Ahrefs Brand Radar：指標完整解讀，幫助你監測 GEO 成果 | 白話文商學院
Ahrefs Brand Radar 是一套專門監測品牌在生成式 AI 回答與 AI 搜尋摘要能見度的平台，把搜尋需求、網頁聲量、AI 提及三層資料整合在同一條時間軸上，支援 Ch…
Ahrefs Brand Radar 指標怎麼讀
Ahrefs Brand Radar 是一套專門監測品牌在生成式 AI 回答與 AI 搜尋摘要能見度的平台，把搜尋需求、網頁聲量、AI 提及三層資料整合在同一條時間軸上，支援 ChatGPT、Perplexity、Google AI Overviews、Microsoft Copilot、Gemini 五大平台。要讓 AI 搜尋引擎主動推薦品牌，背後的GEO 行銷五大核心原則是先把品牌能見度的底層邏輯想清楚，再回頭看 Brand Radar 怎麼量化成果。真正關鍵的判讀重點不是單看某一層漲跌，而是三層數字誰先動、誰滯後：根據 Ahrefs 官方研究，品牌網頁提及與 AI Overview 提及的相關係數高達 0.664，這代表網頁聲量這層其實是 AI 提及的領先指標 [來源：Ahrefs〈Brand Radar〉〈https://ahrefs.com/brand-radar〉〈2026〉]。
重點先看：Brand Radar 真正的價值是看三層數字誰領先誰。網頁提及與 AI Overview 提及相關係數 0.664，先把網頁聲量顧好，AI 提及才會跟著上來。
很多教學把 Brand Radar 當成「AIO 監測器」單獨看，盯著 ChatGPT 提及數字焦慮地按月追蹤。順序其實反了。先理解GEO 生成式引擎優化基礎概念與GEO、AEO、LLMO 名詞一次看懂，就會發現 Brand Radar 的七個資料來源是一條遞延的因果鏈。若是剛接觸生成式引擎，GEO 生成式引擎優化五大原則把該守的基本功一次講清楚，搭配 Brand Radar 一起看會更有方向。：每一層的定義、更新頻率、歷史深度、核心指標都不同，讀數字前得先知道它們各自的脾氣，才不會把不同口徑的數字擺在一起嚇自己。
Ahrefs Brand Radar 是什麼
Brand Radar 在量的，是品牌在「AI 回答」這個全新曝光層次裡到底被看到多少。它跟傳統 SEO 工具的根本差異在於：傳統工具只看自己的網站在 Google 搜尋結果排第幾名，Brand Radar 多看兩層別人在網頁上怎麼討論你、生成式 AI 怎麼推薦你。補上的正是Google AI Overviews 摘要運作機制這種傳統 SEO 量不到的 AI 答案層。要讓 AI 把你寫進答案，AI SEO 實戰心法是另一條可以並行的操作路線。
它的三層架構是這樣遞延的：Search demand 衡量有沒有人想找你，Web visibility 衡量有沒有人在網頁上討論你，AI 提及衡量 AI 會不會推薦你。這三層被放在同一條時間軸上比對，是 Brand Radar 區別於其他工具的核心設計。產品頁可參考 Ahrefs 官方說明 ahrefs.com/brand-radar。
- 核心定位：AI 搜尋可見度監測，補上傳統 SEO 工具量不到的 AI 答案層
- 三層架構：Search demand（需求）→ Web visibility（討論）→ AI 提及（AI 回答）
- 支援五大 AI 平台：ChatGPT、Perplexity、Google AI Overviews、Microsoft Copilot、Gemini
- 適合品牌行銷、SEO、數位公關，重視 GEO 能見度監測工具總覽與 AEO 成果量化者
命名有個小陷阱要先講：是 Brand Radar（雷達），不是 Brand Rader。Ahrefs 內部有人很愛 F1 賽車，命名典故就從那來。寫錯搜尋量會差很多。它跟更廣義的AXO 全搜尋體驗優化的布局思維是互補關係：AXO 講整體策略，Brand Radar 講怎麼量化這個策略的成果。
七個資料來源總覽
Brand Radar 七個資料來源最大的閱讀障礙，是它們的歷史深度落差極大。Web visibility 可追到 2013 年、Search demand 到 2015 年，但五個 AI 來源最久只回到 2024 年 8 月（AI Overviews），聊天機器人更晚，2025 年 5 月才有資料（依 Ahrefs Brand Radar 官方說明）。看長期趨勢只能以 Web visibility 為基準線，AI 層目前只夠看一年多的相對變化。
| 資料來源 | 量測對象 | 更新頻率 | 歷史起點 | 核心指標 |
|---|---|---|---|---|
| Search demand | 含品牌名的關鍵字搜尋量 | 每數天 | 2015 年 | Branded keywords、Search volume、Share of search |
| Web visibility | 網頁對品牌的文字與連結提及 | 近乎即時 | 2013 年 | Mentions、Traffic、Referring domains、Competitive/Market share |
| AI Overviews | Google 搜尋 AI Overview 區塊 | 每數天 | 2024 年 8 月 | Mentions、Impressions、Competitive/Market share |
| ChatGPT | 向 ChatGPT 批量提問的回答 | 每月 | 2025 年 5 月 | Mentions、Impressions、Competitive/Market share |
| Gemini | 向 Gemini 批量提問的回答 | 每月 | 2025 年 5 月 | Mentions、Impressions、Competitive/Market share |
| Perplexity | 向 Perplexity 批量提問的回答 | 每月 | 2025 年 5 月 | Mentions、Impressions、Competitive/Market share |
| Microsoft Copilot | 向 Copilot 批量提問的回答 | 每月 | 2025 年 5 月 | Mentions、Impressions、Competitive/Market share |
有個觀念要在這裡先打預防針：所有 AI 來源裡的 Impressions 都不是實際曝光數，而是 Mentions 乘以關鍵字搜尋量的估算值（依 Ahrefs 對該指標的定義）。它告訴你「被點名的那些問題背後有多大搜尋量」，不是「真的有幾個人看到」。這數字千萬別直接跟 Google Search Console 裡的曝光數相加，會重複計算到失真。聊天機器人這層的資料本質，牽涉到LLM 與 LLMO 運作邏輯，理解模型怎麼生成回答，才不會誤判提及數字的含義。
Search demand：把品牌搜尋量當市占在看
Search demand 把所有含品牌名的關鍵字彙總成 Google 月搜尋量，繪成趨勢線。它真正有判斷力的地方在 Share of search 這個指標：品牌搜尋量除以你加競品的全部品牌搜尋量，結果是一個相對市占數字，這比傳統 Share of voice 那種模糊的聲量印象更能反映你到底領先或落後對手多少。這概念可以對照Google 關鍵字搜尋量的需求解讀與關鍵字搜尋量指標入門一起看。
三個指標各有用途。Branded keywords 多寡反映使用者用多少種方式搜尋你，數字越高代表品牌被自然聯想的角度越廣。Search volume 是這些關鍵字的加總月搜尋量，即需求深度。Share of search 則是相對市占的領先指標，適合當品牌健康指標長期追蹤。歷史可追溯到 2015 年，每數天與 Keywords Explorer 同步更新（依 Ahrefs 官方說明）。
Branded keywords 的變化方向本身就藏著訊息。當一個品牌從只有公司名稱的搜尋，慢慢長出產品線名稱、服務名稱、甚至副品牌名稱的搜尋量，代表使用者在腦中已經把它拆成多個明確需求；反向若品牌搜尋逐漸只剩下公司名稱加優惠、加折扣、加評價這類修飾詞，往往意味著價格競爭正在取代品牌認同。把 Branded keywords 按月拉成清單比對新增與消失的詞，比單看總搜尋量更能提早看出品牌定位的鬆動。這個視角的切換，跟搜尋意圖拆解與高排名關鍵裡強調的「意圖結構優於關鍵字數量」是同一條思路。
Share of search 要讀得準，競品集合的設定是關鍵前提。競品集合太小，你會永遠在自己挑選的弱者堆裡排第一，數字漂亮卻脫離市場現實；競品集合太大、納入一堆根本不在同一戰場的品牌，分母膨脹會讓所有人都顯得微不足道，趨勢線被攤平到失去訊號。實務上比較穩妥的做法是鎖定真正會在採購評估清單上並列的那幾家，三到八家通常能反映實際競爭張力。每隔半年重新檢視一次競品名單，把已經退出市場或轉型的踢掉、把新崛起的補進來，Share of search 才會維持判斷力。
- Branded keywords 多寡反映使用者用多少種方式搜尋你
- Share of search 等同搜尋市占，比絕對搜尋量更能看出競爭位置
- 歷史可追溯至 2015 年，每數天與 Keywords Explorer 同步
- 多義詞陷阱：Apple、Delta 要用 Parent Topic 或排除詞過濾
實戰上有個常見誤判要注意：遇到 Apple、Delta 這類多義詞，直接把所有搜尋量算進來會嚴重膨脹數字。先用 如何查詢關鍵字搜尋量裡的 Parent Topic 或排除詞過濾。老實說，我自己第一次看的時候就被一個品牌名跟產品名撞詞的案例騙到，市占數字漂亮得反常，追下去才發現一半搜尋量根本不是在找這個品牌。
分開追蹤不同國家或語言，可以看出本地需求與全球需求的差異。搭配 Web visibility 一起看更有意思：如果搜尋量上升、網頁提及卻停滯，代表「需求大於討論」，該加碼內容與公關把搜尋熱度轉成聲量。這個訊號比單看Google Trends 使用情境與訣竅或Google Trends 升級重點更有行動指引。
Web visibility 為什麼是 AI 提及的領先指標
Web visibility 監測所有新建或更新網頁對品牌的文字與連結提及，由 AhrefsBot 持續爬網、近乎即時寫入。它跟 AI Overviews 的關係是整個 Brand Radar 最值得記住的一組數字：Ahrefs 研究顯示品牌網頁提及與 AI Overview 提及的相關係數高達 0.664。這層通常走在 AI 提及前面，先有網頁聲量，後面的 AI 點名才會跟著出現。
四個指標各司其職。Mentions 看被提及的頁面數廣度，Traffic 衡量這些頁面的估算月自然流量品質，Referring domains 是鏈向這些頁面的獨立網域總數、同時是一份現成的反向連結與網域權重來源開發清單，Competitive 與 Market share 則分別跟競品集合和整體市場比較你的占比。歷史可追溯到 2013 年，是 Brand Radar 歷史最深、最即時的一層（依 Ahrefs 官方說明）。想把這些欄位讀到透，Ahrefs 完整教學把核心功能的實戰操作講得很細。
- 四指標各司其職：Mentions 廣度、Traffic 品質、Referring domains 同時是外鏈清單、Share 競爭位置
- Mentions 少但 Traffic 高等於單點曝光價值大，值得深度合作
- 歷史可追溯到 2013 年，AhrefsBot 每數分鐘寫入，是最即時的一層
- 網頁提及通常領先 AI Overview 提及，是這三層裡最該先穩住的一層
實戰上 Web visibility 是外鏈收割效率最高的一層。善用 site:、author:、-"brand.com" 這類運算子，可以只看第三方媒體或特定作者的提及，把自己官站與論壇雜訊濾掉。更新後的 Author filter 能篩選有無作者署名的內容，鎖定高權威媒體做關係拓展，這比漫無目的找內部連結打造網站架構或四大類型連結全面解析的機會更精準。
觀察 Mentions 與 Traffic 的比例，是判斷提及品質的快速方法。提及多但流量低，代表被一堆低流量頁面提到、熱鬧但沒價值；提及少但 Traffic 高，代表少數高流量頁面單點曝光價值極大，這種就值得投入深度合作。這層資料跟內容行銷做法與成功案例的成果衡量直接掛鉤。
把 Web visibility 與外部研究擺在一起看，更能理解為何這層值得長期投資。Backlinko 分析約一千一百八十萬筆 Google 搜尋結果的研究指出，排名第一的結果平均擁有的反向連結數量是第二到第十名合計平均的三點八倍，這個倍數落差說明高能見度的網頁本身就是連結累積的磁鐵，先有聲量、後有更多被引用的機會，是搜尋與 AI 提及共同的底層邏輯 [來源：Backlinko (Brian Dean)〈Search Engine Ranking: We Analyzed 11.8 Million Google Search Results〉 https://backlinko.com/search-engine-ranking 2025-04-14]。Brand Radar 把這層聲量結構化成可追蹤的數字，等於把這個滾雪球效應從黑箱變成可管理的資產。同一份研究也發現約百分之九十五的網頁沒有任何反向連結，多數內容從未被網路看見，這正是為何主動經營 Web visibility、讓品牌在被討論的頁面上累積曝光，是少數能拉開差距的動作 [來源：Backlinko (Brian Dean)〈Search Engine Ranking: We Analyzed 11.8 Million Google Search Results〉 https://backlinko.com/search-engine-ranking 2025-04-14]。
AI Overviews：Google 搜尋裡的零點擊曝光怎麼追
AI Overviews 追蹤 Google 搜尋 AI Overview 區塊是否點名你的品牌，並擷取完整回答與被引用網域，資料自 2024 年 8 月起每數天更新（依 Ahrefs 官方說明）。它要回答的問題是：當 Google 用 AI 摘要直接回答使用者、把點擊偷走時，你的品牌在這個零點擊曝光裡到底是上榜還是缺席。對應的是Google AI Mode 搜尋新架構與SERP 搜尋結果頁元素介紹的演變。
零點擊趨勢其實早就在發酵，這也是 Brand Radar 非追不可的底層原因：根據 Backlinko 分析約 400 萬筆 Google 搜尋結果的研究，只有 0.63% 的使用者會點擊第二頁的結果，點擊已高度集中在第一頁的前段，當 AI Overview 直接給出答案，那些原本就剩不多的點擊只會進一步被壓縮，品牌若沒被點名就等於連最後一哩的曝光機會都沒有 [來源：Backlinko (Brian Dean)〈Google CTR Stats: We Analyzed 4 Million Google Search Results〉 https://backlinko.com/google-ctr-stats 2025-04-16]。
同一份 CTR 研究還給出兩個值得記住的座標：排名第一的結果平均點閱率約 27.6%，前三名合計拿走近 54.4% 的點擊 [來源：Backlinko (Brian Dean)〈Google CTR Stats: We Analyzed 4 Million Google Search Results〉 https://backlinko.com/google-ctr-stats 2025-04-16]。把這組數字放回 AI Overview 的情境裡，就能理解能見度的賭注有多大：當 AI 摘要直接出現在搜尋結果頂端，它奪走的不只是某一條連結的點擊，而是整個前三名的注意分配。品牌若沒有被寫進那段摘要文字，等於在這場注意力重新分配的過程裡完全缺席，後續再怎麼優化排名，能搶到的份額也會被壓縮。這也說明為何 Brand Radar 把 Mentions 視為首要指標：先確認上榜與否，再談論排名與點擊，順序才不會本末倒置。
核心指標是 Mentions、Impressions 與 Competitive/Market share。Mentions 看你有沒有被點名，Impressions 是 Mentions 乘以關鍵字搜尋量的估算曝光（依 Ahrefs 對該指標的定義），Competitive 與 Market share 看你在競品集合和市場集合裡的占比。重點是 Mentions 視圖與 Citations 視圖要搭配著看：前者告訴你被點名幾次，後者告訴你被哪些網域引用，後者才是數位公關的標靶清單。
- Impressions 是估算值，非 GSC 實際曝光，解讀要留意
- Mentions 看被點名，Citations 視圖看被引用網域，後者是公關標靶
- Web visibility 升但 AIO 沒動，代表內容權威度或結構化資料不足
- 切換 Domains view 找 AI Overview 最常引用的外部網域做內容合作
最常被問到的疑難雜症是：Web visibility 明顯上升，AI Overviews 卻一動也不動，怎麼辦？這代表網頁聲量有了，但內容權威度或結構化資料還不夠，AI 不敢引用你。補強的方向是SEO 結構化資料用途、E-E-A-T 內容權威度原則與Entity SEO 實體策略，讓 AI 在檢索時能確認你是可信來源。如果牽涉到Grounding 被 Google AI 引用的原理或RAG 檢索增強生成與 SEO 應用，強化被引用的機制會更扎實。
切換到 Domains view 是個常被忽略的高效動作。它列出 AI Overview 最常引用的外部網域，這份名單就是內容合作或數位公關的優先目標。比起憑直覺找媒體投稿，跟 AI 已經會引用的網域建立關係，見效快得多。演算法更新後也可以回頭看品牌能見度的漲跌，這對追蹤品牌成為被推薦的答案的進度很有用。而要被引用，內容得先貼近 AI 的胃口，AI 偏好的內容規劃策略是現成的檢查清單。
聊天機器人四選手：ChatGPT、Gemini、Perplexity、Copilot
Ahrefs 每月以同一組關鍵字向四個聊天機器人批量提問，統計品牌提及與引用網域，皆自 2025 年 5 月起按月更新（依 Ahrefs 官方說明）。差別不在模型強弱，而在生態位置：Gemini 可當 AI Overviews 前哨、Perplexity 顯示來源連結適合優化被引、Copilot 內建 Windows 與 Edge 對 B2C 桌面工具類最關鍵、ChatGPT 是決策者最常問的 LLM。要理解這層差異，先回頭看LLM 大型語言模型入門與AI Token 與 LLM 運作知識會更有概念。
| 平台 | 生態位置 | 最該看什麼 | 更新 |
|---|---|---|---|
| ChatGPT | 決策者最常問的 LLM | 競品排序、教育性內容是否被吸收 | 每月 |
| Gemini | 與 Google 生態深度整合 | 當 AI Overviews 前哨指標 | 每月 |
| Perplexity | 顯示來源連結 | Domains view 列出常被引用網域 | 每月 |
| Microsoft Copilot | Windows/Edge 預設整合 | B2C 桌面工具類必爭之地 | 每月 |
四個平台的共通讀法是看 Mentions 與 Impressions 的比例。Mentions 低但 Impressions 高，代表少數高流量問題被你佔據，這種要鞏固不能丟；Mentions 高但 Impressions 低，代表被點名很多但都集中在小流量問題，廣度夠、深度不足。ChatGPT 的 Results table 可以過濾「不含我方品牌」的回答，直接看出競品在哪些話題把你擠掉，這跟搜尋意圖拆解與高排名關鍵是同一套逆向工程的思路。
Gemini 最值得交叉比對的是它與 AI Overview 的時間差。由於 Gemini 與 Google 生態深度整合，如果 Gemini 提及先上升，AI Overview 可能緊隨其後。把它當 SGE 導流的前哨指標，能比競爭對手更早佈局。想摸熟這個模型本身，Gemini AI 完整攻略從入門到進階都講得到。Perplexity 因為會顯示來源連結，Domains view 列出的常被引用網域就是現成投稿清單，這跟Perplexity AI 搜尋完整指南與Perplexity AI 搜尋與引用邏輯講的機制一致。
Microsoft Copilot 對 B2C、桌面工具類品牌特別關鍵，因為 Windows 與 Edge 預設整合 Copilot，這是一塊流量入口。若 Copilot 提及領先，代表 Bing SERP 或 Windows 預設流量可成為新戰場，可考慮在 Microsoft Store 與Bing Webmaster Tools 安裝教學強化曝光。定期看 Competitive share，如果競品突然暴漲，多半是他們剛推新功能被 AI 快速學習，這是警訊不是巧合。聊天機器人回答畢竟是模型生成，遇到AI 幻覺與胡說八道的情況在所難免，把品牌事實鋪得夠厚，被錯引的風險才會降下來。對 B2C 品牌來說，這層 AI 入口與自家的訊息機器人也可以串起來想，把Chatfuel Messenger Bot 教學這類對話式經營當成接住 AI 流量的下一站。
實戰框架：用三層資料的相位差做決策
拿到 Brand Radar 數字後，多數人會盯著單一指標漲跌焦慮，但真正該看的是三層之間誰先動。Search demand 問的是「有沒有人想找你」，Web visibility 問的是「有沒有人在網路上寫你」，AI 提及問的是「模型會不會把你放進答案」。三層同步走揚最省心，從被想到、被寫到、到被推薦的鏈條順；任何一層脫隊，就指向具體該補的那一塊。這個讀法和GEO 與 SEO 的本質差異講的「別把 AI 可見度當傳統 SEO 操作」是同一回事。
| 三層樣態 | 代表的問題 | 該做的事 |
|---|---|---|
| 三層同步上升 | 漏斗順暢 | 維持節奏 |
| 搜尋升、網頁停滯 | 需求大於討論 | 加碼內容與公關把熱度轉成聲量 |
| 網頁升、AIO 沒動 | 權威度不足 | 強化內容權威度與結構化資料 |
| Competitive share 暴漲 | 競品剛推新功能被 AI 快速學習 | 查競品動態、評估是否跟進 |
- 健康樣態：三層同步上升，從認知到討論到 AI 推薦漏斗順暢
- 需求大於討論：加碼內容與公關把搜尋熱度轉成聲量
- 討論大於 AI 提及：強化內容權威度與結構化資料讓 AI 敢引用
- Competitive share 暴漲警訊：競品可能剛推新功能被 AI 快速學習
外鏈收割是 Web visibility 這層最被低估的用途。它的 Referring domains 欄位本質上就是一份高流量、已經提到你卻還沒連過來的頁面清單。拿這份清單去談資訊增益內容差異化或BM25 決定餵給 LLM 的素材相關的深度合作，命中率比冷開發高很多。這也呼應了查詢擴展 Query Fan-Out 技術背後的邏輯：AI 拿來組合答案的素材，往往就是這些被引用的高權威頁面。要長期穩住被引用的位置，AI Grounding SEO 策略提供了一套把品牌事實寫進模型知識底的思路。
要承認一個限制：AI 層資料只有一年多，長期趨勢判讀要保守。看到 Gemini 或 ChatGPT 提及一個月暴跌，先別急著認為品牌出問題，可能是 AI 平台調整了回答生成機制，也可能跟TF-IDF 關鍵字權重計算這類底層權重變化有關。把短期波動放在長期 Web visibility 基準線上看，才不會被雜訊帶著跑。
Brand Radar 與其他監測工具的關係：GSC、GA4、Bing AI Performance 怎麼搭
Brand Radar 無法取代 Google Search Console 或 GA4，三者量的根本是不同層次。GSC 看你網站在 Google 搜尋的排名與點擊，GA4 看站內使用者行為與轉換，Brand Radar 看品牌在第三方網頁與 AI 回答裡的能見度。它們是互補不是替代。先看Google Search Console 完整指南與Google Search Console 安裝方法把搜尋端架好，再把 GA4 接上，並用GA4 追蹤 AI 流量的篩選器設定把 ChatGPT、Perplexity 進來的流量單獨看清楚。完整版的GA4 新手完整教學則是打底用的。
| 工具 | 量的層次 | 看什麼 | 節奏 |
|---|---|---|---|
| Brand Radar | 品牌在第三方與 AI 的能見度 | 趨勢與領先滯後關係 | 週/月 |
| Google Search Console | 自有網站搜尋流量 | 驗證 AI 提及是否轉成點擊 | 日/週 |
| GA4 | 站內行為與轉換 | 最終成果 | 月 |
| Bing AI Performance | Copilot/Bing 引用 | 與 Copilot 提及交叉驗證 | 週/月 |
Bing AI Performance 報表專注 Copilot 與 Bing 的引用表現，可與 Brand Radar 的 Copilot 提及交叉驗證，這部分可對照Bing AI Performance 引用報表。互補的節奏是這樣安排的：Brand Radar 看趨勢（週到月）、GSC 看驗證（日到週）、GA4 看成果。三者各司其職，不要拿 Brand Radar 的估算 Impressions 去跟 GSC 的實際曝光相加，那只會得到一個誰也說不清的數字。要把不同來源的流量分清楚，UTM 追蹤碼完整教學是必備的標記工具；至於站內互動品質，看GA4 工作階段定義與解析與網站跳出率對 SEO 的意義比單看曝光更有參考價值。
- GSC 量自有網站搜尋流量，Brand Radar 量品牌在第三方與 AI 的能見度，不重疊
- GA4 負責站內行為與轉換，Brand Radar 補站外聲量與 AI 提及
- Bing AI Performance 報表與 Brand Radar 的 Copilot 提及可交叉驗證
- 避免重複計算：Brand Radar Impressions 是估算值，不要直接跟 GSC 曝光數相加
把上面的判讀方式收攏一下：Share of search 用品牌搜尋量算出相對市占，比 Share of voice 的模糊聲量更能反映競爭位置；網頁提及與 AI Overview 相關係數 0.664 則是先顧好 Web visibility 的理由。手上的工具到位了，下一步是把它讀熟，而Brand Radar 內建 mentions 與自訂 prompt 差異與Ahrefs Agent A 自動化 SEO 分析決定了你能不能把報表讀出動作。工具本身的完整功能與方案，看Ahrefs 功能與方案完整介紹；預算有限時，Ubersuggest 高 CP 值 SEO 工具評測或SEMrush 從競品分析到關鍵字佈局都是可對照的替代選擇。要讓 AI 敢引用你的內容，結構化資料 Schema 標記教學是基本功；若品牌還沒有像樣的門面站，先用AI 網站建立工具把站搭起來，再回頭補監測這塊。
Brand Radar 設定清單：品牌關鍵字、競品集合、排除詞怎麼定
Brand Radar 報表有沒有判斷力，八成取決於設定階段的乾淨程度。設定錯了，後面所有數字都建立在污染的基礎上，再怎麼精細判讀都會失準。設定階段有三個變數最容易出錯：品牌關鍵字的界定、競品集合的挑選、排除詞的配置。這三項互相牽動，必須一次想清楚再一起上線，分批調整會讓歷史趨勢線斷裂，前後無法對比。
品牌關鍵字的界定，原則是涵蓋使用者真正會拿來找你的所有寫法，同時排除與品牌無關的同名詞。把公司正式名稱、常用簡稱、產品線名稱、註冊商標都列進來，再逐項檢查是否有撞詞風險。撞詞判斷有一個快速檢驗法：把該關鍵字丟進 Google 搜尋，若首頁結果出現大量與你無關的領域，就必須用排除詞或 Parent Topic 收斂，不能讓它們一起算進品牌搜尋量。設定完成後，回頭對照 Brand Radar 顯示的 Branded keywords 清單，若出現明顯不屬於你品牌的詞，代表界定還沒收斂乾淨，要再補排除規則。
- 品牌關鍵字涵蓋：正式名稱、簡稱、產品線、商標、常見拼寫錯誤
- 撞詞檢驗：Google 首頁若大量出現無關領域，需用排除詞或 Parent Topic 收斂
- 競品集合：鎖定採購評估清單上並列的三到八家，半年覆核一次
- 排除詞：把同名不同義的常見詞彙排除，避免搜尋量被灌水
- 歷史連續性：設定一次到位，事後改動會讓趨勢線斷裂
競品集合的挑選前面提過原則，這裡補充實作層面。挑選時除了採購清單上的直接競品，還要考慮使用者在解決同一問題時可能搜尋的替代方案。例如一個專案管理工具品牌，競品集合除了其他專案管理工具，可能還要納入試算表類工具或白板類工具，因為使用者在搜尋時會把這些當成替代選項一起評估。納入的範圍越貼近真實的選擇場景，Share of search 與 Competitive share 的數字才越能反映市場裡實際發生的拉鋸。設定時也建議保留一份原始名單的版本紀錄，方便日後調整時回推哪一次更動造成數字跳動。
排除詞的配置常被忽略，卻是防止資料污染的最後一道防線。常見要排除的包括品牌名本身是多義詞時的那些無關用法、與品牌共用字根的常見字、以及容易與品牌混淆的地名或人名。排除詞設太少，搜尋量會被無關流量灌水，Share of search 失真；設太多，又可能誤殺真正屬於品牌的搜尋。調整時建議一次只動一個排除詞，觀察一個更新週期再決定是否保留，避免一次大改後分不清是哪個調整造成的影響。
報表節奏建議：週報、月報、季報各看什麼
Brand Radar 三層資料的更新頻率不同，硬要把它們擠在同一份報表裡每週看，會被雜訊淹沒。比較務實的做法是按更新頻率分層看，週報、月報、季報各自承擔不同的判讀任務。這樣安排能讓短期波動與長期趨勢各歸其位，避免把聊天機器人月度資料的單點變化誤判成結構性訊號。
| 報表節奏 | 看的層 | 判讀任務 |
|---|---|---|
| 週報 | Web visibility、Search demand | 追蹤短期聲量與搜尋需求變化，掌握公關活動或產品發布的即時反應 |
| 月報 | 四個聊天機器人、AI Overviews | 看 AI 提及與競爭占比的月度位移，找出競品被 AI 快速學習的警訊 |
| 季報 | 三層整合、Share of search 長期趨勢 | 檢視漏斗是否順暢、競品集合是否需要重組、策略方向是否要修正 |
週報的重點是 Web visibility 與 Search demand 這兩層，因為它們更新最即時、訊號最豐富。週報適合回答的問題是：上週的公關操作或產品發布有沒有在網頁聲量上產生反應？搜尋需求有沒有跟著波動？這兩層的短期變化通常能對應到具體的行銷動作，回饋速度快，適合用來調整當下的內容與公關節奏。週報不需要長，一頁摘要加上幾個值得追的訊號就足夠，重點是讓團隊養成看資料的習慣，把數字與行動連起來。
月報聚焦在四個聊天機器人與 AI Overviews 這層 AI 提及資料。由於這層按月更新，每月看一次正好對應它的更新節奏。月報要回答的是：品牌在各個 AI 平台的提及有沒有位移？Competitive share 有沒有出現突然的暴漲或暴跌？哪個平台的份額流失最快？月報的價值在於把 AI 這個變動最劇烈的層放進一個穩定的觀察框架，讓團隊不會被單一平台的單月數字嚇到，而是把每個平台的變化放在同一個月度視角裡相互參照。把GA4 追蹤 AI 流量的篩選器設定與月報擺在一起看，還能進一步驗證 AI 提及是否真的轉成實際流量。
季報是整合三層、拉長時間軸來看的報表，主要任務是檢視漏斗結構與策略方向。季報要回答的是：從搜尋需求到網頁聲量再到 AI 提及的鏈條是否順暢？哪一層是瓶頸？競品集合是否反映當下的市場樣貌？Share of search 的長期趨勢是上升、停滯還是下滑？季報適合用來做較大幅度的策略調整，例如重組競品集合、調整內容與公關的資源分配、重新設定品牌關鍵字。因為季報的時間跨度夠長，能濾掉短期雜訊，看到的是結構性的位移，決策的份量也應該對應到這個層級。
- 週報看 Web visibility 與 Search demand，對應即時行銷動作
- 月報看四個聊天機器人與 AI Overviews，對應 AI 層的月度位移
- 季報整合三層，看漏斗結構與策略方向，做較大幅度的調整
- 三層按更新頻率分開看，避免把月度雜訊誤判成結構訊號
疑難排解矩陣：數字異常時往哪裡查
Brand Radar 的數字出現異常時，最忌諱立刻歸因到品牌策略失敗。異常的原因可能是資料層的技術性問題、競品集合的設定問題、AI 平台的機制調整，也可能是真實的市場訊號。把可能的成因列出來逐一排除，比直覺式恐慌更能找到正確的對策。常見的異常樣態可以對應到最可能的成因與第一步該查的方向，整理成一份排查矩陣就能反覆使用。
| 異常樣態 | 最可能成因 | 第一步該查 |
|---|---|---|
| Share of search 突然暴增 | 品牌關鍵字撞詞被算入 | 檢查 Branded keywords 清單有無無關詞，補排除規則 |
| Web visibility 暴跌但無明顯事件 | AhrefsBot 爬網範圍調整或大量提及頁面失效 | 查看 Mentions 清單消失的頁面是否大量 404 |
| 單一 AI 平台提及月度暴跌 | 該平台調整回答生成機制 | 交叉比對其他 AI 平台是否同步變動 |
| Competitive share 暴漲 | 競品剛推新功能被 AI 快速學習 | 查競品近期產品動態，評估是否跟進 |
| 三層全部同步暴跌 | 品牌關鍵字或競品集合設定被改動 | 核對設定版本紀錄，還原未被污染的基準 |
| Impressions 遠高於實際感受 | 把估算曝光當實際曝光 | 回到 Mentions 視圖看實際點名次數 |
這個矩陣有一個使用順序值得記住：先查資料層與設定層，再查競品與市場層，最後才考慮品牌策略本身。多數時候異常出在前面兩層，例如撞詞、爬網調整、設定被改動，這些都能在內部快速排查修復。直接跳到品牌策略歸因，往往會做出過度反應的決策，反而打亂原本穩定的節奏。把排查當成標準流程，能讓團隊在面對異常時保持冷靜，把注意力放在真正能解釋異常的那一層。
有一類異常特別需要警覺：三層全部同步暴跌或暴漲。單一層的變化多半有局部成因，但三層同步變動通常指向設定層的問題，例如品牌關鍵字或競品集合被改動，導致整個報表的口徑位移。遇到這種情況，第一步一定是核對設定的版本紀錄，確認是否有人員在未告知的情況下調整了界定或排除規則。把設定還原到問題發生前，再觀察一個更新週期，數字通常會回到合理區間。這也是為何前面強調設定要一次到位、調整要留版本紀錄，這些紀律在排查時會發揮關鍵作用。
什麼情況下 Brand Radar 還不是當務之急
Brand Radar 是強大的監測工具，但並非每個品牌、每個階段都該把它排在第一位。在資源有限的現實裡，把工具用對順序，比擁有工具更重要。有幾種情況，品牌的當務之急其實在更前面的環節，先把那些補起來，Brand Radar 的投資才會產生意義。
- 品牌網站本身還沒建立基本 SEO 基礎：先補 GSC 驗證、網站架構與基本技術 SEO
- 品牌搜尋量還趨近於零：先做品牌認知與內容打底，再談監測
- Web visibility 幾乎為零：先衝出第一批第三方提及，再回頭追蹤
- 團隊還沒有任何人能穩定判讀資料：先建立判讀能力，工具才會被用對
- 業務模式完全不依賴線上能見度：例如純內部推薦的 B2B 大客戶，監測優先級低
第一種情況最常見：品牌網站的基礎 SEO 還沒做好，就急著上層層監測。這就像地基還沒灌好就開始裝監視器，監測到的數字會被基礎缺陷嚴重扭曲。在這個階段，先把Google Search Console 安裝方法走完、把網站架構與基本技術 SEO 補起來、確認網站能被正常檢索與索引，這些動作的回報遠高於訂閱任何監測工具。地基穩了，監測到的數字才有解讀價值，也才不會把基礎問題誤判成品牌策略問題。
第二種情況是品牌搜尋量還趨近於零，代表市場根本還沒開始主動找這個品牌。這時候追蹤 Share of search 沒有分母意義，因為基數太小，任何波動都會被放大成看起來劇烈的百分比變化。這個階段的重點是建立品牌認知，把搜尋量從零推到一個有意義的基準線，方法包括內容行銷、公關曝光、口碑經營。等搜尋量穩定在一個可追蹤的水準，Brand Radar 的數字才開始具備判讀價值。在那之前，把資源砸在監測工具上，得到的是一張漂亮的空報表。
第三種情況是 Web visibility 幾乎為零，也就是網路上還沒有第三方在討論這個品牌。Brand Radar 的核心判讀邏輯建立在 Web visibility 與 AI 提及的領先滯後關係上，當 Web visibility 這層根本還沒長出來，整個判讀框架就失去支點。這個階段要做的是主動創造第一批被討論的機會：發佈有觀點的內容、參與產業對話、與既有媒體建立關係，讓品牌的名字開始出現在自家網站之外的頁面上。等 Web visibility 累積出一條可見的趨勢線，再回頭用 Brand Radar 追蹤它的演變與對 AI 提及的帶動效果。
判斷自己是否處於這幾種情況，有一個簡單的檢驗：在 Brand Radar 裡，三層數字是否都呈現一條貼近零軸的平線？如果是，代表品牌還在起跑線之前，當務之急是把基本盤補起來，而不是鑽研監測細節。等任何一層開始出現可辨識的趨勢線，Brand Radar 的價值才會真正發揮。這個先後順序看似常識，卻是最常被忽略的判斷，許多品牌在基礎還沒穩固時就訂閱一堆工具，結果是花了錢卻讀不出任何行動指引。
Brand Radar 常見問題
Ahrefs Brand Radar 支援哪些 AI 平台？
支援 ChatGPT、Perplexity、Google AI Overviews、Microsoft Copilot、Gemini 五個平台，加上 Search demand 與 Web visibility 兩層傳統資料，合計七個資料來源。
Search demand 和 Web visibility 有什麼不同？
一個問「有多少人在找你」，一個問「有多少人在寫你」。Search demand 計算含品牌名關鍵字的 Google 搜尋量，屬於需求側；Web visibility 計算公開網頁裡的文字與連結提及，屬於討論側。前者看意圖規模，後者看第三方聲量。
AI Overviews 的 Impressions 是怎麼算出來的？
它不是 GSC 那種實測曝光。Ahrefs 把被點名的次數，乘上那些問題背後的關鍵字搜尋量，推估出一個規模數字，用來判斷「被點名的問題本身有多大需求」。也因此它不能跟 GSC 的曝光數相加。
Brand Radar 的資料多久更新一次？
Web visibility 近乎即時，Search demand 與 AI Overviews 每數天更新，四個聊天機器人按月更新。
Share of search 要怎麼計算？
用你品牌的搜尋量，除以你加上所有競品的全部品牌搜尋量，得出的百分比就是你在搜尋市場的相對市占。
Web visibility 上升但 AI Overviews 沒動怎麼辦？
代表網頁聲量有了但內容權威度還不夠，AI 不敢引用。補強結構化資料、E-E-A-T 與實體 SEO，讓 AI 確認你是可信來源。
ChatGPT 提及分析從什麼時候開始有資料？
自 2025 年 5 月起收集，目前按月更新，Ahrefs 每月以同一組關鍵字向 ChatGPT 批量提問統計品牌提及。
Brand Radar 的 Mentions 和 Impressions 差在哪？
Mentions 數的是「被點名幾次」，回答上榜與否、廣度夠不夠；Impressions 則把這個次數乘上對應關鍵字的搜尋量，回答「這些點名發生在多大池子的問題裡」。一個看頻次，一個看規模。
競品集合應該設幾家？怎麼挑？
建議鎖定採購評估清單上真正會並列的三到八家。集合太小會讓你在弱者堆裡排第一，數字漂亮卻脫離現實；集合太大會把分母撐到所有人都微不足道，趨勢被攤平。挑選時除了直接競品，也要納入使用者會當成替代方案一起評估的相鄰工具，這樣 Share of search 與 Competitive share 才貼近真實的市場拉鋸。每隔半年覆核一次名單，把退出或轉型的踢掉、新崛起的補進來。
遇到品牌名是多義詞，搜尋量被灌水怎麼辦？
先用 Parent Topic 或排除詞收斂，把同名不同義的用法過濾掉。一個快速檢驗法是把該關鍵字丟進 Google 搜尋，若首頁大量出現與品牌無關的領域，就代表撞詞嚴重，必須補排除規則。設定完成後回頭看 Branded keywords 清單，若出現明顯不屬於品牌的詞，代表收斂還沒乾淨。調整時建議一次只動一個排除詞，觀察一個更新週期再決定保留與否。
什麼情況下暫時不該把 Brand Radar 當首要工具？
當品牌網站的基礎 SEO 還沒做好、品牌搜尋量趨近於零、或 Web visibility 幾乎為零時，Brand Radar 的數字會失去判讀支點。這幾種情況的當務之急是把基本盤補起來：驗證 GSC、補網站架構與技術 SEO、建立品牌認知、創造第一批第三方提及。等三層數字中任何一層開始出現可辨識的趨勢線，監測的投資才會產生意義。在起跑線之前砸錢訂閱工具，往往只會得到一張讀不出行動的空報表。