AEO Content Scorecard ノード

AEO Content Scorecard ノードは、特定の記事が Answer Engine Optimization (AEO) においてどの程度優れているかを評価します。指定した URL を分析し、コンテンツを取得・検査して、カテゴリ別のスコア、重み付けされた要素、具体的で実践的な推奨事項を含む構造化されたスコアカードを作成します。 このノードは、Profound の Content Optimization 機能を支えるものと同じスコアリングロジックを使用するため、Workflow の出力と Profound プラットフォームでの最適化体験の一貫性が保たれます。 AI システムが関連性、明確さ、構成、回答可能性を評価する方法に記事がどの程度合致しているかを診断したい場合や、その結果に基づいて最適化ワークフローをプログラムでトリガーしたい場合に、このノードを使用します。

​

このノードを使用する場面

AEO Content Scorecard は、次の目的で使用します。

• 既存のコンテンツが AEO に対応しているかを監査する
• コンテンツ更新の機会に優先順位を付ける
• 自動化された改善ワークフローをトリガーする
• 上位にランクインしている競合他社とコンテンツをベンチマークする
• ライターや LLM に構造化された最適化の推奨事項を提供する
• 組織全体でコンテンツのスコアリングを標準化する

このノードは、人が主導する編集プロセスと、完全に自動化されたコンテンツ最適化パイプラインの両方で非常に効果的です。

​

ノードの設定

AEO Content Scorecard ノードを選択すると、Workflow Builder の右側に設定パネルが開きます。

​

URL (必須)

評価したい記事の URL を入力します。 次のものを指定できます。

• 公開済みのコンテンツページ
• ステージング URL
• 一時的なホスティング URL
• 記事のテキストを含む、アクセス可能な任意の Web ページ

ノードはコンテンツを取得し、読みやすさ、構成、回答可能性、機械可読性などにわたる包括的な分析を適用します。

​

Target Prompt (必須)

コンテンツを最適化する対象となるユーザーのプロンプトや質問を入力します。 例:

• 「AI 検索でキーワード階層はどのように機能するのか?」
• 「製造業における予知保全とは?」

これにより、AI が生成する回答に見られるユーザーの意図に記事が直接一致しているかを評価できます。

​

Output Label

後続のステップでスコアカードの出力にアクセスするために、わかりやすいラベルを割り当てます。 例:

• aeo_scorecard
• content_score
• scorecard_output

​

ノードの内部の仕組み

AEO Content Scorecard は、マルチステップの評価パイプラインを実行します。

​

1. コンテンツの取得

ノードは、指定された URL から Web ページのコンテンツを取得し、分析の準備をします。

​

2. AEO に焦点を当てたコンテンツの解析

基盤となるモデルは、次のものを特定します。

• テキストの構造
• 見出しの階層
• 回答可能性のシグナル
• エンティティのカバレッジ
• URL のパターン
• スキーマの有無
• 内部リンク
• 機械可読性の手がかり

​

3. AEO カテゴリ全体のスコアリング

ノードは、カテゴリ全体にわたる重み付けされたスコアを算出します。一般的なカテゴリは次のとおりです。

• Readability (読みやすさ)
• Content Freshness (コンテンツの鮮度)
• Content Structure (コンテンツの構成)
• Answerability Signals (回答可能性のシグナル)
• Machine Readability (機械可読性)
• Information Density (情報密度)

各カテゴリはスコアリングされ、フラグ (例: 緑、黄、赤) が付けられます。

​

4. 主な推奨事項

ノードは、次の点に基づいて最も効果の大きい改善点を特定します。

• AEO の原則
• 競合他社のベンチマーク
• 構造上の不整合
• コンテンツを簡素化、明確化、強化する機会

推奨事項には次のものが含まれます。

• 変更前と変更後の例
• URL の改善
• スキーマの提案
• タイトルの強化
• 小見出しの更新
• トピックの関連性を高める機会

​

5. 最終スコアの集計

ノードは、次の内容を含む構造化されたスコアカードをまとめます。

• 最終スコア
• 目標スコア範囲 (上位の競合他社のパフォーマンスに基づく)
• 詳細なカテゴリ別の内訳
• 実践的な推奨事項

​

出力

出力されるのは、次の例のような構造化されたレポートです。

​

Workflow の例: AEO Content Refresh

既存の記事を自動的に改善して再公開することを目的とした、実際の最適化 Workflow 内でこのノードを使用する方法を紹介します。 ステップ:

1. AEO Content Scorecard
   • 記事の URL を入力します
   • 完全な AEO スコアカードと改善の推奨事項を取得します
2. Prompt LLM: 改善された記事を生成する
   • スコアカードを渡し、推奨される改善を適用するようモデルに指示します
   • 構成、見出し、明確さ、回答可能性を更新して記事を書き直します
   • 元のブランドの文体を維持します
   • プロンプトの例:
     Here is the AEO Content Scorecard for this article.
     Apply all recommendations, rewriting the content where necessary.
     Produce an improved article that would score at least 10 points higher
     while maintaining factual accuracy and brand voice.
     
     {{aeo_scorecard}}
     
3. Prompt LLM: スコアカードの基準に照らして検証する
   • 更新された記事が、推奨されるカテゴリのスコアを満たしているか上回っていることを確認します
4. 公開または更新のステップ
   • Call API または CMS の公開ロジックを使用して、サイト上の記事を更新します

このワークフローにより、チームは Profound を活用した、スケーラブルで再現性のあるコンテンツ最適化の仕組みを構築できます。

​

ベストプラクティス

• 記事が特定の質問に答えるために存在する場合は、常に Target Prompt フィールドを使用してください。
• 反復的な最適化ループのために、このワークフローを Generate Article ノードと組み合わせてください。
• スコアカードを書き直しのステップに連結する場合は、明確な出力ラベルを使用してください。
• コンテンツの劣化を検出するために、定期的な Workflow の実行でこのノードを定期的に実行してください。