, maar niet automatisch causaal.

Competitor Recommendation Sources

Welke domains verschijnen regelmatig wanneer A wordt recommended?

Welke bij B?

Welke bij uw merk?

Dit kan source ecosystem differences zichtbaar maken.

Recommendation Source Gap

Competitor A heeft veel recommendations met bepaalde source types.

Uw merk niet.

Dit kan aanleiding zijn voor verder onderzoek.

Maar opnieuw:

source presence bewijst niet waarom A werd recommended.

Recommendation Trend

Historical tracking:

Januari — 18%.

Maart — 22%.

Mei — 27%.

Juli — 31%.

September — 36%.

Dit is:

Recommendation Growth.

Recommendation Gain

36% − 18% =

+18 procentpunt.

Recommendation Decline

Bijvoorbeeld:

41% → 37% → 32% → 26%.

Dit is:

Recommendation Decline.

Recommendation Momentum

Structurele verbetering:

Positive Recommendation Momentum.

Competitive Recommendation Momentum

Uw merk:

+8 pp.

+2 pp.

−3 pp.

Uw brand heeft de sterkste recommendation momentum.

Recommendation Leadership Change

Als uw merk A passeert:

Recommendation Leadership Change.

Dit kan een alert triggeren.

Recommendation Consistency

Een prompt wordt tien keer gemeten.

Uw merk wordt:

8 keer recommended.

Dat is relatief consistent.

Recommendation Volatility

Uw merk:

3 van 10.

7 van 10.

De recommendationpositie is veel minder stabiel.

Recommendation Stability Rate

Een toekomstige metric kan repeated-run consistency meten.

Waarom repeated runs belangrijk zijn

AI-output is generatief.

Eén response is geen permanente ranking.

Daarom is Recommendation Tracking veel sterker wanneer het:

repeated runs;
benchmark prompts;
historical measurements;

combineert.

Benchmark Recommendation Set

Gebruik een stabiele set:

bijvoorbeeld 100 high-value recommendation prompts.

Deze worden periodiek opnieuw gemeten.

Discovery Recommendation Set

Daarnaast:

nieuwe prompts om emerging opportunities te vinden.

Dit voorkomt dat benchmark trends worden vervuild door steeds veranderende promptsets.

Recommendation Confidence

Confidence kan rekening houden met:

sample size;
repeated runs;
platform coverage;
explicitness;
classification confidence;
prompt relevance.

Recommendation Evidence

Iedere recommendation moet auditbaar zijn.

Bijvoorbeeld:

Prompt

Welke AI Brand Monitoring-tool is geschikt voor een Nederlands B2B marketingteam?

Brand

Uw merk.

Recommended

Yes.

Strength

Strong.

Position

High Intent

Yes.

Unbranded

Yes.

Evidence

“…”

Platform

…

Timestamp

…

Dit is essentieel voor vertrouwen.

Explicit Recommendation

Bijvoorbeeld:

Ik zou Product A aanbevelen.

High confidence.

Strongly Implied Recommendation

Product A is waarschijnlijk de beste optie voor uw situatie.

Dit kan zelfs preference bevatten.

Weak Recommendation

Product A kunt u eventueel ook bekijken.

Lower strength.

Mention Only

Product A bestaat ook.

Geen recommendation.

Recommendation Detection Model

Een bruikbare classificatie:

Strong Recommendation

Moderate Recommendation

Weak Recommendation

Consideration Only

Mention Only

Explicitly Not Recommended

Unclear

Waarom dit belangrijk is

Zonder duidelijke classification rules kan Recommendation Rate sterk worden opgeblazen.

Als iedere positieve mention als recommendation telt, wordt de metric waardeloos.

Evidence Span

Per recommendation moet idealiter de specifieke tekstpassage worden opgeslagen waarop de classification gebaseerd is.

Dit geeft:

Recommendation Evidence Span.

Human Review

Bij ambiguous classifications kan later:

Needs Review

worden gebruikt.

Dit is vooral belangrijk bij enterprise customers of high-value analyses.

Recommendation Tracking voor Nederlandse SaaS-bedrijven

Bijvoorbeeld:

Welke projectmanagementsoftware zou u aanraden voor een Nederlands SaaS-bedrijf met 100 medewerkers?

U meet:

wordt uw product genoemd?
considered?
shortlisted?
recommended?
preferred?
waarom?

Dat is veel rijker dan klassieke rank tracking.

Voor Nederlandse IT-dienstverleners

Bijvoorbeeld:

Welke Microsoft Intune-partner zou u aanbevelen voor een Nederlands bedrijf met 500 endpoints?

Recommendation Tracking kan laten zien welke providers AI daadwerkelijk adviseert.

Voor agencies

Bijvoorbeeld:

Welk GEO-bureau zou u aanraden voor een Nederlands B2B SaaS-bedrijf?

De agency kan monitoren:

Recommendation Rate.

Recommendation SOV.

Reasons.

Competitors.

Trend.

Voor consultants

Bijvoorbeeld:

Welke Nederlandse consultant kan helpen met AI Visibility?

Recommendation Tracking kan personal-brand recommendations meten.

Voor ecommerce

Bijvoorbeeld:

Welke monitor zou u aanbevelen voor professionele videobewerking?

Product recommendation tracking is hier zeer direct.

Voor productmarketing

De kernvraag:

Voor welke buyers, problems en use cases ziet AI ons product daadwerkelijk als recommendable?

Dat is zeer waardevolle positioning intelligence.

Voor sales

Recommendation Tracking kan competitive battlecards voeden.

Bijvoorbeeld:

Uw merk wordt vaak recommended voor:

Ease.

Dutch Market.

Fast Deployment.

A wordt vaak recommended voor:

Enterprise.

Security.

Integrations.

Dit kan sales helpen begrijpen hoe AI de competitive market frame’t.

Voor management

Een compact dashboard:

AI Recommendations

Recommendation Rate
31%

Recommendation SOV
27%

High-Intent Recommendation
26%

Unbranded Recommendation
19%

Top-3 Recommendation Rate
24%

vs Competitor A
−17 pp

vs Competitor B
+4 pp

Top Recommendation Topic
Competitor Monitoring

Top Recommendation Reason
Ease of Use

Largest Recommendation Gap
Enterprise

Recommendation Trend
+6 pp

Dit is direct bruikbaar.

Core Recommendation Scorecard

Metric	Uw merk	A	B
Recommendation Rate	31%	48%	27%
Recommendation SOV	29%	45%	26%
High-Intent Rate	26%	44%	23%
Unbranded Rate	19%	39%	21%
Top-3 Rate	24%	41%	22%
Trend	+6 pp	+2 pp	-3 pp

Dit sluit perfect aan op:

uw merk + twee concurrenten.

Recommendation Gap Dashboard

Daarnaast:

Where Competitors Win Recommendations

Enterprise Monitoring — A.

Security — A.

Price — B.

Ease — Uw merk.

Dutch Fit — Uw merk.

Hierdoor wordt Recommendation Tracking direct actiegericht.

AI Selection Funnel

Artikel 36 bracht de funnel samen.

Recommendation Tracking vult één van de belangrijkste downstream stages:

Discovery

↓

Mention

↓

Consideration

↓

Shortlist

↓

Recommendation

↓

Preference

↓

Win

Funnel SOV

Ook relatief:

Discovery SOV.

Consideration SOV.

Shortlist SOV.

Recommendation SOV.

Preference SOV.

Win Share.

Hiermee kan AI Monitor Brand laten zien waar een competitor zijn advantage opbouwt.

Waarom Recommendation Tracking waarschijnlijk een core feature is

Sommige advanced metrics kunnen wachten.

Recommendation Tracking niet.

De vraag:

Beveelt AI mijn merk aan?

is een van de eerste dingen die een klant van AI Monitor Brand wil weten.

Daarom hoort een eenvoudige recommendationfunctie in de core product experience.

Recommendation Tracking in de MVP

Mijn advies:

ja.

De bare-bones MVP moet minimaal kunnen detecteren:

brand mentioned;
brand recommended;
competitor recommended;
recommendation position;
prompt;
platform;
timestamp;
evidence.

Daaruit kunnen direct eenvoudige metrics worden berekend.

MVP Recommendation Metrics

Ik zou beperken tot:

Recommendation Rate.
Recommendation Count.
Recommendation SOV.
Recommendation Position.
Own Brand vs Competitor A vs Competitor B.
Change versus previous period.
Top Recommendation Prompts.

Dat is genoeg.

High-Intent in de MVP?

Als prompt intent classification al beschikbaar is:

ja, eenvoudig.

Dan kan:

High-Intent Recommendation Rate

relatief goedkoop worden toegevoegd.

Maar dit mag de MVP niet vertragen.

Unbranded Recommendation Rate

Ook relatief eenvoudig als prompts al branded/unbranded worden gemarkeerd.

Daarom is dit een goede vroege metric.

Wat niet in MVP?

Nog niet:

complex reason extraction;
recommendation quality;
source intelligence;
persona analytics;
industry analytics;
accuracy-driven recommendations;
weighted recommendation scores;
automated battlecards;
advanced alerts.

Dat komt later.

Technische opslag

Per response:

response_id;
prompt_id;
platform;
model metadata;
timestamp;
full_raw_response.

Per brand observation:

brand_id;
mentioned;
recommended;
recommendation_strength;
recommendation_position;
explicit_or_implied;
evidence_span;
confidence;
high_intent;
branded_or_unbranded.

Context:

topic;
category;
use case;
persona;
company size;
industry;
geography;
language.

Recommendation Classification Version

Bewaar:

recommendation_classification_version

Waarom?

Omdat de definitie van:

weak recommendation

versus:

consideration

later kan veranderen.

Historical data kan dan opnieuw worden verwerkt.

Raw responses zijn cruciaal

Bewaar altijd het volledige antwoord.

Vandaag wilt u weten:

Recommended Yes/No.

Morgen:

Waarom?

Later:

Welke trade-off?

Daarna:

Welke Decision Criteria?

Zonder raw response kunt u die historische intelligence niet reconstrueren.

Data architecture

Een sterke structuur:

Prompt

↓

AI Response

↓

Brand Detection

↓

Recommendation Detection

↓

Recommendation Classification

↓

Evidence

↓

Metrics

↓

Competitive Comparison

↓

Historical Trends

Dit is een goede basis voor development.

Productinterface

Een mogelijke hoofdpagina:

Recommendations

Bovenaan:

Your Recommendation Rate

31%

Competitor A

48%

Competitor B

27%

Daaronder:

Recommendation SOV.

High-Intent.

Unbranded.

Platform.

Trend.

Prompts.

Dit is voldoende voor een duidelijke eerste productversie.

Een sterke homepageboodschap

Wordt uw merk door AI daadwerkelijk aanbevolen?

Of:

Vergelijk hoe vaak ChatGPT, Gemini, Claude en Perplexity uw merk en twee belangrijke concurrenten aanbevelen.

Of:

Zie niet alleen of AI uw merk kent. Ontdek wanneer AI uw merk daadwerkelijk adviseert.

De tweede sluit het beste aan op de huidige productpositionering.

Recommendation Tracking en consultancy

AI Monitor Brand kan bijvoorbeeld constateren:

Uw Recommendation Rate bedraagt 24%, tegenover 47% voor Concurrent A. Het grootste verschil ontstaat bij enterprise-gerelateerde prompts.

Consultancy kan vervolgens onderzoeken:

category positioning;
attributes;
differentiators;
Decision Criteria;
Recommendation Reasons;
trade-offs;
accuracy;
sources.

Daarmee blijft de propositie sterk:

AI Monitor Brand meet wat er gebeurt. Samen bepalen we wat u ermee doet.

Van visibility naar recommendation intelligence

De productontwikkeling krijgt hiermee een duidelijke hiërarchie.

Visibility Intelligence

Worden we gezien?

Discovery Intelligence

Worden we spontaan gevonden?

Consideration Intelligence

Worden we serieus overwogen?

Recommendation Intelligence

Worden we daadwerkelijk aanbevolen?

Preference Intelligence

Krijgen we voorkeur?

Decision Intelligence

Waarom winnen of verliezen we?

Dit kan uiteindelijk zelfs de information architecture van AI Monitor Brand bepalen.

Waarom Recommendation Tracking centraal moet staan

Veel bedrijven zullen aanvankelijk vooral vragen:

Staat mijn merk in ChatGPT?

Maar de commercieel sterkere vraag is:

Raadt ChatGPT mijn merk aan wanneer iemand om een oplossing vraagt?

En daarna:

Hoe vaak?

Voor welke vragen?

Voor welke doelgroepen?

Op welke platforms?

Tegen welke competitors?

Waarom?

Wordt dit beter of slechter?

Dat is precies waar AI Recommendation Tracking voor bedoeld is.

Mention Tracking vertelt of AI uw merk kent. Recommendation Tracking vertelt of AI uw merk daadwerkelijk als oplossing naar voren schuift.

Veelgestelde vragen over AI Recommendation Tracking

Wat is AI Recommendation Tracking?

AI Recommendation Tracking is het structureel monitoren van situaties waarin AI-systemen uw merk, product of dienstverlening daadwerkelijk als relevante keuze aanbevelen.

Wat is een AI Recommendation?

Een AI Recommendation ontstaat wanneer een AI-response een merk positief presenteert als mogelijke of geschikte oplossing voor de behoefte van de gebruiker.

Is iedere positieve mention een recommendation?

Nee. Een merk kan positief worden beschreven zonder daadwerkelijk als keuze te worden aanbevolen.

Wat is het verschil tussen Recommendation Tracking en Recommendation Rate?

Recommendation Rate is één KPI. Recommendation Tracking omvat daarnaast onder andere positions, strength, competitors, platforms, topics, intent, evidence en trends.

Wat is Recommendation Share of Voice?

Dit is het aandeel van alle gemeten competitive recommendations dat naar uw merk gaat.

Wat is High-Intent Recommendation Rate?

Dit meet recommendations uitsluitend binnen prompts met sterke commerciële selectie-intentie.

Wat is Unbranded Recommendation Rate?

Dit meet hoe vaak AI uw merk aanbeveelt wanneer de gebruiker uw merknaam niet vooraf noemt.

Wat is Recommendation Position?

Dit is de positie waarop een merk binnen een expliciete recommendation list verschijnt.

Is Recommendation Position hetzelfde als Preference?

Nee. Een merk dat als eerste wordt genoemd hoeft niet automatisch de preferred option te zijn.

Wat is Recommendation Strength?

Dit beschrijft hoe sterk AI een merk aanbeveelt, bijvoorbeeld weak, moderate of strong.

Wat is Recommendation Exclusion?

Dit ontstaat wanneer AI een merk expliciet afraadt of uitsluit als geschikte keuze.

Wat is Mention-to-Recommendation Rate?

Dit meet welk aandeel van relevante brand mentions uiteindelijk als recommendations wordt geclassificeerd.

Wat is Discovery-to-Recommendation Rate?

Dit meet hoe vaak een spontaneous unbranded brand discovery samengaat met een recommendation.

Wat is Shortlist-to-Recommendation Rate?

Dit meet welk aandeel van shortlist appearances uiteindelijk recommendation bereikt.

Wat is Recommendation-to-Preference Rate?

Dit meet welk aandeel van recommendations uiteindelijk duidelijke preference krijgt.

Kunnen Recommendation Rates per platform verschillen?

Ja. Daarom kan platform-specifieke Recommendation Tracking waardevol zijn.

Kunnen recommendations per persona verschillen?

Ja. Een merk kan bijvoorbeeld sterk worden aanbevolen voor kleinere bedrijven maar veel minder voor enterprise-organisaties.

Wat zijn Recommendation Reasons?

Dit zijn de argumenten die AI gebruikt om een merk als geschikte keuze te ondersteunen.

Kan AI een merk om een verkeerde reden aanbevelen?

Ja. Daarom kunnen Recommendation Tracking en Brand Accuracy Monitoring later worden gecombineerd.

Is AI Recommendation Rate hetzelfde als marktaandeel?

Nee. Het meet recommendations binnen een gedefinieerde monitoringdataset, niet daadwerkelijke omzet, klanten of marktaandeel.

Kan Recommendation Tracking helpen bij GEO?

Ja. Het kan laten zien waar recommendation gaps bestaan en hoe observed recommendation visibility over tijd verandert. Het bewijst niet automatisch dat een specifieke GEO-actie de verandering heeft veroorzaakt.

Moet Recommendation Tracking onderdeel zijn van de MVP?

Ja. Een eenvoudige recommendationfunctie hoort bij de kern van een AI Brand Monitoring-product en kan worden gecombineerd met mentions, competitor comparison, position, Share of Voice en historical tracking.

Wat is AI Recommendation Tracking? Monitor AI-aanbevelingen

Wat is een AI Recommendation?

Niet iedere mention is een recommendation

Een sterkere response

Mention Tracking versus Recommendation Tracking

Mention Tracking

Recommendation Tracking

Recommendation Rate versus Recommendation Tracking

Recommendation Tracking omvat bijvoorbeeld

Waarom AI Recommendations commercieel belangrijk zijn

Van search naar recommendation

AI Recommendation Tracking is geen sales tracking

Recommendation Opportunity

Eligible Recommendation Opportunity

Typische Recommendation Prompts

Recommendation Intent

Niveau 1 — Informational

Niveau 2 — Solution Discovery

Niveau 3 — Commercial Comparison

Niveau 4 — Selection

Niveau 5 — Preference

Recommendation Count

Recommendation Rate

Waarom de denominator belangrijk is

Recommendation Share of Voice

Formule

Voorbeeld

Recommendation Rate versus Recommendation SOV

Uw merk + twee concurrenten

Recommendation Gap

Recommendation Gap to Leader

Recommendation Advantage

Recommendation Leader

Recommendation Position

Average Recommendation Position

Top-1 Recommendation Rate

Formule

Top-3 Recommendation Rate

Recommendation Position is niet automatisch Preference

Recommendation Strength

Recommendation Strength Levels

Strong Recommendation

Moderate Recommendation

Weak Recommendation

Recommended Against

Recommendation Strength Rate

Weighted Recommendation Score?

Positive versus Negative Recommendation

Recommendation Exclusion

Recommendation Exclusion Rate

Geen exclusion afleiden uit afwezigheid

High-Intent Recommendation Tracking

Voorbeeld

High-Intent Recommendation Rate

Voorbeeld

Andersom

Waarom High-Intent belangrijker kan zijn

Unbranded Recommendation Tracking

Unbranded Recommendation Rate

Waarom dit zo krachtig is

Discovery-to-Recommendation Rate

Formule

Voorbeeld

Concurrent A

Mention-to-Recommendation Rate

Voorbeeld

Recommendation Efficiency

Recommendation per platform

Platform Recommendation Gap

Cross-Platform Recommendation Coverage

Recommendation Consistency

Recommendation per topic

Topic Recommendation Gap

Recommendation per category

Category Association-to-Recommendation Gap

Recommendation per use case

Recommendation per persona

Waarom dit belangrijk is

Recommendation per bedrijfsgrootte

Recommendation per industrie