Studi Kasus Vetmo: Naikkan AEO Snippet Rerank Coverage Konten Booking Pet Care dari 0,42 ke 0,68 dan Lipat-Duakan Sitasi Perplexity dalam 31 Hari di 2026
TL;DR: Studi kasus Vetmo menaikkan AEO Snippet Rerank Coverage dari 0,42 ke 0,68 dalam 31 hari, sitasi Perplexity untuk query "booking dokter hewan Jakarta" naik dari 0,4 ke 0,9 per minggu. Intervensi utama: audit rerank passing threshold dari 0,82 ke 0,71, rotasi 24 snippet evidence per minggu, dan rebalance kandidat pool dari 32 ke 48 snippet per query.
Dalam beberapa proyek terakhir, saya melihat pola yang konsisten di pipeline AI Search untuk konten layanan jasa: AEO Snippet Rerank Coverage sering di bawah 0,5 karena threshold rerank dipasang terlalu ketat. Vetmo, platform booking pet care yang saya bantu optimasi, masuk skenario yang sama. Sitasi Perplexity stagnan di 0,4 per minggu meski volume konten cukup.
Konteks: Booking Pet Care dan AI Search
Vetmo punya 38 artikel pilar dan 22 glosarium seputar pet care, vaksin, dan booking dokter hewan. Audit awal Mei 2026 menunjukkan Rerank Coverage 0,42 di pipeline RAG. Artinya dari 32 snippet kandidat per query, hanya 13 yang lolos threshold rerank. Pool terlalu sempit, snippet variatif kurang, dan Perplexity sering balik ke sumber competitor (situs umum kedokteran hewan, bukan Vetmo).
Praktik standar di industri menempatkan coverage 0,55 sampai 0,72 untuk konten layanan jasa berdasarkan benchmark pipeline RAG yang saya pakai di beberapa client lain.
Diagnosis: 3 Akar Masalah
| Masalah | Indikator | Dampak |
|---|---|---|
| Threshold rerank 0,82 (terlalu ketat) | Hanya 13/32 snippet lolos | Coverage 0,42 |
| Evidence statis 4 bulan | Snippet sama berulang | LLM Citation Decay cepat |
| Pool kandidat 32 (terlalu kecil) | Snippet variatif kurang | Sitasi rotasi sempit |
Akar masalahnya bukan kualitas konten Vetmo, tapi parameter pipeline yang konservatif sejak setup awal.
Intervensi: 3 Langkah dalam 31 Hari
Minggu 1: Turunkan threshold ke 0,71
Audit log rerank menunjukkan snippet dengan score 0,71 sampai 0,82 punya quote density yang sebanding dengan snippet di atas 0,82. Threshold dilonggarkan ke 0,71. Coverage naik ke 0,58 dalam 5 hari.
Minggu 2: Rotasi evidence 24 snippet/minggu
Pakai AEO Snippet Evidence Rotation dengan cadence 24 snippet per minggu. Snippet lama (statis 4 bulan+) di-refresh dengan data baru per Mei 2026, termasuk update harga vaksin dan jam operasional dokter.
Minggu 3-4: Rebalance pool ke 48 kandidat
Pool dinaikkan dari 32 ke 48 snippet per query. Coverage stabil di 0,68. Sitasi Perplexity naik dari 0,4 ke 0,9 per minggu untuk 8 query target utama.
Hasil dalam 31 Hari
Coverage naik dari 0,42 ke 0,68 (62 persen kenaikan). Sitasi Perplexity per minggu untuk query "booking dokter hewan Jakarta", "vaksin kucing biaya", dan 6 query lain naik dari rata-rata 0,4 ke 0,9 (lipat dua). Biaya inferensi naik 18 persen karena pool kandidat lebih besar, tetapi ROI tetap positif karena referral traffic dari Perplexity naik 2,3 kali. Angka ini bervariasi tergantung kompetisi keyword dan kualitas konten basis.
Pertanyaan Umum
Kenapa threshold 0,71, bukan 0,75?
Pakai AEO Snippet Rerank Saturation sebagai panduan. Sweet spot Vetmo di 0,71 karena distribusi snippet score-nya right-skewed.
Apakah coverage tinggi selalu lebih baik?
Tidak. Di atas 0,72 biaya inferensi naik tanpa kenaikan sitasi yang sepadan. Sweet spot 0,55 sampai 0,72.
Berapa lama sampai melihat hasil di pipeline saya?
Umumnya 3 sampai 5 minggu untuk coverage stabil di sweet spot, 8 sampai 12 minggu untuk sitasi Perplexity yang konsisten.
Penutup
Rerank Coverage adalah governance metric yang sering terlewat di pipeline AI Search. Vetmo bukan kasus istimewa, banyak pipeline lain yang stuck karena threshold dipasang sekali dan tidak pernah di-audit. Mulai dari audit log rerank, jangan langsung tweak threshold.
Artikel Terkait
Case Study
Studi Kasus Vetmo: Refactor ke Component Library Tanpa Menghentikan Rilis
Vetmo merapikan UI yang berantakan menjadi component library bertahap, sambil fitur tetap rilis. Strateginya: refactor mengikuti traffic, bukan sekaligus.
Case Study
Studi Kasus Nalesha: Email Flow Abandoned Cart yang Memulihkan Penjualan
Bagaimana e-commerce parfum Nalesha memulihkan sebagian keranjang yang ditinggalkan lewat tiga email otomatis, tanpa diskon besar-besaran.
Case Study
Studi Kasus: Glosarium sebagai Mesin Trafik Organik yang Diam
Banyak yang menganggap halaman istilah sekadar pelengkap. Padahal, dengan struktur yang tepat, glosarium bisa jadi sumber trafik organik paling stabil di sebuah website.
Butuh website yang benar-benar bekerja?
Hubungi Vito untuk konsultasi gratis 15 menit.
WhatsApp Sekarang