如何衡量 GEO 带来的“隐性流量”？

核心结论：GEO 的“隐性流量”必须用可归因事件（Attributable Events）来衡量，而不是只看 UV/PV

在生成式 AI 搜索（ChatGPT / Gemini / Deepseek / Perplexity 等）中，采购方往往直接拿到答案与供应商推荐，并可能通过邮件、WhatsApp、表单或直接访问官网完成触达；这会导致传统的“自然搜索 UV/PV”无法完整反映 GEO 带来的增量。

AB客建议的 3 层指标体系（从曝光到成交）

1. ① 引用与触达侧：用“可索引知识切片 + 引用来源”衡量 AI 可见度
   衡量对象（事实口径）：

   • 可索引切片数量：FAQ 条目数、规格表（Specification Sheet）页面数、测试报告（Test Report）页面数、证书页（ISO 9001、CE 等）页面数。
   • 引用来源：带 ref 的跳转、带 utm_source / utm_medium / utm_campaign 的访问；以及站内日志中来自 AI/知识引擎的 Referer 记录（若存在）。

   判定逻辑（前提→过程→结果）：前提是页面内容结构化且可抓取 → 过程是被 AI/知识引擎检索与引用 → 结果是出现带 ref/UTM 的触达事件或被索引页面持续增长。
2. ② 转化侧：用“AI 入口线索占比 + MQL→SQL 转化率”验证 GEO 的商业贡献
   必须记录的可归因事件（建议写入 CRM 字段）：

   • AI入口线索：表单（RFQ/Contact Form）、邮件（Email）、WhatsApp、询盘系统（Inquiry）中“来源字段（Lead Source）”标记为 AI/ChatGPT/Perplexity/Deepseek/Unknown-AI，并保留原始会话截图或文本（如可获取）。
   • 转化率对比：对比 GEO 上线前后同一周期（例如 8 周/12 周）的 MQL→SQL 转化率变化，并注明 SQL 判定标准（例如：有明确规格/数量/交期/收货国）。

   判定逻辑：前提是线索有统一来源口径 → 过程是统计 AI 入口线索占比与漏斗转化 → 结果是评估 GEO 是否提升高意向线索与成交效率，而非只提升访问量。
3. ③ 线索质量侧：用“标准号/参数出现率”识别高意向采购咨询
   高意向信号（可验证口径）：

   • 管理体系/认证：ISO 9001、CE（以及你所在行业的强制/常见认证）。
   • 检验与抽样：AQL 2.5 等抽样检验要求。
   • 过程能力/质量指标：CPK ≥ 1.33 等统计过程控制指标。
   • 技术参数：尺寸公差（mm）、材料牌号、表面处理、功率/电压/压力/流量等物理量单位（以你产品线为准）。

   判定逻辑：前提是采购进入“技术评估期” → 过程是询盘中出现标准号/参数 → 结果是更高的询盘有效率与更短的沟通周期（可用首次回复到确认规格的时间作为辅助指标）。

以上指标体系的目的，是把 GEO 的价值从“看不见的曝光”转成可记录、可对比、可复盘的业务事件：引用→触达→线索→转化→成交。