Skip to main content

​
KPIs & Metriken

Finseo misst, wie sichtbar deine Marke in AI-Antworten von ChatGPT, Perplexity, Gemini, Claude und anderen Modellen ist. Diese Seite definiert jede Metrik präzise — was sie zählt, wie sie berechnet wird und was ein guter Wert ist. Alle Metriken sind im Dashboard, in der REST API und im MCP-Server verfügbar. Jede Metrik zeigt einen Veränderungsindikator, der den gewählten Zeitraum mit dem vorherigen Zeitraum gleicher Länge vergleicht.

​
Das durchgehende Beispiel

Die Formeln unten nutzen alle dieses Beispiel: Du trackst 20 Prompts über 2 Modelle, ein Tag erzeugt also 40 AI-Antworten. Deine Marke heißt Acme.
  • Acme erscheint in 18 der 40 Antworten.
  • Über alle 40 Antworten nennen die AI-Modelle insgesamt 120 Mal eine Marke (alle Marken zusammen).
  • Acme wird 24 Mal genannt (eine einzelne Antwort kann dich mehrfach erwähnen).

​
Präsenz-Metriken

​
Visibility

Der Anteil der AI-Antworten, in denen deine Marke überhaupt vorkommt.
Beispiel: Acme erscheint in 18 von 40 Antworten → Visibility = 45 %. Visibility ist die Kernmetrik: Sie beantwortet die Frage “Wenn jemand die AI zu meiner Kategorie fragt, wie oft bin ich Teil der Antwort?” Jede Antwort zählt genau einmal — egal, wie oft du darin erwähnt wirst.

​
Mentions

Die Gesamtzahl der Nennungen deiner Marke im gewählten Zeitraum. Anders als Visibility zählt Mentions jedes Vorkommen: Nennt eine Antwort Acme dreimal, ist das 1 für die Visibility, aber 3 Mentions. Beispiel: 24 Mentions in 18 Antworten. Nutze Mentions, um zu sehen, wie prominent du innerhalb der Antworten auftauchst — und Visibility, um zu sehen, wie oft du überhaupt auftauchst.

​
Model Visibility

Visibility aufgeschlüsselt pro AI-Modell (ChatGPT, Perplexity, Gemini, Claude, Grok, Mistral, DeepSeek, Copilot, Google AI Overview, Google AI Mode). Modelle greifen auf unterschiedliche Quellen und Trainingsdaten zurück — es ist normal, in einem Modell stark und in einem anderen unsichtbar zu sein. Eine Lücke zwischen Modellen zeigt meist, auf welche Quellen das jeweilige Modell setzt — prüfe die Top Sources pro Modell, um zu sehen, wo sich Investitionen lohnen.

​
Wettbewerbs-Metriken

​
Share of Voice (SoV)

Dein Anteil am gesamten Marken-Gespräch — deine Antworten als Prozentsatz aller Marken-Auftritte über alle Marken hinweg.
SoV unterscheidet sich von Visibility, weil der Nenner der gesamte Markt ist, nicht dein Prompt-Set. Angenommen, die 40 Antworten erzeugen 90 Marken-Auftritte über alle erkannten Marken, davon 18 von Acme → SoV = 20 %, obwohl die Visibility 45 % beträgt. Du kannst hohe Visibility und niedrigen SoV haben, wenn Wettbewerber in fast jeder Antwort neben dir genannt werden. Finseo zeigt SoV mit zwei Nennern, damit die Zahl nie mehrdeutig ist:

​
Average Position

Die durchschnittliche Reihenfolge, in der deine Marke unter den Marken einer Antwort genannt wird. Angezeigt als absoluter Wert, z. B. #2.6. Niedriger ist besser. Empfiehlt eine Antwort “1. Acme, 2. Beta, 3. Gamma”, hat Acme in dieser Antwort Position #1. Gemittelt über alle Antworten, in denen du vorkommst:
Beispiel: Acme wird in 9 Antworten als Erstes genannt, in 6 als Zweites, in 3 als Viertes → (9×1 + 6×2 + 3×4) ÷ 18 = #1.8. Die Position ist wichtig, weil AI-Antworten wie Rankings funktionieren: Die zuerst genannte Marke prägt in der Regel die Empfehlung. Bei Gleichstand (zwei Marken im selben Atemzug) teilen sich beide dieselbe Ordinalposition.

​
#1 Share

Der Prozentsatz deiner Antworten, in denen du die ERSTE genannte Marke bist.
Beispiel: In 9 von 18 Antworten zuerst genannt → #1 Share = 50 %. Das ist die “Pole-Position”-Metrik — sie isoliert, wie oft du die Antwort anführst, statt nur darin vorzukommen.

​
Top-3 Share

Der Prozentsatz deiner Antworten, in denen du zu den ersten drei genannten Marken gehörst.
Beispiel: In 15 von 18 Antworten ist Acme in den Top 3 → Top-3 Share = 83 %. Nützlich bei langen listenartigen Antworten, wo die Zugehörigkeit zum vorderen Cluster wichtiger ist als der strikte erste Platz.

​
Head-to-Head (H2H)

Gegen einen bestimmten Wettbewerber: der Prozentsatz der Antworten, die BEIDE Marken nennen und in denen deine zuerst genannt wird. Gleichstände werden ausgeschlossen.
Beispiel: Acme und Beta erscheinen zusammen in 10 Antworten; Acme wird in 7 zuerst genannt → H2H vs. Beta = 70 %. H2H entfernt das Rauschen von Antworten, in denen nur einer von euch vorkommt — der sauberste Vergleich für die Frage “Wen bevorzugt die AI?”.

​
Platzierungs-Metriken

​
Mention Depth

Wie tief im Antworttext deine Erwähnung im Durchschnitt erscheint. 0 % = ganz am Anfang der Antwort, 100 % = ganz am Ende. Niedriger ist besser.
Beispiel: Deine Erwähnung beginnt bei Zeichen 300 einer 1.200 Zeichen langen Antwort → Depth = 25 % für diese Antwort. Eine Marke kann Average Position #1 mit 40 % Depth halten, wenn Antworten mit einer langen Einleitung starten, bevor überhaupt Marken genannt werden — deshalb weist Finseo Reihenfolge und Tiefe als getrennte Metriken aus.

​
Quellen-Metriken

​
Citations

Die Anzahl der AI-Antworten, die eine deiner Domains als Quelle zitiert haben. Jede Antwort zählt einmal, auch wenn sie deine Domain mehrfach verlinkt. Citations messen etwas anderes als Mentions: Eine Mention bedeutet, die AI spricht über dich — eine Citation bedeutet, die AI belegt mit dir. Du kannst erwähnt werden, ohne zitiert zu werden (das Modell kennt dich aus den Trainingsdaten), und zitiert werden, ohne erwähnt zu werden (dein Content speist eine Antwort über jemand anderen).

​
Citation Share

Deine Citations als Prozentsatz der Citations aller Marken im Projekt.
Beispiel: AI-Antworten zitieren Acmes Domains 30 Mal, die Domains aller getrackten Marken 150 Mal → Citation Share = 20 %. Das ist das quellseitige Gegenstück zum Share of Voice: Es zeigt, wem die Beleg-Basis gehört, auf der AI-Antworten aufbauen.

​
Qualitäts-Metriken

​
Sentiment

Wie positiv AI-Modelle deine Marke beschreiben, bewertet von 0–100. Finseo analysiert die Sprache rund um jede Erwähnung — Wörter wie “zuverlässig”, “Marktführer” oder “exzellenter Support” zählen positiv; “teuer”, “kompliziert” oder “gemischte Bewertungen” zählen negativ. Die Werte lassen sich grob so lesen: Sentiment wird pro Aspekt (Preis, Qualität, Support, …) und pro Wettbewerber getrackt — du siehst also nicht nur, dass die Wahrnehmung gesunken ist, sondern welcher Aspekt sie gedrückt hat.

​
Die Metriken zusammen lesen

Die Metriken bilden einen Trichter — jede beantwortet eine andere Frage:
Ein häufiges Muster: Die Visibility ist stabil, aber der Share of Voice fällt. Das bedeutet, das Markt-Gespräch wächst schneller als deine Präsenz darin — Wettbewerber werden in Antworten aufgenommen, die du früher dominiert hast. Prüfe die Competitor-Gap-Analyse, um zu sehen, welche Prompts die Verschiebung treiben.

​
Metriken programmatisch abrufen