Dan Hinckley провів цікавий експеримент із локальними запитами в ChatGPT і знайшов у network payload нові поля, які можуть дати більше розуміння того, як AI формує список локальних компаній.
Для запиту на кшталт:
Personal Injury lawyers in Los AngelesChatGPT спочатку сформував пул із 13 компаній, але у фінальній відповіді рекомендував лише 7.
І тут починається найцікавіше.
1. У кожного бізнесу є `rank_score`
У тесті score знаходився в діапазоні приблизно від
5.361 до 3.546.При цьому одна й та сама компанія отримувала різні значення для різних запитів.
Тобто це, схоже, query-dependent score, а не постійний рейтинг бізнесу.
Але високий
rank_score ще не гарантує рекомендацію.Компанія зі score
4.891 не потрапила у фінальну відповідь, тоді як бізнеси зі значеннями 3.875 і 3.717 були рекомендовані.Отже, score, ймовірно, використовується на етапі retrieval/ranking кандидатів, але фінальний вибір може проходити через додатковий шар оцінки.
2. Yelp вже присутній у candidate pool
Із 13 компаній у тесті:
- 8 мали provider
yelp-feed;- 4 —
bright-feed;- 1 —
b3.Причому 6 із 7 бізнесів, які потрапили у фінальну відповідь, прийшли через Yelp feed.
Це не означає, що Yelp автоматично дає перевагу в ChatGPT. Але для Local SEO це ще один аргумент уважніше ставитися до зовнішніх business profiles.
Перевірте:
- правильність категорії;
- назву компанії;
- адресу та телефон;
- рейтинг;
- кількість і якість reviews;
- опис;
- фото;
- актуальність інформації.
3. Порядок рекомендацій майже не відповідав rank_score
Найвищий score не отримав першу позицію.
Кореляція між score та порядком компаній у фінальній відповіді була слабкою:
Kendall tau ≈ +0.33.Це ще раз показує, що ChatGPT, ймовірно, не просто сортує список за одним числом.
Модель може додатково оцінювати:
- reviews;
- кількість підтверджуючих джерел;
- відповідність intent;
- reputation;
- location relevance;
- інформацію, яку можна підтвердити у відповіді.
Наприклад, пропущена компанія зі score
4.891 мала рейтинг 4.3 і лише 23 reviews — найслабший review profile серед кандидатів.Це цікава гіпотеза, але поки не доказ того, що саме reviews стали причиною виключення.
4. Є ще `popularity_score`
У payload також було поле
popularity_score.У всіх протестованих запитах воно повертало
null.Сам факт наявності поля цікавий, але поки не варто робити висновок, що OpenAI скоро почне використовувати окремий popularity ranking. Це може бути експериментальне, резервне або неактивне поле.
Що робити Local SEO-фахівцю
1. Перевірити присутність бізнесу в Yelp та інших великих local directories.
2. Узгодити
NAP, категорії, descriptions та основні атрибути.3. Працювати з reviews не тільки для Google Business Profile.
4. Тестувати різні локальні prompts у ChatGPT.
5. Порівнювати candidate businesses із тими, кого AI реально рекомендує.
6. Не сприймати один внутрішній score як новий “ranking factor”.
Джерела:
- Dan Hinckley: ChatGPT uses Yelp data and
rank_score for local business recommendations — https://www.linkedin.com/posts/danielhinckley_seo-ai-tip-chatgpt-now-assigns-a-rankscore-activity-7493309527254110208-cK-I- Scrapeless: структура local/map data у ChatGPT, включно з
provider, ranking_score, popularity_score, reviews та business attributes — https://docs.scrapeless.com/en/llm-chat-scraper/scrapers/chatgpt/