Cara Memisahkan Brand Mention, Source Citation, dan Recommendation Rate

Ada satu jebakan yang bikin laporan AI visibility kelihatan lebih bagus daripada kenyataannya: semua kemunculan brand dianggap sama.

Nama brand disebut sekali, langsung masuk kolom “visible”.

Domain perusahaan dikutip, dianggap “recommended”.

AI memasukkan brand dalam daftar alternatif, lalu dashboard menulis “recommendation rate naik”.

Secara presentasi memang convenient. Secara measurement, itu berantakan.

Brand mention, source citation, dan recommendation rate adalah tiga kejadian yang berbeda. Kadang muncul bersamaan, kadang tidak. Kalau ketiganya digabung menjadi satu angka, tim kehilangan informasi yang justru paling penting: apakah AI cuma mengenal brand, menggunakan sumber brand, atau benar-benar menempatkan brand sebagai pilihan untuk user.

Itu tiga level yang berbeda.

Brand Mention Menjawab Pertanyaan Paling Dasar

Brand mention mengukur apakah nama brand muncul dalam jawaban.

Sederhana.

Query:
“Platform payroll apa yang populer untuk perusahaan Indonesia?”

Jawaban:
“Beberapa opsi yang sering dipertimbangkan adalah Brand A, Brand B, dan Brand C.”

Kalau target kita Brand B, ini satu brand mention.

Tidak peduli apakah ada link.

Tidak peduli apakah Brand B ada di urutan pertama.

Tidak peduli apakah AI menjelaskan kelebihan Brand B.

Kalau nama brand muncul secara valid dan merujuk entity yang benar, mention terjadi.

Brand mention berguna untuk mengukur awareness atau discoverability dalam query set.

Tetapi jangan memberikan makna lebih dari itu.

AI bisa menyebut sebuah brand karena brand tersebut terkenal, karena sering dibahas pihak ketiga, karena muncul di source tertentu, atau hanya karena dianggap relevan terhadap kategori.

Mention belum membuktikan endorsement.

Source Citation Mengukur Lapisan yang Berbeda

Citation terjadi ketika AI menampilkan sumber yang dapat dikaitkan dengan domain atau URL tertentu sebagai supporting source.

Misalnya AI menjawab pertanyaan tentang praktik keamanan software lalu menggunakan artikel dari website Brand B sebagai source.

Brand B mungkin bahkan tidak direkomendasikan sebagai vendor.

Domainnya tetap mendapatkan citation.

Ini penting karena source visibility menunjukkan bahwa konten brand masuk ke jalur evidence atau supporting information pada output tersebut.

Tetapi citation juga tidak sama dengan recommendation.

Contoh:

“Menurut dokumentasi Brand B, fitur X bekerja dengan mekanisme Y.”

Di sini Brand B bisa menjadi source authoritative untuk fakta teknis.

AI belum mengatakan Brand B adalah pilihan terbaik.

Bahkan bisa saja jawaban akhirnya merekomendasikan Brand C karena kebutuhan user berbeda.

Jadi citation rate mengukur source usage, bukan commercial endorsement.

Recommendation Rate Paling Dekat ke Buyer Decision

Recommendation rate lebih demanding.

Kita perlu menentukan apakah AI benar-benar memosisikan brand sebagai opsi yang relevan untuk kebutuhan user.

Contoh:

“Untuk perusahaan 300–500 karyawan yang membutuhkan integrasi API dan support Indonesia, Brand B layak dipertimbangkan karena…”

Ini lebih dekat ke recommendation.

Tetapi tetap ada tingkatannya.

Primary recommendation.

Secondary recommendation.

Conditional recommendation.

Alternative.

Mention only.

Not mentioned.

Kalau semua kategori itu dihitung satu recommendation, metrik kehilangan meaning.

Untuk audit yang serius, definisi recommendation harus ditulis sebelum testing.

Misalnya organisasi membuat rule:

Primary recommendation:
Brand ditempatkan sebagai pilihan utama atau salah satu pilihan utama dengan alasan yang relevan.

Secondary recommendation:
Brand direkomendasikan tetapi bukan pilihan utama.

Conditional:
Brand cocok hanya pada kondisi tertentu.

Mention only:
Nama muncul tetapi tidak ada endorsement atau suitability judgment.

Negative mention:
Nama muncul dalam konteks kelemahan, risiko, atau ketidakcocokan.

Dengan classification seperti ini, recommendation rate lebih defensible.

Satu Output Bisa Menghasilkan Tiga Kombinasi

Kasus pertama: mention iya, citation iya, recommendation iya.

Ini scenario yang paling straightforward.

AI menyebut brand, menggunakan official website sebagai source, lalu merekomendasikannya.

Kasus kedua: mention iya, citation tidak, recommendation iya.

AI merekomendasikan brand tetapi supporting source berasal dari media, marketplace, direktori, atau tidak menampilkan citation.

Kasus ketiga: mention tidak, citation iya.

Ini lebih menarik.

AI menggunakan artikel brand sebagai sumber untuk menjawab topik, tetapi tidak menyebut brand sebagai pilihan.

Brand punya source visibility, tetapi commercial identity belum ikut masuk.

Kasus keempat: mention iya, citation iya, recommendation tidak.

Brand disebut dan website dikutip, tetapi hanya sebagai referensi atau contoh.

Kasus kelima: mention iya, citation tidak, recommendation tidak.

Ini awareness saja.

Kasus keenam: semua tidak.

Brand tidak terobservasi pada output itu.

Kalau dashboard hanya punya kolom “AI visibility = yes/no”, enam scenario ini lenyap.

Denominator Harus Sama Jelasnya dengan Numerator

Misalnya dari 100 output:

Brand disebut 40 kali.

Owned domain dikutip 20 kali.

Brand direkomendasikan 15 kali.

Kita bisa menulis:

Mention rate: 40 persen.

Owned citation rate: 20 persen.

Recommendation rate: 15 persen.

Tetapi denominator harus jelas.

Apakah semua 100 output eligible untuk citation?

Bagaimana kalau hanya 60 output yang menampilkan sources?

Kalau tujuan metric adalah “berapa persen seluruh observasi memakai owned source”, denominator 100 masuk akal.

Kalau tujuan metric adalah “ketika model menampilkan citation, seberapa sering owned domain dipilih”, denominator 60 mungkin lebih relevan.

Dua-duanya boleh. Jangan ganti denominator diam-diam.

Recommendation juga punya masalah denominator.

Jika 30 dari 100 query bersifat definitional dan tidak meminta rekomendasi, apakah fair memasukkannya ke recommendation rate?

Biasanya lebih sehat menghitung recommendation rate pada recommendation-eligible query cluster.

Misalnya hanya 40 query yang punya commercial selection intent.

Brand direkomendasikan pada 15.

Recommendation rate di eligible set: 37,5 persen.

Sementara untuk overall output, 15 persen.

Report bisa menyimpan keduanya asal labelnya jelas.

Pisahkan Owned Citation dan Third-Party Citation

Citation juga perlu dipecah.

Owned source:
Website resmi brand.

Earned source:
Media, reviewer, asosiasi, atau sumber pihak ketiga yang membahas brand.

Neutral institutional source:
Regulator, institusi akademik, standard body, atau sumber netral.

Marketplace atau directory:
Sumber listing, marketplace, aggregator.

Competitor source:
Website kompetitor yang menjadi rujukan dalam jawaban tentang kategori atau bahkan tentang brand kita.

Ini penting untuk strategi.

Kalau recommendation tinggi tetapi owned citation rendah, AI mungkin mengandalkan reputation layer di luar website.

Itu tidak otomatis buruk.

Tetapi jika informasi pihak ketiga outdated, brand punya risiko narrative drift.

Sebaliknya, owned citation tinggi tetapi recommendation rendah bisa berarti konten kita informatif namun positioning sebagai solusi belum kuat.

Brand Mention Juga Harus Dicek Entity-nya

Nama yang sama belum tentu entity yang sama.

Indonesia penuh dengan nama perusahaan, produk, komunitas, dan bisnis lokal yang mirip.

Kalau AI menyebut “ABC” tetapi sebenarnya merujuk organisasi lain, jangan hitung sebagai mention positif.

Audit perlu entity validation.

Minimal cek:

Nama resmi atau brand name.

Industry.

Location jika relevan.

Website.

Produk atau layanan utama.

Relationship dengan parent company bila ada.

Ini terutama penting untuk brand dengan nama generik.

Mention rate tanpa entity resolution bisa inflated.

Recommendation Tidak Selalu Positif

“Brand A bisa dipertimbangkan, tetapi mungkin kurang cocok untuk enterprise karena…”

Apakah ini recommendation?

Tergantung rule.

Kalau user memang mencari solusi SMB, mungkin positive.

Kalau query meminta enterprise provider, recommendation itu sebenarnya conditional atau negative fit.

Karena itu recommendation harus dibaca terhadap intent.

AI bisa menyebut brand dengan tone positif tetapi dalam konteks kebutuhan yang salah.

Itulah alasan semantic review masih penting.

Automation Bisa Membantu, Human Review Tetap Perlu

Untuk ribuan output, automation dapat melakukan first-pass classification.

Entity extraction.

Domain extraction.

Mention detection.

Citation mapping.

Recommendation language detection.

Sentiment atau fit classification.

Tetapi jangan menganggap hasil otomatis final.

Bahasa generative answer punya nuance.

Contoh:

“Brand A adalah nama yang sering muncul, meskipun untuk kebutuhan Anda Brand B mungkin lebih sesuai.”

Brand A disebut, tetapi bukan recommendation.

System sederhana berbasis keyword “sering muncul” bisa salah mengklasifikasikan.

Human reviewer perlu melakukan audit sample, terutama pada query high-value.

Kalau classification disagreement tinggi, rule perlu diperbaiki.

Buat Observation Table yang Tidak Ambigu

Satu row per run jauh lebih aman daripada menyimpan screenshot random.

Kolom minimal:

Query ID.

Run ID.

Date.

Model atau surface.

Brand mentioned: yes/no.

Entity correct: yes/no.

Recommendation class.

Owned citation: yes/no.

Third-party citation: yes/no.

Citation domains.

Critical factual error: yes/no.

Reviewer note.

Dengan structure seperti ini, aggregate bisa dihitung kapan saja.

Kalau definisi berubah, raw observation masih tersedia untuk reclassification.

Jangan hanya menyimpan final score.

CEO Membutuhkan Cerita di Balik Angka

Misalnya report bulan ini:

Mention rate naik dari 32 ke 44 persen.

Recommendation rate tetap 18 persen.

Owned citation turun dari 22 ke 14 persen.

Apa artinya?

Salah satu interpretasi yang layak diuji: brand semakin sering dikenal atau disebut, tetapi website resmi semakin jarang dipakai sebagai supporting source.

Bisa ada banyak penyebab.

Pihak ketiga makin dominan.

Konten resmi kurang fresh.

Model atau retrieval berubah.

Query mix berubah.

Competitor sources meningkat.

Kita belum boleh langsung menyimpulkan sebab.

Tetapi dashboard sudah memberi pertanyaan bisnis yang meaningful.

Bandingkan dengan satu skor “AI Visibility naik dari 68 ke 72”.

Angka kedua lebih simpel, tetapi miskin diagnosis.

Gunakan Tiga Funnel, Bukan Satu Skor

Cara praktis melihatnya:

Funnel 1: Recognition
Apakah brand disebut?

Funnel 2: Evidence
Apakah sumber resmi atau sumber berkualitas digunakan?

Funnel 3: Selection
Apakah brand direkomendasikan pada intent yang relevan?

Kemudian ada funnel keempat di luar answer:

Action
Apakah user mengklik, mengunjungi, menghubungi, membeli, atau melakukan outcome lain?

Urutan ini membantu tim memahami di mana gap terjadi.

Brand bisa kuat di recognition tapi lemah di evidence.

Kuat di evidence tapi lemah di selection.

Kuat di selection tapi lemah di action.

Setiap gap memerlukan strategy berbeda.

Measurement yang Baik Tidak Memaksa Semua Kemunculan Bernilai Sama

AI visibility bukan sekadar “nama ada atau tidak”.

Nama disebut adalah satu sinyal.

Website dikutip adalah sinyal lain.

Brand direkomendasikan adalah sinyal yang berbeda lagi.

Ketiganya bisa saling memperkuat, tetapi tidak boleh disamakan.

Kalau kita memisahkan mention, citation, dan recommendation, report mungkin terlihat sedikit lebih kompleks.

Benefit-nya jauh lebih besar.

Tim tahu apakah masalahnya awareness.

Apakah masalahnya source authority.

Apakah masalahnya commercial positioning.

Apakah informasi brand benar.

Apakah AI menggunakan official source atau third party.

Dan apakah visibility yang muncul benar-benar berada pada query yang punya nilai bisnis.

Itulah measurement yang bisa dipakai untuk mengambil keputusan.

Bukan sekadar angka hijau yang enak masuk slide.