Cách theo dõi cảm xúc thương hiệu qua các công cụ trả lời AI

Tóm tắt:

• Cảm nhận thương hiệu trong câu trả lời AI là một tín hiệu khác biệt so với tỷ lệ trích dẫn. Việc bị trích dẫn cho biết nguồn đã được sử dụng; cảm nhận cho bạn biết thương hiệu của bạn được mô tả như thế nào trong câu trả lời mà người mua thực sự đọc — và hai điều này có thể không đồng thuận.
• Một lời nhắc, mọi động cơ, một định dạng. Các tác nhân Scrapeless LLM (scraper.chatgpt, scraper.copilot, scraper.perplexity, scraper.gemini, và những cái khác) chia sẻ một điểm cuối và một hình dạng { status, task_id, task_result }, vì vậy một vòng lặp thu thập duy nhất bao phủ tất cả.
• Cảm nhận được tính toán từ văn bản câu trả lời, không phải từ các trích dẫn. Tìm tên thương hiệu trong result_text, đọc những từ xung quanh mỗi lần đề cập, và đánh giá ngữ cảnh xung quanh — không cần khóa mô hình cho một cơ sở từ vựng minh bạch.
• Hình ảnh thay đổi theo động cơ. Trong một lần thu thập trực tiếp câu hỏi "Scrapeless có phải là công cụ tốt cho việc lấy dữ liệu trên web không?", cùng một thương hiệu được đánh giá tích cực trên hai động cơ, trung lập trên một động cơ thứ ba và tiêu cực trên một động cơ thứ tư — kiểu phân chia mà một kiểm tra trên một động cơ duy nhất sẽ bỏ lỡ.
• Nó chạy theo lịch trình. Thu thập, phát hiện, đánh giá và lưu trữ mỗi lần chạy với task_id và dấu thời gian của nó; chuỗi qua nhiều tuần là xu hướng nhận thức thương hiệu.
• Miễn phí để bắt đầu. Tài khoản Scrapeless mới bao gồm tín dụng dùng thử miễn phí — đăng ký tại app.scrapeless.com.

Dòng chảy tóm tắt

Khi một người mua hỏi một trợ lý AI về sản phẩm của bạn, trợ lý quyết định hai điều: liệu có đề cập đến bạn hay không, và như thế nào. "X là tùy chọn đáng tin cậy nhất" và "X mạnh mẽ nhưng đắt và khó học" đều là các đề cập; chỉ có một cái giúp bạn. Theo dõi trích dẫn tính toán chiều đầu tiên. Dòng chảy này đo lường chiều thứ hai.

Dòng xây dựng gồm ba giai đoạn trên API Lấy Dữ Liệu Toàn Cầu:

1. Thu thập — chạy một lời nhắc ý định thương hiệu cố định qua các động cơ trả lời AI thông qua các tác nhân Scrapeless của họ; lưu trữ mỗi câu trả lời thô.
2. Phát hiện — tìm mọi đề cập đến thương hiệu trong văn bản câu trả lời và kéo lại cửa sổ ngữ cảnh xung quanh.
3. Đánh giá — đánh giá cảm nhận của ngữ cảnh mỗi lần đề cập và tổng hợp thành một số cho mỗi động cơ.

Đầu ra là một điểm số cảm nhận theo từng động cơ mà bạn có thể vẽ theo thời gian, cùng với các đề cập thô đã tạo ra nó. Đối với chỉ số bạn bè tỷ lệ trích dẫn — điều mà các động cơ lấy từ — hãy xem hướng dẫn lấy dữ liệu AI Overview.

Bạn có thể làm gì với nó

• Phát hiện một sự định hình tiêu cực trước khi nó lan rộng. Nếu một động cơ bắt đầu mô tả thương hiệu của bạn xung quanh những từ như "đắt" hoặc "khó học", bạn sẽ thấy điều đó trong điểm số trước khi nó xuất hiện trong các giao dịch bị mất.
• So sánh nhận thức giữa các động cơ. Trợ lý mà người mua của bạn sử dụng có thể không phải là cái mà thích bạn nhất; một điểm số so sánh cho bạn biết nơi nào cần tập trung.
• Liên kết cảm nhận với các thay đổi nội dung. Thu thập trước và sau khi công bố một trang so sánh hoặc làm lại tài liệu, và theo dõi xem liệu sự định hình có thay đổi hay không.
• Phân tách "được đề cập" từ "được đề cập tốt". Một số lần đề cập cao với một điểm số cảm nhận phẳng là một vấn đề khác với một số lần đề cập thấp — và yêu cầu một cách sửa chữa khác.
• Cung cấp cho một bảng điều khiển. Điểm số theo từng động cơ và các dòng đề cập được đưa thẳng vào một cơ sở dữ liệu hoặc một biểu đồ.

Tại sao chọn các tác nhân Scrapeless LLM

Mỗi trợ lý AI là một ứng dụng JavaScript phía sau xác thực và những biện pháp chống tự động hóa; việc thu thập câu trả lời của riêng bạn có nghĩa là rendering, đăng nhập và xoay vòng proxy theo từng nền tảng. Các tác nhân Scrapeless LLM chạy trên máy chủ phía bề mặt và trả lại câu trả lời dưới dạng một trường. Đối với một đường ống cảm nhận cụ thể, họ mang lại:

• Một { status, task_id, task_result } định dạng JSON chung trên mọi động cơ, vì vậy một vòng lặp thu thập và một bộ phân tích bao phủ toàn bộ tập hợp.
• result_text dưới dạng markdown — văn bản chính xác mà thương hiệu được mô tả, sẵn sàng để quét tìm các đề cập.
• Đường ra khu dân cư ở hơn 195 quốc gia, vì vậy một country đã được gắn sẽ thu thập câu trả lời mà một người dùng thực tế trong thị trường đó sẽ đọc.
• Không cần chạy trình duyệt hoặc giữ đăng nhập — chỉ cần một điểm cuối HTTP, một tiêu đề x-api-token.
  Giá cho dòng diễn viên dựa trên mức sử dụng với tín dụng dùng thử miễn phí khi đăng ký — các cấp hiện tại có trên trang định giá. Lấy khóa API của bạn trên kế hoạch miễn phí tại app.scrapeless.com.

Các yêu cầu tiên quyết

• Tài khoản Scrapeless và khóa API (kế hoạch miễn phí bao gồm tín dụng dùng thử) — app.scrapeless.com.
• Khóa trong môi trường của bạn:

export SCRAPELESS_API_KEY="your_api_token_here"

• Python 3 với requests. Bước cảm nhận chỉ sử dụng thư viện tiêu chuẩn, vì vậy không có khóa mô hình nào cần quản lý cho mức cơ bản.

Giai đoạn 1 — Ghi lại câu trả lời

Một vòng lặp bao phủ mọi engine, vì các diễn viên chia sẻ một điểm cuối và một bao bì. Các sự khác biệt theo từng engine nằm trong bản đồ đầu vào — Grok cần một mode lý luận, Perplexity muốn web_search, Copilot cần mode riêng của nó. Văn bản trả lời nằm trong result_text cho ChatGPT, Copilot, Perplexity, Gemini và Chế độ AI.

import json
import os
import time

import requests

ENDPOINT = "https://api.scrapeless.com/api/v2/scraper/execute"
HEADERS = {
    "Content-Type": "application/json",
    "x-api-token": os.environ["SCRAPELESS_API_KEY"],
}

BRAND = "Scrapeless"
PROMPT = "Scrapeless có phải là một công cụ tốt cho việc thu thập dữ liệu web không, và những điểm mạnh và yếu của nó là gì?"
COUNTRY = "US"

ENGINES = {
    "chatgpt": {"actor": "scraper.chatgpt", "extra": {}},
    "copilot": {"actor": "scraper.copilot", "extra": {"mode": "smart"}},
    "perplexity": {"actor": "scraper.perplexity", "extra": {"web_search": True}},
    "gemini": {"actor": "scraper.gemini", "extra": {}},
}

with open("answers.jsonl", "w", encoding="utf-8") as out:
    for platform, spec in ENGINES.items():
        payload = {"actor": spec["actor"], "input": {"prompt": PROMPT, "country": COUNTRY, **spec["extra"]}}
        data = requests.post(ENDPOINT, headers=HEADERS, json=payload, timeout=300).json()
        result = data.get("task_result") or {}
        out.write(json.dumps({
            "platform": platform,
            "brand": BRAND,
            "prompt": PROMPT,
            "captured_at": int(time.time()),
            "status": data.get("status"),
            "task_id": data.get("task_id"),
            "result_text": result.get("result_text") or "",
        }) + "\n")
        print(f"{platform}: {data.get('status')} ({len(result.get('result_text') or '')} ký tự)")

Mỗi dòng của answers.jsonl là một câu trả lời của một engine, được khoá theo task_id để theo dõi.

Lấy khóa API của bạn trên kế hoạch miễn phí: app.scrapeless.com

Giai đoạn 2 và 3 — Phát hiện đề cập và đánh giá cảm xúc

Tìm thương hiệu trong mỗi câu trả lời, đọc một cửa sổ văn bản xung quanh mỗi đề cập, và đánh giá ngữ cảnh đó dựa trên một từ vựng tích cực/tiêu cực nhỏ. Mức cơ bản từ vựng là minh bạch và không cần khóa mô hình; thay thế bằng một công cụ đánh giá dựa trên mô hình sau nếu bạn muốn sự tinh tế.

# score.py — answers.jsonl -> cảm xúc từng engine
import json
import re

POSITIVE = {"tốt nhất", "tuyệt vời", "mạnh mẽ", "đáng tin cậy", "dễ", "nhanh", "vững chắc", "xuất sắc",
            "mạnh", "tốt", "hiệu quả", "mở rộng", "linh hoạt", "được khuyên", "hàng đầu",
            "tối ưu", "tiết kiệm", "có giá cả phải chăng"}
NEGATIVE = {"đắt", "chậm", "khó", "hạn chế", "yếu", "kém", "thiếu", "không đáng tin cậy",
            "phức tạp", "tốn kém", "khuyết điểm", "điểm yếu", "nhược điểm", "các vấn đề", "vấn đề", "hạn chế"}
WINDOW = 120  # ký tự ngữ cảnh ở mỗi bên của một đề cập

rows = []
for line in open("answers.jsonl", encoding="utf-8"):
    record = json.loads(line)
    brand = record["brand"].lower()
    text = (record.get("result_text") or "").lower()
    hits = [m.start() for m in re.finditer(re.escape(brand), text)]
    pos = neg = 0
    for i in hits:
        context = text[max(0, i - WINDOW): i + WINDOW]
        words = set(re.findall(r"[a-z]+", context))
        pos += len(words & POSITIVE)
        neg += len(words & NEGATIVE)
    total = pos + neg
    sentiment = (pos - neg) / total if total else 0.0
    label = "tích cực" if sentiment > 0.15 else "tiêu cực" if sentiment < -0.15 else "trung lập"
    rows.append({"platform": record["platform"], "mentions": len(hits),
                 "pos_signals": pos, "neg_signals": neg,
                 "sentiment": round(sentiment, 3), "label": label})
    print(f"{record['platform']:11} đề cập={len(hits):3} cảm xúc={sentiment:+.3f} ({label})")

json.dump(rows, open("sentiment.json", "w"), indent=2)

Một lần ghi lại trực tiếp của prompt Scrapeless đã sản sinh ra một sự chia tách mà một động cơ đơn lẻ sẽ ẩn đi:

Số lần nhắc đến và cảm xúc di chuyển độc lập: 38 lần nhắc đến của Copilot ở trạng thái trung tính, trong khi tập hợp nhỏ hơn của 19 lần nhắc đến của Gemini lại kéo theo chiều tiêu cực rõ rệt. Việc đếm trích dẫn sẽ bỏ lỡ cả hai thực tế này. Bởi vì mỗi động cơ tạo ra câu trả lời của mình một cách mới mẻ, các con số chính xác thay đổi qua từng lần chạy - sự chia tách tích cực/trung tính/tieu cực giữa các động cơ là tín hiệu bền vững, không phải một con số đơn lẻ nào.

Lập lịch và mở rộng chuỗi

Chạy capture.py rồi score.py theo lịch - hàng ngày hoặc hàng tuần - và bổ sung hàng của mỗi lần chạy vào một kho dữ liệu được khóa bằng captured_at và task_id. Một vài ghi chú từ các lần chạy trực tiếp:

• Câu trả lời thay đổi qua từng lần chạy, vì vậy một lần ghi lại là một mẫu, không phải một phán quyết. Xu hướng xuyên suốt chuỗi là tín hiệu.
• Ghim country để điểm số phản ánh một thị trường mà bạn quan tâm và giữ cho nó có thể so sánh qua các lần chạy.
• Xem từ vựng như một cơ sở. Nó minh bạch và nhanh chóng; để đọc chính xác hơn (mỉa mai, khen ngợi có điều kiện) hãy chấm các cửa sổ ngữ cảnh tương tự bằng một mô hình và giữ từ vựng như một cách kiểm tra chéo.
• Giữ lại các lần nhắc đến thô. Khi một điểm số di chuyển, các cửa sổ ngữ cảnh đã lưu cho bạn biết câu nào đã khiến nó di chuyển.

Kết luận: đo lường cách AI mô tả bạn

Theo dõi trích dẫn cho bạn biết trợ lý đã sử dụng trang của bạn; theo dõi cảm xúc cho bạn biết liệu người mua đọc câu trả lời có cảm nhận tốt về bạn hay không. Các diễn viên Scrapeless LLM làm cho điều thứ hai có thể đo được: một vòng lặp ghi lại, văn bản câu trả lời như một lĩnh vực, và một hệ thống chấm điểm minh bạch biến "các động cơ AI nói về chúng ta như thế nào?" thành một con số bạn có thể lập biểu đồ.

Sẵn sàng xây dựng đường ống dữ liệu câu trả lời AI của bạn?

Tham gia cộng đồng của chúng tôi để nhận một kế hoạch miễn phí và kết nối với các nhà phát triển đang xây dựng đường ống câu trả lời AI: Discord · Telegram.

Đăng ký tại app.scrapeless.com để nhận tín dụng dùng thử miễn phí và chỉ định đường ống tới các thương hiệu, prompt và thị trường bạn cần theo dõi.

Câu hỏi thường gặp

Hỏi: Cảm xúc thương hiệu khác gì so với phần trăm trích dẫn?

Trả lời: Phần trăm trích dẫn đếm xem miền của bạn được sử dụng như một nguồn; cảm xúc đọc cách thương hiệu của bạn được mô tả trong văn bản câu trả lời. Một thương hiệu có thể được trích dẫn nhiều nhưng được mô tả tẻ nhạt, hoặc được mô tả ấm áp trong khi ít bị trích dẫn - hai chỉ số này trả lời các câu hỏi khác nhau.

Hỏi: Tôi có cần khóa API mô hình cho bước cảm xúc không?

Trả lời: Không. Bộ chấm điểm cơ sở sử dụng một từ vựng tích cực/tiêu cực minh bạch trong một cửa sổ ngữ cảnh, vì vậy nó chỉ chạy trên thư viện tiêu chuẩn. Một bộ chấm điểm dựa trên mô hình là một nâng cấp tùy chọn, không phải yêu cầu.

Hỏi: Tại sao cùng một thương hiệu lại có điểm số khác nhau trên mỗi động cơ?

Trả lời: Mỗi động cơ tổng hợp câu trả lời của riêng nó từ các nguồn và cách diễn đạt riêng, vì vậy các từ xung quanh thương hiệu của bạn khác nhau. Sự khác biệt đó chính là những gì đường ống nổi bật - trợ lý mà người mua của bạn sử dụng có thể định hình bạn khác biệt so với những gì bạn đã giả định.

Hỏi: Việc lấy nội dung câu trả lời AI có hợp pháp không?

Trả lời: Các diễn viên đọc nội dung câu trả lời có sẵn công khai. Như bất kỳ việc lấy nội dung nào, hãy hạn chế sử dụng dữ liệu công khai, tôn trọng điều khoản của từng nền tảng, tránh dữ liệu cá nhân và tham khảo ý kiến luật sư nếu một trường hợp sử dụng không rõ ràng.

Hỏi: Tôi có thể theo dõi nhiều hơn một thương hiệu không?

Trả lời: Có. Chạy cùng một ghi lại với một prompt trung lập về đối thủ và chấm điểm nhiều chuỗi thương hiệu chống lại cùng một câu trả lời để so sánh định hình bên cạnh nhau trong hồ sơ của bạn.