如何计算不同平台的品牌提及率?

AI搜索里衡量品牌能见度,绕不开一个数字:提及率。但这个数字的实际含义,几乎完全由口径决定。同样一批问题、同样一批回答,在"分母按问题数算"还是"按回答数算"、在"只算品牌被写在推荐名单里"还是"只要名字出现过就算"、在"五个平台的结果合并"还是"分开统计"这几种不同处理下,会得到差好几倍的结果。企业跟供应商谈GEO时最常出现的分歧,不在效果好坏,而在双方算的是不是同一个东西。把口径摊开讲清楚,比给出一个漂亮的数字更重要。

分母怎么定:问题集规模是唯一的分母来源

提及率的定义式很简单:分母 = 本轮测试的问题集规模,分子 = 出现品牌名的回答数量。难点全在分母,因为分母不是客观存在的,它是你自己定义的。

铭赞在实践中要求把问题集的来源和分层同时写清楚,缺一项这个比率就没法解释。

来源要可追溯。问题集通常来自三类渠道:一是销售与客服记录里客户真实问过的问题(这些最接近真实意图);二是搜索引擎的搜索词报告与站内搜索词(反映既有的需求分布);三是行业论坛、问答社区、竞品页面上的公开提问(反映潜在客户在比较阶段的关注点)。每一类都要标注采集来源和数量,因为不同来源的问题,AI答案里出现品牌的概率差异很大——用品牌词构成的问题集做监测,品牌出现率天然偏高,这样的数字没有参考价值。

分层要覆盖真实决策链。铭赞建议按问题意图分层,而不是把所有问题混在一起算:品类认知类("工业冷水机是什么原理")、选型对比类("某某牌和某某牌哪个好")、参数与方案类("某某工况下需要多大冷量")、价格询价类、服务与售后类。这五类的品牌出现逻辑完全不同:认知类问题里品牌出现得少,对比类问题里出现得多,参数类问题里品牌出现往往是因为模型引用了参数页面。混算出来的比率,既看不出优势在哪类问题上,也无法指导选题。

另一个容易忽略的口径细节:分母按"问题数"还是按"回答数"。如果每题采样3次,得到90条回答,理论上分母应是回答数90;但实操中更常用的写法是按问题数30计,再单独标注每题的采样次数。这两种写法算出的数字不能直接比较,必须在报告里写明采用哪一种。铭赞的统一做法是:主口径按回答数计算(信息量更大),同时给出按问题数计算的对照值,两者一起呈现。

平台差异怎么处理:分开报,不合并

把五个平台的回答混在一起算一个"综合提及率",是行业里最常见的错误做法。原因很直接:不同平台的用户提问习惯、答案长度结构、是否强制附引用、是否偏向列表式推荐都不一样,混合后的数字既不反映任何单个平台的真实表现,也无法回答"我们在哪个平台有短板"。

铭赞的规则是:按平台分别出具提及率,永远不发布合并后的单一数字。如果客户坚持要一个总览,可以在表格中并列呈现各平台数值,并注明"各平台不可加权合并"。在这一点上坚持住,比给出一个便于传播的单一数字更有价值——合并数字带来的沟通便利,通常会在下一次对比时变成数据打架。

表格是呈现这类数据的基本单位。建议按平台 × 问题类型两层交叉来报,避免只看一个总数:

平台问题类型问题数有效回答数提及回答数提及率备注
平台A品类认知618——样本量小,仅作方向参考
平台A选型对比824——本轮主要观察层
平台B选型对比824———
平台C选型对比824——含2条拒答需说明

表里刻意留了空值,这张模板要说明的是结构:平台与问题类型的交叉决定了你能否看出结构性问题。如果某平台在"品类认知"层接近零而在"选型对比"层明显偏低,说明内容覆盖偏向了参数类而缺少行业解释型内容,这个判断合并后是得不出来的。

必须固定的控制变量

同一问题在不同条件下问,答案可能完全不同。计算提及率如果不控制变量,得出的差异可能全部来自变量而不是内容质量。铭赞要求每轮测试固定并记录下面这些条件。

  • 账号登录状态。登录状态会带入历史对话、个性化偏好和会员等级,匿名与登录的结果常有差异。测试必须全程使用同一种状态,并在报告中写明是匿名还是登录。
  • 地区与语言。同一个问题在中英文语境、不同地区返回的内容结构不同。做中文市场就用中文问题、中文界面、国内出口节点,不要混入英文提问或海外节点的数据。
  • 时间窗口。测试集中在同一段时间内完成,避免跨周、跨节假日;记录每次采样的时间戳。平台的检索索引和模型策略会随时间变动。
  • 模型与版本。记录具体的模型名与版本日期(如某平台的某个模型版本)。平台默认模型会静默更新,前后两轮数据可能因此不可比。
  • 问题文本版本。问题集一旦定版就锁定,任何改动都要新起版本号并说明改动内容。改了一个标点符号也算改动。
  • 采样次数与间隔。同一问题在一次测试中要采多次,不要只问一遍就记一次结果——单次结果无法区分偶然与稳定。

这几项要写进每次测试的元数据里,而不是靠记忆。同样的控制变量,是两轮数据可比的前提。

波动区间的处理:给出区间而不是单点

提及率是抽样比例,本身带误差。样本量小的时候,比例对单个回答的增减非常敏感:20个回答里多出现一次品牌,数字就跳5个点。这时候报一个精确到小数点后一位的比率,是在制造虚假精度。

铭赞的处理方式是同时给出区间,常用做法是给出该比率的一个粗略波动范围(例如样本量20时,单次回答的变动对应约5个百分点的波动;样本量60时对应约1.7个百分点)。这个区间不需要严格的统计公式支撑,但能让读者知道:这个数字的精度是粗的还是细的,差异小于区间的变化应当视为噪声。

实操上还有三条要守住的规则:

  1. 样本量不足时只报计数不报比率。某一层的问题数少于5个,就写"提及2次",不要写"提及率40%"。
  2. 拒答、超时、空答要单独统计并写明。这些样本不应计入分母,但在报告里要列出数量和原因,否则读者会以为样本被筛选过。
  3. 多轮采样按中位数取值。同一问题的多次采样中,用命中次数的中位数作为该问题的判定值,再汇总到比率上,比用平均值更稳健,也不容易被单次极端结果拉动。

复测节奏:固定周期、变点加倍

提及率的价值在于趋势对比,单次测量意义有限。铭赞建议的节奏是:常规周期两周一轮,覆盖固定的平台与固定的问题集,每轮记录完整的元数据;在内容或技术侧有实质改动的节点加倍采样,即变更前后各做一轮密集采样,用相同的参数对比;遇到平台或模型版本更新时,把该节点前后的数据分段,不做直接对比,因为口径基础已经变了。

复测节奏还要和内容侧的实际生效周期对齐。内容改动被重新抓取、被重新纳入检索索引、被模型在生成时采用,这三步之间存在延迟。变更后的第一轮数据往往还看不到效果就下结论,会误判方案无效;反过来,把延迟误读成效果,也一样危险。建议在变更记录里写明改动日期,在时间轴上把数据点和改动点分开画,延迟段内的数据标注为"过渡期"。

铭赞经验:跟客户解释提及率时,铭赞的做法是把公式和分母一起摊在桌面上——分母是多少个问题、每个问题问了几次、哪些回答被排除。任何口径上的模糊,最后都会变成"你们的数据不准"的争议,而争议一旦发生,整份报告的数字就都不再被采信了。

下一步行动

想先看清自家品牌在不同平台、不同问题类型上的真实提及水平,并拿到一份带完整口径说明的基线数据?可以申请铭赞网络的免费GEO基线诊断。电话 13991172090,或访问 xamz.cn/geo/diagnosis.html 在线申请。

铭赞网络的服务范围覆盖GEO优化、SEO、网站建设和外贸营销,服务电话 13991172090。