Query Fan-Out คืออะไร AI แตกคำถามและเลือกหน้าเว็บอย่างไร

Query Fan-Out คืออะไร

Query Fan-Out คือวิธีที่ AI Overviews และโหมด AI (AI Mode) ของ Google รับคำถาม 1 คำถาม แล้วแตกออกเป็นคำค้นย่อยหลายคำ ระบบค้นทุกคำพร้อมกัน อ่านหน้าเว็บที่ได้ แล้วเขียนคำตอบเดียวพร้อมลิงก์ไปยังหน้าที่ใช้ คู่มือภาษาไทยของ Google เรื่องฟีเจอร์ Generative AI เรียกวิธีนี้ว่าการแฟนเอาต์ (Fan-Out) คำค้นหา และอธิบายว่าเป็นชุดคำค้นที่โมเดลสร้างขึ้นพร้อมกันเพื่อดึงผลการค้นหาอื่นมาตอบคำถามของผู้ใช้

ภาพด้านล่างคือส่วนนี้ของคู่มือ อยู่ใต้หัวข้อที่ตอบว่าการทำ SEO (Search Engine Optimisation) ยังเกี่ยวข้องกับการค้นหาด้วย Generative AI และมีตัวอย่างคำถามเรื่องสนามหญ้าที่มีวัชพืชกับคำค้นย่อยที่ระบบอาจค้นต่อ

วิธีนี้มีผลกับคำค้นส่วนใหญ่ที่ธุรกิจติดตาม จาก 995 คีย์เวิร์ดในข้อมูลการติดตามอันดับของ Primal สำหรับลูกค้า 17 แบรนด์ Google แสดง AI Overview บน 859 คีย์เวิร์ด และหน้าอธิบายฟีเจอร์ AI ของ Google ระบุว่าทั้ง AI Overviews และโหมด AI อาจใช้วิธีนี้ในการเขียนคำตอบ

หน้าที่ถูกอ้างอิงจึงอาจเป็นหน้าที่ตอบคำค้นย่อยเพียงข้อเดียว และไม่จำเป็นต้องติดอันดับสำหรับคำถามที่ผู้ใช้พิมพ์ ข้อมูล Search Console ของเว็บไซต์ลูกค้าเรายังแสดงว่าหน้าบทความที่ได้การแสดงผลมากที่สุดของแต่ละเว็บมักถูกค้นเจอจากคำค้นหลายสิบแบบอยู่แล้ว งานของคนทำเนื้อหาจึงเป็นการวางหน้าเว็บ 1 หน้าต่อ 1 คำถามของลูกค้า แล้วตอบคำค้นย่อยแต่ละข้อในหัวข้อของตัวเอง

Query Fan-Out ต่างจากการค้นหาแบบเดิมอย่างไร

การค้นหาแบบเดิมค้น 1 ครั้งต่อคำที่ผู้ใช้พิมพ์ แล้วให้ผู้ใช้เปิดอ่านหน้าเว็บเอง Query Fan-Out ให้ระบบค้นหลายครั้งแทนผู้ใช้ อ่านหน้าเว็บที่ได้ แล้วสรุปเป็นคำตอบเดียว หน้าอธิบายฟีเจอร์ AI ของ Google ใช้คำไทยว่าการแยกคำค้นหา และระบุว่าวิธีนี้ทำให้ Google แสดงลิงก์ได้หลากหลายและกว้างกว่าการค้นหาบนเว็บแบบคลาสสิก

ประกาศของ Google เรื่องโหมด AI อธิบายว่าระบบแบ่งคำถามเป็นหัวข้อย่อย แล้วส่งคำค้นจำนวนมากพร้อมกันแทนผู้ใช้ Deep Search ในโหมด AI ใช้วิธีเดียวกันและค้นได้หลายร้อยครั้ง ตารางนี้เทียบ 2 แบบในเรื่องที่มีผลกับเว็บไซต์

เรื่อง	การค้นหาแบบเดิม	Query Fan-Out
จำนวนการค้นหาต่อ 1 คำถาม	1 ครั้งต่อคำที่พิมพ์	หลายครั้ง ระบบสร้างคำค้นย่อยเอง
คนที่อ่านหน้าเว็บ	ผู้ใช้เปิดอ่านทีละหน้า	ระบบอ่านแล้วสรุปให้
สิ่งที่ผู้ใช้เห็น	รายการลิงก์	คำตอบ 1 ชุดพร้อมลิงก์อ้างอิง
หน้าที่มีโอกาสปรากฏ	หน้าที่ติดอันดับสำหรับคำที่พิมพ์	หน้าที่ตอบคำค้นย่อยข้อใดข้อหนึ่ง
คำถามถัดไปของผู้ใช้	ผู้ใช้พิมพ์คำค้นใหม่เอง	ถามต่อในโหมด AI และ Search Console นับเป็นคำค้นใหม่

แผนภาพของ Primal ด้านล่างแสดงขั้นแรกของวิธีนี้ คำค้น 1 คำถูกแยกเป็นคำค้นย่อยที่ระบบค้นพร้อมกัน

AI Overviews กับโหมด AI แตกคำถามเหมือนกันหรือไม่

ทั้ง 2 ฟีเจอร์อาจใช้ Query Fan-Out แต่ไม่จำเป็นต้องได้คำตอบและลิงก์ชุดเดียวกัน หน้าอธิบายฟีเจอร์ AI ของ Google ระบุว่าโหมด AI และ AI Overviews อาจใช้โมเดลและเทคนิคต่างกัน ชุดคำตอบและลิงก์จึงอาจต่างกัน

AI Overviews แสดงเฉพาะเมื่อระบบเห็นว่าช่วยเสริมผลการค้นหาแบบเดิมได้ ส่วนโหมด AI รองรับคำถามยาวที่เคยต้องค้นหลายครั้ง เช่น การเปรียบเทียบตัวเลือก หน้าเดียวกันจึงอาจถูกอ้างอิงในโหมด AI แต่ไม่อยู่ใน AI Overview ของคำค้นเดียวกัน ควรตรวจทั้ง 2 ที่

ChatGPT ใช้ Query Fan-Out ด้วยหรือไม่

ใช้วิธีคล้ายกัน แต่ OpenAI ไม่ได้เรียกว่า Query Fan-Out หน้าความช่วยเหลือภาษาไทยของ OpenAI อธิบายว่า ChatGPT search เขียนคำถามของผู้ใช้ใหม่เป็นคำค้นแบบเจาะจงอย่างน้อย 1 รายการ แล้วส่งไปยังผู้ให้บริการค้นหาที่ทำงานร่วมกัน หลังอ่านผลรอบแรก ระบบอาจส่งคำค้นที่เจาะจงขึ้นอีกรอบ

แหล่งที่ค้นของ 2 ระบบต่างกัน ฟีเจอร์ AI ของ Google ดึงหน้าเว็บจากดัชนีของ Google Search ส่วน ChatGPT ส่งคำค้นที่เขียนใหม่ไปยังผู้ให้บริการค้นหาภายนอก หน้าที่ตอบคำค้นย่อยได้ดีจึงต้องเข้าถึงได้จากทั้ง 2 ทาง วิธีเปิดให้ ChatGPT เข้าถึงเว็บไซต์และผู้ให้บริการค้นหาที่ OpenAI ใช้อยู่ในบทความ ChatGPT SEO

หน้าเว็บแบบไหนถูกอ้างอิงเมื่อ AI แตกคำถาม

หน้าที่ตอบคำค้นย่อยข้อใดข้อหนึ่งได้ชัดมีโอกาสได้รับการอ้างอิง แม้หน้านั้นไม่ได้ติดอันดับสำหรับคำถามที่ผู้ใช้พิมพ์ ระบบยังเลือกหน้าจากดัชนีของ Google ผ่านระบบจัดอันดับหลัก หน้าเว็บจึงต้องได้รับการจัดทำดัชนีและแสดงพร้อมตัวอย่างข้อมูลในผลการค้นหาได้ก่อน Google ระบุว่าไม่มีข้อกำหนดทางเทคนิคเพิ่มเติมสำหรับฟีเจอร์ AI

หน้าที่ถูกอ้างอิงจำนวนมากเป็นของเว็บไซต์อื่น ในคำตอบของ AI 285,098 คำตอบเกี่ยวกับหมวดสินค้าและบริการของ 171 แบรนด์ ที่ Elevate, Primal’s AI Visibility Tracker เก็บในเดือนที่ผ่านมา เว็บไซต์ของแบรนด์เองถูกอ้างอิงในราว 1 ใน 5 คำตอบ (ค่ากลางของแบรนด์ทั้งหมด)

งานจึงมี 2 ส่วน ส่วนแรกคือหน้าเว็บของคุณต้องตอบคำค้นย่อยที่คุณตอบได้ดีที่สุด เช่น ราคาและขั้นตอน ส่วนที่สองคือชื่อแบรนด์ต้องอยู่บนเว็บไซต์ที่ตอบคำค้นย่อยที่เหลือ เช่น เว็บรีวิวและฟอรัม

วางแผนเนื้อหาตามคำค้นย่อยอย่างไร

เริ่มจากคำถามจริงของลูกค้า 1 คำถาม เขียนคำค้นย่อยที่คนต้องรู้ก่อนตัดสินใจ แล้ววางแต่ละข้อเป็นหัวข้อในหน้าเดียวกัน โดยตอบใน 1 ถึง 3 ประโยคแรกของหัวข้อ คำค้นย่อยที่ต้องมีหน้าของตัวเอง เช่น หน้าราคา ให้ลิงก์จากหน้าหลักไปยังหน้านั้น

วิธีที่ Primal ใช้กับลูกค้าคือถามคำถามของลูกค้าในโหมด AI และ ChatGPT ดูว่าคำตอบอ้างอิงหน้าไหนและครอบคลุมหัวข้อย่อยอะไร แล้วจัดหัวข้อย่อยเหล่านั้นเป็น Topic Cluster ตามหัวข้อใหญ่ หัวข้อใหญ่แต่ละเรื่องมีหน้าหลัก 1 หน้า มีส่วนคำถามที่พบบ่อย และมีบทความประกอบที่ลิงก์ถึงกัน ขั้นตอนที่ใช้มีดังนี้

1. เลือกคำถามหลักจากลูกค้าจริง ใช้คำถามที่ทีมขายได้ยินบ่อย หรือคำค้นยาวที่เป็นคำถามใน Search Console
2. เขียนคำค้นย่อยรอบคำถามนั้น เช่น ราคา การเปรียบเทียบ ขั้นตอน ข้อจำกัด และรีวิว
3. ตรวจกับคำตอบจริงของ AI ถามคำถามหลักในโหมด AI และ ChatGPT หลายครั้ง แล้วจดหัวข้อที่ซ้ำกันในคำตอบและหน้าที่ถูกอ้างอิง
4. จับคู่คำค้นย่อยกับส่วนของหน้า คำค้นย่อย 1 ข้อต่อ 1 หัวข้อ โดยวางคำตอบไว้ต้นหัวข้อ
5. แยกคำค้นย่อยที่เว็บไซต์อื่นตอบ เช่น รีวิวจากผู้ใช้ แล้ววางแผนให้ชื่อแบรนด์อยู่บนเว็บไซต์เหล่านั้น

Mark McDowell ผู้ก่อตั้ง Primal วางรายการคำถามสำหรับ AI Search โดยยึด Query Fan-Out เป็นหลัก เครื่องมือ AI ที่ได้รับคำถาม 1 ข้อจะแตกคำถามนั้นเป็นคำถามย่อย แล้วค้นหาแยกทีละข้อ รายการที่เราใช้วางแผนหน้าเว็บจึงต้องครอบคลุมคำถามย่อยทั้งกลุ่ม โดยคำถามหลักเป็นเพียง 1 บรรทัดในรายการนั้น

หน้าเดียวรับคำค้นได้หลายแบบอยู่แล้ว ในข้อมูล Search Console ของเว็บไซต์ลูกค้า Primal 63 เว็บใน 1 สัปดาห์ หน้าบทความราว 1 ใน 4 ถูกค้นเจอจากคำค้นที่ไม่มีชื่อแบรนด์ตั้งแต่ 10 แบบขึ้นไป บนเว็บไซต์ที่เป็นค่ากลาง หน้าบทความที่ได้การแสดงผลมากที่สุดถูกค้นเจอจากคำค้นราว 60 แบบ ส่วนราว 3 ใน 10 ของหน้าบทความถูกค้นเจอจากคำค้นเดียว แผนภูมิด้านล่างแสดงการกระจายของหน้าบทความทั้ง 5,399 หน้า

หน้าที่ตอบคำถามยังเป็นหน้าบทความเป็นหลัก ในข้อมูล Search Console สัปดาห์เดียวกันของ 69 เว็บไซต์ หน้าบทความได้การแสดงผลจากคำค้นที่เป็นคำถามราว 9 ใน 10 (ค่ากลาง) รายละเอียดอยู่ในบทความ Answer Engine Optimisation (AEO) หน้าแรกและหน้าสินค้าแทบไม่ได้การแสดงผลจากคำถาม คำตอบของคำค้นย่อยจึงควรอยู่ในหน้าบทความหรือหน้าคู่มือที่ลิงก์ไปยังหน้าบริการ

ตัวอย่างสมมติ คำถามเรื่องโรงเรียนนานาชาติ 1 คำถาม

ตัวอย่างนี้สมมติขึ้นเพื่ออธิบายวิธีวางแผน ไม่ได้มาจากคำตอบจริงของ AI หรือข้อมูลของลูกค้า สมมติผู้ปกครองถามโหมด AI ว่า “โรงเรียนนานาชาติในกรุงเทพฯ สำหรับลูกวัย 6 ขวบ ค่าเทอมเท่าไร และควรเลือกอย่างไร” ระบบอาจแตกเป็นคำค้นย่อยตามตารางนี้ และโรงเรียนวางคำตอบไว้บนเว็บไซต์ของตัวเองได้ดังนี้

คำค้นย่อยที่ระบบอาจค้น	หน้าที่ตอบ	ส่วนในหน้า
ค่าเทอมโรงเรียนนานาชาติชั้นประถมในกรุงเทพฯ	หน้าค่าเล่าเรียน	ตารางค่าเทอมรายชั้นและค่าใช้จ่ายอื่นนอกจากค่าเทอม
หลักสูตรอังกฤษ อเมริกัน และ IB (International Baccalaureate) ต่างกันอย่างไร	หน้าหลักสูตร	หัวข้อเปรียบเทียบหลักสูตร ตอบใน 2 ประโยคแรก
เด็กอายุ 6 ขวบเข้าเรียนชั้นไหน	หน้ารับสมัคร	ตารางอายุกับชั้นเรียน
สมัครเรียนต้องใช้เอกสารอะไรและมีสอบเข้าหรือไม่	หน้ารับสมัคร	ขั้นตอนสมัครแบบลำดับเลข
โรงเรียนนานาชาติย่านสุขุมวิทหรือบางนา	หน้าติดต่อ	ที่ตั้ง การเดินทาง และรถรับส่ง
รีวิวโรงเรียนจากผู้ปกครอง	เว็บไซต์อื่น เช่น ฟอรัมและกลุ่มผู้ปกครอง	ไม่มีในหน้าเว็บของโรงเรียน ต้องมีชื่อโรงเรียนบนเว็บไซต์เหล่านั้น

คำถามหลักมีหน้าหลัก 1 หน้าที่สรุปคำตอบสั้นๆ แล้วลิงก์ไปยังหน้าค่าเล่าเรียน หลักสูตร และรับสมัคร คำค้นย่อย 5 ข้อแรกตอบได้บนเว็บไซต์ของโรงเรียน ข้อสุดท้ายต้องอาศัยเว็บไซต์อื่น

ควรทำหน้าเว็บแยกสำหรับทุกคำค้นย่อยหรือไม่

ไม่จำเป็น หน้าเดียวรับคำค้นได้หลายแบบอยู่แล้วตามข้อมูลข้างบน หน้าแยกควรมีเมื่อคำค้นย่อยเป็นเรื่องที่ผู้อ่านต้องการหน้าของตัวเองจริง เช่น หน้าค่าเล่าเรียนในตัวอย่าง คู่มือของ Google เรื่องฟีเจอร์ Generative AI ยังเขียนถึงกรณีนี้โดยตรง หน้าที่สร้างแยกสำหรับคำค้นแบบแฟนเอาต์แต่ละรูปแบบโดยมีเป้าหมายหลักเพื่อแทรกแซงอันดับหรือคำตอบของ AI เข้าข่ายนโยบายสแปมเรื่องเนื้อหาปริมาณมาก

ดู Query Fan-Out ใน Search Console ได้อย่างไร

Search Console ไม่แสดงคำค้นย่อยที่ระบบค้นแทนผู้ใช้ แต่บอกได้ว่าหน้าไหนได้การแสดงผลจาก AI Overviews และโหมด AI และผู้ใช้พิมพ์คำค้นอะไรก่อนเห็นหน้านั้น ตัวเลขจากฟีเจอร์ AI ถูกบันทึกใต้คำค้นที่ผู้ใช้พิมพ์ในรายงานประสิทธิภาพ ประเภทการค้นหาเว็บ เช่นเดียวกับผลการค้นหาอื่น

รายงานประสิทธิภาพของ Generative AI แสดงการแสดงผลใน AI Overviews และโหมด AI โดยจัดกลุ่มตามหน้าเว็บ ประเทศ วันที่ และอุปกรณ์ รายงานนี้ไม่มีมิติคำค้นหา จึงบอกได้ว่าหน้าไหนถูกใช้ในคำตอบของ AI แต่ไม่บอกว่าถูกใช้ตอบคำค้นย่อยข้อไหน

หน้าความช่วยเหลือของ Search Console เรื่องการแสดงผล ตำแหน่ง และการคลิก อธิบายวิธีนับที่ควรรู้ 3 ข้อ

• คำถามต่อเนื่องในโหมด AI นับเป็นคำค้นใหม่ บทสนทนา 1 ครั้งจึงอาจเป็นหลายแถวในรายงานคำค้นหา
• AI Overview มีตำแหน่งเดียวในผลการค้นหา และลิงก์ทุกลิงก์ใน AI Overview ได้ตำแหน่งเดียวกัน
• การคลิกลิงก์ไปยังหน้าภายนอกจาก AI Overviews หรือโหมด AI นับเป็นการคลิก 1 ครั้ง

ขั้นตอนที่ใช้หาหน้าที่ถูกอ้างอิงเพราะคำค้นย่อยมีดังนี้

1. เปิดรายงานประสิทธิภาพของ Generative AI ดูว่าหน้าไหนได้การแสดงผลจาก AI Overviews และโหมด AI
2. นำหน้าเหล่านั้นไปดูในรายงานประสิทธิภาพ เลือกหน้าแล้วเปิดแท็บคำค้นหา คำค้นยาวที่เป็นคำถามและไม่มีคำหลักของหน้า คือคำถามที่หน้านี้ถูกค้นเจอทั้งที่ไม่ได้ตั้งใจเขียนให้
3. กรองคำค้นด้วย Regex (Regular Expression) ใส่คำอย่าง คือ|อย่างไร|ไหม|เท่าไร เพื่อแยกคำค้นที่เป็นคำถาม แล้วนำไปเพิ่มเป็นหัวข้อหรือคำถามที่พบบ่อยในรอบถัดไป

Primal วางแผนหน้าเว็บตามคำถามจริงของลูกค้าและคำค้นย่อยรอบคำถามนั้น แล้ววัดผลทั้งใน Search Console และในคำตอบของ AI ดูวิธีทำงานได้ที่หน้าบริการ AI SEO

คำถามที่พบบ่อยเกี่ยวกับ Query Fan-Out

ลูกค้ามักถามเราว่าคำค้นย่อยมาจากไหน และมียอดค้นหาเหมือนคีย์เวิร์ดหรือไม่

คำค้นย่อยมาจากโมเดลของ AI ซึ่งสร้างขึ้นตอนตอบคำถามแต่ละครั้ง Google และ OpenAI ไม่เผยแพร่รายการนี้ และคำค้นย่อยไม่มียอดค้นหารายเดือนให้ดูแบบคีย์เวิร์ด เราจึงเริ่มจากคำถามที่ลูกค้าถามจริง คำค้นยาวใน Search Console และหัวข้อที่ซ้ำกันในคำตอบของ AI ส่วนยอดค้นหาของคีย์เวิร์ดยังใช้เลือกคำถามหลัก

AI ค้นกี่คำค้นต่อ 1 คำถาม

ไม่มีตัวเลขตายตัว ประกาศของ Google เรื่องโหมด AI ใช้คำว่าคำค้นจำนวนมาก และระบุว่า Deep Search ค้นได้หลายร้อยครั้ง หน้าความช่วยเหลือของ OpenAI ระบุว่า ChatGPT เขียนคำถามใหม่เป็นคำค้นอย่างน้อย 1 รายการ จำนวนจึงขึ้นกับคำถามและฟีเจอร์ที่ผู้ใช้เลือก

ดูคำค้นย่อยที่ AI ใช้จริงได้หรือไม่

ดูได้ไม่ครบ Search Console ไม่แสดงคำค้นย่อย วิธีที่ใช้ได้คือถามคำถามเดิมในโหมด AI หรือ ChatGPT หลายครั้ง แล้วจดหัวข้อในคำตอบและหน้าที่ถูกอ้างอิง ผลแต่ละครั้งอาจต่างกัน จึงควรดูหัวข้อที่ซ้ำกันมากกว่าคำค้นแต่ละคำ

Query Fan-Out ต่างจาก Long-tail Keyword อย่างไร

Long-tail Keyword คือคำค้นยาวที่คนพิมพ์เอง และดูได้ใน Search Console คำค้นจาก Query Fan-Out คือคำที่ระบบสร้างขึ้นและค้นแทนผู้ใช้ ทั้ง 2 อย่างใช้วางแผนได้ Long-tail Keyword บอกว่าคนถามอะไร ส่วนคำค้นย่อยบอกว่าระบบต้องหาข้อมูลอะไรก่อนตอบ

ลูกค้ามักถามเราว่าส่วนคำถามที่พบบ่อยในหน้าเว็บช่วยเรื่องนี้หรือไม่

ช่วยได้เมื่อคำถามในส่วนนั้นเป็นคำถามจริงที่ผู้อ่านถาม และแต่ละข้อตอบจบใน 2 ถึง 3 ประโยค ส่วนนี้เก็บคำค้นย่อยที่ไม่ใหญ่พอจะเป็นหัวข้อหลักไว้ในหน้าเดียว คู่มือของ Google ระบุว่า Structured Data ไม่จำเป็นสำหรับฟีเจอร์ Generative AI ใน Search จึงไม่ต้องเพิ่มมาร์กอัปพิเศษเพื่อเรื่องนี้