Biblioteka badań Rankfor

Badania dla lepszych decyzji marketingowych.

Sprawdź, gdzie Twoja marka pojawia się w odpowiedziach AI, co zmienia się między rynkami i którym wynikom możesz ufać. Zacznij od pytania biznesowego. Przejdź od niego do dowodów.

Te badania mierzą odpowiedzi AI, wzmianki i cytowania. Wybory konsumentów, udział w rynku i przychody wymagają osobnych dowodów.

1 artykuł w czasopiśmie13 preprintów w arXiv9 otwartych zbiorów danychArtykuł w czasopiśmie i jego wcześniejszy preprint liczymy jako jedno badanie.Sprawdzono 4 listopada 2026

Katalog badań

Jaką decyzję musisz podjąć?

Artykuł w czasopiśmie Journal of Marketing Analytics 31 października 2026 Wersja ostateczna, opublikowana online przed wydaniem numeru

Czy Twoja marka trafia na krótką listę w odpowiedziach AI?

Pięć branż, 50 marek i 250 pytań: każde pytanie zadano pięć razy trzem systemom AI w lutym i we wrześniu 2026 r. Kolejność marek według udziału w rekomendacjach była w obu terminach prawie taka sama (korelacja rang 0,994). Wszystkie trzy systemy wskazały tę samą markę na pierwszym miejscu w 57,2% pytań w lutym i w 60,8% we wrześniu.

Jak to wykorzystać: Mierz obecność pytanie po pytaniu. Na tej podstawie zdecyduj, gdzie przyjrzeć się brakom lub słabej obecności.

Przeczytaj artykuł Zobacz wcześniejszy preprint Dane i kod Streszczenie prostym językiem Zarządzana usługa Rankfor dla wyszukiwania AI

Tytuł pracy i wersje

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

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

Autorzy: Dmitrij Żatuchin

arXiv:2606.23057 Wersja w Journal of Marketing Analytics

Obecność marek

arXiv:2607.23893 lipiec 2026 Wersja poprawiona z 1 sierpnia 2026 (v2)

Czy AI wymienia Twoich ekspertów, Twoją firmę, czy kogoś innego?

W 2400 odpowiedziach opartych na źródłach, zebranych na czterech rynkach europejskich, częstość wymieniania nazw różniła się w zależności od zawodu i systemu. Stała lista specjalistów uchwyciła bardzo niewielką część tego, co faktycznie wymieniały odpowiedzi.

Jak to wykorzystać

Przeczytaj nazwy, które AI faktycznie podaje. Uwzględnij osoby i firmy spoza Twojej obecnej listy konkurentów.

Zobacz preprint Dane i kod

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2607.23893

Rzetelny pomiar

arXiv:2610.19608 październik 2026

Czy dzisiejsza widoczność utrzyma się w przyszłym miesiącu?

Test zarejestrowany z wyprzedzeniem sprawdził prognozy po 20,3 dnia. Objął jedną wersję Gemini, dwanaście marek i trzy języki. W tym teście niedawna historia wzmianek dla poszczególnych pytań nadal była przydatna.

Jak to wykorzystać

Prowadź historię dla każdego pytania i wersji modelu. Porównuj kolejny pomiar z tym punktem odniesienia.

Zobacz preprint Dane i kod Preregistracja badania

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2610.19608

arXiv:2609.04047 wrzesień 2026 Wersja poprawiona z 14 października 2026 (v2)

Ile razy zadawać pytanie?

Ten protokół, oparty na pięciu wcześniejszych badaniach, pokazuje, dlaczego jedna liczba powtórzeń nie pasuje do każdego pytania. Wielkość próby zależy od tego, jak bardzo różnią się odpowiedzi i jak dużą zmianę chcesz wykryć.

Jak to wykorzystać

Najpierw zrób mały test próbny. Na podstawie zmienności zaplanuj tyle powtórzeń, ile wymaga Twoja decyzja.

Zobacz preprint Uruchom powtarzany test

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

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

arXiv:2609.04047

arXiv:2609.05059 wrzesień 2026 Wersja poprawiona z 23 września 2026 (v2)

Czy Twoja próba obejmuje już większość nazw?

Audyt 4500 odpowiedzi na 50 pytań zakupowych pokazuje, że oszacowanie tego, jaką część nazw już znaleziono, zależy od reguł ich wyodrębniania, doboru pytań i skończonego zbioru użytego do porównania.

Jak to wykorzystać

Sprawdź, jak wyodrębniane są nazwy i czy kolejne powtórzenie wciąż dodaje nowe marki lub źródła.

Zobacz preprint

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2609.05059

arXiv:2610.00253 wrzesień 2026

Czy jeden benchmark AI może zastąpić inny?

W tym korpusie pojedyncze odpowiedzi nosiły wyraźny ślad systemu, który je wygenerował. Łączne wzorce dla marek nie przenosiły się wiarygodnie między różnymi tematami pytań.

Jak to wykorzystać

Trzymaj wyniki osobno dla każdego systemu i zestawu pytań. Zanim użyjesz benchmarku w nowej kategorii, przetestuj go ponownie.

Zobacz preprint

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2610.00253

arXiv:2607.13304 lipiec 2026 Wersja poprawiona z 1 listopada 2026 (v2)

Czy odpowiedzi się pogorszyły, czy zmienił się wynik oceny?

Badanie analizuje zmienność automatycznych ocen sentymentu w zależności od języka, modelu i promptu. Te oceny nie zostały zweryfikowane jako miara reputacji marki w językach objętych badaniem.

Jak to wykorzystać

Przeczytaj odpowiedzi stojące za spadkiem oceny i zweryfikuj metodę oceniania w każdym języku, zanim zmienisz marketing.

Zobacz preprint Answer Trail

Tytuł pracy i wersje

Query Language Sensitivity in Automated Sentiment Scores of LLM Responses

Autorzy: Dmitrij Żatuchin

arXiv:2607.13304

arXiv:2610.00052 wrzesień 2026

Czy zmienne odpowiedzi mogą wciąż powtarzać te same wybory?

W 1184 poprawnych wynikach, złożonych z sześciu liczb, sześć konfiguracji dało znacznie mniejszą różnorodność niż niezależne losowanie jednostajne. Eksperyment testował liczby. Rekomendacje marek nie były częścią testu.

Jak to wykorzystać

W audycie sprawdź dwie rzeczy: ile pojawia się różnych odpowiedzi i jak często wracają czołowe wybory.

Zobacz preprint

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2610.00052

Źródła i rynki

arXiv:2606.25787 czerwiec 2026

Jakie źródła pojawiają się obok odpowiedzi o Twojej marce?

Badanie zestawia 167 551 zapisów cytowań z odpowiedzi opartych na źródłach. Obejmują one 128 marek, 12 rynków macierzystych i 13 języków. W największym zbiorze danych, liczącym 131 514 cytowań, struktura typów źródeł prawie nie zmieniała się między językami, a Wikipedia była najczęściej cytowaną domeną w 11 z 12 języków.

Jak to wykorzystać

Otwórz cytowane strony. Szukaj istotnych luk w informacjach dostępnych o Twojej firmie i kategorii.

Zobacz preprint Dane i kod

Tytuł pracy i wersje

How Large Language Models Source Brand Reputation Across Languages and Markets

Autorzy: Dmitrij Żatuchin

arXiv:2606.25787

arXiv:2606.23165 czerwiec 2026

Co widzą Twoi klienci w językach innych niż angielski?

Porównanie 35 640 odpowiedzi opartych na źródłach, dotyczących 66 marek w 12 językach europejskich, wykazało, że rekomendacje marek różnią się między językami.

Jak to wykorzystać

Testuj języki, których używają Twoi klienci, i raportuj wyniki osobno.

Zobacz preprint Dane i kod

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2606.23165

arXiv:2608.30052 sierpień 2026

Czy kontekst rynkowy zmienia listę dostawców?

Niewielki audyt interfejsu wykazał różne zestawy dostawców, gdy zmieniał się język zapytania i lokalizacja wyjścia ruchu sieciowego.

Jak to wykorzystać

Zapisuj język i lokalizację jako warunki testu, zmieniaj jeden warunek naraz i porównuj wymienionych dostawców.

Zobacz preprint Dane i kod

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2608.30052

Pytania kupujących i treści

arXiv:2610.00369 wrzesień 2026

Czy to samo AI powinno pisać i oceniać Twoje teksty?

Ponowna analiza 21 828 publicznych porównań wykazała ogólną preferencję dla tekstów pisanych przez modele. Przy progu wykrywalności przyjętym w badaniu nie wykryto dodatkowej preferencji modelu dla jego własnych tekstów.

Jak to wykorzystać

Gdy AI porównuje dwa teksty, zamień ich kolejność i włącz ocenę człowieka, zanim wybierzesz zwycięzcę.

Zobacz preprint Wersja w SSRN

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin

arXiv:2610.00369

arXiv:2608.30023 sierpień 2026

Czy testujesz pytania, które zadaliby kupujący?

PersonaGen-1M zawiera 1 031 732 syntetyczne persony kupujących i ponad pięć milionów wygenerowanych zapytań. Daje pomysły na pytania. Nie jest dowodem zaobserwowanego popytu klientów.

Jak to wykorzystać

Używaj go do szukania luk w liście pytań. Ostateczne pytania porównaj z rozmowami sprzedażowymi i danymi o klientach.

Zobacz preprint

Tytuł pracy i wersje

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

Autorzy: Dmitrij Żatuchin, Daniil Dzemesjuk

arXiv:2608.30023

Sprawdź dane i metody (9 zbiorów danych)

Dane i kod

Zbiory danych z badań

Data for "Twenty Days Later: A Pre-Registered Test of History-Based Forecasts of Brand Mentions in Gemini Answers"
Zamrożony plan, 648 etykiet i wszystkie miary ze 162 zapytań do Gemini wysłanych 13 października 2026 r., wraz z kontrolą 96 etykiet w ślepej próbie. Teksty odpowiedzi nie są dołączone.
10.5281/zenodo.23351313
Otwarte dane
Category Ownership Map: Corrected Analyses and September Replication Outputs (2026)
Poprawione analizy i wyniki wrześniowej replikacji.
10.5281/zenodo.22927143
Otwarte dane
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"
Zapisy przebiegów, skrypty do zbierania danych i kod analizy z 234 przebiegów w sześciu językach zapytań i z czterech lokalizacji sieciowych, sierpień 2026 r.
10.5281/zenodo.22181306
Otwarte dane
Does an AI describe your company, or your company's name? 9,600 model answers about invented and real companies
264 prawdziwe firmy z 21 rynków oraz wymyślone nazwy dopasowane do nich długością i brzmieniem.
10.5281/zenodo.21904654
Otwarte dane
Supplementary Materials: Volume and Distribution as Separable Dimensions of Gender Bias in Large Language Model Brand Recommendation
574 odpowiedzi trzech modeli AI na pytania o prezenty, które różnią się tylko płcią odbiorcy prezentu, wraz z narzędziem ekstrakcji, kodem i kontrolami wykonanymi przez ludzi.
10.5281/zenodo.21904788
Otwarte dane
Supplementary Materials: Measuring Corporate Reputation in the Age of AI: A Multi-Industry Probe Protocol for LLM-Mediated Reputation Assessment
Poprawione dane, prompty i kod z testu tego, jak modele AI opisują 24 firmy giełdowe i prywatne z 8 branż. Wersja 3.0 zastępuje wersje z 25 marca i 26 lipca 2026 r. Towarzyszący artykuł jest w recenzji.
10.5281/zenodo.19225834
Otwarte dane
Individual Professional Visibility in Grounded LLM Answers: 2,400 Buyer-Intent Responses Across Four European Markets
Dane, na których opiera się "Who Gets Named".
10.5281/zenodo.21612690
Otwarte dane
How LLMs Source Brand Reputation Across Languages and Markets: A Cross-Market Citation Dataset
Cytowania sklasyfikowane według domeny i typu źródła, z 12 rynków.
10.5281/zenodo.20829524
Otwarte dane
Cross-Language AI Brand Reputation: A 66-Brand, 12-Language Dataset of LLM-Constructed Reputation
Odpowiedzi oparte na źródłach, na pytania o te same marki zadawane w dwunastu językach.
10.5281/zenodo.20794390
Otwarte dane

Pytanie Twojego klienta

Na które pytania kupujących Twoja marka powinna odpowiedzieć jako następne?

Omów z nami swoją widoczność w AI

Jaką decyzję musisz podjąć?

Czy Twoja marka trafia na krótką listę w odpowiedziach AI?

Obecność marek

Czy AI wymienia Twoich ekspertów, Twoją firmę, czy kogoś innego?

Rzetelny pomiar

Czy dzisiejsza widoczność utrzyma się w przyszłym miesiącu?

Ile razy zadawać pytanie?

Czy Twoja próba obejmuje już większość nazw?

Czy jeden benchmark AI może zastąpić inny?

Czy odpowiedzi się pogorszyły, czy zmienił się wynik oceny?

Czy zmienne odpowiedzi mogą wciąż powtarzać te same wybory?

Źródła i rynki

Jakie źródła pojawiają się obok odpowiedzi o Twojej marce?

Co widzą Twoi klienci w językach innych niż angielski?

Czy kontekst rynkowy zmienia listę dostawców?

Pytania kupujących i treści

Czy to samo AI powinno pisać i oceniać Twoje teksty?

Czy testujesz pytania, które zadaliby kupujący?

Zbiory danych z badań

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

Na które pytania kupujących Twoja marka powinna odpowiedzieć jako następne?

Twój wybór dotyczący plików cookie