算一算GEO各项指标的经济权重

经济权重没法抄作业，先看你靠 GEO 赚的是什么钱

做本地装修的站点和做软件课程的内容站，对“内容被 AI 引用”的依赖差很多。前者可能更看重地图信息、实体一致性和附近关键词的答案出现率；后者更在意长尾问题能不能被大模型摘取并附上来源。先把近 90 天的营收拆成直接订单、销售线索、品牌词咨询和自然流量四类，再看每一类里 AI 搜索贡献了多少。

如果业务主要靠表单询盘，表单页和解决方案页的可见性就值钱；如果靠广告或品牌溢价，权重可以往品牌实体和知识面板倾斜。这个分类不急着求精确，先能区分出“靠 AI 搜索吃饭”的比例就行。

收入端和成本端分开算，别混在一起

收入端权重看指标对成交的实际拉动，成本端看为维持这项指标要花多少人力和工具。比如做结构化数据标记，每年可能要花两周人力，但可能让 AI 引用准确率上升，带来十几条高意向询盘。把这条链路上的增量收入减去成本，才会知道该给这个指标多少经济权重。

一个可复用的算法是：单项指标经济权重 = 该指标带来的预估收入贡献 ÷ 所有指标收入贡献总和 × 追踪准确度，再减去该指标的维护成本占比。前一部分是收益权，后一部分是成本惩罚。追踪准确度低，比如只看点击不看成交，就不能给太高权重。

注意，这个方法先算比例再回溯金额，比直接硬拍一个百分比靠谱。小团队可以先按季度做，不用每个月都重新算。

能直接追踪到成交的指标，别只当零头看

如果你的表单页、支付页或电话按钮能通过 UTM、GCLID 或短链把 AI 搜索来源识别出来，这类“从答案到成交”的指标就不该只占 10%。它直接决定一件业务赚不赚钱。做本地服务的，把“AI 答案里出现电话点击”和“地图包被点击”合在一起，通常能解释 4 成以上的咨询波动。

但要注意，有些模型生成的答案不带可点击链接，用户可能看完答案后手动搜品牌词再来。这时就得把品牌词搜索量变化也算进直接成交指标，否则会低估 AI 搜索的贡献。给一个简化示例：某做企业服务的站点把咨询表单提交、品牌词自然搜索、页面被 AI 引用次数三项权重设为 50%、30%、20%。这个比例不是固定答案，只是用来起步，后面用真实利润回代。

抓取和索引正常，更像“不出事就值钱”的保底项

抓取错误、索引掉线或关键页面从 AI 摘要里消失，往往不会直接带来成交，但一旦发生就是收入硬伤。所以这类指标的经济权重应该按“故障损失”而不是“日常贡献”来定。平日给 5%～10% 足够，发现连续抓取失败、Robots 被误改或结构化数据报错时，把权重临时调到 30% 左右，直到恢复。

大站每天更新几百条内容，索引覆盖率就是高权重项；小站页面少，可以只盯核心页面。把 Google Search Console 或 Bing Webmaster Tools 里的索引覆盖、抓取错误和增强报告当作风险仪表盘，比每天盯着排名更实际。

结构化数据和实体对齐，为什么会影响 AI 能不能引用你

AI 搜索在给答案时，更愿意引用那些实体信息清晰、标记正确的页面。比如一个餐厅网站把地址、营业时间、菜系、评分对象都标记好，被回答“附近哪家川菜馆现在还开着”这类问题时，被提名的概率就高。这个概率升高背后是真金白银：被提到一次，可能带来一桌客人的电话。

所以结构化数据和实体一致性这类指标，权重应该取决于你的业务有多少“附近、哪家、现在开不开”的实体型查询。占比高，权重可以给到 15%～20%；几乎没有，就只给个保底权重。这个结论不是行业数据，而是按查询类型和转化机会做的逻辑估算。

引用来源和内容可理解性，该怎么用 A/B 测试估权重

引用来源不是越多越好，要看是否被权威 AI 平台频繁采纳。内容可理解性则影响 AI 摘取后会不会保留原意。做 A/B 测试时，拿一组页面改成小标题短句、增加“结论先行”的段落，另一组保持不动，连续观察两周 AI 参考引用量和点击量变化。如果改后增量利润明显，这两个指标就该加重。

一个可行的测量口径是：每周固定跑 30 个目标问题，记录自己的内容出现次数、被摘要引用次数、被引用后实际点击次数。三项都稳定上升，就把引用来源和可理解性的合计权重从 10% 提高到 15%。没有变化就降下来，不靠感觉。

查询测试和版本记录，不算直接收入但能防掉坑

很多团队忽视查询测试和版本记录，但它们能在流量暴跌时帮你快速定位是哪次改动出的问题。假设你上周修改了页面 Schema，今天发现 AI 引用率从 30 次掉到 5 次，如果没有版本记录，排查成本可能要两三天；有记录半小时就能回滚。这半小时恢复的损失，就是版本记录的经济价值。

查询测试还可以发现 AI 平台对某些内容格式的偏好变化。每月固定跑一组行业问题，把结果截图存档，三个月回看一次，就能知道哪些指标从“锦上添花”变成了“不能丢”。这类测试成本很低，权重适合放在成本端，而不是收入端。

给不同业务算权重时，用这三步降低拍脑袋比例

先拉出近 90 天的询盘、订单或支付数据，按 AI 搜索入口、传统搜索入口、直接访问和外部链接分成四类，算出 AI 搜索带来的实际金额。金额越高，与答案出现和引用相关的指标权重越大。

再做一次故障成本估算：假设核心页面三天抓取失败，平均每天损失多少条线索、多少订单。这个预估损失除以月度毛利，就是技术健康类指标的经济权重上限。

最后挑一个争议最大的指标，做 2~4 周改动测试。比如只改产品页的结构化数据，其他都不动，看 AI 引用量和表单量有没有实质变化。变化明显就保留权重，不明显就把权重挪到别的指标。这样循环三次，权重表就会越来越接近真实盈利模型。