Stel dat u met AI Brand Monitoring ontdekt dat uw merk regelmatig wordt aanbevolen.

Uw cijfers zijn bijvoorbeeld:

Uw merk — Recommendation Rate: 42%

Concurrent A — Recommendation Rate: 51%

Concurrent B — Recommendation Rate: 34%

Dat is nuttige informatie.

Concurrent A wordt blijkbaar vaker aanbevolen.

Maar deze percentages beantwoorden niet de belangrijkste commerciële vragen:

Wanneer kiest AI voor ons in plaats van Concurrent A?

Wanneer verliezen we van Concurrent B?

Bij welke onderwerpen winnen we?

Voor welke soorten klanten kiest AI juist een concurrent?

Welke argumenten gebruikt AI om die keuze te onderbouwen?

Dat is waar:

AI Recommendation Win/Loss Analysis

begint.

AI Recommendation Win/Loss Analysis is het systematisch analyseren van AI-antwoorden waarin meerdere merken, producten of leveranciers worden vergeleken om te bepalen:

welk merk als voorkeursoptie naar voren komt;
onder welke omstandigheden dat gebeurt;
welke Recommendation Reasons worden gebruikt;
tegen welke concurrent het merk wint of verliest;
binnen welke promptclusters dit gebeurt;
en hoe deze patronen over tijd veranderen.

Het verschuift AI Brand Monitoring van:

visibility measurement

naar:

competitive decision intelligence.

Wat is een AI Recommendation Win?

Een Win ontstaat wanneer uw merk binnen een relevante vergelijking als de voorkeursoptie naar voren komt.

Bijvoorbeeld:

Voor een Nederlands marketingteam dat vooral eenvoudig zijn AI-zichtbaarheid met concurrenten wil vergelijken, zou ik Product A kiezen.

Als Product A uw merk is, registreren we:

Win.

Wat is een AI Recommendation Loss?

Een Loss ontstaat wanneer een gemonitorde concurrent als betere keuze naar voren komt.

Bijvoorbeeld:

Voor een grote internationale onderneming met complexe governance-eisen is Product B waarschijnlijk geschikter.

Wanneer Product B Concurrent A is:

Loss versus Concurrent A.

Maar niet ieder AI-antwoord heeft een winnaar

AI-systemen geven vaak genuanceerde antwoorden.

Bijvoorbeeld:

Product A is beter voor kleinere teams die eenvoud belangrijk vinden, terwijl Product B geschikter is voor enterprises die uitgebreidere governance nodig hebben.

Wie wint?

Dat hangt af van de context.

Daarom moet een goed systeem meer kunnen registreren dan alleen:

Win / Loss.

Een beter Win/Loss-model

Voor AI Monitor Brand zou ik minimaal deze statussen gebruiken:

Win

Uw merk is de duidelijke voorkeursoptie.

Loss

Een competitor is de duidelijke voorkeursoptie.

Conditional Win

Uw merk wint onder specifieke voorwaarden.

Conditional Loss

Een competitor wint onder specifieke voorwaarden.

Tie / Equivalent

AI ziet geen duidelijke winnaar.

Multiple Recommended

Meerdere merken worden zonder duidelijke voorkeur aanbevolen.

No Recommendation

Er wordt geen echte keuze gemaakt.

Unclear

De recommendation is onvoldoende duidelijk om betrouwbaar te classificeren.

Dit voorkomt dat complexe AI-antwoorden kunstmatig worden teruggebracht tot een simpele winnaar.

Waarom Win/Loss Analysis verder gaat dan Recommendation Rate

Recommendation Rate meet:

Hoe vaak wordt een merk aanbevolen?

Win/Loss Analysis meet:

Wanneer meerdere opties beschikbaar zijn, welk merk krijgt dan de voorkeur?

Dat is een andere metric.

Voorbeeld

Stel dat uw merk en Concurrent A allebei in 60 van 100 antwoorden worden aanbevolen.

Beide:

Recommendation Rate = 60%.

Maar in 40 directe vergelijkingen:

Uw merk wint:

Concurrent A wint:

Tie:

Dan ziet de competitive situatie er ineens heel anders uit.

AI Win Rate

Een eenvoudige formule:

AI Win Rate = aantal eligible comparisons waarin uw merk wint ÷ totaal aantal eligible comparisons × 100

Voorbeeld

100 vergelijkingsresponses.

Uw merk:

42 wins.

Dan:

AI Win Rate = 42%

Maar ties moeten apart worden getoond

Stel:

100 comparisons.

Uw merk wint — 42.

Concurrent wint — 31.

Tie — 20.

Unclear — 7.

Een simpele Win Rate van 42% vertelt niet het hele verhaal.

Daarom moet het dashboard de volledige verdeling tonen.

Competitive Decision Distribution

Bijvoorbeeld:

Uitkomst	Aandeel
Uw merk wint	42%
Concurrent wint	31%
Tie	20%
Unclear	7%

Dit noemen we:

Competitive Decision Distribution.

Decisive Win Rate

Een alternatieve metric kijkt alleen naar antwoorden waarin daadwerkelijk een duidelijke winnaar bestaat.

Formule:

Wins ÷ (Wins + Losses) × 100

In bovenstaand voorbeeld:

42 ÷ (42 + 31) × 100 =

57,5%

Dit kan worden weergegeven als:

Decisive Win Rate.

Waarom beide metrics nuttig zijn

Overall Win Rate:

42%.

Decisive Win Rate:

57,5%.

De eerste laat zien hoe vaak u binnen alle eligible comparisons wint.

De tweede:

Wanneer AI daadwerkelijk een duidelijke keuze maakt, hoe vaak kiest het dan voor ons?

Dat zijn verschillende vragen.

Head-to-Head Win Rate

Voor AI Monitor Brand is een nog belangrijkere metric:

Head-to-Head Win Rate.

De kernpropositie blijft immers:

uw merk + twee belangrijke concurrenten.

Voorbeeld

Uw merk versus Concurrent A:

Win — 34%

Loss — 51%

Tie — 15%.

Uw merk versus Concurrent B:

Win — 58%

Loss — 27%

Tie — 15%.

Nu ziet u direct:

We zijn competitief sterk tegen B, maar verliezen relatief vaak tegen A.

Head-to-Head Scorecard

Vergelijking	Win	Loss	Tie
Uw merk vs A	34%	51%	15%
Uw merk vs B	58%	27%	15%

Dit is een zeer begrijpelijke SaaS-visualisatie.

Waarom wint uw merk?

Artikel 30 behandelde Recommendation Reason Tracking.

Win/Loss Analysis koppelt die redenen nu aan:

de uitkomst van een comparison.

Win Reasons

Stel dat uw merk 100 comparisons wint.

De belangrijkste redenen:

gebruiksgemak — 48%;
transparantie — 41%;
Nederlandse expertise — 35%;
competitor comparison — 32%;
snelle implementatie — 21%.

Dit zijn:

AI Win Reasons.

Win Reason Rate

Formule:

Aantal wins waarin Reason X als ondersteunend argument voorkomt ÷ totaal aantal wins × 100

Voorbeeld

80 wins.

Gebruiksgemak wordt in 44 wins genoemd.

Win Reason Rate:

55%

Waarom verliest uw merk?

Nog interessanter kunnen de:

Loss Reasons

zijn.

Bijvoorbeeld:

Uw merk verliest 100 comparisons.

Reasons:

Enterprise capabilities — 52%.

Security — 46%.

Integrations — 39%.

Advanced Analytics — 34%.

Brand Recognition — 18%.

Hier ziet u waarom competitors vaker als betere keuze worden gepositioneerd.

Loss Reason Rate

Formule:

Aantal losses waarin Reason X als ondersteunend argument voor de competitor voorkomt ÷ totaal aantal losses × 100

Voorbeeld

50 losses versus Concurrent A.

Security wordt in:

daarvan genoemd.

Loss Reason Rate:

54%

Win/Loss Reason Matrix

Een krachtige tabel:

Reden	Wanneer u wint	Wanneer u verliest
Gebruiksgemak	58%	12%
Security	14%	49%
Prijs	31%	24%
Enterprise	9%	61%
Transparantie	47%	11%
Integraties	18%	42%

Nu wordt duidelijk welke criteria de competitive outcomes begeleiden.

Win Drivers en Loss Drivers

We kunnen de belangrijkste reasons daarom samenvatten als:

Win Drivers

en:

Loss Drivers.

Voorbeeld

Top Win Drivers

Ease of Use
Transparency
Competitor Comparison

Top Loss Drivers

Enterprise Readiness
Security
Integrations

Dat is veel bruikbaarder dan alleen:

Recommendation Rate = 42%.

Win Driver is niet hetzelfde als bewezen oorzaak

Dit onderscheid is essentieel.

Als gebruiksgemak vaak voorkomt in gewonnen comparisons, kunnen we zeggen:

Gebruiksgemak kwam vaak terug als ondersteunend argument in gewonnen comparisons.

We kunnen niet zonder aanvullend bewijs zeggen:

Gebruiksgemak veroorzaakte 58% van onze wins.

Daarom gebruikt AI Monitor Brand beter termen zoals:

Win Reason

of:

Observed Win Driver

dan harde causaliteitsclaims.

Waarom Head-to-Head Reasons belangrijk zijn

Uw reasons om Concurrent A te verslaan kunnen anders zijn dan de reasons om Concurrent B te verslaan.

Voorbeeld

Uw merk versus Concurrent A

U wint vanwege:

eenvoud;
prijs;
snelle onboarding.

U verliest vanwege:

enterprise;
security;
integrations.

Uw merk versus Concurrent B

U wint vanwege:

analytics;
transparency;
competitor monitoring.

U verliest vanwege:

agency workflows;
price.

Dit levert veel specifiekere competitive intelligence.

AI Head-to-Head Battlecard

Voor iedere competitor kan automatisch een battlecard worden opgebouwd.

Uw merk versus Concurrent A

Win Rate: 34%

U wint vooral wanneer:

gebruiksgemak belangrijk is;
snelle implementatie belangrijk is;
eenvoud belangrijk is.

U verliest vooral wanneer:

enterprise governance belangrijk is;
security zwaar weegt;
uitgebreide integrations nodig zijn.

Grootste Win Driver

Ease of Use.

Grootste Loss Driver

Enterprise Readiness.

Trend

Win Rate +6 procentpunt in 90 dagen.

Dit kan een zeer sterke productfeature worden.

Win/Loss Analysis per use case

Een overall Win Rate kan belangrijke verschillen verbergen.

Bijvoorbeeld:

Use case	Win Rate
Competitor Monitoring	71%
AI Visibility Reporting	62%
Enterprise Analytics	21%
Agency Reporting	38%
Brand Reputation	49%

Nu ziet u waar uw product relatief sterk wordt gepositioneerd.

Use-Case Win Rate

Formule:

Wins binnen use-case cluster ÷ eligible comparisons binnen hetzelfde cluster × 100

Category Win Rate

Hetzelfde kan per categorie.

Bijvoorbeeld:

AI Brand Monitoring — 61%.

GEO Tools — 44%.

AI Reputation Monitoring — 37%.

AI Competitive Intelligence — 68%.

Dit helpt category positioning begrijpen.

Topic Win Rate

Ook per onderwerp:

Share of Voice;
citations;
reputation;
sentiment;
competitor monitoring;
brand accuracy.

Dit geeft:

Topic-Level Win/Loss Intelligence.

Win/Loss Analysis per persona

Een van de interessantste segmentaties is:

persona.

Voorbeeld

Persona	Win Rate
Marketingmanager	62%
SEO-specialist	55%
Brand manager	49%
Agency	34%
Enterprise CMO	27%

Nu ontstaat een veel duidelijker beeld:

Voor welke doelgroep positioneert AI ons sterk?

Persona Win Reasons

Marketingmanager:

Ease of Use.

SEO-specialist:

Visibility Tracking.

Brand manager:

Competitor Intelligence.

Agency:

Reporting.

Enterprise CMO:

Governance.

Hieruit kunnen positioning gaps ontstaan.

Win/Loss Analysis per bedrijfsgrootte

Bijvoorbeeld:

Small Business — 69%.

Mid-Market — 53%.

Enterprise — 24%.

Dat kan wijzen op een duidelijke AI-perceptie:

Het product wordt sterker als SMB/mid-market oplossing gezien dan als enterprise platform.

Dit is niet automatisch een probleem

Als dit precies uw doelgroep is, kan dit juist uitstekend zijn.

Daarom moet AI Monitor Brand niet automatisch zeggen:

Enterprise Win Rate is laag, dus u moet verbeteren.

Het systeem moet vragen:

Is enterprise strategisch relevant voor uw merk?

Strategic Win/Loss Analysis

Gebruikers kunnen daarom relevante:

personas;
industries;
use cases;
company sizes;
categories;

als strategisch markeren.

Daarmee ontstaat:

Strategic Win Rate.

Win/Loss Analysis per industrie

Bijvoorbeeld:

Financial Services — 29%.

Technology — 67%.

Professional Services — 58%.

Retail — 43%.

Healthcare — 31%.

Dit kan laten zien hoe AI uw product per vertical positioneert.

Industry Win Reasons

Financial Services:

Security.

Technology:

Integrations.

Professional Services:

Ease of Use.

Retail:

Price.

Zo begrijpt u niet alleen waar u wint, maar waarom.

Win/Loss Analysis voor Nederland

Voor Nederlandse bedrijven is geografische segmentatie belangrijk.

Bijvoorbeeld:

Nederlandse prompts

Win Rate — 63%.

Internationale Engelse prompts

Win Rate — 37%.

Dat kan een duidelijke geographic positioning signal zijn.

Dutch Market Advantage

Wanneer uw merk structureel beter presteert in prompts zoals:

Welke Nederlandse AI-monitoringtools zijn geschikt voor marketingteams?

dan kan een:

Dutch Market Win Advantage

zichtbaar worden.

Win/Loss Analysis per taal

Nederlands:

Win Rate 61%.

Engels:

Win Rate 39%.

Dit noemen we:

Language Win Gap.

Waarom taal belangrijk is

Een bedrijf kan in Nederland een sterke information footprint hebben, maar internationaal nauwelijks worden herkend.

Voor Nederlandse SaaS-bedrijven met internationale ambities is dat belangrijke intelligence.

High-Intent Win/Loss Analysis

Niet iedere comparison is commercieel even belangrijk.

Daarom moet Win/Loss Analysis nadrukkelijk worden gecombineerd met:

High-Intent AI Visibility.

Voorbeeld van lage intent

Wat is het verschil tussen CRM en ERP?

Niet direct een vendor selection.

Voorbeeld van hoge intent

Welke CRM-oplossing zou u aanbevelen voor een Nederlands B2B-bedrijf met 200 medewerkers?

Dit is veel dichter bij selectie.

High-Intent Win Rate

Formule:

High-intent comparisons waarin uw merk wint ÷ totaal eligible high-intent comparisons × 100

Voorbeeld

Overall Win Rate:

52%.

High-Intent Win Rate:

31%.

Dat is een belangrijk signaal.

Uw merk verschijnt misschien sterk in algemene comparisons, maar verliest vaker wanneer AI daadwerkelijk een keuze moet maken.

Andersom kan ook

Overall Win Rate:

37%.

High-Intent Win Rate:

61%.

Dat kan betekenen dat uw merk minder breed zichtbaar is, maar relatief sterk presteert wanneer de vraag goed aansluit op uw doelgroep.

Dat kan commercieel zeer aantrekkelijk zijn.

High-Intent Win Reasons

Bijvoorbeeld:

specialistische fit;
security;
support;
integrations;
pricing.

Dit zijn mogelijk veel belangrijkere signals dan algemene attributes.

Unbranded Win/Loss Analysis

Bij branded comparisons kent de gebruiker uw merk al.

Maar bij unbranded prompts vraagt iemand bijvoorbeeld:

Welke drie AI Brand Monitoring-tools zou u vergelijken?

of:

Welke oplossing is het beste voor competitor monitoring in AI?

Wanneer AI uw merk spontaan introduceert én vervolgens als beste optie kiest, is dat bijzonder waardevol.

Unbranded Win Rate

Dit meet:

Hoe vaak wint uw merk in comparisons waarin de gebruiker uw merk niet vooraf heeft genoemd?

Dit is een vorm van:

AI Discovery Win Rate.

Branded versus Unbranded Win Gap

Bijvoorbeeld:

Branded Win Rate:

67%.

Unbranded Win Rate:

29%.

Gap:

38 procentpunt.

Dat kan betekenen:

AI kan uw merk redelijk goed positioneren wanneer het expliciet wordt gevraagd, maar selecteert het veel minder vaak spontaan.

Discovery Win/Loss Reasons

Bij unbranded comparisons kunt u vervolgens onderzoeken:

Waarom wordt uw merk spontaan gekozen?

Bijvoorbeeld:

niche specialization;
Dutch market;
ease of use.

En:

Waarom wordt het niet gekozen?

Bijvoorbeeld:

competitors have stronger brand recognition;
more enterprise capabilities;
broader integrations.

Top-1 Win Rate

Niet iedere recommendation is gelijk.

Wanneer AI vijf oplossingen noemt en uw merk als:

eerste voorkeur

presenteert, kan dit worden gemeten als:

Top-1 Win.

Top-3 Inclusion versus Win

Een merk kan vaak in de Top 3 staan zonder vaak te winnen.

Bijvoorbeeld:

Top-3 Inclusion:

78%.

Top-1 Win Rate:

24%.

Dat betekent:

U komt vaak op de shortlist, maar wordt relatief weinig als primaire keuze gepositioneerd.

Shortlist-to-Win Conversion

Een interessante metric:

Top-1 Wins ÷ aantal responses waarin merk op shortlist staat × 100

Dit kan worden genoemd:

Shortlist-to-Win Rate.

Voorbeeld

Uw merk staat:

200 keer op een shortlist.

Wordt:

54 keer de primaire recommendation.

Shortlist-to-Win Rate:

27%

Waarom dit commercieel interessant is

Hiermee onderscheidt u twee problemen:

Discovery problem

Uw merk komt niet op de shortlist.

Selection problem

Uw merk komt wel op de shortlist, maar verliest de uiteindelijke recommendation.

Dat zijn totaal verschillende problemen.

Discovery → Shortlist → Win Funnel

Daarom kan AI Monitor Brand later een funnel tonen:

Eligible Prompt

↓

Brand Mentioned

↓

Brand Recommended

↓

Shortlisted

↓

Top-3

↓

Primary Recommendation / Win

Dit is een krachtige commercial visibility funnel.

Competitive Funnel Comparison

Bijvoorbeeld:

Funnel	Uw merk	A	B
Mentioned	64%	72%	59%
Recommended	47%	56%	42%
Top 3	39%	49%	35%
Primary choice	22%	38%	19%

Hier ziet u precies waar Concurrent A afstand neemt.

AI Selection Gap

Het verschil tussen recommendation presence en daadwerkelijke wins kan worden genoemd:

AI Selection Gap.

Voorbeeld

Recommendation Rate:

52%.

Win Rate:

23%.

Selection Gap:

29 procentpunt.

Uw merk wordt vaak overwogen, maar minder vaak als voorkeursoptie gekozen.

Selection Gap versus Visibility Gap

Visibility Gap

Uw merk ontbreekt.

Recommendation Gap

Uw merk wordt genoemd maar niet aanbevolen.

Selection Gap

Uw merk wordt aanbevolen of shortlisted, maar niet als beste optie gekozen.

Dit creëert een logische funnel van competitive problems.

Win/Loss Analysis per platform

ChatGPT kan anders kiezen dan Gemini, Claude of Perplexity.

Bijvoorbeeld:

Platform	Win Rate
ChatGPT	52%
Gemini	37%
Claude	61%
Perplexity	44%

Dit is:

Platform Win Rate.

Platform Win/Loss Reasons

ChatGPT:

Transparency.

Gemini:

Price.

Claude:

Specialization.

Perplexity:

Source-backed credibility.

De observed decision criteria kunnen per platform verschillen.

Cross-Platform Win Consistency

Wanneer uw merk op meerdere platforms in vergelijkbare contexts wint:

Cross-Platform Win Consistency.

Wanneer het ene platform uw merk sterk prefereert en een ander vrijwel nooit:

Platform Selection Gap.

Win/Loss Consistency

Een enkele run zegt weinig.

AI-antwoorden kunnen variëren.

Daarom moet dezelfde benchmarkprompt eventueel periodiek of herhaald worden uitgevoerd.

Stable Win

Wanneer uw merk bijvoorbeeld in:

8 van 10 relevante observations

wint, is de signal sterker dan wanneer het:

1 van 1

keer wint.

Win Confidence

Daarom kan het systeem een:

Win Confidence

tonen.

Mogelijke factoren:

aantal observations;
repeat consistency;
platform coverage;
prompt coverage;
clarity of recommendation;
classification confidence.

Minimum Observation Threshold

Bij onvoldoende data:

Insufficient Data

in plaats van:

U verslaat Concurrent A op enterprise.

Dat voorkomt schijnprecisie.

Win Stability Score

Een latere metric kan meten hoe stabiel een win pattern is.

Bijvoorbeeld:

Win Rate:

58%.

Maar zeer volatiel:

week 1 — 80%.

week 2 — 30%.

week 3 — 72%.

week 4 — 41%.

Dan is de:

Win Stability

relatief laag.

Win/Loss Trends

Historical monitoring maakt het mogelijk om competitive movement te zien.

Bijvoorbeeld:

Uw Win Rate versus A:

Januari — 29%.

Maart — 34%.

Mei — 39%.

Juli — 46%.

September — 52%.

Uw competitive positioning verbetert.

Win Rate Gain

52% − 29% =

+23 procentpunt

over de gemeten periode.

Dit noemen we:

Win Rate Gain.

Win Rate Loss

Andersom:

61% → 55% → 47% → 39%.

Dit is:

Win Rate Decline.

Competitive Momentum

Wanneer uw Win Rate meerdere perioden achter elkaar stijgt:

Positive Competitive Momentum.

Wanneer een competitor structureel terrein wint:

Negative Competitive Momentum.

Win/Loss Crossover

Een bijzonder belangrijk moment ontstaat wanneer twee merken elkaar kruisen.

Bijvoorbeeld:

Q1

Uw merk — 42%.

Concurrent A — 51%.

Q3

Uw merk — 54%.

Concurrent A — 39%.

Uw merk is de competitor voorbijgegaan.

Dit kan een:

Win/Loss Crossover

worden genoemd.

Competitive Leadership Change

Wanneer een ander merk structureel de hoogste Win Rate krijgt:

Competitive Leadership Change.

Dat kan een nuttig alertmoment zijn.

Win/Loss Alerts

Een toekomstige alert engine kan bijvoorbeeld melden:

High-Intent Win Rate Declining

Competitor A Overtook Your Brand

New Loss Reason Emerging

Security Losses Increasing

Unbranded Win Rate Improving

Enterprise Win Rate Falling

Top Win Reason Changed

Competitive Leadership Changed

Dit maakt de data operationeel.

Alert Severity

Niet iedere verandering is even belangrijk.

Severity kan rekening houden met:

magnitude;
strategic importance;
high-intent relevance;
recurrence;
competitor involved;
observation volume;
confidence.

Win/Loss Drift

Wanneer niet alleen de percentages, maar ook de structuur van wins en losses verandert, ontstaat:

AI Win/Loss Drift.

Bijvoorbeeld:

Eerst wint u vooral op:

Price.

Later vooral op:

Ease of Use.

Uw competitive narrative verandert.

Win Reason Drift

Specifiek:

Win Reason Drift.

Loss Reason Drift

Bijvoorbeeld:

Eerst verliest u vooral op:

Enterprise.

Later vooral op:

Security.

Dat kan wijzen op een verschuiving in observed competitive positioning.

Emerging Win Reason

Een nieuwe reden begint steeds vaker in wins voor te komen.

Bijvoorbeeld:

AI Brand Intelligence

3% → 12% → 26% → 41%.

Dit is een:

Emerging Win Reason.

Emerging Loss Reason

Bijvoorbeeld:

Integration Coverage

5% → 17% → 31%.

Dit kan een vroeg competitive warning signal zijn.

Win/Loss Analysis en AI Attribute Ownership

De relatie is logisch.

Als uw merk:

Ease of Use

sterk bezit én vaak wint wanneer gebruiksgemak belangrijk is, wordt de positioning interessanter.

Attribute Ownership zonder wins

Maar stel:

Ease-of-Use SOV:

67%.

Toch:

Ease-of-Use comparison Win Rate:

31%.

Dan is de attribute association sterk, maar vertaalt deze zich niet automatisch naar selection.

Dat is belangrijke intelligence.

Attribute-to-Win Gap

Dit verschil kunnen we noemen:

Attribute-to-Win Gap.

Het laat zien dat een sterke association niet automatisch een competitive recommendation oplevert.

Differentiator-to-Win Gap

Hetzelfde geldt voor differentiators.

AI kan uw differentiator herkennen, maar toch een competitor kiezen vanwege andere selection criteria.

Daarom is:

Differentiator-to-Win Gap

een nuttig toekomstig concept.

Key Message-to-Win Gap

Ook een Key Message kan goed worden herkend zonder daadwerkelijk invloed te hebben op observed selections.

Daarom ontstaat uiteindelijk een funnel:

Message Recognized

↓

Differentiator Recognized

↓

Recommendation Reason

↓

Shortlist

↓

Win

Dit verbindt meerdere onderdelen van AI Brand Intelligence.

Win/Loss Analysis en citations

Wanneer AI zichtbare bronnen toont, kan worden onderzocht welke sources voorkomen rond gewonnen en verloren comparisons.

Bijvoorbeeld:

Wins

Vaak zichtbare bronnen:

eigen productpagina;
comparison article;
customer review;
documentation.

Losses

Vaak:

competitor documentation;
review platform;
analyst article;
comparison site.

Dit noemen we:

Win/Loss Source Intelligence.

Source presence bewijst geen oorzaak

Als een competitor wint en een bepaalde bron wordt geciteerd, betekent dat niet automatisch:

Deze bron veroorzaakte de win.

We kunnen alleen constateren:

De bron was zichtbaar binnen de betreffende response.

Dat onderscheid moet behouden blijven.

Win/Loss Analysis en Brand Accuracy

Een merk kan verliezen vanwege incorrecte informatie.

Bijvoorbeeld:

Concurrent A is geschikter omdat uw product geen API ondersteunt.

Maar uw product heeft wel degelijk een API.

Dan is dit:

Loss

plus:

Brand Accuracy Issue.

Accuracy-Driven Loss

Dit kan een speciale categorie worden:

Potential Accuracy-Driven Loss.

Waarom dit hoge prioriteit verdient

Een loss vanwege een legitieme competitor strength is iets anders dan een loss gebaseerd op:

verkeerde productinformatie;
verouderde pricing;
ontbrekende feature;
verkeerde doelgroep;
hallucination.

Die laatste categorie kan veel urgenter zijn.

Misrepresentation-Driven Loss

AI kan ook feitelijk correcte informatie gebruiken maar uw positionering verkeerd begrijpen.

Bijvoorbeeld:

Uw product is vooral geschikt voor kleine bedrijven.

Terwijl u ook enterprise ondersteunt.

Dan kan sprake zijn van:

Potential Misrepresentation-Driven Loss.

Loss Classification

Een toekomstige analyse kan losses classificeren als:

Competitive Capability Loss

Price/Value Loss

Positioning Loss

Accuracy-Related Loss

Reputation Loss

Source Visibility Loss

Audience-Fit Loss

Geographic Loss

Unclear

Dit helpt prioriteren.

Actionability van Losses

Niet iedere loss is oplosbaar.

Concurrent A kan werkelijk functionaliteit hebben die u niet aanbiedt.

Dan is de correcte conclusie misschien:

Deze competitor is voor deze use case daadwerkelijk een betere fit.

AI Monitor Brand moet dat kunnen laten staan.

Het doel is niet iedere AI-comparison winnen

Dat zou een verkeerde productfilosofie zijn.

Het doel is:

begrijpen waar uw merk competitief sterk en zwak wordt gepositioneerd.

Sommige losses zijn volledig logisch.

Strategic Loss versus Irrelevant Loss

Een enterprise-focused competitor verslaat uw MKB-product bij:

Beste oplossing voor 50.000 medewerkers.

Als enterprise niet uw doelgroep is, heeft deze loss weinig strategische waarde.

Daarom moeten prompts en segments prioriteit krijgen.

Strategic Win Rate

Een sterkere management-KPI kan zijn:

Strategic Win Rate

Alleen berekend over comparisons die aansluiten bij:

gewenste doelgroep;
gewenste use cases;
gewenste geography;
gewenste categories.

Dat is commercieel relevanter dan één universele Win Rate.

Commercial Win Rate

Nog specifieker kunnen alleen:

high-intent strategic prompts

worden gebruikt.

Dat kan een:

Commercial AI Win Rate

opleveren.

Voorbeeld

Overall Win Rate:

47%.

Strategic Win Rate:

61%.

Commercial High-Intent Win Rate:

68%.

Dat vertelt een veel positiever en nauwkeuriger verhaal dan alleen 47%.

Win/Loss Analysis voor Nederlandse SaaS-bedrijven

Een SaaS-bedrijf kan bijvoorbeeld onderzoeken:

Waarom kiest AI ons versus twee directe competitors?

Mogelijke Win Reasons:

gebruiksgemak;
Nederlandse support;
pricing;
specialization.

Mogelijke Loss Reasons:

integrations;
enterprise;
analytics;
international presence.

Win/Loss Analysis voor Nederlandse IT-dienstverleners

Een Microsoft Intune-specialist kan bijvoorbeeld winnen vanwege:

specialistische expertise;
Nederlandse engineers;
remote dienstverlening;
troubleshooting.

En verliezen vanwege:

global coverage;
24/7 service;
schaal;
bredere Microsoft portfolio.

Dat levert veel bruikbaardere intelligence dan alleen mentions.

Voor agencies

Een Nederlandse agency kan winnen op:

B2B-specialisatie;
GEO;
persoonlijke dienstverlening;
technische expertise.

En verliezen op:

internationale schaal;
paid-media capabilities;
tooling;
grote accountteams.

Voor consultants

Win Reasons kunnen zijn:

persoonlijke expertise;
nichekennis;
ervaring;
directe betrokkenheid.

Loss Reasons:

capaciteit;
schaal;
bredere dienstverlening.

Voor ecommerce en productmerken

AI kan producten vergelijken op:

prijs;
kwaliteit;
functies;
reviews;
duurzaamheid;
levering;
garantie.

Win/Loss Analysis kan vervolgens laten zien welke criteria bij verschillende productselecties terugkomen.

Voor productmarketing

Hier wordt deze feature bijzonder waardevol.

Productmarketingteams werken traditioneel met:

competitive battlecards.

AI Monitor Brand kan daar een nieuwe databron aan toevoegen:

AI-generated competitive battlecards.

AI Competitive Battlecard

Bijvoorbeeld:

Uw merk versus Concurrent A

Win Rate: 43%

High-Intent Win Rate: 51%

Strongest Win Reason: Ease of Use

Strongest Loss Reason: Enterprise

Biggest Advantage: Transparency

Biggest Gap: Security

Emerging Win Reason: AI Brand Intelligence

Trend: +8 pp / 90 dagen

Dit is zeer concreet.

Voor sales

Een prospect kan al vóór een salesgesprek aan AI hebben gevraagd:

Product A versus Product B?

Daardoor kan sales te maken krijgen met AI-gevormde verwachtingen.

Win/Loss Intelligence helpt begrijpen welke arguments mogelijk al in het hoofd van de prospect zitten.

Voor management

Een executive dashboard kan eenvoudig blijven.

AI Competitive Performance

Overall Win Rate
47%

Strategic Win Rate
61%

High-Intent Win Rate
58%

vs Concurrent A
38%

vs Concurrent B
63%

Top Win Driver
Ease of Use

Top Loss Driver
Enterprise

Largest Improvement
Security +9 pp

Largest Risk
Concurrent A gaining Transparency

Dat geeft snel inzicht.

Win/Loss Opportunity Matrix

Een interessante toekomstige matrix:

	Hoge commerciële waarde	Lage commerciële waarde
Hoge Win Rate	Defend	Maintain
Lage Win Rate	Improve / Investigate	Low Priority

Hiermee voorkomt u dat teams tijd besteden aan irrelevante losses.

Priority Loss

Een loss verdient vooral aandacht wanneer:

prompt high-intent is;
segment strategisch is;
competitor direct relevant is;
loss consistent terugkomt;
reason beïnvloedbaar lijkt;
data confidence voldoende is.

Dit noemen we:

Priority Loss.

Priority Win

Wins kunnen eveneens strategisch worden gebruikt.

Een:

Priority Win

is bijvoorbeeld:

high-intent;
belangrijke persona;
gewenste use case;
sterke differentiator;
consistent;
cross-platform.

Dat kan een positioning territory zijn die u wilt verdedigen.

Defend versus Improve

AI Monitor Brand kan daardoor twee actietypen tonen:

Defend

Competitive positions waar uw merk al sterk is.

Improve

Strategisch belangrijke positions waar competitors domineren.

Dat is veel nuttiger dan alleen een lijst met negatieve gaps.

Win/Loss Opportunity Score

Later kan een Opportunity Score combineren:

strategic relevance;
commercial intent;
current Win Rate;
competitor strength;
reason gap;
trend;
confidence;
potential actionability.

Dit is premiumfunctionaliteit.

Win/Loss Analysis en GEO

De workflow:

Define Strategic Comparison Prompts

↓

Run AI Monitoring

↓

Detect Recommendations

↓

Determine Win/Loss/Tie

↓

Extract Reasons

↓

Compare Two Competitors

↓

Identify Strategic Wins and Losses

↓

Inspect Evidence and Sources

↓

Improve Accurate Positioning and Content

↓

Remeasure

↓

Monitor Trends

Dit maakt GEO veel meer een measurement discipline.

Geen garantie dat optimalisatie een win veroorzaakt

Als een Win Rate na een contentwijziging stijgt:

32% → 48%,

kunt u constateren:

De observed Win Rate steeg met 16 procentpunt.

U kunt niet zonder aanvullend bewijs concluderen:

De nieuwe pagina veroorzaakte deze stijging.

AI-systemen, retrieval, competitors en andere factoren kunnen eveneens veranderen.

Change Annotations

Daarom kan AI Monitor Brand later wijzigingen annoteren:

1 september — nieuwe comparison page.

15 september — pricing gewijzigd.

1 oktober — enterprise landing page gepubliceerd.

15 oktober — nieuwe security documentation.

Daarna kan Win/Loss performance worden gevolgd.

Win/Loss Before/After Analysis

Bijvoorbeeld:

90 dagen vóór wijziging

High-Intent Win Rate:

31%.

90 dagen na wijziging

High-Intent Win Rate:

43%.

Observed difference:

+12 procentpunt.

Dit is nuttig zonder causale overclaim.

Benchmark Prompt Set

Historical Win/Loss Analysis werkt alleen goed wanneer een voldoende stabiele set prompts periodiek wordt herhaald.

Daarom blijft het concept:

Benchmark Prompt Set

essentieel.

Discovery Prompt Set

Daarnaast kan een flexibelere set worden gebruikt:

Discovery Prompt Set.

Deze helpt nieuwe:

competitors;
use cases;
reasons;
categories;
selection criteria;

ontdekken.

Benchmark versus Discovery

Benchmark

Meet verandering.

Discovery

Ontdekt verandering.

Beide zijn nodig.

Wat moet technisch worden opgeslagen?

Per comparison observation:

comparison_id;
workspace_id;
prompt_id;
prompt_version;
prompt_cluster;
response_id;
platform;
model metadata;
timestamp;
brand_id;
competitor_ids;
branded/unbranded;
high-intent status;
persona;
category;
use case;
geography;
language.

Per outcome:

winner_brand_id;
outcome_type;
recommendation_strength;
confidence;
primary recommendation;
shortlist position.

Per reason:

winning_brand_id;
losing_brand_id;
canonical_reason;
original_reason;
reason_type;
evidence span;
confidence;
sentiment;
accuracy status.

Dit creëert een sterke basis voor latere analytics.

Bewaar altijd de raw AI-response

Ook hier is dat essentieel.

De raw response bevat de volledige competitive reasoning.

Wanneer u alleen opslaat:

winner = competitor_a

verliest u:

reasons;
trade-offs;
conditional recommendations;
positioning;
attributes;
accuracy issues;
source context.

Daarom moet raw response storage vanaf het begin onderdeel zijn van de architectuur.

Moet Win/Loss Analysis in de bare-bones MVP?

Nee.

Niet als volledige feature.

De eerste MVP moet eenvoudig blijven:

Uw merk + twee concurrenten.

Meet:

mentions;
recommendations;
position;
AI Share of Voice;
Visibility Gaps;
trends.

Dat is voldoende voor de eerste productversie.

Maar de MVP-dataset moet Win/Loss later mogelijk maken

Bewaar daarom:

volledige responses;
prompt metadata;
competitor detections;
recommendation detections;
timestamps.

Hiermee kan historische Win/Loss Analysis later gedeeltelijk worden terugberekend.

Eerste Win/Loss-versie na MVP

Ik zou beginnen met:

Direct Head-to-Head Comparison.

Per competitor:

Win;
Loss;
Tie;
Win Rate;
Top Win Reason;
Top Loss Reason;
evidence.

Dat is eenvoudig en zeer begrijpelijk.

Tweede versie

Voeg toe:

High-Intent Win Rate;
Unbranded Win Rate;
use-case segmentation;
platform breakdown;
trends;
confidence;
Strategic Win Rate.

Derde versie

Daarna:

Win/Loss Reason Matrix;
persona;
company size;
industry;
language;
Top-3 → Win funnel;
Selection Gap;
alerts;
emerging reasons.

Vierde versie

Premium:

AI Battlecards;
Opportunity Score;
Recommendation Trade-Off Intelligence;
Decision Criteria;
source intelligence;
accuracy-driven losses;
competitive momentum;
leadership changes;
automated executive summaries.

Zo blijft de roadmap gefaseerd.

Een sterke feature voor AI Monitor Brand

De technische naam kan zijn:

AI Recommendation Win/Loss Analysis.

Maar voor gebruikers zou ik een eenvoudigere featuretitel overwegen:

Why You Win — Why You Lose

Daaronder:

Ontdek bij welke AI-vragen uw merk wordt verkozen boven twee belangrijke concurrenten, waar u verliest en welke argumenten AI gebruikt om die keuze te onderbouwen.

Dat communiceert de waarde onmiddellijk.

Een mogelijke dashboardkaart

Why You Win

Ease of Use
55% of wins

Transparency
43%

Competitor Comparison
38%

Why You Lose

Enterprise Features
57% of losses

Security
46%

Integrations
39%

Daaronder:

vs Concurrent A — 38% Win Rate

vs Concurrent B — 63% Win Rate

Dit is bijzonder begrijpelijk.

Een sterke homepageboodschap

Ontdek niet alleen welke merken AI aanbeveelt, maar waarom uw merk wint of verliest van concurrenten.

Of korter:

Zie waarom AI voor uw merk kiest — of voor uw concurrent.

AI Monitor Brand verschuift hiermee richting Decision Intelligence

De meetketen wordt:

Mention Rate

Worden we gevonden?

↓

Recommendation Rate

Worden we aanbevolen?

↓

AI Share of Voice

Hoe staan we tegenover concurrenten?

↓

AI Position

Hoe prominent zijn we?

↓

High-Intent Visibility

Zijn we zichtbaar wanneer potentiële klanten kiezen?

↓

Recommendation Reasons

Waarom worden we aanbevolen?

↓

Win/Loss Analysis

Wanneer kiest AI voor ons in plaats van een concurrent — en waarom?

Dat is veel dichter bij de commerciële werkelijkheid.

AI Brand Visibility versus AI Decision Intelligence

AI Brand Visibility vraagt:

Komt ons merk voor?

AI Decision Intelligence vraagt:

Hoe positioneert AI ons binnen een keuzeproces tussen verschillende aanbieders?

Daarmee ontstaat uiteindelijk een belangrijke productontwikkeling:

AI Brand Monitoring

↓

AI Competitive Intelligence

↓

AI Decision Intelligence

Dat kan op termijn een veel sterkere productcategorie zijn dan alleen:

AI Mention Tracking.

De belangrijkste commerciële vraag

Voor veel bedrijven is uiteindelijk niet de belangrijkste vraag:

Hoe vaak noemt ChatGPT mijn merk?

De veel belangrijkere vraag is:

Wanneer een potentiële klant AI vraagt om ons met twee concurrenten te vergelijken, wie wordt dan aanbevolen?

En vervolgens:

Waarom?

Dat is precies wat AI Recommendation Win/Loss Analysis zichtbaar probeert te maken.

Recommendation Rate vertelt hoe vaak u wordt aanbevolen. Win/Loss Analysis vertelt wanneer u de voorkeur krijgt, tegen wie u wint en welke argumenten achter die keuze staan.

Veelgestelde vragen over AI Recommendation Win/Loss Analysis

Wat is AI Recommendation Win/Loss Analysis?

AI Recommendation Win/Loss Analysis analyseert vergelijkende AI-antwoorden om te bepalen welk merk als voorkeursoptie wordt gepositioneerd, tegen welke competitors het wint of verliest en welke argumenten daarbij worden genoemd.

Wat is een AI Recommendation Win?

Een Win ontstaat wanneer uw merk binnen een relevante comparison duidelijk als voorkeursoptie naar voren komt.

Wat is een Loss?

Een Loss ontstaat wanneer een gemonitorde competitor als voorkeursoptie wordt gepositioneerd.

Kan een AI-antwoord ook een Tie zijn?

Ja. AI kan meerdere oplossingen als ongeveer gelijkwaardig presenteren of geen duidelijke winnaar aanwijzen.

Wat is een Conditional Win?

Daarbij wordt uw merk alleen onder bepaalde omstandigheden als betere keuze gepositioneerd, bijvoorbeeld voor kleinere bedrijven of een specifieke use case.

Wat is AI Win Rate?

Dit is het percentage eligible comparisons waarin uw merk als winnaar wordt geclassificeerd.

Wat is Decisive Win Rate?

Dit kijkt alleen naar comparisons waarin daadwerkelijk een duidelijke winnaar of verliezer bestaat.

Wat is Head-to-Head Win Rate?

Dit meet uw Win Rate specifiek tegen één bepaalde competitor.

Wat zijn Win Reasons?

Dit zijn argumenten die relatief vaak worden genoemd wanneer uw merk als voorkeursoptie naar voren komt.

Wat zijn Loss Reasons?

Dit zijn redenen waarmee AI een competitor boven uw merk positioneert.

Wat is een Win Driver?

Dit is een terugkerend argument dat samenvalt met gewonnen comparisons. De term betekent niet automatisch dat een causale relatie bewezen is.

Wat is High-Intent Win Rate?

Dit meet uw Win Rate alleen binnen prompts met sterke commerciële of selectie-intentie.

Wat is Unbranded Win Rate?

Dit meet hoe vaak uw merk wint binnen relevante comparisons waarin de gebruiker uw merknaam niet vooraf heeft genoemd.

Wat is Strategic Win Rate?

Dit is een Win Rate die alleen wordt berekend over comparisons die aansluiten op strategisch relevante doelgroepen, use cases, categories of markten.

Wat is een Selection Gap?

Dit is het verschil tussen hoe vaak uw merk wordt overwogen of aanbevolen en hoe vaak het uiteindelijk als primaire keuze wordt gepositioneerd.

Wat is Shortlist-to-Win Rate?

Dit meet hoe vaak uw merk van een shortlistpositie doorstroomt naar de primaire recommendation.

Wat is Win/Loss Drift?

Dit is een structurele verandering in de patronen waarmee uw merk over tijd comparisons wint of verliest.

Wat is een Win/Loss Crossover?

Dit ontstaat wanneer uw merk en een competitor elkaar over tijd passeren in competitive performance.

Kan verkeerde AI-informatie een Loss veroorzaken?

Dat kan voorkomen. Wanneer een loss samenhangt met aantoonbaar incorrecte of verouderde informatie kan deze worden gemarkeerd als een potentiële Accuracy-Related Loss.

Kan AI Recommendation Win/Loss Analysis helpen bij GEO?

Ja. Het kan veranderingen in competitive AI positioning meten nadat content, positioning of andere signals zijn gewijzigd. De analyse bewijst echter niet automatisch dat een specifieke GEO-actie een verandering heeft veroorzaakt.

Wat is AI Recommendation Win/Loss Analysis? Ontdek waarom uw merk wint

Wat is een AI Recommendation Win?

Wat is een AI Recommendation Loss?

Maar niet ieder AI-antwoord heeft een winnaar

Een beter Win/Loss-model

Waarom Win/Loss Analysis verder gaat dan Recommendation Rate

Voorbeeld

AI Win Rate

Voorbeeld

Maar ties moeten apart worden getoond

Competitive Decision Distribution

Decisive Win Rate

Waarom beide metrics nuttig zijn

Head-to-Head Win Rate

Voorbeeld

Head-to-Head Scorecard

Waarom wint uw merk?

Win Reasons

Win Reason Rate

Voorbeeld

Waarom verliest uw merk?

Loss Reason Rate

Voorbeeld

Win/Loss Reason Matrix

Win Drivers en Loss Drivers

Voorbeeld

Top Win Drivers

Top Loss Drivers

Win Driver is niet hetzelfde als bewezen oorzaak

Waarom Head-to-Head Reasons belangrijk zijn

Voorbeeld

Uw merk versus Concurrent A

Uw merk versus Concurrent B

AI Head-to-Head Battlecard

Uw merk versus Concurrent A

U wint vooral wanneer:

U verliest vooral wanneer:

Grootste Win Driver

Grootste Loss Driver

Trend

Win/Loss Analysis per use case

Use-Case Win Rate

Category Win Rate

Topic Win Rate

Win/Loss Analysis per persona

Voorbeeld

Persona Win Reasons

Win/Loss Analysis per bedrijfsgrootte

Dit is niet automatisch een probleem

Strategic Win/Loss Analysis

Win/Loss Analysis per industrie

Industry Win Reasons

Win/Loss Analysis voor Nederland

Dutch Market Advantage

Win/Loss Analysis per taal

Waarom taal belangrijk is

High-Intent Win/Loss Analysis

Voorbeeld van lage intent

Voorbeeld van hoge intent

High-Intent Win Rate

Voorbeeld

Andersom kan ook

High-Intent Win Reasons

Unbranded Win/Loss Analysis

Unbranded Win Rate

Branded versus Unbranded Win Gap

Discovery Win/Loss Reasons

Top-1 Win Rate

Top-3 Inclusion versus Win

Shortlist-to-Win Conversion

Voorbeeld

Waarom dit commercieel interessant is

Discovery problem

Selection problem

Discovery → Shortlist → Win Funnel

Competitive Funnel Comparison

AI Selection Gap

Voorbeeld

Selection Gap versus Visibility Gap

Visibility Gap