LLM Mention Tracking

Verfolgen Sie, wie oft eine Marke und ihre Domain über ChatGPT und AI-Suchmaschinen hinweg über ein festes Prompt-Set erwähnt werden — und wie sich dieser Share of Voice mit benannten Wettbewerbern vergleicht und sich über die Zeit bewegt. Wo ein Audit ein Snapshot ist, ist dies der wiederkehrende Read: Das Panel und die Wettbewerberliste bleiben eingefroren, sodass jeder Durchlauf mit dem letzten vergleichbar ist.

Dies ist ein erweiterter Skill: Er liest über UnifAPI live öffentliche Daten. Das Lieferobjekt ist ein Trend, keine einzelne Zahl, sodass der Wert daraus entsteht, ihn in einer Kadenz gegen ein unveränderliches Panel auszuführen.

Nutzen Sie UnifAPI für Live-Belege

Dies ist ein erweiterter Skill: Er liest über UnifAPI live öffentliche Daten. Nutzen Sie den unifapi-Skill, um sich zu verbinden (OAuth MCP), und entdecken Sie dann diese GEO-Operationen. Alle sind POST; übergeben Sie engine (google / chatgpt), location und language bei jedem Durchlauf identisch, sodass der Trend echte Bewegung ist, kein Config-Drift.

• Share of Voice über beschriftete Gruppen — der Kern-Read — geo/mentions/cross-aggregated-metrics vergleicht Mentions über beschriftete Gruppen: Setzen Sie die Marke in eine Gruppe und jeden benannten Wettbewerber in seine eigene Gruppe, und der Aufruf liefert den Head-to-Head-Anteil direkt. Das ist der Motor des Trackers — führen Sie ihn jede Kadenz identisch aus, und das Output-Diff ist der SoV-Trend.
• Mentions auf Panel-Ebene — geo/mentions/search (target = Array von bis zu 10 Entitäten: Markendomain + jeder Wettbewerber) erfasst pro Prompt, ob jede Entität erwähnt wird und in welchen Antworten — die granulare Untermauerung des aggregierten Anteils.
• Roll-up — geo/mentions/aggregated-metrics rollt Mentions über das gesamte Ziel-Set in einem Aufruf auf (Counts, AI-Suchvolumen, zitierte Domains), günstiger als per-Prompt-SERP, wenn Sie nur die Summen brauchen.
• Zitation vs. Name-Drop — geo/serp (target = Markendomain, is_target-Flag) bestätigt, ob eine Mention eine echte zitierte Quelle (ein Link) oder nur ein In-Text-Name-Drop ist. Zitationen sind das stärkere Signal; verfolgen Sie sie auf einer separaten Zeile.
• Wer aufsteigt — geo/mentions/top-domains rankt die meistzitierten Domains für das Set; das Diffen dieser Liste von Durchlauf zu Durchlauf ist der schnellste „welcher Wettbewerber gewinnt"-Read.
• Nach Nachfrage gewichten — geo/keywords/search-volume gewichtet jeden Prompt nach AI-Suchnachfrage, sodass der SoV die Prompts widerspiegelt, die Traffic tragen. Rufen Sie einmal bei Panel-Erstellung ab und nutzen Sie es über die Durchläufe wieder (vierteljährlich erneut abrufen).

UnifAPI liest ausschließlich öffentliche Daten. Behalten Sie jeden billing-Block für die Kostenzeile.

Workflow

(Lesen Sie zuerst .agents/product-marketing.md / .claude/product-marketing.md, falls vorhanden — verwenden Sie die Marke, Domain und das Wettbewerber-Set wieder, sodass das Panel zu allem anderen passt.)

1. Das Panel fixieren — einmal, dann einfrieren. Sperren Sie ein stabiles Set von Prompts (10–30), die Marke + Domain und die benannten Wettbewerber (≤10 Entitäten insgesamt — das mentions/search-target-Limit) und weisen Sie jeder Entität ein festes Gruppen-Label für cross-aggregated-metrics zu. Speichern Sie dieses Panel wortwörtlich; es darf sich zwischen Durchläufen nicht ändern, sonst bricht der Trend. Erfassen Sie jetzt das AI-Suchvolumen pro Prompt (geo/keywords/search-volume) und verwenden Sie es wieder.
2. Den Share-Read ausführen. Rufen Sie geo/mentions/cross-aggregated-metrics mit den gesperrten Gruppen-Labels auf, um den Marke-vs-jeder-Wettbewerber-Anteil in einem Zug zu erhalten. Untermauern Sie ihn mit geo/mentions/search pro Prompt für das granulare Panel und geo/mentions/aggregated-metrics für den Roll-up; erfassen Sie für jedes (Prompt × Plattform × Entität): erwähnt (ja/nein) und als-Quelle-zitiert (ja/nein über geo/serp/is_target).
3. Share of Voice berechnen. Wenden Sie die untenstehende SoV-Rubrik an, pro Plattform und insgesamt, und trennen Sie zitierte Slots von Name-Drops.
4. Gegen den vorherigen Durchlauf diffen. Laden Sie die gespeicherten Zahlen des letzten Durchlaufs und berechnen Sie Deltas: welche Prompts die Marke gewonnen/verloren haben, welcher Wettbewerber aufstieg (geo/mentions/top-domains diffen), Netto-SoV-Änderung. Stempeln Sie das Durchlaufdatum und vermerken Sie, dass AI-Antworten je nach Session variieren.
5. Diesen Durchlauf persistieren, sodass der nächste Durchlauf dagegen diffen kann. Die Trend-Tabelle wächst um eine Spalte pro Durchlauf; die Gruppen-Labels und Prompts ändern sich nie.

Share-of-Voice-Scoring

Der SoV wird über das feste Panel berechnet, sodass er von Durchlauf zu Durchlauf vergleichbar ist. Für jede verfolgte Entität:

mention SoV(entity)  = entity mentions / Σ mentions(all tracked entities)   [per platform + overall]
citation SoV(entity) = entity cited-slots / Σ cited-slots(all tracked entities)
weighted SoV(entity) = Σ_p [entity mentioned on p ? volume_p : 0] / Σ_p [any tracked entity mentioned on p ? volume_p : 0]

Zählregeln (jeden Durchlauf identisch halten):

• Zählen Sie eine Entität einmal pro (Prompt × Plattform), selbst wenn sie von mehreren Referenzen erwähnt wird — vermeidet Inflation durch ausführliche Antworten.
• Ein zitierter Slot = is_target/Zitations-Link vorhanden. Ein Name-Drop = im Text benannt, kein Link. Verfolgen Sie beides; der Citation-SoV ist die Headline, der Mention-SoV ist der Frühindikator.
• Verwerfen Sie (Prompt × Plattform)-Zellen, in denen keine AI-Antwort gerendert wurde, aus Zähler und Nenner.
• Der gewichtete SoV (nach AI-Suchvolumen) ist die primäre Headline; melden Sie den ungewichteten daneben.

Output

Führen Sie mit dem Trend an, denn der Punkt ist Bewegung.

Headline: „Brand-Citation-SoV [dieser Durchlauf] X% vs. [letzter Durchlauf] Y% (Δ +/−Z Pkt.) über N Panel-Prompts; [Wettbewerber] stieg von A% auf B%." Mit Durchlaufdatum und Panel-Größe.

Share of Voice — dieser Durchlauf:

Trend vs. vorherige Durchläufe (eine Spalte pro Durchlauf; das ist das Lieferobjekt):

Bewegungsnotizen: Prompts, die die Marke diesen Durchlauf gewonnen/verloren hat, welcher Wettbewerber aufsteigt (aus dem top-domains-Diff) und die Netto-SoV-Änderung.

Quick-Win-Liste: Prompts, bei denen die Marke erwähnt, aber nicht zitiert ist (nur Name-Drop) — das Modell kennt Sie, Sie brauchen nur extrahierbare Struktur, um den Link zu verdienen.

Kosten: verbrauchte UnifAPI-Datensätze oder beste Schätzung. Jede Zahl trägt ihr Durchlaufdatum.

Durchgerechnetes Beispiel

Panel: 20 Prompts, Marke acme.dev, Wettbewerber g2.com, rivalapp.com, US/Englisch, monatliche Kadenz. Juni-Durchlauf über geo/mentions/cross-aggregated-metrics (drei eingefrorene Gruppen-Labels) + geo/mentions/search + geo/serp: Acme zitiert in 9 von 50 verfolgten zitierten Slots → Citation-SoV 18%, hoch von 16% im Mai (+2 Pkt.) — getrieben durch den Gewinn von „best [category] for startups" nach einem Content-Fix. g2.com rutschte 48%→47% im top-domains-Diff. Drei Prompts zeigen Acme als Name-Drop, aber unzitiert → Quick-Win-Extrahierbarkeitsliste.

Leitplanken

• Schreibgeschützt: Es misst und meldet einen Trend. Es postet nie, sät keine Mentions, bearbeitet keinen Content und greift auf kein Konto zu — der eigene Assistent des Operators führt jegliches Follow-up aus.
• AI-Antworten sind nicht-deterministisch und variieren je nach Session, Region und Zeit. Behandeln Sie jeden Durchlauf als datiertes Sample; bilden Sie einen Trend über ≥3 Durchläufe, bevor Sie eine Richtung deklarieren — überinterpretieren Sie kein einzelnes Delta.
• Halten Sie das Panel und die Wettbewerberliste konstant zwischen Durchläufen. Prompts zu ändern, einen Wettbewerber hinzuzufügen oder Engine/Locale zu wechseln, bricht die Vergleichbarkeit — falls das Panel sich ändern muss, setzen Sie die Trend-Baseline zurück und sagen Sie das.
• Trennen Sie Citation-SoV von Mention-SoV; nur einen zu melden, verbirgt die Hälfte des Bildes.
• Das AI-Suchvolumen ist eine Schätzung aus öffentlichen Daten; die ChatGPT-Engine ist nur US/Englisch — markieren Sie sie für andere Märkte als N/A statt als Null.

Verwandte Skills

• ai-visibility-audit: die einmalige, diagnostische Version, die erklärt, warum Mentions fehlen, und das Panel sät. Ihre references/geo-methodology.md hält die gemeinsamen Zähl-Regeln für zitierte Slots und den Miss-Cause-Entscheidungsbaum (Struktur / Autorität / Präsenz), auf den sich die Quick-Win-Spalte dieses Trackers stützt.
• ai-answer-gap: die Prompts, bei denen die Marke abwesend ist, in ein priorisiertes Content-Backlog verwandeln
• unifapi: der gemeinsame Daten-Skill (MCP verbinden, die GEO-Operationen entdecken, die dieser Tracker liest)