W maju 2024 byliśmy świadkami globalnego wdrożenia przez Google AI Overview, które wcześniej było znane jako SGE (Search Generative Expirience). Jest to kluczowa zmiana jeśli chodzi o wyświetlanie wyników w wyszukiwarce. AI Overview już na poziomie wyszukiwarki prezentuje odpowiedzi na zapytania użytkowników, jednocześnie prezentując linki do źródeł. To powoduje, że użytkownik już na poziomie wyników wyszukiwania otrzymuje odpowiedź, bez konieczności przechodzenia do konkretnej strony.
Dla właścicieli stron internetowych, marketerów czy analityków oznacza to nowe wyzwania. Jednym z nich jest mierzenie ruchu pochodzącego z AI Overview. Standardowe narzędzia analityczne nie rozpoznają tego typu ruchu w sposób jawny. Ruch ten możemy zaobserwować w organic search, jednak bez możliwości jego wyodrębnienia. Kluczowe jest tutaj wyodrębnienie i zmierzenie ruchu pochodzącego z AI Overview, aby ocenić jego wpływ na widoczność, CTR, czy konwersje.
Spis treści:
- Zrozumieć AI Overview
- Analiza referrera i parametrów - klucz do detekcji ruchu z AI Overview
- Alternatywne miejsca przechwytywania referrera
- Analiza danych
- Streszczenie
- Podsumowanie
Zrozumieć AI Overview
Jak wiemy AI Overviews to generowane bloki z podsumowaniem, które pojawiają się na górze wyników wyszukiwania. Mają na celu dostarczenie użytkownikowi szybkiej odpowiedzi, która jest syntetyzowana z różnych źródeł internetowych. Dzięki temu użytkownik nie musi przeglądać jak dotychczas kilku pierwszych linków z wyników wyszukiwania. Przegląd zawiera linki do stron, gdzie użytkownik może znaleźć więcej informacji.
Pod względem samego użytkownika takie rozwiązanie jest bardzo wygodne. Może on szybko znaleźć potrzebne informacje, a nawet instrukcję wykonania jakiegoś procesu. Tym samym użytkownik nie musi przechodzić do konkretnej strony i dopiero na niej szukać rozwiązania.
Aby skutecznie mierzyć i analizować ruch z AI Overview, należy najpierw dogłębnie zrozumieć, czym jest ten kanał i jakie cechy odróżniają go od klasycznych źródeł organicznych w wyszukiwarce Google. Z punktu widzenia SEO i analizy danych oznacza to, że ruch z AI Overview pochodzi z tego samego hosta (google.com), co klasyczne wyniki organiczne. Nie jest oznaczony osobnym źródłem w standardowych narzędziach analitycznych (np. Google Analytics, GSC), może posiadać unikalne wzorce parametrów URL i referrera. Ma duży wpływ na zachowania użytkowników. Często użytkownik zaspokaja potrzebę informacyjną bez konieczności klikania inków (tzw. zero-click search).
Bez identyfikacji źródła nie jesteśmy w stanie wyciągnąć prawidłowych wniosków o skuteczności treści i optymalizacji SEO. Dlatego potrzebujemy mechanizmu, który pozwoli wykryć i oznaczyć te wizyty.
Analiza referrera i parametrów – klucz do detekcji ruchu z AI Overview
Jednym z najbardziej praktycznych i jednocześnie technicznych podejść do identyfikacji ruchu pochodzącego z AI Overview jest analiza referrera oraz parametrów URL, przekazywanych podczas kliknięcia użytkownika w link zawarty w tej sekcji wyników wyszukiwania.
Ponieważ Google nie udostępnia dedykowanego oznaczenia tego ruchu w Google Search Console, Google Analytics czy innych narzędziach analitycznych, referrer i query string pozostają głównymi nośnikami sygnałów, które można wykorzystać do odróżnienia ruchu z AI Overview od klasycznego organicznego.
Standardowy referrer dla kliknięcia organicznego z Google Search wygląda tak:
https://www.google.com/
https://www.google.com/search?q=fraza+kluczowa&...
Natomiast kliknięcie pochodzące z AI Overview często generuje referrer z dodatkowymi parametrami oraz wskazuje na inny endpoint, np.:
https://www.google.com/search?sca_esv=...&sxsrf=...&ved=...&q=fraza+kluczowa
Kluczowe parametry, które warto monitorować:
- sca_esv – wskaźnik środowiska eksperymentalnego, często obecny w sesjach z AI Overview ,
- sxsrf – token sesji związany z interaktywnymi elementami wyników,
- ved – zakodowana informacja o pochodzeniu kliknięcia (encoded click source & rank),
- ei, oq, pf – dodatkowe parametry, które mogą wskazywać na sposób wygenerowania wyniku.
Parametr sca_esv oraz obecność sxsrf pojawiają się znacznie częściej w referrerach AI Overview niż w tradycyjnych wynikach organicznych, co czyni je dobrymi wymiarami do warunkowej filtracji.
Zapisz się na newsletter i bądź na bieżąco z naszymi artykułami z bloga. Nie przegap najciekawszych naszych wpisów.
Administratorem udostępnionych przez Ciebie danych osobowych jest Ideo Force Sp. z o.o. Podanie danych osobowych jest dobrowolne, jednak ich niepodanie uniemożliwi świadczenie usług na Twoją rzecz. Dowiedz się więcej o zasadach przetwarzania Twoich danych osobowych oraz przysługujących Ci uprawnieniach w Polityce prywatności.
Alternatywne miejsca przechwytywania referrera
Choć analiza parametrów w referrerze na poziomie przeglądarki (client-side) to najłatwiejszy punkt startowy, nie zawsze zapewnia pełne i wiarygodne dane. Ograniczenia związane z polityką prywatności przeglądarek, mechanizmami ograniczania referrera (np. Referrer-Policy: strict-origin-when-cross-origin) oraz technologiami typu ITP (Intelligent Tracking Prevention) sprawiają, że część referrerów jest ucięta lub całkowicie ukryta przed skryptami JavaScript. Dlatego kluczowe jest rozszerzenie perspektywy i sięgnięcie po alternatywne miejsca, gdzie referrer (lub inne sygnały źródła) mogą być widoczne i rejestrowane.
Logi serwera
Najbardziej niezawodne źródło referrera to logi serwera HTTP, które rejestrują pełny nagłówek HTTP Referer przesyłany przez przeglądarkę przy każdym żądaniu GET/POST. Serwer otrzymuje oryginalny referrer przed wszelkimi ograniczeniami JavaScript, a polityki prywatności przeglądarek rzadziej wpływają na nagłówki przesyłane w pierwszym żądaniu w ramach tej samej domeny.
W logu widoczny jest pełny referrer, zawierający parametr sca_esv - możemy na jego podstawie budować raporty, np. poprzez eksport logów do BigQuery. Takie rozwiązanie ma swoje plusy, ponieważ mamy dostep do 100% żądań http, a także mamy możliwość analizy historycznej.Minusem takiego rozwiązania jest wymagany dostep do serwera i wymagana obróbka dużych wolumenów danych.
Data Layer injection
Dobrym rozwiązaniem jest server-side tagging (np. GTM Server-Side), gdzie ruch wpada najpierw do własnego endpointu (np. https://tag.yourdomain.com/collect), a dopiero potem przesyłany jest do Google Analytics. Data Layer injection” w kontekście śledzenia ruchu z AI Overview to niezastąpione narzędzie, które umożliwia centralne przekazanie danych do GTM, łatwą integrację danych z narzędziami i łatwe raportowanie...
Daje to możliwość przekazania referrer do Data Layerw GTM server-side, a później przekazania go, jako wymiaru niestandardowego do GA4. W takim rozwiązaniu mamy większą kontrolę nad danymi i możliwość wygodnej obróbki danych. Jednak minusem jest wymagane środowisko GTM server-side, a także koszty utrzymania są większe.Wykorzystanie GA4 do zbierania danych pozwoli również na porównanie danych z innych narzędzi, które niekoniecznie będą skupiać się na ruchu, a bardziej na widoczności.
Google Tag Manager i Java Script
Jednym z rozwiązań jakie umożliwiają nam śledzenie ruchu z AI jest odpowiedni skrypt dodany do GTM i przesyłanie danych do GA4. Kluczem jest tutaj śledzenie adresu URL. Istotną informacją w w takim adresie jest hashtag, który pojawia się w wynikach AI.
Do GTM należy dodać funkcję JS jako zmienną. Funkcja powinna pobierać adres URL pierwszego zasobu z Performance API. Następnie należy wyciągnąć fragment tekstu z URL. Tutaj mowa o fragmencie : #:~:text=... . Następnie należy dekodować tekst i podzielić go na fragmenty na podstawie separatora. Ostatecznie funkcja powinna zwrócić pierwszy fragment tekstu z adresu URL po jego dekodowaniu i lekkim przekształceniu składni (mowa tutaj przecinkach).
Funkcja może wyglądać następująco:
function() {
var entries = decodeURIComponent(performance.getEntries()[0].name.match("#:~:text=(.*)")[1]);
var frag = entries.replace(/, /g,"*").replace(/,/g,"...").replace(/\*/g,", ");
var splitArray = frag.split("...");
return splitArray[0];
}
To jeszcze nie koniec, ponieważ musimy utworzyć jeszcze jedną niestandardową zmienną JS, która umożliwi nam pobranie pozostałej treści, pomijając pierwszy element.
Dzięki temu z takiego adresu URL:
Możemy wyciągnąć interesujące nas informacje.
W kolejnym kroku zebrane dane musimy przesłać w parametrze do GA4. Dlatego należy stworzyć nowe zdarzenie w GTM i za jego pomocą przesyłać parametry. W ostatnim etaie musimy stworzyć w GA4 definicje niestandardowe, które umożliwią nam wyświetlenie tych danych w raportach.
Analiza danych
Analiza danych zebranych na etapie detekcji parametrów i referrera to nie tylko techniczne potwierdzenie źródła ruchu, ale przede wszystkim fundament do wyciągania wniosków biznesowych i optymalizacyjnych. W przypadku AI Overview analiza danych nabiera szczególnego znaczenia, ponieważ mamy do czynienia z nowym, hybrydowym źródłem ruchu organicznego, które funkcjonuje na styku tradycyjnych kliknięć i zero-click search.
Analiza danych z AI Overview powinna również obejmować jakościowe aspekty interakcji użytkowników z treścią strony.
Dzięki integracji danych o ruchu z narzędziami typu:
- heatmapy (np. Hotjar, Microsoft Clarity),
- narzędzia śledzenia ścieżek użytkownika (np. FullStory),
można określić, czy użytkownicy z AI Overview:
przewijają stronę do kluczowych sekcji, korzystają z elementów interaktywnych (formularze, CTA) bądź szybko opuszczają stronę (bounce). Ta wiedza umożliwia dostosowanie UX i treści specjalnie pod tę grupę odbiorców, którzy często trafiają na stronę z „gotową odpowiedzią” i mogą szukać tylko potwierdzenia lub szczegółowych informacji.
Streszczenie
- Mierzenie ruchu z AI Overview stanowi wyzwanie, ponieważ tradycyjne narzędzia analityczne nie identyfikują go w sposób jawny, a ten ruch pojawia się w ramach wyników organicznych, co utrudnia jego wyodrębnienie.
- Kluczową metodą identyfikacji ruchu z AI Overview jest analiza parametrów referrera i URL, które pozwalają na rozróżnienie tego ruchu od tradycyjnych kliknięć w wyniki organiczne.
- Alternatywne metody zbierania danych, takie jak logi serwera i Data Layer injection, umożliwiają dokładniejsze śledzenie źródła ruchu, mimo ograniczeń prywatności w przeglądarkach.
- Analiza danych z AI Overview, obejmująca monitorowanie interakcji użytkowników z treścią, pozwala na optymalizację strategii SEO, UX i konwersji, co jest kluczowe dla utrzymania konkurencyjności w ekosystemie SEO.
Podsumowanie
Wprowadzenie AI Overview przez Google stanowi fundamentalną zmianę w sposobie prezentowania wyników wyszukiwania i pozyskiwania ruchu organicznego. Wymusza to na specjalistach SEO i analitykach przejście z klasycznych modeli atrybucji na bardziej zaawansowane, hybrydowe podejścia, które uwzględniają ukryte źródła ruchu i zmieniające się zachowania użytkowników.
Analiza danych z AI Overview – oparta o monitoring referrera, parametrów URL, logi serwera oraz Data Layer injection – pozwala nie tylko wyodrębnić ten ruch, ale także zrozumieć jego jakość, intencję i wpływ na realizację celów biznesowych.
To z kolei daje możliwość optymalizacji treści, UX i strategii konwersji tak, aby maksymalizować wartość wizyt pochodzących z tego nowego źródła.
Optymalnym rozwiązaniem jest stworzenie raportu w Looker Studio, co pozwoli na zestawienie danych z różnych źródeł. Dodatkowo stworzenie odpowiednich grup użytkowników pozwoli nam nie tylko na poznanie intencji użytkownika, ale również na zaobserwowanie schematyczności działań związanych z AI Overviews. Finalnie, śledzenie i analiza ruchu z AI Overview staje się nie opcją, lecz koniecznością dla każdej organizacji, która chce pozostać konkurencyjna w ekosystemie SEO zdominowanym przez generatywne AI Google.
