Rankforin tutkimuskirjasto

Tutkimusta markkinoinnin parempiin päätöksiin.

Selvitä, missä brändisi pääsee AI-vastauksiin, mikä muuttuu markkinoiden välillä ja mihin tuloksiin voit luottaa. Aloita liiketoiminnan kysymyksestä. Seuraa sitä tutkimusnäyttöön asti.

Nämä tutkimukset mittaavat AI-vastauksia, mainintoja ja viittauksia. Kuluttajien valinnat, markkinaosuus ja liikevaihto vaativat erillistä näyttöä.

1 lehtiartikkeli13 arXiv-esijulkaisua9 avointa aineistoaLehtiartikkeli ja sen aiempi esijulkaisu muodostavat yhden tutkimuskokonaisuuden.Tarkistettu 4. marraskuuta 2026

Tutkimuskatalogi

Mitä sinun pitää päättää?

Lehtiartikkeli Journal of Marketing Analytics 31. lokakuuta 2026 Lopullinen julkaisuversio, ensin verkossa

Pääseekö brändisi AI:n lyhytlistalle?

Viisi toimialaa, 50 brändiä ja 250 kysymystä: jokainen kysymys esitettiin viisi kertaa kolmelle tekoälyjärjestelmälle helmikuussa ja syyskuussa 2026. Brändien järjestys suositusosuuden mukaan pysyi molempina ajankohtina lähes samana (järjestyskorrelaatio 0,994). Kaikki kolme järjestelmää nimesivät saman kärkibrändin 57,2 prosentissa kysymyksistä helmikuussa ja 60,8 prosentissa syyskuussa.

Käytä näin: Mittaa mukanaoloa kysymys kerrallaan. Päätä tuloksen perusteella, missä kannattaa selvittää puuttuvaa tai heikkoa näkyvyyttä.

Lue lehtiartikkeli Lue aiempi esijulkaisu Data ja koodi Yleistajuinen tiivistelmä Rankforin hallinnoitu tekoälyhakupalvelu

Artikkelin nimi ja versiot

The synthesised consideration set: brand inclusion and concentration in large language model recommendations across five industries and three systems

Aiempi esijulkaisu: Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models

Tekijät: Dmitrij Żatuchin

arXiv:2606.23057 Lehtiversio: Journal of Marketing Analytics

Brändin mukanaolo

arXiv:2607.23893 heinäkuu 2026 Päivitetty 1. elokuuta 2026 (v2)

Nimeääkö AI sinun asiantuntijasi, yrityksesi vai jonkun muun?

Neljällä eurooppalaisella markkinalla kerättiin 2 400 lähteisiin perustuvaa vastausta. Niissä nimeämisasteet vaihtelivat ammattialan ja järjestelmän mukaan. Kiinteä ammattilaisten lista tavoitti hyvin pienen osan nimistä, jotka vastaukset todella nimesivät.

Käytä näin

Lue nimet, jotka AI todella antaa. Ota mukaan ihmiset ja yritykset nykyisen kilpailijalistasi ulkopuolelta.

Lue esijulkaisu Data ja koodi

Artikkelin nimi ja versiot

Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It

Tekijät: Dmitrij Żatuchin

arXiv:2607.23893

Luotettava mittaus

arXiv:2610.19608 lokakuu 2026

Pysyykö tämän päivän näkyvyys vielä ensi kuussa?

Ennalta rekisteröity testi tarkisti ennusteet 20,3 päivää myöhemmin. Testissä käytettiin yhtä Gemini-versiota, kahtatoista brändiä ja kolmea kieltä. Tuoreesta kysymyskohtaisesta mainintahistoriasta oli siinä testissä edelleen hyötyä.

Käytä näin

Säilytä historia jokaisesta kysymyksestä ja malliversiosta. Vertaa seuraavaa mittausta tähän lähtötasoon.

Lue esijulkaisu Data ja koodi Ennakkorekisteröinti

Artikkelin nimi ja versiot

Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers

Tekijät: Dmitrij Żatuchin

arXiv:2610.19608

arXiv:2609.04047 syyskuu 2026 Päivitetty 14. lokakuuta 2026 (v2)

Kuinka monta kertaa kannattaa kysyä?

Tämä protokolla nojaa viiteen aiempaan tutkimukseen ja näyttää, miksi yksi toistomäärä ei sovi jokaiseen kysymykseen. Otoksen koko riippuu siitä, kuinka paljon vastaukset vaihtelevat ja kuinka suuri muutos sinun pitää pystyä havaitsemaan.

Käytä näin

Tee ensin pieni kokeilu. Suunnittele vaihtelun perusteella riittävä määrä toistoja päätöstäsi varten.

Lue esijulkaisu Tee toistettu tarkistus

Artikkelin nimi ja versiot

The Dice Roll Method: A Standardized Protocol for Repeated-Query Auditing of Large Language Model Brand Recommendations

Tekijät: Dmitrij Żatuchin

Korvaa: Research Square rs-8980233, Research Square rs-9496731

arXiv:2609.04047

arXiv:2609.05059 syyskuu 2026 Päivitetty 23. syyskuuta 2026 (v2)

Oletko löytänyt suurimman osan otoksesi nimistä?

Auditointi, jossa tutkittiin 4 500 vastausta 50 ostokysymykseen, havaitsee, että arviot löydettyjen nimien osuudesta riippuvat nimien poimintasäännöistä, kysymysten valinnasta ja vertailuun käytetystä rajallisesta joukosta.

Käytä näin

Tarkista, miten nimet poimitaan ja tuoko uusi toistokerta vielä uusia brändejä tai lähteitä.

Lue esijulkaisu

Artikkelin nimi ja versiot

Measuring Brand and Source Discovery under Repeated LLM Queries: A Finite-Sample Audit

Tekijät: Dmitrij Żatuchin

arXiv:2609.05059

arXiv:2610.00253 syyskuu 2026

Voiko yksi AI-vertailutesti korvata toisen?

Tässä aineistossa yksittäisissä vastauksissa näkyi vahva järjestelmäkohtainen sormenjälki. Yhdistetyt brändikuviot eivät siirtyneet luotettavasti kysymysaiheesta toiseen.

Käytä näin

Pidä tulokset erillään järjestelmän ja kysymysjoukon mukaan. Testaa uudelleen, ennen kuin käytät vertailutestiä uudessa kategoriassa.

Lue esijulkaisu

Artikkelin nimi ja versiot

System Attribution in LLM Brand Recommendations: Single Responses Identify the System, Aggregated Brand Profiles Do Not Transfer

Tekijät: Dmitrij Żatuchin

arXiv:2610.00253

arXiv:2607.13304 heinäkuu 2026 Päivitetty 1. marraskuuta 2026 (v2)

Huononivatko vastaukset vai muuttuiko pisteytys?

Tutkimus tarkastelee automaattisten sentimenttipisteiden vaihtelua kielten, mallien ja kehotteiden välillä. Pisteitä ei ole validoitu brändin maineen mittariksi tutkimuksen kielillä.

Käytä näin

Lue laskevan pistemäärän takana olevat vastaukset ja validoi pisteytysmenetelmä jokaisella kielellä, ennen kuin muutat markkinointiasi.

Lue esijulkaisu Answer Trail

Artikkelin nimi ja versiot

Query Language Sensitivity in Automated Sentiment Scores of LLM Responses

Tekijät: Dmitrij Żatuchin

arXiv:2607.13304

arXiv:2610.00052 syyskuu 2026

Voivatko muuttuvat vastaukset silti toistaa samoja valintoja?

Kuusi konfiguraatiota tuotti 1 184 kelvollisessa kuuden luvun tulosteessa paljon vähemmän monimuotoisuutta kuin riippumaton tasainen otanta. Koe testasi lukuja. Brändisuositukset eivät olleet osa koetta.

Käytä näin

Selvitä auditoinnissa kaksi asiaa: kuinka monta erilaista vastausta tulee esiin ja kuinka usein kärkivalinnat palaavat.

Lue esijulkaisu

Artikkelin nimi ja versiot

Ask a Language Model for Lottery Numbers: Concentration in Repeated Six-of-49 Outputs

Tekijät: Dmitrij Żatuchin

arXiv:2610.00052

Lähteet ja markkinat

arXiv:2606.25787 kesäkuu 2026

Mitkä lähteet näkyvät brändiäsi koskevien vastausten rinnalla?

Tutkimus kartoittaa 167 551 lähteisiin perustuvaa viittaustietuetta 128 brändistä, 12 kotimarkkinalta ja 13 kielellä. Sen suurimmassa aineistossa, 131 514 viittauksessa, lähdetyyppien jakauma muuttui kielten välillä tuskin lainkaan, ja Wikipedia oli viitatuin verkkotunnus 11 kielessä 12:sta.

Käytä näin

Avaa viitatut sivut. Etsi olennaisia aukkoja tiedossa, jota yrityksestäsi ja kategoriastasi on saatavilla.

Lue esijulkaisu Data ja koodi

Artikkelin nimi ja versiot

How Large Language Models Source Brand Reputation Across Languages and Markets

Tekijät: Dmitrij Żatuchin

arXiv:2606.25787

arXiv:2606.23165 kesäkuu 2026

Mitä asiakkaasi näkevät muilla kielillä kuin englanniksi?

Vertailussa oli 35 640 lähteisiin perustuvaa vastausta 66 brändistä 12 eurooppalaisella kielellä. Siinä brändisuositukset erosivat kielten välillä.

Käytä näin

Testaa kielet, joita asiakkaasi käyttävät, ja raportoi tulokset erikseen.

Lue esijulkaisu Data ja koodi

Artikkelin nimi ja versiot

The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages

Tekijät: Dmitrij Żatuchin

arXiv:2606.23165

arXiv:2608.30052 elokuu 2026

Muuttaako markkinakonteksti toimittajalistaa?

Pienessä käyttöliittymän auditoinnissa löytyi erilaisia toimittajajoukkoja, kun kyselyn kieli ja verkkoyhteyden sijainti muuttuivat.

Käytä näin

Kirjaa kieli ja sijainti testiolosuhteiksi, muuta yhtä kerrallaan ja vertaa nimettyjä toimittajia.

Lue esijulkaisu Data ja koodi

Artikkelin nimi ja versiot

The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface

Tekijät: Dmitrij Żatuchin

arXiv:2608.30052

Ostajan kysymykset ja sisältö

arXiv:2610.00369 syyskuu 2026

Pitäisikö saman AI:n kirjoittaa ja arvioida tekstisi?

Uudelleenanalyysi 21 828 julkisesta vertailukokeesta havaitsi laajan mieltymyksen mallien kirjoittamaan tekstiin. Tutkimuksen havaitsemiskynnyksellä ei näkynyt lisämieltymystä mallin omaan tekstiin.

Käytä näin

Kun AI vertaa kahta tekstiä, vaihda niiden järjestys ja ota mukaan ihmisen arvio, ennen kuin valitset voittajan.

Lue esijulkaisu SSRN-versio

Artikkelin nimi ja versiot

A Shared Taste for Model-Written Text: The Generator-by-Selector Matrices of "AI-AI Bias" Show No Detectable Own-Model Premium

Tekijät: Dmitrij Żatuchin

arXiv:2610.00369

arXiv:2608.30023 elokuu 2026

Testaatko kysymyksiä, joita ostajat esittäisivät?

PersonaGen-1M sisältää 1 031 732 synteettistä ostajapersoonaa ja yli viisi miljoonaa tuotettua kysymystä. Se antaa ideoita kysymyksiin. Havaitusta asiakaskysynnästä se ei ole näyttöä.

Käytä näin

Etsi sen avulla aukkoja kysymyslistasta. Vertaa lopullisia kysymyksiä myyntikeskusteluihin ja asiakkailta saatuun näyttöön.

Lue esijulkaisu

Artikkelin nimi ja versiot

Demand-Side Measurement for Generative Engine Optimization: Constructing and Validating a Million-Persona, Intent-Annotated Buyer Corpus

Tekijät: Dmitrij Żatuchin, Daniil Dzemesjuk

arXiv:2608.30023

Tutustu dataan ja menetelmiin (9 aineistoa)

Data ja koodi

Tutkimusaineistot

Data for "Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers"
Lukittu suunnitelma, 648 luokitusta ja kaikki mittarit 162 Gemini-pyynnöstä, jotka lähetettiin 13. lokakuuta 2026, sekä 96 luokituksen sokkoutettu tarkistus. Vastaustekstit eivät ole mukana.
10.5281/zenodo.23351313
Avoin aineisto
Category Ownership Map: Corrected Analyses and September Replication Outputs (2026)
Korjatut analyysit ja syyskuun toistotutkimuksen tulokset.
10.5281/zenodo.22927143
Avoin aineisto
Run records and collectors for "The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface"
Ajotallenteet, keruuskriptit ja analyysikoodi 234 ajosta, jotka tehtiin kuudella kyselykielellä ja neljästä verkkosijainnista elokuussa 2026.
10.5281/zenodo.22181306
Avoin aineisto
Does an AI describe your company, or your company's name? 9,600 model answers about invented and real companies
Aineistossa on 264 todellista yritystä 21 markkinalta sekä keksittyjä nimiä, jotka vastaavat niitä pituudeltaan ja äänneasultaan.
10.5281/zenodo.21904654
Avoin aineisto
Supplementary Materials: Volume and Distribution as Separable Dimensions of Gender Bias in Large Language Model Brand Recommendation
574 vastausta kolmelta tekoälymallilta lahjakysymyksiin, joissa muuttuu vain lahjan saajan sukupuoli, sekä brändien poimintatyökalu, koodi ja ihmisten tekemät tarkistukset.
10.5281/zenodo.21904788
Avoin aineisto
Supplementary Materials: Measuring Corporate Reputation in the Age of AI: A Multi-Industry Probe Protocol for LLM-Mediated Reputation Assessment
Korjatut aineistot, kehotteet ja koodi testistä, jossa selvitettiin, miten tekoälymallit kuvaavat 24 pörssilistattua ja listaamatonta yritystä 8 toimialalta. Versio 3.0 korvaa 25. maaliskuuta ja 26. heinäkuuta 2026 julkaistut versiot. Siihen liittyvä käsikirjoitus on vertaisarvioitavana.
10.5281/zenodo.19225834
Avoin aineisto
Individual Professional Visibility in Grounded LLM Answers: 2,400 Buyer-Intent Responses Across Four European Markets
Tutkimuksen "Who Gets Named" aineisto.
10.5281/zenodo.21612690
Avoin aineisto
How LLMs Source Brand Reputation Across Languages and Markets: A Cross-Market Citation Dataset
Viittaukset luokiteltuina verkkotunnuksen ja lähdetyypin mukaan 12 markkinalla.
10.5281/zenodo.20829524
Avoin aineisto
Cross-Language AI Brand Reputation: A 66-Brand, 12-Language Dataset of LLM-Constructed Reputation
Lähteisiin perustuvat vastaukset samoista brändeistä, kun niistä kysyttiin kahdellatoista kielellä.
10.5281/zenodo.20794390
Avoin aineisto

Asiakkaasi kysymys

Mihin ostajan kysymyksiin brändisi pitäisi vastata seuraavaksi?

Keskustellaan AI-näkyvyydestäsi

Mitä sinun pitää päättää?

Pääseekö brändisi AI:n lyhytlistalle?

Brändin mukanaolo

Nimeääkö AI sinun asiantuntijasi, yrityksesi vai jonkun muun?

Luotettava mittaus

Pysyykö tämän päivän näkyvyys vielä ensi kuussa?

Kuinka monta kertaa kannattaa kysyä?

Oletko löytänyt suurimman osan otoksesi nimistä?

Voiko yksi AI-vertailutesti korvata toisen?

Huononivatko vastaukset vai muuttuiko pisteytys?

Voivatko muuttuvat vastaukset silti toistaa samoja valintoja?

Lähteet ja markkinat

Mitkä lähteet näkyvät brändiäsi koskevien vastausten rinnalla?

Mitä asiakkaasi näkevät muilla kielillä kuin englanniksi?

Muuttaako markkinakonteksti toimittajalistaa?

Ostajan kysymykset ja sisältö

Pitäisikö saman AI:n kirjoittaa ja arvioida tekstisi?

Testaatko kysymyksiä, joita ostajat esittäisivät?

Tutkimusaineistot

Data for "Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers"

Category Ownership Map: Corrected Analyses and September Replication Outputs (2026)

Run records and collectors for "The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface"

Does an AI describe your company, or your company's name? 9,600 model answers about invented and real companies

Supplementary Materials: Volume and Distribution as Separable Dimensions of Gender Bias in Large Language Model Brand Recommendation

Supplementary Materials: Measuring Corporate Reputation in the Age of AI: A Multi-Industry Probe Protocol for LLM-Mediated Reputation Assessment

Individual Professional Visibility in Grounded LLM Answers: 2,400 Buyer-Intent Responses Across Four European Markets

How LLMs Source Brand Reputation Across Languages and Markets: A Cross-Market Citation Dataset

Cross-Language AI Brand Reputation: A 66-Brand, 12-Language Dataset of LLM-Constructed Reputation

Mihin ostajan kysymyksiin brändisi pitäisi vastata seuraavaksi?

Valintasi evästeistä