GEO 效果怎么衡量：提及率、推荐率、引用率与归因的口径

一句话结论：GEO 的效果能衡量，但"我搜了一下出来了"不算数。可信的衡量需要三样东西：固定的问题库、多平台多时段的重复采样、事先约定好的指标口径。没有这三样，任何"提升了多少"的说法都无法复核。

为什么"我搜了一下出来了"不算数

AI 助手的回答并不是固定的。同一个问题，换一个时间、换一个账号、换一种问法，答案都可能不同；App 端和 API 端的结果也不一定一致。一次搜到了，可能只是这一次恰好出现；一次没搜到，也不代表客户永远看不到你。

因此，衡量 GEO 的最小单位不是"一次提问"，而是"一批问题、多个平台、多个时段"的采样结果。

常用的五个指标

这几个指标各自回答不同的问题，不宜合成一个"综合分"。合成分数看起来直观，但一旦变化，你无法判断是哪一部分变了。

采样怎么做才可信

• 问题库固定。对比前后两期时，用的必须是同一批问题。中途加问题，要单独标出来，不能直接混入对比。
• 平台固定。对比的两期覆盖的 AI 入口要相同。
• 时段分散。同一个问题在不同时段多次提问，降低单次随机性的影响。
• 采集方式分栏。App 实测与 API 采样的结果分开记录、分开报告，不合并计算。
• 无效样本剔除。报错、超时、答非所问的回答不计入分母，并在报告里写明剔除了多少。

"被引用"怎么认定

这是最容易被放宽口径的地方。常见的宽松做法是：只要 AI 引用了你域名下的任何页面，就算"引用了你的内容"。问题是，这无法证明 AI 引用的就是你这次新发布的那一篇——它可能引用的是你首页，甚至是一个多年前的旧页面。

更严格的口径是：只认对页面地址的精确匹配，并且在比较前对地址做归一化处理（例如统一大小写、去掉跟踪参数），域名级的相似不计入。这样统计出来的数会更小，但每一条都经得起追问。

"已收录"为什么要人工核对

很多人希望系统能自动告诉你"这篇文章已经被某平台收录"。现实情况是，多数第三方平台并没有提供可靠的收录查询接口。依靠抓取推断出来的"已收录"，误差很大。

比较稳妥的做法是：由运营人员在各平台逐条核对后手动标记，系统记录是谁、在什么时间标记的。慢一些，但数字是真的。

怎么判断变化是不是你做出来的

指标变了，不代表是你的改动带来的——平台模型更新、竞品动作、季节性提问变化，都可能让数字波动。要把变化归因到某一次改动，至少要做到：

1. 先锁定基线。在改动之前，用固定的问题和平台完成一轮采样，作为对照。
2. 一次只改一件事。同时改了三处，即使指标变好了，也无法判断是哪一处起了作用。
3. 设观察窗口。给各平台留出抓取与更新的时间，在窗口结束后再下结论。
4. 同条件复测。复测用的问题、平台、采集方式必须与基线一致。
5. 如实记录没有变化的轮次。做了但没动的改动同样是结论，删掉它们会让整体判断失真。

从被提到到成交

最终要回答的问题是：AI 里的曝光有没有带来生意。这需要把线索的来源记录下来——客户是在哪个 AI 助手里、问了什么问题之后找到你的——并与 CRM 里的商机和合同关联起来。这一环依赖销售流程的配合，也最容易出现"说不清"的情况，因此来源标注应当区分"客户自述""有证据""推测"几个可信度等级，不能一概而论。

为什么不承诺排名

AI 回答里提到谁、推荐谁、怎么排序，由各平台的模型决定，不在任何服务方的控制范围内。一个承诺"保证进入推荐前三"的服务，要么在衡量口径上做了手脚，要么在承诺它无法兑现的东西。能够写进合同的，是交付物、指标口径和复测频率。

常见问题

问题库多大才够？

取决于你的业务复杂度。起步阶段二十个左右精心挑选的购买问题，比一百个泛泛的关键词更有用。

多久复测一次合适？

取决于你在做什么。观察一次具体改动，按观察窗口复测；日常监测，按周或按日的固定频率即可。频率越高成本越高，要与决策节奏匹配。

指标下降了怎么办？

先看是不是采样条件变了，再看是不是单一平台的波动，最后才考虑是否与你的改动有关。数据本身不会说谎，但口径不一致会。

关于面向AI

面向AI 采用的正是上面的口径：改动前后按同一批问题、同一批 AI 平台复测，一次只改一件事；"被引用"只认归一化 URL 的精确匹配，"已收录"由运营人工核对后标记；不承诺排名与推荐位。监测覆盖 12 个 AI 入口，App 与 API 分栏报告。