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 Aris Setiawan: Kalibrasi LLM Context Anchor Decay Half-Life 5.200 Token di Asisten Konsultasi Hukum, Pangkas Token Konteks 38 Persen dan Hemat Inferensi Rp 6,2 Juta per Bulan dalam 33 Hari di 2026
Studi kasus implementasi LLM Context Anchor Decay di asisten konsultasi hukum Aris Setiawan. Half-life 5.200 token, hemat inferensi Rp 6,2 juta per bulan, periode Mei 2026.
Case Study
Studi Kasus Felicia Tan: Perpanjang AEO Snippet Quote Attribution Decay Konten Fashion dari Half-Life 11 Hari ke 28 Hari dan Naikkan Brand Mention Perplexity 2,3 Kali dalam 37 Hari di 2026
Studi kasus 37 hari: cara perpanjang half-life attribution decay dari 11 ke 28 hari pakai temporal anchor + evidence rotation di konten fashion.
Case Study
Studi Kasus Nalesha: Pasang LLM Context Shard Rebalance di Pipeline RAG Parfum, Pangkas p95 Latency 41 Persen dan Naikkan Sitasi Perplexity dari 0,6 ke 1,3 per Minggu dalam 33 Hari di 2026
Studi kasus Nalesha rebalance shard retriever pipeline RAG produk parfum, p95 latency dari 248 ke 146 ms, sitasi Perplexity naik 2,2 kali dalam 33 hari di 2026.
Butuh website yang benar-benar bekerja?
Hubungi Vito untuk konsultasi gratis 15 menit.
WhatsApp Sekarang