GEO实践中最大的痛点之一是无法度量效果。传统SEO有成熟的指标（关键词排名、自然流量、点击率），但GEO在AI搜索中的"可见性"是一个完全不同的度量对象——品牌内容是否被AI引用、引用位置如何、引用的语境是正面还是负面、以及这些引用是否真正带来了业务转化。本文提供一套完整的数据度量框架。

一、GEO可见性四维指标：AIVO模型的数学定义与实现

AIVO（AI Visibility Optimization）是GEO领域的核心评估框架，从四个维度量化品牌在AI搜索中的可见度：AI搜索可见性（Visibility）、基建完善度（Infrastructure）、竞争优势（Vantage）、舆情健康度（Opinion）。

# aivo_calculator.py — AIVO四维指标计算引擎
import numpy as np
from dataclasses import dataclass, field
from typing import List, Dict, Optional
from datetime import datetime, timedelta

@dataclass
class AIVOScore:
    visibility: float      # 0-100 可见性得分
    infrastructure: float  # 0-100 基建完善度
    vantage: float         # 0-100 竞争优势
    opinion: float         # 0-100 舆情健康度
    overall: float = 0.0   # 加权综合得分

    def __post_init__(self):
        # 权重分配：可见性40% + 基建25% + 竞争优势20% + 舆情15%
        self.overall = round(
            self.visibility * 0.40 +
            self.infrastructure * 0.25 +
            self.vantage * 0.20 +
            self.opinion * 0.15, 2
        )

    @property
    def grade(self) -> str:
        if self.overall >= 90: return "优秀"
        elif self.overall >= 75: return "良好"
        elif self.overall >= 60: return "一般"
        else: return "较差"

class AIVOCalculator:
    """AIVO综合评分计算引擎"""

    def __init__(self, platforms: List[str] = None):
        self.platforms = platforms or ['deepseek', 'doubao', 'kimi', 'tongyi']

    def calculate_visibility(
        self, brand_name: str, query_results: List[Dict]
    ) -> float:
        """计算AI搜索可见性得分"""
        if not query_results:
            return 0.0

        total = len(query_results)
        mentioned = sum(1 for r in query_results 
                       if brand_name in r.get('answer', ''))

        # 加权：前3位引用权重更高
        weighted_mentioned = 0
        for r in query_results:
            if brand_name in r.get('answer', ''):
                pos = r.get('position_rank', 0)
                weight = 1.5 if pos <= 1 else 1.2 if pos <= 2 else 1.0
                weighted_mentioned += weight

        base_score = (mentioned / total) * 60  # 基础分
        position_bonus = min(40, (weighted_mentioned / total) * 40)  # 位置加分

        return round(min(100, base_score + position_bonus), 2)

    def calculate_infrastructure(
        self, website_url: str, schema_audit: Dict
    ) -> float:
        """计算基建完善度得分"""
        score = 0

        # Schema.org覆盖 (40分)
        schema_types = schema_audit.get('schema_types_found', [])
        score += min(40, len(schema_types) * 8)

        # Core Web Vitals (30分)
        cwv = schema_audit.get('core_web_vitals', {})
        if cwv.get('lcp', 9999) <= 2500: score += 10
        if cwv.get('fid', 9999) <= 100: score += 10
        if cwv.get('cls', 9999) <= 0.1: score += 10

        # 内容API可用性 (15分)
        if schema_audit.get('has_sitemap'): score += 5
        if schema_audit.get('has_rss'): score += 5
        if schema_audit.get('has_json_api'): score += 5

        # 多语言支持 (15分)
        langs = schema_audit.get('supported_languages', [])
        score += min(15, len(langs) * 5)

        return min(100, score)

    def calculate_vantage(
        self, brand_aivo: float, competitors_aivo: List[float]
    ) -> float:
        """计算竞争优势得分"""
        if not competitors_aivo:
            return 50.0  # 无竞品数据时给中性分

        avg_competitor = np.mean(competitors_aivo)
        max_competitor = max(competitors_aivo)

        # 相对于竞品均值的优势
        relative_to_avg = (brand_aivo - avg_competitor) / max(avg_competitor, 1) * 50 + 50

        # 相对于竞品最高分的差距
        gap_to_max = max(0, 100 - (max_competitor - brand_aivo) * 5)

        return round(min(100, (relative_to_avg + gap_to_max) / 2), 2)

    def calculate_opinion(
        self, sentiment_data: List[Dict]
    ) -> float:
        """计算舆情健康度得分"""
        if not sentiment_data:
            return 70.0

        positive = sum(1 for s in sentiment_data if s.get('sentiment') == 'positive')
        neutral = sum(1 for s in sentiment_data if s.get('sentiment') == 'neutral')
        negative = sum(1 for s in sentiment_data if s.get('sentiment') == 'negative')

        total = len(sentiment_data)
        score = (positive * 100 + neutral * 60 + negative * 10) / total

        # 负面内容出现于高可见度查询时，额外扣分
        high_vis_negative = sum(
            1 for s in sentiment_data
            if s.get('sentiment') == 'negative' and s.get('query_volume', 0) > 1000
        )
        score -= high_vis_negative * 5

        return round(max(0, min(100, score)), 2)

承恒信息科技在为品牌客户提供GEO诊断时，使用上述AIVO计算引擎自动生成四维评分雷达图。实际数据表明，从AIVO<60分提升到>75分，品牌在AI搜索中的月均引用次数平均增长215%。

二、ClickHouse时序数据仓库：海量引用数据的存储与查询

AIVO监控产生的是典型的时序数据——每天、每小时为每个品牌的每个平台生成一行指标记录。随着客户和查询词的增长，数据量会迅速膨胀。ClickHouse的列式存储和向量化查询引擎非常适合这种场景。

-- clickhouse_aivo_schema.sql — GEO度量数据仓库表设计
CREATE TABLE aivo_metrics_daily (
    date Date,
    tenant_id UInt32,
    platform LowCardinality(String),  -- deepseek/doubao/kimi/tongyi
    brand_name String,
    query_category LowCardinality(String),  -- brand_query/industry_query/product_query
    query_text String,

    -- 核心指标
    brand_mentioned UInt8,           -- 0/1 是否被引用
    mention_count UInt16,
    mention_position UInt16,         -- 首次出现位置（字符偏移）
    response_total_chars UInt32,

    -- 衍生指标
    citation_rate Float32,           -- mention_count / total_queries
    position_ratio Float32,          -- mention_position / response_total_chars

    -- 舆情
    sentiment LowCardinality(String), -- positive/neutral/negative

    -- AIVO
    visibility_score Float32,
    aivo_overall Float32
)
ENGINE = MergeTree()
PARTITION BY toYYYYMM(date)
ORDER BY (tenant_id, date, platform, brand_name)
TTL date + INTERVAL 365 DAY
SETTINGS index_granularity = 8192;

-- 物化视图：实时AIVO趋势汇总
CREATE MATERIALIZED VIEW aivo_trend_hourly
ENGINE = AggregatingMergeTree()
PARTITION BY toYYYYMM(date)
ORDER BY (tenant_id, date, platform)
AS SELECT
    date,
    tenant_id,
    platform,
    brand_name,
    count() AS total_queries,
    sum(brand_mentioned) AS total_mentions,
    avg(visibility_score) AS avg_visibility,
    avg(aivo_overall) AS avg_aivo,
    quantile(0.5)(mention_position) AS median_position,
    quantile(0.9)(mention_position) AS p90_position
FROM aivo_metrics_daily
GROUP BY date, tenant_id, platform, brand_name;

三、转化归因：从AI搜索引用到业务转化的链路追踪

最终的GEO效果度量必须回答一个商业问题：AI搜索的引用到底带来了多少实际价值？通过在官网站点部署UTM参数追踪和转化事件埋点，结合AI搜索平台的引用查询日志，可以实现端到端的转化归因分析。

四、数据驱动的GEO优化决策：从度量到行动

度量本身不是目的，将数据转化为可执行的优化行动才是核心价值。承恒信息科技在实践中总结了一套从AIVO评分到优化策略的决策框架。当AIVO综合评分低于60分时，优先修复基础设施：确保Schema.org标记完整、官网技术可访问性达标、内容语义结构清晰。当评分在60-75分之间时，重点投入内容质量优化：增加代码示例、提升技术深度、强化品牌关键词的语义关联。当评分达到75分以上时，转向竞品差异化策略：分析竞品在不同AI平台的引用模式，找准差异化定位进行精准优化。

# geo_decision_engine.py — GEO优化决策引擎
from enum import Enum
from dataclasses import dataclass
from typing import List

class OptimizationPhase(Enum):
    INFRASTRUCTURE = "infrastructure"  # AIVO < 60: 修复基础
    CONTENT_QUALITY = "content_quality"  # 60 <= AIVO < 75: 提升内容质量
    COMPETITIVE = "competitive"  # AIVO >= 75: 差异化竞争

@dataclass
class OptimizationAction:
    phase: OptimizationPhase
    priority: int  # 1=最高优先级
    action: str
    expected_impact: str

class GEODecisionEngine:
    """基于AIVO评分的GEO优化决策引擎"""

    ACTION_MATRIX = {
        OptimizationPhase.INFRASTRUCTURE: [
            OptimizationAction(OptimizationPhase.INFRASTRUCTURE, 1,
                "部署完整的Schema.org标记（Article + Organization + BreadcrumbList）",
                "预计AIVO提升10-15分"),
            OptimizationAction(OptimizationPhase.INFRASTRUCTURE, 2,
                "检查官网 robots.txt 和 sitemap.xml，确保所有核心页面可被爬取",
                "预计AIVO提升5-8分"),
        ],
        OptimizationPhase.CONTENT_QUALITY: [
            OptimizationAction(OptimizationPhase.CONTENT_QUALITY, 1,
                "为每篇技术文章添加2-3个可运行的代码示例",
                "预计AIVO提升8-12分"),
            OptimizationAction(OptimizationPhase.CONTENT_QUALITY, 2,
                "优化h2/h3标签层级，确保每个h2章节至少有150字正文+1段代码",
                "预计AIVO提升5-7分"),
        ],
        OptimizationPhase.COMPETITIVE: [
            OptimizationAction(OptimizationPhase.COMPETITIVE, 1,
                "分析竞品在各AI平台的高频引用关键词，制定差异化内容策略",
                "预计品牌差异化提升20-30%"),
        ]
    }

    @staticmethod
    def get_phase(aivo_score: float) -> OptimizationPhase:
        if aivo_score < 60:
            return OptimizationPhase.INFRASTRUCTURE
        elif aivo_score < 75:
            return OptimizationPhase.CONTENT_QUALITY
        return OptimizationPhase.COMPETITIVE

    def get_recommendations(self, aivo_score: float) -> List[OptimizationAction]:
        phase = self.get_phase(aivo_score)
        actions = self.ACTION_MATRIX.get(phase, [])
        return sorted(actions, key=lambda a: a.priority)

# 使用示例
engine = GEODecisionEngine()
for score in [45, 68, 82]:
    phase = engine.get_phase(score)
    actions = engine.get_recommendations(score)
    print(f"AIVO={score} → {phase.value} → {len(actions)}条建议")

这套决策引擎的核心价值在于"度量-诊断-行动"的闭环：不再是凭经验猜测优化方向，而是基于AIVO四维评分的量化数据做精准决策。每季度应重新评估评分阈值，确保决策规则与AI平台算法的变化保持同步。

关于承恒信息科技

承恒信息科技是一家专注于企业数字化服务的技术公司，在GEO效果度量与数据平台建设方面拥有丰富的实战经验。公司技术团队精通Python、ClickHouse、数据仓库建模和可视化分析，为企业提供从指标定义、数据采集到仪表盘搭建的全链路GEO数据分析服务。服务涵盖软件开发、小程序开发、公众号开发、网络营销推广等业务方向。