GEO 效果怎么衡量，哪些指标不能信

GEO 的可用指标有五个：提及率、首推率、引用次数、引用来源分布、跨平台一致性。五个指标都必须来自固定问法集的重复测试，单次截图不构成证据。行业里常见的四种数据失真手法是挑样本截图、只测品牌直问、用自建模型冒充主流平台、把搜索联想或相关推荐算作 AI 答案。

## 为什么 GEO 的度量天然比 SEO 难

传统 SEO 的度量是查表。排名第几、点击多少、曝光多少，平台后台给数字，谁都能复核。

GEO 没有后台。AI 的回答带随机性，同一个问题问两次可能措辞不同；带个性化，不同账号问出来的结果可能有差异；带时效性，模型版本更新后回答会变。三个变量叠在一起，单次测试的结果几乎没有意义。

所以度量的核心在于建一套可复现的测试方法，然后看趋势。谁给你看的是一张截图，谁就没在做度量。

## 五个可用指标

### 提及率

定义：在约定问法集和约定平台上，回答中出现品牌名或公司全称的查询占比。

口径要说清三件事。出现品牌名算不算包含仅出现品牌词根；同一次回答里提到多次算一次还是多次；跨平台时是各平台单独算还是合并算。

建议的口径是，出现全称或规范简称算一次，词根近似不算，同一次回答计一次，各平台分开统计后再算加权平均。

### 首推率

定义：在提及品牌的所有回答中，品牌出现在推荐列表第一位的比例。

这个指标比提及率更能反映商业价值。被提到和被首推，对客户决策的影响差一个量级。

### 引用次数

定义：回答中把官网或指定内容页作为来源列出的次数。

很多平台会在回答下方给出参考来源列表，有的带链接，有的只有站点名。带链接的计满权重，只有站点名的折半计。

### 引用来源分布

定义：回答引用的域名里，自有站点、第三方媒体、问答平台、百科、视频平台各占多少。

这个指标用来判断信源结构是否健康。全部引用自家官网，说明第三方交叉验证不足，稳定性差，平台算法一调就可能整体消失。

### 跨平台一致性

定义：同一批问法在不同平台上的回答，对公司业务描述的一致程度。

这一项不是数字，是需要人工判读的清单。把各平台回答里对公司的描述摘出来横向比对，标出与口径表冲突的地方。这类冲突是纠错工作的输入。

## 测试方法比指标更重要

同样五个指标，测法不对，数字就假。

**固定问法集。** 30 到 50 条，覆盖四类：品牌直问、品类问法、地域问法、场景问法。问法一旦定下来，整个服务周期内不许改动，否则前后不可比。新增问法可以，但要单独标注为新增组，不并入主口径。

**多账号。** 至少两个不同账号，一个是有历史使用记录的活跃号，一个是新号。有些平台对新号和老号的回答策略不同。

**同时段。** 集中在同一周的同一时段跑完，避免跨月比对。

**重复取众数。** 每条问法跑三次，取出现次数最多的那个结果作为该问法的记录。只跑一次的结果不能进报告，因为随机性太大。

**关掉个性化。** 用无痕窗口或不登录状态测一遍作为对照。登录态的结果受历史行为影响，不反映客户的真实提问环境。

**留存原始记录。** 每条查询保留四项：问法原文、平台名称、回答全文、带时间戳的截图。原始记录要能打包交付，这是可信度的基础。

## 四种常见的数据失真手法

这一段写得直白，因为企业被这些手法坑过太多次。

**挑样本截图。** 跑 50 条问法，挑出 3 条结果好的截图放进报告，剩下的不提。识别方法很简单，要求提供全部问法的原始记录，包括那些没有提及的。

**只测品牌直问。** 「某公司是做什么的」这类问法，只要网上有一条企业信息，AI 基本都会答出来。用这类问法测出的高分没有商业含义，因为真实客户不会这么问。识别方法是看问法集里品牌直问占多大比例，超过三成就有问题。

**用自建模型冒充主流平台。** 有些服务商自己搭一个调用开源模型的界面，截图时把页面做得像豆包或文心。识别方法是对照发布日期的平台版本，以及截图的交互细节。最稳的办法是自己拿同样问法在官方 App 里跑一遍。

**把别的功能算成 AI 答案。** 搜索结果页的相关搜索、搜索框的联想词、平台的猜你想问，这些都不是生成式回答。把它们截图进报告，属于偷换概念。

还有一种不算造假但需要警惕的做法，拿「曝光量」「潜在触达」这类推算数字充当效果。这类数字无法核验，也没法归因，参考价值有限。

## 一份负责任的报告应该包含什么

可以拿这个结构去对照服务商给的报告。

| 部分 | 内容 | 篇幅 |
|---|---|---|
| 测试说明 | 问法集全文、平台清单、测试时间、账号条件、计分口径 | 3 至 5 页 |
| 总体变化 | 五项指标与基线的对比，含未提升的项 | 2 页 |
| 分平台明细 | 每个平台单独一张表，含该平台的特殊情况说明 | 5 至 8 页 |
| 未达标项分析 | 哪些问法没变化，归因判断 | 2 至 3 页 |
| 引用来源变化 | 域名分布前后对比 | 1 页 |
| 错误描述清单 | 各平台回答中与口径表冲突的表述，逐条列出 | 2 页 |
| 下阶段建议 | 按优先级排的动作项 | 1 页 |
| 原始记录 | 全部查询的回答全文与截图 | 附件 |

未达标项分析这一节是判断报告真假的关键。只报好消息的报告，基本可以判定数据经过筛选。

## 企业自己怎么抽测

不需要工具，不需要授权，半小时能做完。

1. 打开豆包、元宝、DeepSeek、Kimi 任意两个官方 App。
2. 退出登录，或者开无痕。
3. 用报告里的问法集随机抽 5 条，原样输入。
4. 对照报告里的记录，看是否一致。

不一致分两种情况。一种是平台版本更新导致回答变化，正常；另一种是报告里的记录压根跑不出来，那就有问题。

发现第二种情况，先要那一次的原始截图和时间戳。真要造假，这个环节通常给不出。

## 什么时候该判定这套东西没起作用

建议以 90 天为一个观察窗。

90 天内如果出现以下任一情况，说明方向可能有问题，需要重设方案：提及率无变化，且引用来源里没有新增任何一个自有或第三方页面；错误描述条目没有减少；技术体检的整改项超过一半未完成。

反过来，出现以下情况说明方法有效，值得加投入：冷门问法开始出现提及；引用来源里出现自己发的媒体稿；不同平台的回答对业务描述趋于一致。

需要坦白一点。有些行业的 GEO 就是难做，比如竞争极度密集、平台信源偏好集中在少数几个大站的领域。这种情况下，把预算按比例分给别的渠道更理性。这个判断应该在诊断阶段就做出来，不要先签下来再说。

## 常见问题

**能不能用工具自动监测？**
有工具，但都不能完全替代人工。工具能解决采集和计数，判读一致性、识别错误描述这两件事还是要人做。工具数据建议作为辅助，不作为唯一依据。

**为什么同一天测两次结果不一样？**
生成式回答本身带随机性，这是机制决定的。所以要求每条问法跑三次取众数，并且用趋势判断而不是单点判断。

**提升多少算合格？**
没有行业统一标准，因为基线差异太大。可行的做法是在诊断阶段同时测竞品，给出相对位置。从完全不被提及到在部分问法下被提及，这个变化本身就比百分比更有意义。

**为什么报告里要放没做到的项？**
因为它决定了下一阶段钱往哪花。只报好消息的报告，企业永远不知道该补哪里。