Je vermeldingen groeien 12% per maand. Dat is gezond. Maar vorige week kreeg één stuk content 200 vermeldingen op één dag, alleen al in ChatGPT. Dat is 10 keer je daggemiddelde. Is dat een teken dat er iets verandert, of gewoon ruis?
Je klikken uit Perplexity waren de afgelopen zes maanden gemiddeld 15 per maand. Deze maand sta je op dag 20 met maar 8 klikken. Is dit het begin van een dalende trend die je moet onderzoeken, of gewoon een rustige maand die zich herstelt? Je crawlerbezoeken van ChatGPT lagen drie maanden stabiel op 50 tot 80 per dag. Gisteren zag je 240 bezoeken van ChatGPT-User alleen al op je productvergelijkingspagina.
De meeste teams negeren hun uitschieters en kijken naar de algemene trendlijn. Dat is een fout. De uitschieters zijn vaak de signalen die het meest tellen. Een ongewone piek kan je meer leren dan maanden aan normale data. Een onverwachte daling kan problemen aan het licht brengen die je moet oplossen voordat ze groter worden. Je afwijkingen begrijpen is wat teams die GEO goed optimaliseren onderscheidt van teams die alleen naar het dashboard kijken.
Welke soorten afwijkingen moet je onderzoeken?
De plotselinge piek bij één stuk content
Drie maanden geleden publiceerde je een vergelijkingsgids. Die wordt misschien één keer per week geciteerd in ChatGPT. Dan krijgt hij op een dag ineens 15 vermeldingen. De dag erna nog 8. Dit is niet je normale patroon.
Als dit gebeurt, is er iets veranderd. Of het algoritme van ChatGPT is die pagina anders gaan beoordelen, of een plotselinge toename in zoekopdrachten naar die vergelijking leidde tot meerdere citaties. Toen je eerdere pieken onderzocht, vond je patronen. Eén piek viel samen met een concurrent die slechte publiciteit kreeg, waardoor mensen naar alternatieven gingen zoeken. Jouw vergelijkingsgids ving dat verkeer op. Een andere piek ontstond doordat een bekende YouTuber je product noemde, waardoor zoekopdrachten je gids in antwoorden van ChatGPT brachten.
Het gaat erom uit te zoeken waarom. Wat is er anders aan dit stuk content dan aan de rest? Is het uitgebreider? Beter opgebouwd? Recenter? Bevat het eigen data? Als je het patroon vindt, kun je het toepassen op andere content. Als ChatGPT vergelijkingsgidsen verkiest, weet je dat je er meer moet maken. Als recent bijgewerkte content vaker wordt geciteerd, weet je dat je je bestaande content regelmatig moet verversen.
De platformverschuiving waarbij de groei uiteenloopt
Je volgt drie hoofdplatforms: ChatGPT, Perplexity en Google AI Overviews. De afgelopen vier maanden groeiden alle drie met ongeveer 10 tot 12% per maand. In maand vijf vlakken vermeldingen in ChatGPT af op hetzelfde niveau, terwijl vermeldingen in Claude ineens 35% stijgen. Klikken uit Perplexity groeien gewoon door met 8%, maar Google AI Overviews groeit maar 2%.
Deze divergentie is een afwijking. Als het gedrag van één platform sterk afwijkt van de rest, betekent dat meestal dat er bij dat platform iets is veranderd. Misschien heeft Claude het citatieformaat aangepast en haalt het nu meer van jouw site. Misschien heeft ChatGPT veranderd welke bronnen voorrang krijgen. Misschien worden Google AI Overviews in nieuwe markten uitgerold en zie je daar de eerste groei, terwijl ChatGPT in jouw markt al verzadigd is.
De fout die de meeste teams maken is alle platforms op dezelfde manier behandelen. Ze zien dat de vermeldingen in totaal groeien en denken dat alles goed gaat. Maar deze divergentie laat zien dat de platforms in een verschillend tempo volwassen worden. ChatGPT zit misschien in een volwassen fase waarin je betere content nodig hebt om te groeien. Claude zit misschien in een groeifase waarin je makkelijk aandeel kunt pakken. Google AI Overviews zit misschien nog in een vroege fase waarin je tijd hebt om autoriteit op te bouwen voordat het competitief wordt. Als je deze verschillen begrijpt, kun je je optimalisatie richten op de platforms met de meeste ruimte om te groeien.
Het seizoenspatroon dat elk jaar terugkomt
Je GEO-data van het eerste jaar laat vermeldingen in november en december vrij vlak zien. In januari pieken ze met 25%. In februari zakken ze terug naar normaal. Dit patroon herhaalde zich drie jaar op rij bij andere bedrijven die je hebt bestudeerd. December is de maand waarin mensen druk zijn met de feestdagen en er minder wordt gezocht. In januari zorgen goede voornemens voor een golf aan onderzoek en beslissingen.
Dit is geen afwijking. Het is een patroon. Maar als je het herkent, verandert het hoe je beslissingen neemt. Je weet dat december rustig is, dus raak je niet in paniek als vermeldingen dalen. Je weet dat januari druk wordt, dus bereid je extra content voor en plan je campagnes in december, om klaar te zijn voor de januaripiek. Je weet dat je realistische verwachtingen moet scheppen bij de directie. Januari laat 25% groei zien door het seizoen. Dat is normaal. Februari normaliseert. Zonder inzicht in het seizoenspatroon lijkt januari alsof je iets hebt ontdekt en een winnende formule hebt gevonden. Dan stelt februari teleur en denkt iedereen dat je de magie kwijt bent.
De geleidelijke daling die moeilijk te zien is
Vermeldingen zakken in twee maanden langzaam weg. Geen plotselinge klap, maar een constante neerwaartse trend. Maand één: 320 vermeldingen. Maand twee: 295 vermeldingen, 7,8% minder. Maand drie: 278 vermeldingen, nog eens 5,8% minder. Het is niet alarmerend. Je trend over drie maanden is nog steeds positief vergeleken met zes maanden geleden. Maar de richting klopt niet.
Als je dit patroon ziet, wijst het meestal op een van drie dingen. Eén: je content veroudert en wordt minder relevant. Doordat nieuwe concurrenten recentere content publiceren, citeren AI-systemen hen in plaats van jou. Twee: AI-platforms hebben hun gedrag of citatievoorkeuren veranderd en je bestaande content voldoet niet aan de nieuwe criteria. Drie: je markt verschuift. Het zoekvolume voor je zoekwoorden daalt. Minder mensen stellen de vragen die je content beantwoordt.
Teams die dit vroeg opmerken, zoeken het uit en lossen het op. Teams die het missen, zien de vermeldingen zes maanden dalen voordat ze iets doen. Dan hebben ze al veel zichtbaarheid verloren en kost herstel meer tijd. De daling begint langzaam, omdat een deel van je oudere content nog wordt geciteerd. Maar geleidelijk wordt alles verouderd en versnelt de daling.
Hoe scheid je signaal van ruis?
De regel van drie gebeurtenissen om patronen te bevestigen
Als iets één keer gebeurt, is het ruis. Als het twee keer gebeurt, kan het toeval zijn. Als het drie keer op dezelfde manier gebeurt, is het een patroon waarop je kunt vertrouwen en handelen. Gebruik deze regel om echte veranderingen van willekeurige schommelingen te onderscheiden.
Je ziet één dag met 10 keer zoveel vermeldingen in ChatGPT als normaal. Interessant, maar nog niet bruikbaar. Je wacht en kijkt. Twee weken later zie je weer een piek van vergelijkbare omvang. Nu let je op. Een maand later zie je een derde piek met hetzelfde patroon. Nu heb je bewijs voor een echt patroon, niet voor één rare dag.
Pas dezelfde regel toe op andere afwijkingen. Eén maand zonder groei is ruis. Drie maanden helemaal zonder groei is een signaal dat er iets is veranderd. Een piek bij de vermeldingen van één zoekwoord is toevallige variatie. Drie zoekwoorden die samen pieken is een patroon dat je kunt onderzoeken en waar je van kunt leren. Deze regel voorkomt dat je overreageert op elke kleine schommeling in je data, terwijl je wel gevoelig blijft voor echte veranderingen.
De contextcheck die de meeste afwijkingen verklaart
Als je een afwijking ziet, is je eerste vraag: wat gebeurde er nog meer op hetzelfde moment? Heb je die dag iets nieuws gepubliceerd? Kwam een concurrent in het nieuws? Kondigde een AI-platform een wijziging aan? Heb je een persbericht verstuurd? Gebruikte een klant jou als casus?
De meeste afwijkingen hebben een verklaring als je ernaar zoekt. Je ziet dinsdag de vermeldingen met 50% pieken. Je kijkt in je contentkalender en ziet dat je die week je grootste onderzoek hebt gepubliceerd. Dat verklaart het. Je ziet woensdag de klikken met 60% dalen. Je kijkt in het nieuws en ziet dat ChatGPT heeft aangekondigd bepaalde soorten citaties niet meer op te nemen. Dat verklaart het. Je ziet één zoekwoord ineens in 30 vermeldingen terwijl het normaal in 2 voorkomt. Je zoekt het uit en ontdekt dat een bekende vakpublicatie over dat onderwerp schreef en naar jouw content linkte, waardoor meerdere AI-systemen je gingen citeren.
Zonder context zijn afwijkingen mysterieus en verwarrend. Met context zijn de meeste logisch. Je data vertelt een verhaal, maar je hebt de omringende informatie nodig om het goed te lezen.
De correlatietest die je hypothese toetst
Als er bij één metric iets ongewoons gebeurt, controleer dan meteen verwante metrics om te zien of ze hetzelfde verhaal vertellen. Als vermeldingen pieken maar klikken niet bewegen, is dat anders dan wanneer beide pieken. Als crawleractiviteit piekt maar vermeldingen gelijk blijven, vertelt dat iets anders dan wanneer beide pieken.
Een echt voorbeeld. Je citaties in Perplexity pieken in één week met 40%. Dat is een afwijking die je moet onderzoeken. Kijk nu naar je klikratio in Perplexity. Als klikken ook 35 tot 40% pieken, is de piek echt en komen er citaties van hoge kwaliteit binnen. Je content wordt geciteerd op plekken waar gebruikers klikken. Als klikken gelijk blijven terwijl citaties 40% pieken, is het een ander verhaal. Dan word je vaker geciteerd, maar op posities of in contexten waar gebruikers niet klikken. Misschien sta je lager in de lijst, of word je geciteerd als achtergrond en niet als eerste aanbeveling.
De correlatie laat zien of de afwijking goed nieuws is of iets dat je verder moet uitzoeken. Geen correlatie wijst erop dat de afwijking een meetfout kan zijn of citaties van lage kwaliteit. Sterke correlatie wijst op echte, waardevolle groei in zichtbaarheid.
Wat betekent het als één platform afwijkt terwijl de rest vlak blijft?
Het signaal van een algoritmewijziging bij een platform
Het gedrag van één platform verschuift plotseling terwijl alle andere stabiel blijven. Vermeldingen in ChatGPT pieken 50%, terwijl Perplexity, Claude en Google AI Overviews gewoon hun normale groei houden. Deze divergentie betekent bijna altijd dat ChatGPT iets heeft veranderd.
Als dit gebeurt, zoek dan uit wat er veranderd is. Heeft ChatGPT zijn rangschikkingsalgoritme bijgewerkt? Heeft het veranderd hoe citaties worden opgemaakt? Is het uitgebreid naar nieuwe markten? Heeft het zijn trainingsdata veranderd? Het team van ChatGPT kondigt soms wijzigingen openbaar aan. Maar vaak ontdek je de wijziging door te analyseren welke content ineens vaker wordt geciteerd. Als je productvergelijkingsgidsen ineens pieken terwijl andere content gelijk blijft, heeft ChatGPT waarschijnlijk iets veranderd aan hoe het vergelijkingen citeert. Als recent gepubliceerde content ineens vaker wordt geciteerd, heeft ChatGPT waarschijnlijk zijn trainingsdata bijgewerkt of geeft het meer gewicht aan actualiteit.
Als je deze veranderingen begrijpt, kun je je volgende stappen voorspellen. Als ChatGPT nu vergelijkingen voorrang geeft, verschuif je contentstrategie dan naar meer vergelijkende content. Als het actualiteit zwaarder weegt, werk je bestaande content vaker bij. Andere teams doen waarschijnlijk dezelfde waarnemingen, dus snel handelen geeft je een voorsprong.
Het signaal over contentvoorkeur: verschillende platforms houden van verschillende dingen
De vermeldingen van één platform pieken terwijl andere vlak blijven. Maar de afwijking zit specifiek bij één type content. Je how-to-gidsen pieken in vermeldingen in Claude terwijl andere content vlak blijft. Je nieuwsberichten uit de branche pieken in Google AI Overviews terwijl ze in ChatGPT nauwelijks worden geciteerd.
Dit laat zien dat platforms verschillende voorkeuren hebben. Claude lijkt praktische how-to-content te verkiezen. Google AI Overviews verkiezen gezaghebbend nieuws en brancheanalyse. ChatGPT lijkt vergelijkende content en eigen onderzoek te verkiezen. Als je deze patronen ziet, kun je je contentstrategie per platform optimaliseren.
Maak verschillende soorten content voor verschillende platforms. Je how-to-gidsen gaan in je optimalisatiestrategie voor Claude. Je nieuws- en analyseberichten leggen de nadruk op optimalisatie voor Google AI Overviews. Je vergelijkingsgidsen richten zich op ChatGPT. Na verloop van tijd presteert deze aanpak per platform beter dan een GEO-strategie die voor iedereen hetzelfde is.
Het groeisignaal dat laat zien waar nu de kansen liggen
Eén platform groeit 25% terwijl andere 8 tot 10% groeien. Dat laat zien waar op dit moment de meeste groeikansen liggen. Het snelgroeiende platform heeft meer aandeel dat je kunt pakken. De langzaam groeiende platforms zijn verzadigd of nog in een vroege fase.
Als ChatGPT 25% groeit en Perplexity 8%, is ChatGPT je groeimotor. Richt je optimalisatie daarop. Snelle groei betekent meestal dat ChatGPT uitbreidt naar nieuwe markten, nieuwe gebruikers krijgt of zijn gedrag verandert op een manier die verse content bevoordeelt. Wat het ook is, je kunt een deel van die groei pakken als je snel handelt.
Maar houd er rekening mee dat de groeileider van vandaag het plateau van morgen kan zijn. Drie maanden geleden was Claude je langzaamste platform. Nu groeit het het snelst. Platforms zijn dynamisch. Wat telt is dat je let op welke het snelst groeien en je inspanning daarop afstemt.
Hoe besluit je of je op een afwijking moet reageren?
De test op zakelijke impact die ruis eruit filtert
Heeft deze afwijking echt invloed op je bedrijfsresultaten? Een afwijking die indrukwekkend klinkt maar niet vertaalt in verkeer, conversies of omzet, is het niet waard om op te reageren. Als vermeldingen 50% pieken maar klikken gelijk blijven, doet de afwijking weinig voor je resultaat. Als klikken 50% pieken, doet het ertoe, want je omzet is waarschijnlijk gegroeid.
Dit filtert veel ruis eruit. Je ziet misschien een afwijking in een metric die je volgt, maar als die niets doet voor je bedrijfsresultaten, valt er niets mee te doen. Een piek in vermeldingen zonder klik klinkt goed, maar als merkzoekopdrachten niet volgen en conversies niet stijgen, kun je niet aantonen dat de piek waarde heeft opgeleverd. Een piek in klikken die converteert tegen je normale conversiepercentage levert duidelijk waarde op.
Gebruik deze test om te bepalen welke afwijkingen onderzoek verdienen. Onderzoek alleen afwijkingen die aannemelijk invloed hebben op omzet of groeidoelen. Sla de rest over.
De test op herhaalbaarheid die geluk van vakmanschap scheidt
Kun je deze afwijking bewust herhalen? Heb je een winnende formule gevonden of was het geluk? Pas je strategie alleen aan op basis van afwijkingen die je steeds kunt nabootsen. Als je één piek ziet die je niet kunt verklaren of herhalen, is het waarschijnlijk ruis. Als je hetzelfde patroon drie keer ziet en begrijpt waarom het gebeurt, kun je er een strategie omheen bouwen.
Een concreet voorbeeld. Je publiceerde een gids over kiezen tussen platform A, B en C. In de eerste maand werd die 8 keer geciteerd in ChatGPT. Normaal. In maand twee kreeg hij 35 citaties. Een piek. Je zocht het uit en ontdekte dat platform B een nieuwe functie uitbracht, waardoor er meer werd gezocht naar vergelijkingen. In de derde maand kreeg hij 28 citaties. Nog steeds verhoogd, maar het normaliseert naarmate de aandacht voor het nieuws wegtrekt.
Je kunt precies deze afwijking niet betrouwbaar herhalen, want je bepaalt niet wanneer platform B functies uitbrengt. Maar je hebt iets herhaalbaars geleerd: vergelijkende content wordt vaker geciteerd als er relevant nieuws is dat zoekopdrachten oproept. Dus maak je nu meer vergelijkende content en publiceer je die rond nieuwsmomenten die vergelijkingen uitlokken. Dat is een herhaalbaar patroon dat je uit een afwijking hebt gehaald.
Test je hypotheses. Als je denkt dat je een patroon hebt gevonden, probeer het dan na te maken. Als je het twee keer kunt nabootsen, heb je een echt patroon en geen geluk. Als je het niet kunt nabootsen, was het waarschijnlijk een externe gebeurtenis waar je geen invloed op hebt, en is optimaliseren eromheen verspilde tijd.
Wanneer pas je je strategie aan op basis van afwijkingen?
Wacht op bevestiging voordat je omgooit
Eén afwijking is niet genoeg om je hele strategie te veranderen. Kijk of het zich herhaalt. Als dezelfde afwijking drie keer met hetzelfde patroon voorkomt, heb je genoeg bewijs om je strategie aan te passen. Zo voorkom je dat je doorschiet op een eenmalige gebeurtenis.
Je ziet dat vermeldingen pieken als je langere content publiceert, van 3.000 woorden of meer. Eén piek is interessant. Twee pieken wijzen op een patroon. Drie pieken geven je bewijs. Nu kun je met vertrouwen je strategie aanpassen en langere content voorrang geven voor citaties, terwijl je ook wat kortere content houdt voor andere kanalen.
Dit geduld voorkomt dure fouten. Veel teams zien één afwijking, raken in paniek en veranderen alles. Zes maanden later beseffen ze dat de afwijking een eenmalige gebeurtenis was en dat ze moeite hebben verspild aan een vals signaal.
Pas stapsgewijs aan door één variabele tegelijk te veranderen
Als je je strategie aanpast op basis van bevestigde afwijkingen, verander dan één variabele tegelijk. Als vermeldingen pieken wanneer je langere artikelen schrijft, maak dan je volgende artikelen langer. Kijk of vermeldingen weer pieken. Zo ja, dan heb je het patroon bevestigd. Zo nee, dan was lengte niet de echte factor.
Verander niet alles tegelijk. Als je tegelijk de lengte van artikelen verandert, video toevoegt, je zoekwoordenfocus aanpast en je publicatieschema wijzigt, weet je niet welke verandering het resultaat veroorzaakte. Met stapsgewijze wijzigingen isoleer je wat echt werkt.
Leg vast wat je leert en bouw je GEO-draaiboek
Houd een gedetailleerd logboek bij van afwijkingen en wat ze veroorzaakte. Na verloop van tijd wordt dit logboek je GEO-draaiboek. Je weet welke veranderingen welke resultaten opleveren. Je weet welke contenttypes het best presteren op welk platform. Je weet welke timingpatronen ertoe doen. Je weet welke externe gebeurtenissen je zichtbaarheid beïnvloeden.
Deze opgebouwde kennis is waardevoller dan welke losse metric ook. Nieuwe teamleden kunnen je draaiboek lezen en begrijpen waarom je dingen op een bepaalde manier doet. Je kunt eerdere afwijkingen erbij pakken om sneller te beslissen over nieuwe afwijkingen. Dit lijkt op de afwijking die we zagen toen platform X zijn algoritme veranderde. Dit leerden we de vorige keer en zo reageerden we.
Veelgestelde vragen
Hoe weet ik of een afwijking echt is of een meetfout van mijn tools?
Controleer de bron zelf. Als je monitoringtool een piek laat zien, log dan handmatig in op dat platform en controleer of de piek er is. Zoek je doelzoekwoorden op in ChatGPT of Perplexity en tel de vermeldingen zelf. Als de piek er is wanneer je zelf kijkt, is hij echt. Als je de piek niet handmatig kunt nabootsen, was het waarschijnlijk een storing in de tool of een tijdelijk probleem met de rapportage van data. Controleer ook of je tool heeft veranderd hoe hij telt. Soms zorgen updates van tools voor schijnbare pieken die alleen een andere meetmethode zijn en geen echte verandering. Controleer grote afwijkingen altijd bij de bron voordat je erop handelt. Met de websitebouwer van WEMASY kun je dit direct op je website opzetten.
Moet ik afwijkingen melden aan stakeholders als ik ze niet helemaal begrijp?
Meld alleen afwijkingen die bedrijfsresultaten raken. Een piek in vermeldingen die geen klikken of conversies oplevert, is het niet waard om te melden. Een piek in klikken of conversies wel, samen met je hypothese over de oorzaak en wat je ervan wilt leren. De directie geeft om de impact op omzet, niet om bewegingen in metrics. Presenteer afwijkingen in termen van zakelijke impact, niet als kale getallen. "We zagen deze week een piek van 40% in zoekopdrachten met hoge koopintentie. We schatten dat dit deze maand 8 tot 12 extra conversies kan opleveren als we de juiste content optimaliseren" is veel nuttiger dan "vermeldingen waren 40% omhoog".
Wat als ik een afwijking zie die zich herhaalt maar ik niet kan achterhalen waarom?
Je hoeft de oorzaak niet helemaal te begrijpen om te handelen. Je ziet dat vermeldingen pieken elke keer dat je een onderzoeksrapport publiceert. Je weet niet precies waarom. Misschien weegt het algoritme van ChatGPT eigen onderzoek zwaarder, of zorgt de persaandacht voor je onderzoek voor meer zoekvolume. In beide gevallen is het patroon duidelijk: onderzoek publiceren levert vermeldingen op. Begin met meer onderzoek te publiceren. Je bouwt je business case op met de resultaten die je behaalt, ook als je de werking niet helemaal begrijpt.
Hoe voorkom ik dat ik doorschiet op recente afwijkingen en langetermijntrends negeer?
Weeg kortetermijnafwijkingen af tegen je trends over 6 en 12 maanden. Een afwijking is belangrijk, maar hoort niet te gaan boven wat je weet uit langere historische patronen. Je ziet een maand zonder groei, een afwijking. Maar je trend over 6 maanden is +12% per maand. De vlakke maand is een uitschieter ten opzichte van je trend. Raak niet in paniek en verander je strategie niet. Onderzoek het licht, maar vertrouw op je langetermijnpatroon. Omgekeerd: als je een vlakke maand ziet en je trend over 6 maanden daalt, past de vlakke maand bij het patroon van daling. Dat is ernstiger en verdient grondig onderzoek.
Kunnen marktveranderingen en platformupdates afwijkingen veroorzaken waar ik geen invloed op heb?
Zeker. ChatGPT werkt zijn algoritme maandelijks bij. Google AI Overviews breidt uit naar nieuwe regio's. Het zoekvolume verandert door het nieuws. Deze externe krachten veroorzaken afwijkingen die je niet kunt voorspellen of sturen. Het is niet jouw taak om externe krachten te sturen. Het is jouw taak ze te herkennen, hun impact te begrijpen en je strategie aan te passen. Als ChatGPT updatet, bestudeer dan wat er veranderd is en optimaliseer je content voor het nieuwe algoritme. Als het zoekvolume verschuift, verschuif dan je zoekwoordenfocus. Als platforms uitbreiden, pak dan aandeel in de nieuwe markten. Externe afwijkingen zijn kansen als je snel reageert.
Moet ik een apart dashboard maken om afwijkingen te volgen?
Ja, zeker naarmate je GEO-programma volwassener wordt. Je hoofddashboard laat trends en stabiele metrics zien. Je afwijkingsdashboard laat ongewone pieken, onverwachte dalingen en uiteenlopende metrics zien. Gebruik voor beide andere drempels. Je hoofddashboard meldt het als de groei 10% buiten je verwachte bandbreedte valt. Je afwijkingsdashboard meldt het als de groei 50% van de verwachting afwijkt. Zo voorkom je valse meldingen en zie je toch echte veranderingen. Sommige teams gebruiken aangepaste meldingen die ze automatisch waarschuwen als metrics buiten de normale bandbreedte komen. Dat is nog beter, want dan hoef je het dashboard niet handmatig te controleren.