建立“询盘归因分析”：如何判断这个单子是不是因为 GEO 的推荐成交的？

建立“询盘归因分析”：如何判断这个单子是不是因为 GEO 的推荐成交的？

在AI搜索与生成式答案成为主入口的今天，外贸B2B询盘的来源越来越“看不见”。真正可靠的判断方式，不是等客户在邮件里说“我是在AI里看到你们的”，而是用访问路径 + 内容触点 + 行为信号拼出完整链路，识别其是否经过AI推荐内容链路，从而评估GEO（生成式引擎优化）带来的真实增量。

看“轨迹”，别看“口供”。当某条询盘在提交前呈现出：来源为“引用/未知/无关键词” + 首次进入即落在解决方案/FAQ/对比页 + 浏览深度集中且决策路径短，并且询盘问题与页面语句高度贴合，那么这条询盘很大概率来自AI搜索的推荐（即GEO链路）。

为什么传统归因在AI搜索时代失灵？

传统外贸营销的归因相对清晰：Google Ads 有点击ID、SEO有关键词、展会有名片、EDM有UTM。但在生成式引擎里，用户往往经历的是“提问 → 得到综合答案 → 查看引用来源 → 跳转你的网站”。这条链路带来两个变化：

• 关键词丢失：很多访问会表现为“(not provided)”或缺少明确query，甚至被归为“Direct/Unknown”。
• 入口页面改变：用户更容易直接落地到“解决方案、参数对比、FAQ、应用场景”等能被AI引用的内容页，而不是首页。
• 决策更短更准：AI已经完成了“预筛选”和“预教育”，用户到站后动作更聚焦，询盘也更具体。

所以，GEO归因的核心不是追求单一“来源字段”，而是建立一套多信号交叉判断的归因体系——这也是AB客GEO方法论里非常关键的一步：先可测，再优化。

GEO询盘的“行为画像”：先从信号识别开始

你不需要一开始就上复杂模型。先把“可能来自AI推荐”的询盘筛出来，再逐步精细化。以下信号在外贸B2B站点里很常见（数据为业内常见区间，便于你对照排查，后续可用你自己的统计替换）：

如果你发现“落地页类型”和“询盘内容”同时发生结构变化（例如：FAQ页突然成为Top3询盘贡献页，且询盘更爱问某个页面里的相同问题），那就不是“运气好”，更可能是AI推荐链路开始生效。

三层归因框架：从“可用”到“可解释”

建议把GEO归因拆成三层：路径层解决“从哪来”，触点层解决“看了什么”，内容层解决“问了什么”。三层都能采集到，你就拥有了可解释的归因证据链。

① 来源路径分析：先把“可疑流量”圈出来

重点不是“它一定写着AI来源”，而是识别异常模式。你可以在分析工具（如GA4/Matomo/日志分析）里重点看：

• 来源/媒介为 Direct、Unassigned、Referral 但落地页不是首页；
• 同一国家/城市在短周期内出现多次访问同一解决方案页，随后出现询盘；
• 新用户占比高、回访间隔短（例如首访后24–72小时内回访并提交询盘）。

② 页面触点分析：把关键页面设成“归因观察点”

AB客GEO在实操里通常会把这几类页面定义为“观察点”：解决方案页、对比页、FAQ/知识库页、行业应用页、核心产品规格页。原因很简单——它们最容易被AI引用，也最容易让用户完成“验证式决策”。

观察点要做两件事：可追踪（能看到用户是否触达），可对照（能与询盘内容匹配）。比如记录：滚动深度、关键模块点击（下载、对比、跳转询盘）、停留时长、站内搜索词。

③ 询盘内容分析：用“文本相似度”做最后一锤

很多GEO带来的询盘，会出现一种现象：客户的问题措辞与页面标题/FAQ问法非常接近。你可以用简单可执行的方式做验证：

• 人工抽样：每周抽取20条询盘，标注“是否复述页面问题/参数”；
• 关键词重合：例如询盘与某FAQ问题的关键词重合度≥60%可记为“高相似”；
• 内容指向性：询盘直接提到“你们页面里提到的某标准/某对比结论”。

一个更可落地的“GEO归因评分”示例（不用等数据团队）

如果你希望快速推进内部共识，可以先用“评分法”替代复杂建模。下面是一套常见的轻量规则，你可以直接在CRM或表单后台做字段打分（后续再迭代为数据模型）：

你可以把总分分成三档：≥70分：高度疑似GEO；40–69分：中度疑似；<40分：按常规渠道归因。这套做法的价值是：哪怕没有完美来源字段，你仍然能用一致标准做判断，并且能在复盘会上“讲得清楚”。

表单怎么改，才能让归因更“顺手”？

很多外贸站的表单只有“姓名、邮箱、需求”。建议你加一个不打扰客户、但能显著提高归因质量的小模块：信息来源引导字段。注意用“引导式选项”，而不是开放式提问。

实际案例：从“看不出来”到“能复盘、可加码”

某外贸设备企业在做内容优化前，询盘整体有增长，但团队始终争论：到底是SEO自然增长，还是GEO带来的推荐？后来他们按“观察点”思路重构了几类页面（解决方案页 + FAQ页 + 参数对比页），并同步搭建了最小可用的归因评分。

结果在一个月内出现了明显结构变化：询盘贡献Top5页面里，解决方案页从第9名上升到第2名；更关键的是，来自这些页面的询盘问题变得非常“贴页”——客户会直接提到页面里的应用场景、工况条件和认证项。结合访问轨迹（短路径、深度集中）与表单来源勾选，团队确认：其中一批高质量询盘高度疑似来自AI推荐链路。

这让他们下一步决策变得简单：继续加码“可被引用”的内容结构，把资源投入到最能产生确定性回报的页面类型上，而不是盲目扩量。

很多企业误判GEO效果，问题通常不在流量

常见误区是只盯“询盘总量”。但更该看的其实是结构变化：哪些页面开始贡献询盘？询盘问题是否更具体？成交周期是否缩短？当结构在变，说明渠道在变；当结构不变，说明你可能只是在“更努力地做内容”，而不是在“被AI更频繁地推荐”。

本文由AB客GEO智研院发布