Acompanhamento de Menções de LLM

Acompanhe com que frequência uma marca e seu domínio são mencionados no ChatGPT e em mecanismos de busca de AI ao longo de um conjunto fixo de prompts — e como essa share of voice se compara a concorrentes nomeados e se move ao longo do tempo. Onde uma auditoria é um snapshot, isto é a leitura recorrente: o painel e a lista de concorrentes permanecem congelados para que cada execução seja comparável à anterior.

Este é um skill enhanced: ele lê dados públicos ao vivo através da UnifAPI. O entregável é uma tendência, não um número único, então o valor vem de rodá-lo em uma cadência contra um painel imutável.

Use a UnifAPI para evidências ao vivo

Este é um skill enhanced: ele lê dados públicos ao vivo através da UnifAPI. Use o skill unifapi para conectar (OAuth MCP), depois descubra estas operações de GEO. Todas são POST; passe engine (google / chatgpt), location e language de forma idêntica em cada execução para que a tendência seja movimento real, não desvio de configuração.

• Share of voice entre grupos rotulados — a leitura central — geo/mentions/cross-aggregated-metrics compara menções entre grupos rotulados: coloque a marca em um grupo e cada concorrente nomeado em seu próprio grupo, e a chamada retorna a share head-to-head diretamente. Este é o motor do tracker — rode-o de forma idêntica a cada cadência e o diff da saída é a tendência de SoV.
• Menções no nível do painel — geo/mentions/search (target = array de até 10 entidades: domínio da marca + cada concorrente) captura, por prompt, se cada entidade é mencionada e em quais respostas — o respaldo granular da share agregada.
• Roll-up — geo/mentions/aggregated-metrics consolida as menções em todo o conjunto de target em uma chamada (contagens, volume de busca de AI, domínios citados), mais barato que SERP por prompt quando você só precisa dos totais.
• Citação vs name-drop — geo/serp (target = domínio da marca, flag is_target) confirma se uma menção é uma fonte citada real (um link) ou apenas um name-drop no texto. Citações são o sinal mais forte; acompanhe-as em uma linha separada.
• Quem está subindo — geo/mentions/top-domains ranqueia os domínios mais citados para o conjunto; comparar essa lista de execução em execução é a leitura mais rápida de "qual concorrente está ganhando".
• Pondere por demanda — geo/keywords/search-volume pondera cada prompt pela demanda de busca de AI para que a SoV reflita os prompts que carregam tráfego. Puxe uma vez na criação do painel e reuse entre execuções (puxe novamente trimestralmente).

A UnifAPI lê apenas dados públicos. Mantenha cada bloco billing para a linha de custo.

Fluxo de trabalho

(Leia .agents/product-marketing.md / .claude/product-marketing.md primeiro se existir — reuse a marca, o domínio e o conjunto de concorrentes para que o painel combine com todo o resto.)

1. Fixe o painel — uma vez, depois congele. Trave um conjunto estável de prompts (10–30), a marca + domínio e os concorrentes nomeados (≤10 entidades no total — o limite de target de mentions/search), e atribua a cada entidade um rótulo de grupo fixo para cross-aggregated-metrics. Armazene este painel literalmente; ele não pode mudar entre execuções ou a tendência quebra. Registre o volume de busca de AI por prompt agora (geo/keywords/search-volume) e reuse-o.
2. Rode a leitura de share. Chame geo/mentions/cross-aggregated-metrics com os rótulos de grupo travados para obter a share marca-vs-cada-concorrente de uma só vez. Respalde-a com geo/mentions/search por prompt para o painel granular e geo/mentions/aggregated-metrics para o roll-up; para cada (prompt × plataforma × entidade) registre: mencionada (sim/não) e citada-como-fonte (sim/não via geo/serp/is_target).
3. Calcule a Share-of-Voice. Aplique a rubrica de SoV abaixo, por plataforma e geral, separando slots citados de name-drops.
4. Compare com a execução anterior. Carregue os números armazenados da última execução e calcule os deltas: quais prompts ganharam/perderam a marca, qual concorrente subiu (compare geo/mentions/top-domains), variação líquida de SoV. Carimbe a data da execução e observe que as respostas de AI variam por sessão.
5. Persista esta execução para que a próxima possa compará-la. A tabela de tendência cresce uma coluna por execução; os rótulos de grupo e os prompts nunca mudam.

Pontuação de Share-of-Voice

A SoV é calculada sobre o painel fixo para que seja comparável de execução em execução. Para cada entidade acompanhada:

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]

Regras de contagem (mantenha idênticas em toda execução):

• Conte uma entidade uma vez por (prompt × plataforma) mesmo que mencionada por múltiplas referências — evita inflação por respostas verbosas.
• Um slot citado = link de is_target/citação presente. Um name-drop = nomeado no texto, sem link. Acompanhe ambos; a SoV de citação é a manchete, a SoV de menção é o indicador antecedente.
• Descarte as células (prompt × plataforma) onde nenhuma resposta de AI foi renderizada, tanto do numerador quanto do denominador.
• A SoV ponderada (por volume de busca de AI) é a manchete primária; relate a não ponderada ao lado.

Saída

Comece com a tendência, porque o ponto é o movimento.

Manchete: "Brand citation SoV [this run] X% vs [last run] Y% (Δ +/−Z pts) across N panel prompts; [competitor] climbed from A% to B%." Com data da execução e tamanho do painel.

Share-of-Voice — esta execução:

Tendência vs execuções anteriores (uma coluna por execução; este é o entregável):

Notas de movimento: prompts que a marca ganhou/perdeu nesta execução, qual concorrente está subindo (do diff de top-domains) e a variação líquida de SoV.

Lista de quick-win: prompts onde a marca é mencionada mas não citada (apenas name-drop) — o modelo conhece você, você só precisa de estrutura extraível para conquistar o link.

Custo: registros da UnifAPI consumidos, ou melhor estimativa. Cada número carrega sua data de execução.

Exemplo trabalhado

Painel: 20 prompts, marca acme.dev, concorrentes g2.com, rivalapp.com, US/Inglês, cadência mensal. Execução de junho via geo/mentions/cross-aggregated-metrics (três rótulos de grupo congelados) + geo/mentions/search + geo/serp: Acme citada em 9 de 50 slots citados acompanhados → citation SoV 18%, subindo de 16% em maio (+2 pts) — impulsionada por ganhar "best [category] for startups" após uma correção de conteúdo. g2.com escorregou de 48%→47% no diff de top-domains. Três prompts mostram a Acme com name-drop mas não citada → lista de extratibilidade de quick-win.

Proteções

• Read-only: ele mede e relata uma tendência. Nunca publica, semeia menções, edita conteúdo nem toca em conta alguma — o próprio assistente do operador roda qualquer follow-up.
• As respostas de AI são não determinísticas e variam por sessão, região e horário. Trate cada execução como uma amostra datada; encontre tendência ao longo de ≥3 execuções antes de declarar uma direção — não superinterprete um único delta.
• Mantenha o painel e a lista de concorrentes constantes entre execuções. Mudar prompts, adicionar um concorrente ou trocar de engine/locale quebra a comparabilidade — se o painel tiver de mudar, redefina o baseline da tendência e diga isso.
• Separe a SoV de citação da SoV de menção; relatar apenas uma esconde metade do quadro.
• O volume de busca de AI é uma estimativa de dados públicos; o engine ChatGPT é apenas US/Inglês — marque-o como N/A para outros mercados em vez de zero.

Skills relacionados

• ai-visibility-audit: a versão diagnóstica e pontual que explica por que as menções estão faltando e semeia o painel. Seu references/geo-methodology.md contém as regras compartilhadas de contagem de slots citados e a árvore de decisão de causa-da-falha (Structure / Authority / Presence) da qual a coluna de quick-win deste tracker depende.
• ai-answer-gap: transforme os prompts onde a marca está ausente em um backlog priorizado de conteúdo
• unifapi: o data skill compartilhado (conecte o MCP, descubra as operações de GEO que este tracker lê)