Veel bedrijven beginnen AI Brand Monitoring met één eenvoudige vraag:
Wordt ons merk genoemd in ChatGPT?
Dat is een nuttige eerste meting.
Maar commercieel gezien is een merkvermelding slechts het begin.
Een potentiële klant kan uw merk tegenkomen in een AI-antwoord zonder dat AI uw bedrijf daadwerkelijk als relevante oplossing ziet.
Uw merk kan worden genoemd, maar niet worden overwogen.
Het kan worden overwogen, maar niet op de shortlist komen.
Het kan op de shortlist staan, maar niet worden aanbevolen.
Het kan worden aanbevolen, maar uiteindelijk verliezen van een concurrent.
Daarom is het belangrijk om AI-zichtbaarheid niet uitsluitend als één percentage te bekijken.
U wilt begrijpen hoe uw merk door het volledige AI-keuzeproces beweegt:
Mention
↓
Consideration
↓
Shortlist
↓
Recommendation
↓
Preference
↓
Win
Het systematisch meten van deze stappen noemen we:
AI Selection Funnel Tracking.
AI Selection Funnel Tracking analyseert hoe vaak uw merk iedere fase van het AI-generated selectieproces bereikt en waar het ten opzichte van concurrenten terrein wint of verliest.
Voor AI Monitor Brand kan dit uiteindelijk een van de belangrijkste commerciële analytics-modellen worden.
De centrale vraag wordt:
Waar in het AI-keuzeproces verliezen wij potentiële zichtbaarheid, consideration of preference ten opzichte van onze twee belangrijkste concurrenten?
Wat is een AI Selection Funnel?
Een AI Selection Funnel is een analytisch model dat beschrijft hoe een merk binnen AI-antwoorden kan bewegen van algemene aanwezigheid naar een steeds sterkere commerciële selectiepositie.
Een mogelijke funnel:
1. Mention
AI noemt uw merk.
2. Consideration
AI presenteert uw merk als relevante optie.
3. Shortlist
Uw merk behoort tot de belangrijkste kandidaten.
4. Recommendation
AI beveelt uw merk daadwerkelijk aan.
5. Preference
AI geeft uw merk een duidelijke voorkeur boven één of meerdere alternatives.
6. Win
Uw merk wordt binnen een eligible comparison als primaire keuze gepositioneerd.
Dit zijn verschillende niveaus van AI-zichtbaarheid.
Waarom een funnel nuttiger is dan één AI Visibility Score
Een samengestelde AI Visibility Score kan management snel inzicht geven.
Maar één score vertelt niet altijd:
waar het probleem zit.
Stel:
Uw AI Visibility Score:
58/100
Wat moet u daarmee?
Misschien heeft u:
- lage awareness;
- goede consideration;
- zwakke shortlist inclusion;
- sterke recommendations;
- slechte Win Rate.
Een funnel maakt dit zichtbaar.
Voorbeeld
| Fase | Uw merk |
|---|---|
| Mention Rate | 72% |
| Consideration Rate | 58% |
| Shortlist Rate | 34% |
| Recommendation Rate | 29% |
| Preference Rate | 22% |
| Win Rate | 18% |
Nu ziet u onmiddellijk:
de grootste drop ontstaat tussen:
Consideration → Shortlist.
Dat is veel actiegerichter dan alleen:
Visibility Score = 58.
AI Selection Funnel versus traditionele marketingfunnel
Een traditionele funnel kan bijvoorbeeld zijn:
Awareness
↓
Consideration
↓
Purchase
De AI Selection Funnel meet iets anders.
Het meet:
hoe AI uw merk binnen generated answers positioneert tijdens discovery en selectie.
Het is dus geen vervanging voor:
- website analytics;
- CRM;
- sales pipeline;
- conversion tracking.
Het is een aanvullende intelligence-laag vóór of naast die systemen.
AI Selection Funnel is geen echte klantfunnel
Dit onderscheid is essentieel.
Als uw Win Rate 30% is, betekent dit niet:
30% van klanten koopt uw product.
Het betekent:
Binnen de gemonitorde eligible AI-responses werd uw merk in 30% van de relevante win/loss-observations als voorkeursoptie geclassificeerd.
Dat is iets heel anders.
Observed AI Selection Funnel
Een nauwkeurige term is daarom:
Observed AI Selection Funnel.
Het systeem analyseert wat binnen AI-antwoorden gebeurt.
Niet wat gebruikers uiteindelijk daadwerkelijk kopen.
Stap 1 — Mention
De eerste laag is:
Brand Mention.
Vraag:
Komt ons merk überhaupt voor?
Metric:
Mention Rate.
Formule:
responses met merkvermelding ÷ eligible responses × 100
Voorbeeld
500 relevante responses.
Uw merk wordt:
340 keer genoemd.
Mention Rate:
68%
Wat een Mention nog niet vertelt
Een mention kan:
- positief;
- neutraal;
- negatief;
- informatief;
- historisch;
- vergelijkend;
- commercieel relevant;
zijn.
Daarom is Mention slechts de bovenkant van de funnel.
Stap 2 — Consideration
Vervolgens:
Wordt het merk als relevante optie gepresenteerd?
Metric:
Consideration Rate.
Voorbeeld
340 mentions.
Daarvan worden 240 responses als echte consideration geclassificeerd.
Consideration Rate ten opzichte van eligible opportunities:
48%.
Maar u kunt ook meten:
Mention-to-Consideration Conversion.
Mention-to-Consideration Conversion
Formule:
Consideration appearances ÷ Mention appearances × 100
Voorbeeld
340 mentions.
240 consideration appearances.
Conversion:
70,6%
Dus ongeveer zeven op de tien observed mentions ontwikkelen zich tot consideration.
Stap 3 — Shortlist
Vervolgens:
Behoort uw merk tot de belangrijkste kandidaten?
Metric:
Shortlist Rate.
Voorbeeld
500 eligible selection responses.
Uw merk wordt:
170 keer shortlisted.
Shortlist Rate:
34%
Consideration-to-Shortlist Conversion
240 consideration appearances.
170 shortlist appearances.
Conversion:
70,8%
Stap 4 — Recommendation
Nu wordt de vraag:
Beveelt AI uw merk daadwerkelijk aan?
Metric:
Recommendation Rate.
Voorbeeld
Uw merk wordt:
145 keer aanbevolen.
Recommendation Rate:
29%
Shortlist-to-Recommendation Conversion
170 shortlist appearances.
145 recommendations.
Conversion:
85,3%
Dit is relatief sterk.
Stap 5 — Preference
Recommendation en preference zijn niet altijd hetzelfde.
AI kan bijvoorbeeld zeggen:
Zowel A als B zijn goede opties.
Beide worden aanbevolen.
Maar:
Voor uw specifieke situatie zou ik A kiezen.
Dan heeft A:
Preference.
Wat is AI Preference?
AI Preference ontstaat wanneer het antwoord één merk duidelijk boven een alternatief positioneert binnen de betreffende context.
Bijvoorbeeld:
Van deze drie zou ik Product A kiezen.
Of:
Product B is waarschijnlijk de beste fit voor uw organisatie.
Of:
Tussen A en B zou ik A adviseren.
AI Preference Rate
Formule:
Aantal eligible comparison responses waarin uw merk een duidelijke preference krijgt ÷ totaal eligible preference opportunities × 100
Preference versus Win
Voor praktische analytics liggen deze concepten dicht bij elkaar.
Een eerste productversie hoeft ze mogelijk niet als afzonderlijke metrics te tonen.
Later kan onderscheid worden gemaakt tussen:
Preference
en:
Decisive Win.
Stap 6 — Win
De sterkste selectie-uitkomst:
Win.
AI positioneert uw merk boven een competitor binnen een eligible head-to-head of multi-brand selection response.
Metric:
AI Win Rate.
Voorbeeld
100 decisive comparison outcomes.
Uw merk wint:
Verliest:
Tie:
Decisive Win Rate:
38 / (38 + 49) × 100 =
43,7%
De volledige funnel
Voorbeeld:
| Funnelstap | Rate |
|---|---|
| Mention | 68% |
| Consideration | 48% |
| Shortlist | 34% |
| Recommendation | 29% |
| Preference | 22% |
| Win | 18% |
Dit is uw:
AI Selection Funnel Profile.
Maar percentages moeten dezelfde denominator duidelijk aangeven
Dit is technisch belangrijk.
Er zijn twee manieren om funnelmetrics te presenteren.
Absolute Stage Rate
Percentage van alle eligible opportunities.
Bijvoorbeeld:
Mention Rate — 68%.
Consideration Rate — 48%.
Shortlist Rate — 34%.
Stage Conversion Rate
Percentage dat van de vorige fase naar de volgende fase gaat.
Bijvoorbeeld:
Mention → Consideration — 70,6%.
Consideration → Shortlist — 70,8%.
Beide zijn nuttig.
Maar ze mogen niet door elkaar worden gehaald.
Funnel Stage Rate versus Funnel Conversion Rate
AI Monitor Brand moet daarom duidelijk labelen:
Stage Rate
en:
Conversion Rate.
Dat voorkomt verwarring.
Voorbeeld van beide tegelijk
| Fase | Stage Rate | Conversion vanaf vorige fase |
|---|---|---|
| Mention | 68% | — |
| Consideration | 48% | 70,6% |
| Shortlist | 34% | 70,8% |
| Recommendation | 29% | 85,3% |
| Preference | 22% | 75,9% |
| Win | 18% | 81,8% |
Dit is een bijzonder krachtige dashboardtabel.
Funnel Drop-Off
Het verschil tussen twee opeenvolgende fasen noemen we:
Funnel Drop-Off.
Voorbeeld
Mention:
68%.
Consideration:
48%.
Drop:
20 procentpunt.
Consideration:
48%.
Shortlist:
34%.
Drop:
14 procentpunt.
Shortlist:
34%.
Recommendation:
29%.
Drop:
5 procentpunt.
De grootste absolute drop is:
Mention → Consideration.
Funnel Bottleneck
De fase waar relatief veel visibility verloren gaat kan worden aangeduid als:
AI Funnel Bottleneck.
Voorbeeld
Uw grootste bottleneck:
Mention → Consideration
Dat betekent:
AI kent uw merk relatief goed, maar presenteert het onvoldoende vaak als relevante optie.
Dit is veel specifieker dan:
Uw AI-zichtbaarheid moet omhoog.
Een ander voorbeeld
Mention:
41%.
Consideration:
38%.
Shortlist:
35%.
Recommendation:
31%.
Win:
26%.
Hier is de funnel ná discovery sterk.
Het probleem zit bovenaan:
Brand Discovery / Mention Visibility.
Een derde voorbeeld
Mention:
72%.
Consideration:
66%.
Shortlist:
61%.
Recommendation:
34%.
Win:
19%.
Hier is het probleem:
Shortlist → Recommendation.
AI vindt uw merk relevant, maar geeft competitors vaker de voorkeur.
Dat vraagt een andere strategie.
Funnel Diagnostic
Hierdoor kan AI Monitor Brand later automatisch een:
Funnel Diagnostic
geven.
Bijvoorbeeld:
Uw belangrijkste AI Selection Funnel-probleem ligt momenteel tussen Consideration en Shortlist. Uw merk wordt regelmatig als relevante optie genoemd, maar bereikt aanzienlijk minder vaak de primaire shortlist dan Concurrent A.
Dat is zeer begrijpelijk voor een gebruiker.
Uw merk versus twee concurrenten
De kern van AI Monitor Brand blijft:
Uw merk + Concurrent A + Concurrent B.
Voorbeeld:
| Fase | Uw merk | A | B |
|---|---|---|---|
| Mention | 68% | 81% | 63% |
| Consideration | 48% | 69% | 44% |
| Shortlist | 34% | 57% | 31% |
| Recommendation | 29% | 48% | 26% |
| Win | 18% | 35% | 16% |
Nu ziet u niet alleen wie meer visibility heeft.
U ziet:
waar Concurrent A zijn voordeel opbouwt.
Competitive Funnel Gap
Per fase:
Mention Gap vs A:
−13 pp.
Consideration Gap:
−21 pp.
Shortlist Gap:
−23 pp.
Recommendation Gap:
−19 pp.
Win Gap:
−17 pp.
Dit vormt:
Competitive Funnel Gap.
Waar ontstaat het competitor advantage?
In dit voorbeeld:
Mention Gap:
13 pp.
Shortlist Gap:
23 pp.
Concurrent A vergroot zijn voorsprong dus vooral tussen:
Mention en Shortlist.
Dat is zeer waardevolle intelligence.
Funnel Gap Expansion
Wanneer het verschil met een competitor verder in de funnel groter wordt:
Funnel Gap Expansion.
Funnel Gap Compression
Andersom kan uw merk een vroege visibility gap later verkleinen.
Bijvoorbeeld:
Mention Gap:
−20 pp.
Consideration:
−12 pp.
Shortlist:
−5 pp.
Recommendation:
+3 pp.
Win:
+8 pp.
Uw merk wordt minder vaak ontdekt, maar presteert beter zodra het eenmaal in consideration komt.
Dat is een totaal andere strategic story.
Competitive Funnel Efficiency
Dit leidt tot een interessant concept:
Competitive Funnel Efficiency.
Hoe goed zet een merk zijn AI-visibility om in sterkere selectieposities?
Voorbeeld
Uw merk:
Mention 40%.
Win 20%.
Concurrent A:
Mention 80%.
Win 24%.
Concurrent A heeft veel meer awareness.
Maar het verschil in wins is relatief klein.
Uw funnel kan dus efficiënter zijn.
Mention-to-Win Conversion
Formule:
Win observations ÷ Mention observations × 100
Binnen correct gekoppelde eligible observations.
Dit kan een indicatie geven van downstream funnel efficiency.
Maar voorzichtig met denominators
Niet iedere mention is een win opportunity.
Daarom moeten conversions alleen worden berekend binnen logisch vergelijkbare promptsets en eligible response populations.
Dit is essentieel voor methodologische betrouwbaarheid.
Cohort-Based Funnel Analysis
Een robuustere aanpak is:
gebruik dezelfde set high-intent selection prompts voor alle funnelstadia.
Dan kunt u betrouwbaarder vergelijken.
Dit noemen we:
Cohort-Based AI Funnel Analysis.
Benchmark Prompt Set
Voor historical tracking gebruikt u een stabiele:
Benchmark Prompt Set.
Bijvoorbeeld:
100 commerciële prompts.
Iedere week of maand opnieuw gemeten.
Dan kunt u de funnel over tijd vergelijken.
Discovery Prompt Set
Daarnaast kunt u nieuwe prompts toevoegen voor exploratie:
Discovery Prompt Set.
Deze hoeft niet rechtstreeks in historische funnelvergelijkingen te worden gemengd.
Dat voorkomt dataset drift.
Waarom dit belangrijk is
Als u in januari:
100 prompts
meet,
en in februari:
300 andere prompts,
dan kan de funnel veranderen puur door de gewijzigde dataset.
Daarom moet AI Monitor Brand altijd promptset-versies bewaren.
Funnel Versioning
Per funnelanalyse moeten minimaal worden opgeslagen:
- period;
- prompt set;
- prompt-set version;
- platforms;
- model metadata;
- competitors;
- eligibility rules;
- classification version;
- funnel stage definitions.
Zo blijft historical comparison reproduceerbaar.
High-Intent AI Selection Funnel
De commercieel belangrijkste funnel gebruikt alleen:
high-intent prompts.
Bijvoorbeeld:
Welke software zou u aanbevelen?
Welke leverancier moet ik kiezen?
Wat zijn de beste alternatieven?
Welke drie oplossingen moet ik vergelijken?
A of B: welke is beter voor mijn situatie?
Dit geeft:
High-Intent AI Selection Funnel.
Voorbeeld
| Fase | Overall | High-Intent |
|---|---|---|
| Mention | 68% | 55% |
| Consideration | 48% | 42% |
| Shortlist | 34% | 37% |
| Recommendation | 29% | 34% |
| Win | 18% | 24% |
Interessant:
uw overall visibility is hoger.
Maar downstream presteert u relatief beter in high-intent contexts.
Dat is positief.
High-Intent Funnel Efficiency
Uw merk hoeft dus niet overal zichtbaar te zijn.
Het kan commercieel waardevoller zijn om sterk te presteren bij:
selection prompts.
Unbranded AI Selection Funnel
Nog interessanter:
alleen prompts waarin uw merk niet vooraf wordt genoemd.
Dit geeft:
Unbranded AI Selection Funnel.
Voorbeeld
| Fase | Unbranded Rate |
|---|---|
| Discovery / Mention | 36% |
| Consideration | 28% |
| Shortlist | 21% |
| Recommendation | 16% |
| Win | 9% |
Dit meet hoe uw merk door AI wordt ontdekt en geselecteerd zonder dat de gebruiker het merk al kent.
Waarom dit bijzonder waardevol is
Bij branded prompts heeft de gebruiker al awareness.
Bij unbranded prompts kan AI:
nieuwe demand discovery
faciliteren.
Daarom ligt Unbranded Selection Funnel dichter bij de vraag:
Kan AI ons introduceren bij potentiële klanten die ons nog niet kennen?
Branded versus Unbranded Funnel
Voorbeeld:
| Fase | Branded | Unbranded |
|---|---|---|
| Mention | 96% | 36% |
| Consideration | 82% | 28% |
| Shortlist | 71% | 21% |
| Recommendation | 59% | 16% |
| Win | 42% | 9% |
Dit maakt de:
Brand Recognition-to-Discovery Gap
zeer zichtbaar.
Funnel per platform
Bijvoorbeeld:
ChatGPT
Mention 71%
Consideration 53%
Shortlist 41%
Recommendation 34%
Win 22%
Gemini
Mention 54%
Consideration 39%
Shortlist 27%
Recommendation 21%
Win 13%
Claude
Mention 63%
Consideration 47%
Shortlist 36%
Recommendation 31%
Win 20%
Perplexity
Mention 76%
Consideration 58%
Shortlist 44%
Recommendation 36%
Win 24%
Dit is:
Platform Selection Funnel Analysis.
Platform Funnel Gap
Uw merk kan bijvoorbeeld een:
Discovery Gap
hebben op Gemini,
maar een:
Recommendation Gap
op ChatGPT.
Dat vraagt verschillende analyses.
Cross-Platform Funnel Consistency
Wanneer de funnel op verschillende platforms vergelijkbaar is:
High Cross-Platform Funnel Consistency.
Wanneer de patronen sterk verschillen:
Funnel Fragmentation.
Funnel per topic
Bijvoorbeeld:
Competitor Monitoring
Mention 79%
Consideration 71%
Shortlist 62%
Recommendation 54%
Win 37%
Reputation Monitoring
Mention 61%
Consideration 43%
Shortlist 28%
Recommendation 19%
Win 11%
Uw merk is dus veel sterker binnen Competitor Monitoring.
Topic Funnel Gap
Dit kan laten zien:
Voor welk onderwerp verdwijnt ons merk uit het selectieproces?
Dat is veel nauwkeuriger dan algemene topic visibility.
Funnel per use case
Bijvoorbeeld:
Competitor Tracking
Citation Tracking
Agency Reporting
Reputation Monitoring
Enterprise Governance
Voor iedere use case kan een eigen funnel worden gebouwd.
Funnel per persona
Bijvoorbeeld:
Marketingmanager
Mention 70%
Consideration 61%
Shortlist 48%
Recommendation 41%
Win 29%
Enterprise CMO
Mention 52%
Consideration 33%
Shortlist 21%
Recommendation 14%
Win 8%
Dit kan een belangrijke positioning gap laten zien.
Funnel per bedrijfsgrootte
SMB:
sterke funnel.
Mid-market:
gemiddeld.
Enterprise:
grote drop tussen Mention en Consideration.
Dat vertelt:
AI kent uw merk, maar ziet het onvoldoende als enterprise fit.
Dit sluit direct aan op Brand Positioning en Misrepresentation Monitoring.
Funnel per industrie
Financial Services.
Technology.
Healthcare.
Professional Services.
Retail.
Iedere industry kan een eigen AI-selection pattern hebben.
Funnel voor Nederland
AI Monitor Brand richt zich in eerste instantie op Nederland.
Daarom is het interessant om een:
Dutch AI Selection Funnel
te bouwen.
Gebruik Nederlandse prompts zoals:
Welke CRM-software is geschikt voor een Nederlands bedrijf met 100 medewerkers?
Welke Intune-partner kan een Nederlandse organisatie remote ondersteunen?
Welke contractmanagementsoftware is geschikt voor het Nederlandse mkb?
Dit geeft lokaal relevante intelligence.
Dutch versus International Funnel
Voorbeeld:
| Fase | Nederland | Internationaal |
|---|---|---|
| Mention | 71% | 48% |
| Consideration | 59% | 36% |
| Shortlist | 47% | 27% |
| Recommendation | 39% | 21% |
| Win | 28% | 13% |
Dit kan een sterke:
Dutch Market Selection Advantage
laten zien.
Funnel per taal
Nederlands en Engels kunnen verschillende resultaten opleveren.
Daarom:
Language Selection Funnel.
Funnel Reasons
Naast percentages wilt u uiteindelijk weten:
Waarom vallen we uit?
Dat brengt eerdere intelligence-features terug.
Mention → Consideration
Mogelijke factors:
- category fit;
- audience fit;
- geography;
- product relevance;
- brand positioning.
Consideration → Shortlist
Mogelijke factors:
- differentiators;
- Decision Criteria;
- competitive strengths;
- use-case fit.
Shortlist → Recommendation
Mogelijke factors:
- Recommendation Reasons;
- trade-offs;
- strengths/weaknesses.
Recommendation → Win
Mogelijke factors:
- head-to-head differences;
- Decision Criteria;
- trade-offs;
- persona fit;
- company-size fit.
Funnel Reason Mapping
Dit kan worden genoemd:
AI Funnel Reason Mapping.
Belangrijk: factors zijn niet automatisch oorzaken
AI Monitor Brand moet onderscheid maken tussen:
Observed Supporting Reason
en:
Proven Cause.
De eerste kan worden gemeten.
De tweede meestal niet.
Funnel Stage Reasons
Per stage kan later worden getoond:
Consideration Reasons
Ease
Local Fit
Specialization
Shortlist Reasons
Transparency
Competitive Analytics
Recommendation Reasons
Ease
Value
Win Reasons
Ease
Dutch Market Fit
Nu ziet u hoe uw positioning door de funnel beweegt.
Reason Persistence
Een interessante metric:
Blijft dezelfde strength relevant door meerdere funnelstadia?
Bijvoorbeeld:
Ease:
Consideration → Shortlist → Recommendation → Win.
Dat is:
Reason Persistence.
Reason Drop-Off
Een differentiator kan vroeg relevant zijn maar later verdwijnen.
Bijvoorbeeld:
Transparency:
Consideration 45%.
Shortlist 38%.
Recommendation 14%.
Win 6%.
Dat is:
Reason Drop-Off.
Attribute-to-Funnel Analysis
Artikel 22 behandelde AI Attributes.
Nu kan worden gemeten:
Hoe ver komt uw merk door de funnel wanneer Attribute X aanwezig is?
Voorbeeld
Ease of Use:
Mention → 76%.
Consideration → 69%.
Shortlist → 58%.
Recommendation → 49%.
Win → 37%.
Security:
Mention → 61%.
Consideration → 38%.
Shortlist → 24%.
Recommendation → 17%.
Win → 9%.
Dit maakt attribute intelligence veel commerciëler.
Differentiator-to-Funnel Analysis
Hetzelfde kan voor Strategic Differentiators.
Bijvoorbeeld:
Dutch Expertise.
Wordt het:
- herkend;
- gebruikt voor consideration;
- gebruikt voor shortlist;
- recommendation reason;
- win reason?
Dit is zeer waardevolle positioning intelligence.
Key Message-to-Funnel Analysis
Een Key Message kan worden gevolgd van:
Recognition
naar:
Commercial Selection.
Bijvoorbeeld:
Key Message:
Transparante AI-monitoring zonder black-box score.
Recognition:
63%.
Consideration association:
42%.
Shortlist association:
31%.
Recommendation association:
23%.
Win association:
18%.
Dit is veel interessanter dan alleen Message Recognition.
Decision Criteria-to-Funnel Analysis
Artikel 33 behandelde AI Decision Criteria.
Voor ieder criterion:
Hoe presteert uw merk door de funnel?
Bijvoorbeeld:
| Stage | Security | Ease | Price |
|---|---|---|---|
| Consideration | 31% | 72% | 48% |
| Shortlist | 22% | 61% | 37% |
| Recommendation | 14% | 52% | 29% |
| Win | 8% | 39% | 19% |
Dit laat zien waar uw competitive strengths zitten.
Funnel + Trade-Off Analysis
Artikel 32 behandelde trade-offs.
Bijvoorbeeld:
Ease versus Enterprise Capability.
Uw merk:
sterk in Consideration.
Concurrent A:
sterker bij final Win.
Dat kan betekenen:
Ease helpt u in consideration, maar Enterprise Capability wordt later in de selectie belangrijker.
Dit is zeer waardevolle decision intelligence.
Funnel + Win/Loss
Artikel 31 behandelde Win/Loss Analysis.
De funnel plaatst Win/Loss nu in context.
Misschien heeft u een slechte overall Win Rate.
Maar:
wanneer u de shortlist bereikt:
wint u vaak.
Dan ligt het probleem niet bij final selection.
Het ligt eerder.
Shortlist-to-Win Efficiency
Bijvoorbeeld:
Uw merk:
Shortlist 100 keer.
Win 44.
Efficiency:
44%.
Concurrent A:
Shortlist 180 keer.
Win 54.
Efficiency:
30%.
Concurrent A krijgt veel meer shortlist exposure.
Maar uw merk converteert sterker.
Dat is belangrijke nuance.
Funnel Efficiency Profile
Mogelijke metrics:
Mention-to-Consideration.
Consideration-to-Shortlist.
Shortlist-to-Recommendation.
Recommendation-to-Win.
Dit vormt:
AI Funnel Efficiency Profile.
Funnel Strength
Een merk kan:
Strong Top / Weak Bottom
Veel visibility, weinig wins.
Weak Top / Strong Bottom
Weinig visibility, maar sterke conversion zodra considered.
Strong Throughout
Sterk in vrijwel alle fasen.
Weak Throughout
Structurele visibility en selection weakness.
Deze profielen zijn managementvriendelijk.
Funnel Archetypes
AI Monitor Brand kan later automatisch classificeren:
Discovery-Constrained
Consideration-Constrained
Shortlist-Constrained
Recommendation-Constrained
Selection-Constrained
High-Efficiency Challenger
Dominant Funnel Leader
Dit kan dashboards zeer begrijpelijk maken.
Voorbeeld: High-Efficiency Challenger
Uw merk:
Mention Rate 38%.
Win Rate 19%.
Concurrent A:
Mention Rate 79%.
Win Rate 23%.
U bent veel minder zichtbaar.
Maar wanneer u eenmaal verschijnt, is uw downstream performance relatief sterk.
Strategische conclusie:
Meer qualified discovery kan mogelijk belangrijker zijn dan het veranderen van final recommendation positioning.
Voorbeeld: Visibility-Rich, Selection-Weak
Uw merk:
Mention 82%.
Consideration 70%.
Shortlist 58%.
Recommendation 29%.
Win 12%.
AI kent u uitstekend.
Maar u wordt weinig verkozen.
Het probleem is niet visibility.
Het is:
preference.
Waarom dit cruciaal is voor GEO
Zonder funnel zou een team kunnen zeggen:
We hebben 82% Mention Rate. Onze AI Visibility is uitstekend.
Maar commercieel kan de performance zwak zijn.
GEO moet daarom niet alleen streven naar:
meer mentions.
Het moet kijken naar relevante downstream outcomes.
AI Selection Funnel en citations
Voor iedere fase kunnen visible sources worden onderzocht.
Bijvoorbeeld:
Consideration responses:
Source A
Source B
Shortlist responses:
Source B
Source C
Win responses:
Source C
Source D
Dit kan:
Funnel Source Intelligence
worden.
Source Progression
Sommige source types kunnen vaker voorkomen in latere funnelstadia.
Bijvoorbeeld:
Awareness:
editorial articles.
Consideration:
comparison pages.
Shortlist:
product documentation.
Recommendation:
reviews.
Dit is interessante observed source intelligence.
Geen causale conclusie
Niet:
Review sites veroorzaken recommendations.
Wel:
Review sites kwamen relatief vaak voor binnen de gemonitorde recommendation responses.
Accuracy issues binnen de funnel
Een fout kan op verschillende punten schade veroorzaken.
Bijvoorbeeld:
AI denkt dat u geen API heeft.
Daardoor:
Mention — ja.
Consideration — ja.
Shortlist — nee.
Dan kan een:
Potential Accuracy-Related Funnel Drop-Off
worden gemarkeerd.
Misrepresentation binnen de funnel
AI ziet u bijvoorbeeld als:
SMB-only.
Bij enterprise prompts:
Mention — ja.
Consideration — laag.
Shortlist — zeer laag.
Dan kan:
Potential Positioning/Misrepresentation Funnel Gap
worden onderzocht.
Reputation binnen de funnel
Negatieve reputation signals kunnen eveneens samenhangen met downstream selection.
Bijvoorbeeld:
Considered.
Shortlisted.
Maar vervolgens:
Vanwege supportproblemen zou ik Concurrent A kiezen.
Dit kan als observed Reputation-Related Loss Reason worden geclassificeerd.
Funnel Risk Classification
Een bottleneck kan later worden gekoppeld aan:
- Discovery;
- Category Association;
- Positioning;
- Attribute;
- Differentiator;
- Accuracy;
- Reputation;
- Citation/Source;
- Price/Value;
- Persona Fit;
- Industry Fit;
- Geography;
- Product Capability;
- Unknown.
Dit helpt analyse structureren.
Historical Funnel Tracking
Een van de grootste voordelen van AI Monitor Brand is historische monitoring.
Bijvoorbeeld:
| Maand | Mention | Consideration | Shortlist | Recommendation | Win |
|---|---|---|---|---|---|
| Jan | 41% | 30% | 21% | 16% | 9% |
| Mrt | 47% | 34% | 24% | 19% | 11% |
| Mei | 52% | 39% | 29% | 23% | 14% |
| Jul | 58% | 45% | 34% | 28% | 17% |
| Sep | 63% | 51% | 41% | 34% | 22% |
Nu ziet u:
Funnel Improvement.
Funnel Momentum
Wanneer meerdere stages verbeteren:
Positive Funnel Momentum.
Funnel Regression
Wanneer downstream stages verslechteren terwijl mentions stabiel blijven:
Funnel Regression.
Bijvoorbeeld:
Mention:
65% → 66%.
Win:
28% → 17%.
Dat is een belangrijke warning.
Funnel Divergence
Wanneer verschillende stages tegengesteld bewegen:
Mention ↑
Consideration ↑
Shortlist →
Recommendation ↓
Win ↓
Dit noemen we:
Funnel Divergence.
Dat kan zeer informatief zijn.
Competitive Funnel Momentum
Vergelijk over tijd:
Uw merk.
A.
B.
Wie verbetert het snelst?
Niet alleen:
wie staat nu bovenaan?
Dit geeft:
Competitive Funnel Momentum.
Funnel Leadership Change
Als uw merk Concurrent B passeert op Shortlist Rate:
Shortlist Leadership Change.
Als A u passeert op Win Rate:
Selection Leadership Change.
Dit kan alerts triggeren.
Funnel Alerts
Bijvoorbeeld:
Unbranded Consideration Rate Down 12 pp
Competitor A Overtook You in Shortlist Rate
Recommendation-to-Win Conversion Declining
High-Intent Funnel Improving
Enterprise Funnel Gap Widening
New Competitor Entering Shortlists
Dit maakt monitoring operationeel.
AI Selection Funnel Dashboard
Ik zou uiteindelijk één centrale dashboardsectie maken:
AI Selection Funnel
Uw merk:
Mention
68%
↓
Consideration
48%
↓
Shortlist
34%
↓
Recommendation
29%
↓
Win
18%
Naast dezelfde funnel voor:
Concurrent A
en:
Concurrent B.
Funnel comparison visual
Bijvoorbeeld:
| Stage | Uw merk | A | B |
|---|---|---|---|
| Mention | 68% | 81% | 63% |
| Consideration | 48% | 69% | 44% |
| Shortlist | 34% | 57% | 31% |
| Recommendation | 29% | 48% | 26% |
| Win | 18% | 35% | 16% |
Daaronder:
Biggest Gap: Shortlist vs A −23 pp
Strongest Stage: Recommendation conversion
Largest Opportunity: Unbranded Consideration
Fastest-Growing Competitor: B
Dit zou zeer sterk zijn.
AI Selection Funnel Health
Later kan één managementscore worden gemaakt:
AI Selection Funnel Health.
Maar alleen als iedere component zichtbaar blijft.
Bijvoorbeeld:
- visibility;
- consideration;
- shortlist;
- recommendation;
- win;
- confidence.
Ik zou deze score pas veel later toevoegen.
Waarom?
De funnel zelf is al begrijpelijk.
Te veel samengestelde scores kunnen het product juist minder transparant maken.
Funnel Confidence
Iedere funnel moet een confidence-indicator hebben.
Bijvoorbeeld:
High Confidence
1.842 eligible observations.
4 platforms.
150 benchmark prompts.
Meerdere runs.
Of:
Low Confidence
32 observations.
1 platform.
10 prompts.
Zo voorkomt u overinterpretatie.
Data completeness
Een funnel hoeft niet altijd alle stadia te bevatten.
Sommige responses:
Mention + Consideration.
Andere:
Shortlist + Recommendation.
Andere:
direct comparison + Win.
Het systeem moet dus omgaan met:
partial funnel observations.
Geen geforceerde funnel
Een response mag niet kunstmatig door iedere fase worden gedwongen.
Als AI direct zegt:
Tussen A en B zou ik A kiezen,
is er een duidelijke preference/win.
Maar misschien geen expliciete shortlist.
Het systeem moet de observed evidence volgen.
Funnel Inference Rules
Daarom moeten regels duidelijk zijn.
Bijvoorbeeld:
Win kan mogelijk impliceren:
Recommendation + Consideration.
Maar niet noodzakelijk:
Explicit Shortlist.
Dit moet methodologisch worden vastgelegd.
Explicit versus Inferred Stages
Voor iedere stage:
Explicit
Strongly Inferred
Not Observed
Unclear
Dit maakt de data robuuster.
Waarom dit technisch belangrijk is
Zonder deze nuance kan de funnel kunstmatig perfect worden:
iedere win wordt automatisch een mention, consideration, shortlist en recommendation.
Conceptueel kan dat logisch lijken.
Maar analytisch wilt u onderscheid houden tussen:
directly observed
en:
inferred.
Funnel Evidence
Iedere stage moet doorklikbaar zijn naar raw evidence.
Bijvoorbeeld:
Prompt
Welke AI Brand Monitoring-tool is geschikt voor een Nederlands SaaS-bedrijf?
Observed
Mention: Yes
Consideration: Yes
Shortlist: Yes
Recommendation: Yes
Win: No
Evidence
“…”
Platform
…
Timestamp
…
Dat maakt de analyse auditbaar.
Wat moet technisch worden opgeslagen?
Per response:
- response_id;
- prompt_id;
- prompt-set version;
- platform;
- model metadata;
- timestamp;
- full raw response.
Per brand:
- brand_id;
- mention status;
- consideration status;
- shortlist status;
- shortlist position;
- recommendation status;
- recommendation strength;
- preference status;
- win/loss/tie;
- explicit/inferred status per stage;
- confidence per stage;
- evidence spans.
Context:
- branded/unbranded;
- high-intent;
- prompt cluster;
- topic;
- persona;
- company size;
- industry;
- geography;
- language.
Dit geeft een zeer sterke toekomstige analyticsbasis.
Funnel Classification Version
Omdat classificatieregels later veranderen, moet worden opgeslagen:
funnel_classification_version.
Hierdoor kunnen historische analyses opnieuw worden berekend.
Raw data eerst, derived metrics later
Architectuurprincipe:
Raw AI Response
↓
Extracted Observations
↓
Normalized Events
↓
Funnel Classification
↓
Aggregated Metrics
↓
Dashboard
Dat is veel beter dan alleen eindpercentages opslaan.
Waarom dit belangrijk is voor ontwikkeling
Als later de definitie van Consideration verandert, kunt u de historische raw responses opnieuw verwerken.
Als u alleen:
consideration_rate = 48%
heeft opgeslagen, kan dat niet.
Moet de volledige Selection Funnel in de bare-bones MVP?
Nee.
Dat zou de MVP onnodig complex maken.
De eerste MVP moet de basis uitstekend uitvoeren.
Wat moet de MVP wel meten?
Ik zou vasthouden aan:
- Uw merk.
- Twee competitors.
- Promptset.
- AI-platform.
- Raw response.
- Brand mentions.
- Recommendations.
- Position.
- Mention Rate.
- Recommendation Rate.
- AI Share of Voice.
- Visibility Gaps.
- Historical comparison.
Dat is voldoende voor een sterke eerste release.
Wat moet vanaf MVP-dag één worden bewaard?
Cruciaal:
volledige raw responses.
Plus:
- prompts;
- timestamps;
- platform/model metadata;
- detected brands;
- competitors;
- response identifiers.
Daarmee kunnen Consideration, Shortlist en Win/Loss later retrospectief worden toegevoegd.
Post-MVP fase 1
Voeg toe:
Consideration.
Daarmee:
Mention → Consideration → Recommendation.
Post-MVP fase 2
Voeg toe:
Shortlist.
Dan:
Mention → Consideration → Shortlist → Recommendation.
Post-MVP fase 3
Voeg toe:
Win/Loss.
Dan ontstaat:
Mention → Consideration → Shortlist → Recommendation → Win.
Post-MVP fase 4
Voeg toe:
- reasons;
- Decision Criteria;
- trade-offs;
- funnel diagnostics;
- stage gaps.
Post-MVP fase 5
Voeg toe:
- personas;
- industries;
- company size;
- geography;
- language;
- source intelligence;
- alerts;
- category benchmarks.
Zo blijft development beheersbaar.
Een belangrijke productaanbeveling
Ik zou de:
AI Selection Funnel
uiteindelijk tot één van de centrale productviews maken.
Waarom?
Omdat bijna iedere gebruiker direct begrijpt:
We worden wel genoemd, maar we komen niet vaak genoeg op de shortlist.
Dat is veel eenvoudiger dan tientallen abstracte AI-metrics.
Dashboardnavigatie
Bijvoorbeeld:
Overview
AI Selection Funnel
Competitors
Prompts
Platforms
Visibility Gaps
Later:
Why You Win / Lose
Sources
Positioning
Dit houdt de productinterface begrijpelijk.
Sterke productboodschap
Zie niet alleen of AI uw merk noemt. Ontdek hoe uw merk van visibility naar consideration, shortlist en recommendation beweegt.
Nog sterker:
Ontdek waar uw merk uit het AI-keuzeproces valt — en vergelijk iedere stap met uw twee belangrijkste concurrenten.
Dit sluit uitstekend aan op de kernpropositie van AI Monitor Brand.
SaaS + consultancy
De software kan bijvoorbeeld constateren:
Uw grootste drop-off ligt tussen Consideration en Shortlist.
Consultancy kan vervolgens helpen onderzoeken:
- waarom;
- welke prompts;
- welke competitors;
- welke Decision Criteria;
- welke positioning;
- welke accuracy issues;
- welke sources;
- welke commerciële prioriteit.
Dat past bij:
AI Monitor Brand meet wat er gebeurt. Samen bepalen we wat u ermee doet.
Voor Nederlandse bedrijven
Voor de Nederlandse markt kan de funnel worden opgebouwd rond echte lokale selection contexts.
Bijvoorbeeld:
Welke HR-software is geschikt voor een Nederlands bedrijf met 200 medewerkers?
Welke cybersecuritybedrijven zijn interessant voor het Nederlandse mkb?
Welke Microsoft Intune-partner kan remote ondersteuning bieden?
Welke contractmanagementsoftware is geschikt voor Nederlandse bedrijven?
Welke AI Visibility-tools zijn geschikt voor een Nederlands marketingteam?
Hiermee wordt de data veel relevanter dan generieke wereldwijde prompts.
AI Selection Funnel versus traditionele SEO
SEO meet bijvoorbeeld:
Impressions
↓
Rankings
↓
Clicks
↓
Conversions
AI Selection Funnel meet:
Mention
↓
Consideration
↓
Shortlist
↓
Recommendation
↓
Preference
Dit zijn verschillende systemen.
Maar beide kunnen uiteindelijk samenkomen in customer journey analytics.
Toekomst: AI-to-Revenue Funnel
Later kan een organisatie mogelijk combineren:
AI Visibility
↓
AI Consideration
↓
AI Recommendation
↓
Referral Visit
↓
Website Engagement
↓
Lead
↓
Opportunity
↓
Revenue
Dat zou:
AI-to-Revenue Analytics
kunnen worden.
Maar dat ligt veel verder dan de huidige MVP.
Waarom dit later commercieel zeer interessant kan zijn
Marketingdirecteuren willen uiteindelijk niet alleen weten:
Hoeveel AI mentions hebben we?
Ze willen weten:
Leidt onze AI-zichtbaarheid uiteindelijk tot commerciële exposure en demand?
De Selection Funnel is een belangrijke tussenlaag richting die vraag.
Eerst visibility, daarna funnel intelligence
De productroadmap blijft daarom logisch:
MVP
Measure visibility.
↓
Post-MVP
Measure consideration.
↓
Measure shortlist.
↓
Measure preference.
↓
Understand reasons.
↓
Understand decision criteria.
↓
Connect to commercial outcomes.
Dat voorkomt dat AI Monitor Brand te vroeg een enorm platform probeert te worden.
De kern van Artikel 36
AI Brand Monitoring moet uiteindelijk verder gaan dan:
Hoe vaak worden we genoemd?
De belangrijkere commerciële vragen zijn:
Worden we overwogen?
Komen we op de shortlist?
Worden we aanbevolen?
Krijgen we de voorkeur boven concurrenten?
Waar verliezen we onderweg?
AI Selection Funnel Tracking brengt al deze vragen samen.
AI Visibility vertelt of uw merk aanwezig is. AI Selection Funnel Tracking laat zien hoe ver uw merk binnen het AI-keuzeproces komt.
Veelgestelde vragen over AI Selection Funnel Tracking
Wat is AI Selection Funnel Tracking?
AI Selection Funnel Tracking meet hoe een merk binnen relevante AI-antwoorden beweegt van mention naar consideration, shortlist, recommendation en uiteindelijke voorkeur.
Wat is een AI Selection Funnel?
Het is een analytisch model waarmee verschillende niveaus van commerciële AI-zichtbaarheid als opeenvolgende fasen worden gemeten.
Welke fasen bevat de AI Selection Funnel?
Een mogelijke funnel bestaat uit Mention, Consideration, Shortlist, Recommendation, Preference en Win.
Is de AI Selection Funnel hetzelfde als een salesfunnel?
Nee. De AI Selection Funnel meet observed positioning binnen AI-antwoorden. Een salesfunnel meet daadwerkelijke prospects, opportunities en klanten.
Wat is een Funnel Stage Rate?
Dit is het percentage eligible responses waarin een merk een specifieke funnelstage bereikt.
Wat is een Funnel Conversion Rate?
Dit meet welk percentage van observations uit een eerdere fase ook een volgende fase bereikt.
Wat is Funnel Drop-Off?
Dit is het verlies tussen twee opeenvolgende funnelstadia.
Wat is een AI Funnel Bottleneck?
Dit is een fase of overgang waarin relatief veel observed visibility of consideration verloren gaat.
Wat is Mention-to-Consideration Conversion?
Dit meet welk aandeel van relevante brand mentions doorstroomt naar daadwerkelijke consideration.
Wat is Consideration-to-Shortlist Conversion?
Dit meet welk aandeel van consideration appearances uiteindelijk shortlist appearances wordt.
Wat is Shortlist-to-Recommendation Conversion?
Dit meet hoe vaak een shortlisted merk vervolgens daadwerkelijk wordt aanbevolen.
Wat is Recommendation-to-Win Conversion?
Dit meet hoe vaak een recommendation uiteindelijk resulteert in een observed preference of win binnen eligible comparisons.
Wat is Competitive Funnel Gap?
Dit is het verschil tussen uw funnelperformance en die van een competitor per stadium.
Wat is Funnel Gap Expansion?
Dit ontstaat wanneer de achterstand op een competitor verder in de funnel groter wordt.
Wat is Funnel Gap Compression?
Dit ontstaat wanneer uw merk een vroege achterstand verder in de funnel verkleint.
Wat is High-Intent AI Selection Funnel Tracking?
Dit analyseert uitsluitend commerciële prompts waarin gebruikers producten, leveranciers of oplossingen evalueren.
Wat is een Unbranded AI Selection Funnel?
Dit meet hoe uw merk door discovery, consideration en selection beweegt wanneer de gebruiker uw merknaam niet vooraf noemt.
Wat is Funnel Momentum?
Dit beschrijft of meerdere funnelstadia over tijd verbeteren of verslechteren.
Wat is Funnel Divergence?
Dit ontstaat wanneer sommige funnelmetrics verbeteren terwijl andere juist verslechteren.
Kan de AI Selection Funnel per platform verschillen?
Ja. Daarom kunnen aparte funnels voor verschillende AI-platforms waardevol zijn.
Kan verkeerde informatie een funnelstage beïnvloeden?
Ja. Een onjuiste claim kan bijvoorbeeld samenhangen met een drop tussen Consideration en Shortlist. Dit moet wel met concrete response-evidence worden onderbouwd.
Kan AI Selection Funnel Tracking helpen bij GEO?
Ja. De funnel kan laten zien welke observed stages over tijd veranderen en waar competitive gaps liggen. De data bewijst echter niet automatisch dat een specifieke GEO-maatregel een verandering heeft veroorzaakt.
Moet de volledige AI Selection Funnel onderdeel zijn van de MVP?
Nee. De MVP kan beginnen met mentions, recommendations, positions, Share of Voice en Visibility Gaps. Wel moeten raw responses en voldoende metadata worden opgeslagen zodat de uitgebreidere funnel later kan worden opgebouwd.