"我们的GEO优化到底有多大效果？"这是每个投入GEO的企业必然要问的问题。不度量的优化就是盲人摸象。但GEO的效果度量比传统SEO复杂得多——它不是单一数字（如排名#3→#1），而是多维度的综合评估。本文将从数据工程的视角，构建一套可落地的GEO效果度量体系。

一、AIVO四维评分体系：GEO效果的综合度量框架

AIVO（AI Visibility Optimization）评分从四个维度衡量品牌在AI搜索中的表现：AI搜索可见性（Visibility）、基建完善度（Infrastructure）、竞争优势（Competitive Advantage）和舆情健康度（Opinion Health）。每个维度的权重根据企业阶段动态调整。

from dataclasses import dataclass, field
from typing import Dict, List, Tuple
import statistics

@dataclass
class AIVOScore:
    """AIVO四维GEO效果评分"""
    visibility: float       # AI搜索可见性（0-100）
    infrastructure: float   # 基建完善度（0-100）
    competitive: float      # 竞争优势（0-100）
    opinion_health: float   # 舆情健康度（0-100）

    weights: Dict[str, float] = field(default_factory=lambda: {
        "visibility": 0.40,
        "infrastructure": 0.25,
        "competitive": 0.20,
        "opinion_health": 0.15
    })

    def overall_score(self) -> float:
        """计算加权综合得分"""
        return round(
            self.visibility * self.weights["visibility"] +
            self.infrastructure * self.weights["infrastructure"] +
            self.competitive * self.weights["competitive"] +
            self.opinion_health * self.weights["opinion_health"],
            1
        )

    def level(self) -> str:
        """评分等级"""
        score = self.overall_score()
        if score >= 90:
            return "优秀"
        elif score >= 75:
            return "良好"
        elif score >= 60:
            return "一般"
        return "较差"

    def weakest_dimension(self) -> Tuple[str, float]:
        """返回得分最低的维度"""
        dims = {
            "visibility": self.visibility,
            "infrastructure": self.infrastructure,
            "competitive": self.competitive,
            "opinion_health": self.opinion_health
        }
        weakest = min(dims.items(), key=lambda x: x[1])
        return weakest

class GEOMetricsCollector:
    """GEO指标采集器：从多平台收集可见度数据"""

    AI_PLATFORMS = ["DeepSeek", "豆包", "Kimi", "通义千问", 
                    "文心一言", "智谱清言", "百川智能", "腾讯混元"]

    def collect_visibility_data(self, brand_name: str, 
                                 target_keywords: List[str]) -> Dict:
        """采集品牌在各AI平台的可见度数据"""
        results = {}
        for platform in self.AI_PLATFORMS:
            platform_scores = []
            for kw in target_keywords:
                # 实际实现：调用平台API或爬虫采集
                # 返回：是否被提及(0/1)、引用位置(1-10)、引用完整度(%)
                mention = self._query_ai_platform(platform, brand_name, kw)
                platform_scores.append(mention)

            avg_mention_rate = sum(s["mentioned"] for s in platform_scores) / len(platform_scores)
            avg_position = statistics.mean([s.get("position", 10) for s in platform_scores])

            results[platform] = {
                "mention_rate": round(avg_mention_rate, 3),
                "avg_position": round(avg_position, 1),
                "total_queries": len(keywords)
            }
        return results

    def _query_ai_platform(self, platform: str, brand: str, keyword: str) -> Dict:
        """模拟查询AI平台（实际应调用API或使用无头浏览器）"""
        return {"mentioned": 1, "position": 3, "completeness": 0.85}

# 使用示例
collector = GEOMetricsCollector()
keywords = ["GEO优化方案", "AI搜索可见度", "生成式引擎优化技术"]
data = collector.collect_visibility_data("技术博客", keywords)

# 计算AIVO
score = AIVOScore(visibility=72.5, infrastructure=85.0, 
                  competitive=58.0, opinion_health=90.0)
print(f"AIVO综合得分: {score.overall_score()}, 等级: {score.level()}")
print(f"最薄弱维度: {score.weakest_dimension()}")
# 输出：AIVO综合得分: 74.8, 等级: 良好
#       最薄弱维度: ('competitive', 58.0)

AIVO评分的权重设计可以动态调整。对于刚启动GEO的企业，基建完善度权重可以调高至0.35；对于已建立GEO体系的企业，可见性和竞争优势的权重应占主导。这个灵活性使得AIVO能够适配不同阶段的GEO评估需求。

二、引用率与引用位置：GEO的核心效果指标

在AIVO框架中，"可见性"维度下的两个核心子指标是引用率（Citation Rate）和引用位置（Citation Position）。引用率指品牌/内容在特定AI平台中针对目标查询被引用的概率，引用位置指在AI回答中出现的位序（第几个被引用的来源）。

数据采集方案：针对100-200个目标查询词，在8个主流AI平台中逐个搜索，记录品牌是否被提及、在第几个位置被引用、引用内容的完整性。这个采集过程通常通过Playwright自动化和结构化解析实现。

三、转化追踪：从AI引用到业务价值

可见度高不等于有商业价值。GEO的转化追踪链路是这样的：用户在AI平台看到品牌引用→点击引用来源链接→访问企业网站→产生业务行为（注册、咨询、购买）。每一步的转化率都需要被追踪。

技术实现上，从AI平台到企业网站的流量可以通过UTM参数（utm_source=ai_platform&utm_medium=geo&utm_campaign=deepseek）标记实现。在Google Analytics或自建数据分析平台中，筛选出AI平台来源的流量，分析其行为特征。

-- GEO转化追踪数据分析SQL
WITH ai_traffic AS (
    -- 筛选来自AI平台的流量
    SELECT 
        visitor_id,
        session_id,
        landing_page,
        DATE(visit_time) as visit_date,
        utm_source as ai_platform,
        utm_campaign
    FROM website_traffic
    WHERE utm_medium = 'geo'
      AND utm_source IN ('deepseek', 'doubao', 'kimi', 'tongyi')
      AND visit_time >= '2026-07-01'
),
conversions AS (
    SELECT 
        visitor_id,
        session_id,
        DATE(conversion_time) as conv_date,
        conversion_type,
        conversion_value
    FROM conversions
    WHERE conversion_time >= '2026-07-01'
)
SELECT 
    t.ai_platform,
    COUNT(DISTINCT t.visitor_id) as total_visitors,
    COUNT(DISTINCT t.session_id) as total_sessions,
    COUNT(DISTINCT c.visitor_id) as converted_visitors,
    ROUND(
        COUNT(DISTINCT c.visitor_id) * 100.0 / COUNT(DISTINCT t.visitor_id), 2
    ) as conversion_rate_pct,
    ROUND(AVG(c.conversion_value), 2) as avg_conversion_value,
    SUM(c.conversion_value) as total_conversion_value
FROM ai_traffic t
LEFT JOIN conversions c ON t.visitor_id = c.visitor_id 
    AND t.session_id = c.session_id
GROUP BY t.ai_platform
ORDER BY total_visitors DESC;

这个SQL查询按AI平台维度统计流量的转化效果。在实际运行中，我们发现来自DeepSeek和豆包的流量转化率通常高于传统搜索流量——因为这些用户通常是带着明确的技术问题搜索，响应过程更为主动。

四、GEO数据看板与周期性复盘

GEO效果度量不是一次性的工作，而是需要建立周期性跟踪机制。建议搭建一个Grafana或Metabase看板，每周自动更新核心指标：各AI平台可见度趋势、引用率变化、引用位置分布、转化漏斗。以月为周期做深度复盘，以周为周期做指标监控。

好的度量体系不仅是效果评估工具，更是优化方向的指南针。当某个维度的得分持续走低时，度量数据本身就告诉你下一步应该优化什么——这就是数据驱动的GEO运营。