Modelowane listy odbiorców nie zawierają konkretnych osób, tylko prawdopodobieństwa. Wyjaśniam, jak powstają, gdzie ich szukać w panelu i jak czytać ich raporty.
Właściciele firm usługowych zadają mi to pytanie w formie zarzutu: dlaczego mój konkurent, który ma gorszą stronę i pracuje krócej, jest wypowiadany przez asystenta jako pierwszy. Zakładają zwykle jedną z dwóch odpowiedzi — że konkurent za to zapłacił albo że system działa przypadkowo.
Ani jedno, ani drugie. Wybór jednego wykonawcy z kilkudziesięciu dostępnych w okolicy jest procesem, w którym firma odpada na jednym z kilku etapów. Większość rozmów, jakie prowadzę, dotyczy etapu drugiego, a firma tymczasem nie przeszła pierwszego.
Chciałbym rozłożyć ten proces na części i pokazać, gdzie w każdej z nich mamy coś do zrobienia, a gdzie nie mamy nic. Ta druga lista jest krótsza, niż się wydaje, ale ważniejsza — oszczędza budżet.
Zacznijmy od poprawienia pytania, bo w formie potocznej sugeruje ono redakcyjną decyzję: ktoś wybiera, kogo polecić.
W rzeczywistości wypowiedziana odpowiedź jest końcem łańcucha, który zaczyna się od zrozumienia intencji, potem zawęża zbiór firm spełniających warunki, następnie porządkuje je i na końcu formułuje wypowiedź. Etap, na którym zapada „decyzja o poleceniu”, to trzeci z czterech, a firmy przegrywają najczęściej na drugim, czyli w ogóle nie znajdują się w zbiorze do porządkowania.
Ma to praktyczne znaczenie dla kolejności prac. Zabieganie o lepszą ocenę, gdy nie spełniamy warunku podstawowego, to inwestycja bez zwrotu. Wolę najpierw sprawdzić, czy firma jest kandydatem, i tylko wtedy pracować nad tym, żeby była kandydatem lepszym.
Ten etap wygląda banalnie i odpada na nim najwięcej firm, z którymi zaczynam pracę.
System musi mieć podstawę, żeby połączyć zapytanie użytkownika z tym, co firma robi. Ta podstawa to typ działalności zapisany w danych o firmie, lista konkretnych usług i język, jakim je opisano. Firma, która sama nazywa się „kompleksowe rozwiązania dla domu”, nie jest odpowiedzią na pytanie o wymianę uszczelki. Nie z powodu złej woli algorytmu, tylko dlatego, że nie ma czego dopasować.
Sprawdzam więc trzy rzeczy w tej kolejności. Czy typ działalności jest wybrany precyzyjnie, a nie z półki „usługi ogólne”. Czy pojedyncze usługi są wypisane osobno, nazwami używanymi przez klientów, a nie branżowymi. I czy firma ma potwierdzoną obecność — niezweryfikowany wpis jest w praktyce wpisem nieistniejącym w momencie, gdy zbiór trzeba zawęzić.
Dodam rzecz z pogranicza formalności: zgodność nazwy, adresu i formy działalności z rejestrami. Systemy porównują to, co o firmie wiedzą, z tym, co da się o niej sprawdzić. Rozjazd nie musi wykluczyć, ale nigdy nie pomaga.
Drugi etap jest tym, który właściciele firm najczęściej mylą z rankingiem, choć rankingiem nie jest — to zestaw warunków twardych.
Ten etap jest o tyle wdzięczny, że praca na nim jest tania i szybka. Nie wymaga budowania reputacji przez rok, wymaga jednego uczciwego przeglądu danych i decyzji, na jakim obszarze faktycznie chcemy pracować.
Kiedy zbiór jest już zawężony, zaczyna się porządkowanie i tu wchodzą opinie. Warto jednak zrozumieć, że średnia ocena jest tylko jednym z wielu składników.
Z mojego doświadczenia liczy się przede wszystkim ciągłość: firma z oceną nieco niższą, ale zbierająca opinie regularnie przez lata, wypada lepiej niż firma z wynikiem doskonałym opartym na kilkunastu wpisach z jednego miesiąca. Nierówny rozkład w czasie jest sygnałem albo zaniedbania, albo kupowania — i w obu przypadkach obniża zaufanie.
Druga rzecz to treść, nie ocena. W opiniach pojawiają się nazwy usług, dzielnic i sytuacji. To materiał, z którego da się wyczytać, czym firma faktycznie się zajmuje, i który uzupełnia deklaracje z danych. Firma naprawiająca głównie piece, z opiniami mówiącymi o piecach, ma spójny obraz. Firma deklarująca dziesięć specjalizacji, z opiniami o jednej, ma obraz rozmyty.
Trzecia to odpowiedzi właściciela na opinie, zwłaszcza na krytyczne. Nie znam sposobu, żeby zmierzyć ich wpływ na wybór, ale wiem, że są widoczne dla ludzi w momencie sprawdzania podpowiedzi. A wybór asystenta i tak jest zwykle weryfikowany wzrokiem, kiedy tylko użytkownik ma pod ręką ekran.
Kolejny element, na który mamy wpływ, choć wymaga cierpliwości.
Dane o firmie występują w wielu miejscach: w katalogach branżowych, w serwisach z rezerwacjami, w mapach innych dostawców, na stronie firmowej, w wizytówkach na portalach lokalnych. Kiedy te źródła mówią to samo, informacja jest traktowana jako pewna. Kiedy w trzech miejscach są trzy różne numery telefonu i dwa adresy, żadna wersja nie jest pewna.
Sprzątanie tego jest robotą detektywistyczną i nudną. Wypisuję wszystkie miejsca, w których firma występuje, ustalam wersję obowiązującą — dokładny zapis nazwy, adresu i numeru — i poprawiam wpisy po kolei, zaczynając od tych, które mają największy ruch. Największym wrogiem jest tu historia: dawne siedziby, numery po starym właścicielu, wpisy zrobione przez pracownika, który już nie pracuje.
Efektu nie widać w tygodniu i to jest powód, dla którego prawie nikt tego nie robi. W usługach lokalnych to jednak jedna z niewielu prac, których konkurencja nie skopiuje w miesiąc.
Podpowiedź asystenta ma prowadzić do działania i sprawność tego działania jest częścią oceny całości.
Numer, który nie odpowiada, formularz bez odpowiedzi przez dwa dni, brak możliwości rezerwacji terminu — to wszystko rozstrzyga się już po wypowiedzianej rekomendacji, ale wraca w postaci opinii i zachowania użytkowników. Firma, do której nie da się dodzwonić w godzinach, w których deklaruje pracę, wypada z gry na tym etapie i żadne dane tego nie naprawią.
Dlatego przy takich projektach zawsze proponuję test najbardziej banalny z możliwych: zadzwonić do klienta jako klient, w piątek po siedemnastej i w poniedziałek o ósmej. Wyniki tego testu bywają dla właściciela bardziej pouczające niż cały audyt widoczności.
Na koniec metoda, bo bez niej cała reszta jest teorią.
Trzeba pamiętać, że odpowiedzi są personalizowane: zależą od lokalizacji urządzenia, historii użytkownika, języka i ustawień. Pytanie zadane z własnego telefonu, przy zalogowanym koncie, przy własnej firmie ustawionej wszędzie, gdzie to możliwe, nie jest testem. To potwierdzanie własnych oczekiwań.
Robię to więc inaczej: pytam z różnych punktów obszaru działania, o różnych porach, formułując pytania tak, jak formułuje je klient, i zapisuję odpowiedzi w prostym arkuszu — data, miejsce, pytanie, kto został wskazany. Po kilku tygodniach z takiego arkusza widać wzorce, których jedna próba nie pokaże.
I ostrzeżenie, które powtarzam każdemu: nie ma tu gwarancji ani dźwigni, którą kupisz. Można uporządkować kwalifikację, kontekst i reputację, czyli zwiększyć prawdopodobieństwo. Kto obiecuje więcej, mówi o czymś, czego nie ma.
Używamy plików cookies, aby ułatwić Ci nawigację oraz wykonywanie określonych funkcji. Szczegółowe informacje o wszystkich plikach cookies znajdziesz w każdej kategorii zgody poniżej.
Pliki cookies oznaczone jako "Niezbędne" są przechowywane w Twojej przeglądarce, ponieważ są one kluczowe dla zapewnienia podstawowych funkcji strony.
Używamy również plików cookies firm trzecich, które pomagają nam analizować, w jaki sposób korzystasz z tej strony, zapamiętują Twoje preferencje oraz dostarczają treści i reklamy odpowiednie dla Ciebie. Te pliki cookies będą przechowywane w Twojej przeglądarce tylko za Twoją uprzednią zgodą.
Możesz zdecydować, czy chcesz włączyć lub wyłączyć niektóre bądź wszystkie te pliki cookies, jednak wyłączenie niektórych z nich może wpłynąć na Twoje doświadczenia podczas przeglądania strony.
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __cf_bm | 13 minutes | Cloudflare bot management — distinguishes humans from bots. |
| rc::* | Persistent | Google reCAPTCHA — localStorage holding anti-bot challenge state. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| wpEmojiSettingsSupports | Session | WordPress — sessionStorage flag caching whether the browser can render emoji (feature detection). |
| ytidb* | Persistent | YouTube — IndexedDB storing playback/search state for embedded videos. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| _ga_* | 400 days | Google Analytics 4 — persists session state per property. |
| _ga | 400 days | Google Analytics — distinguishes unique users via a client id. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| NID | 183 days | Google — stores preferences for personalized ads. |
| fr | 90 days | Meta — encrypted Facebook id and browser id for ads. |
| _gcl_au | 90 days | Google AdSense/Ads — experiments with advertising efficiency (conversion linker). |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __Secure-YNID | 180 days | |
| YSC | Session | |
| __Secure-ROLLOUT_TOKEN | 180 days | |
| VISITOR_INFO1_LIVE | 180 days | |
| VISITOR_PRIVACY_METADATA | 180 days | |
| datr | 400 days | |
| sb | 400 days | |
| wd | 7 days |