GEO 推广效果衡量：AOR、RR 等核心指标解读
当用户在 DeepSeek 里问"国内有哪些靠谱的工业软件供应商"，AI 给了一份清单，里面没有你。
这不是排名掉了——因为你根本没有"排名"这个概念了。
这句话，是过去两年所有做搜索营销的人最不适应的地方。
GEO 推广效果看什么指标？
如果你只有一分钟，记住这三句话：
GEO 效果不是看排名，而是看"三率一链"——AOR（答案位占比）、RR（推荐提及率）、信源占比，加上一条从 AI 曝光到业务成交的转化链路。
●AOR 回答"用户问了这类问题，AI 的答案里有没有你"
●RR 回答"AI 推荐时，会不会主动提你、把你放在前面"
●信源占比回答"你在这个话题的引用池里，占了多少话语权"
●转化链路回答"被引用这件事，最后变成了多少线索和营收"
辅助看三个数：AI 平台带来的实际流量、被 AI 检索池收录的内容资产量、全域品牌提及声量。
一句话总原则：AOR 管曝光，RR 管心智，信源占比管护城河，转化链路管 ROI。四个一起看，GEO 才不是玄学。
一、为什么 GEO 需要一套新的衡量体系？
SEO 时代那套"关键词排名 + 点击率 + 流量"的三角，在生成式引擎里基本失效，原因有四个：
1. 排名消失了。 AI 的答案是一段整合后的自然语言，不是十条蓝色链接。用户看到的是"一段话里的一个名字"，不存在第 1 名和第 8 名的位置差，只有"在不在答案里"和"在第几句被提到"。
2. 点击消失了。 答案直接给结论，大量查询变成零点击。你可能在 AI 答案里被提了十次，官网流量纹丝不动——效果的载体从"点击"变成了"心智 + 后续搜索 + 直接访问"。
3. 结果会漂移。 同一个问题，上午问和下午问、换个账号问，答案都可能不同。基于单次查询的判断都不成立，必须靠多次采样取统计值。
4. 归因变长了。 用户可能在 AI 里比对了五轮，三天后才搜品牌名进站或打电话。传统 last-click 归因会把这笔订单算成"直接流量"，GEO 的贡献被抹掉。
所以 GEO 的衡量不是把 SEO 指标换个名字，而是要重建一套以"答案位"为单位的统计体系。
二、核心指标 1：AOR（Answer Optimization Rate / 答案位占比）
定义：在设定的目标问题集中，品牌内容出现在 AI 生成答案正文里的问题比例。
举个例子：你设定了 128 条核心问题（品类词、痛点词、对比词），在 6 个 AI 平台上各跑 3 次采样。某条问题只要有一次出现在答案正文中，就计为"命中"。最终命中 30 条，AOR = 30 ÷ 128 ≈ 23.4%。
实操中 AOR 一定要分层看，一个总数会掩盖太多问题：
| 分层 | 含义 | 为什么重要 |
|---|---|---|
| 首位 AOR | 答案第一句或第一段就出现品牌 | 注意力最集中，价值最高 |
| 列表 AOR | 出现在"推荐/清单/对比"列表里 | 采购决策期的核心场景 |
| 平台分层 AOR | DeepSeek、豆包、元宝、Kimi、文心、ChatGPT 分开统计 | 不同平台检索源差异极大，混算会失真 |
参考区间（B2B 行业经验值）：入局期 5%–10%，成长期 20%–30%，头部占位 40% 以上。
AOR 是 GEO 的"曝光口径"，它替代了 SEO 的排名概念，也是后续所有指标的地基。
三、核心指标 2：RR（Recommendation Rate / 推荐提及率）
定义：在"推荐类"问题（"推荐一款…""哪家比较好""XX 怎么选"）中，品牌被 AI 明确推荐或提及的比例。
AOR 和 RR 的区别很关键：AOR 看"在不在答案里"，RR 看"有没有被推、被排在哪"。 一个品牌可以 AOR 很高（因为很多对比文章里都提到它），但 RR 很低（AI 从来不"推荐"它，只是"提到"它）。
RR 必须配两个衍生维度一起看：
▸推荐位次：出现在推荐列表的第 1–3 位，还是第 8 位之后的长尾补充。位次越靠前，转化价值呈非线性增长。
▸情感倾向：提及语境是正面、中性还是负面。被"提"到不一定是好事——如果 AI 每次提你都带着"价格偏高""实施周期长"，那 RR 越高越糟。
采样上有个硬要求：每条推荐类问题在每个平台至少跑 3 次。 生成式输出本身带随机性，单次结果只能当个案，不能当数据。
四、核心指标 3：信源占比与排名
定义：在 AI 答案的引用来源列表中，你的域名/内容被引用次数占全部引用次数的比例，以及平均出现在引用列表的第几位。
平均引用位次 = 各次被引用位次的加权平均值
这是三个核心指标里最容易被忽略、但最值得投入的一个，因为它是"上游指标"：AOR 是下游结果（AI 这一次答不答你有随机成分），信源占比是上游结构——内容进了检索池、被判定为可信来源，AI 引用的概率就系统性提高，而且更稳定、更可预测。
看信源还要看多样性：引用来源只有官网，还是覆盖了知乎、公众号、垂直媒体、行业白皮书、第三方评测？AI 对单一来源的依赖度在下降，多信源交叉验证的内容更容易被采信。
一个实操经验：信源占比往往比 AOR 提前 2–4 周变化。它是 GEO 的先行指标。
五、辅助指标：AI 流量、内容收录量、品牌提及
辅助指标用来解释"为什么"，而不是判断"好不好"：
| 指标 | 看什么 | 常见误区 |
|---|---|---|
| AI 流量 | 来自 AI 平台的会话数，重点看停留时长、浏览页数、跳出率 | 只看总量。AI 流量通常不高，但意图极强，质量远高于均值 |
| 内容收录量 | 进入 AI 检索池的内容资产数（按 chunk 粒度统计） | 用"发布篇数"冒充"收录量"。发了不等于进了检索池 |
| 品牌提及 | 全域提及声量，含无链接提及 | 不做情感判定，把负面提及也当成正资产 |
六、转化指标：从 AI 引用到业务转化
被引用只是开始，最终要落回生意。标准链路是：
AI 曝光（AOR） → 点击跳转（AI 流量） → 站内行为（留资/注册） → 商机（SQL） → 成交
关键三个数：
AI 渠道转化率 = AI 来源线索数 ÷ AI 会话数。AI 来源用户决策阶段更靠后，转化率通常是搜索流量的 1.5–3 倍。
线索质量对比：把 AI 来源、传统搜索、信息流的 MQL→SQL 转化率横向拉平对比，这是说服管理层最有力的一张表。
归因补抓：AI 会话很难 100% 追踪，必须补三个抓手——专属落地页、专属暗号/优惠码、表单里的"您从哪里了解到我们"开放题。漏掉这步，GEO 的 ROI 至少被低估三成。
最终公式：
七、如何搭建 GEO 监测体系？
四步走，两周可以跑起来：
第一步：建问题集。 按品类词、痛点词、对比词三类设计，规模 50–200 条，按业务价值分层。问题集的质量决定了整套监测的上限。
第二步：定采样规则。 明确平台清单（不少于 5 个）、采样频次（周度）、每条问题采样次数（≥3 次）、固定时间窗。规则一旦定下至少半年不变——口径一致性比采样密度重要得多。
第三步：建数据底座。 抓取 → 结构化解析（答案正文、引用列表、情感标签）→ 打标入库 → 自动出图。多数企业卡在这一步，因为要同时处理多平台反爬、非结构化解析和跨域引用去重。
第四步：定报告节奏。 周报看波动，月报看趋势，季度看转化。
三个最常见的坑：只看单次结果就下结论、只测一个平台就推全貌、不做对照组导致效果说不清是谁的功劳。
八、深度网 GEO 监测报告样例展示
以下节选自深度网为某工业软件品牌出具的 45 天基线 + 优化报告（数据已脱敏）：
| 指标 | 基线（7.01） | 第 45 天（8.15） | 变化 |
|---|---|---|---|
| AOR（答案位占比） | 4.2% | 23.7% | +19.5pp |
| 首位 AOR | 0.8% | 9.4% | +8.6pp |
| RR（推荐提及率） | 1.8% | 15.3% | +13.5pp |
| 推荐位次（平均） | 6.8 | 3.2 | 前进 3.6 位 |
| 信源占比（SoV） | 2.1% | 11.6% | +9.5pp |
| 平均引用位次 | 5.4 | 2.7 | 前进 2.7 位 |
| AI 流量 | 0 会话/月 | 1,240 会话/月 | 新增 |
| AI 来源线索 | 0 | 37 条 | 新增 |
| 转化为商机（SQL） | 0 | 9 个 | 新增 |
监测口径：128 条核心问题 × 6 个 AI 平台 × 每平台 3 次采样 = 单轮 2,304 次调用，每周一轮，连续 6 轮。
报告结论：信源占比在第 3 周开始抬升，AOR 到第 5 周才明显起量——印证了信源占比的先行性。前 3 周看不到 AOR 变化，不代表动作无效，而是结构优化还在传导中。这条结论直接修正了客户的预期：结构性指标 3 周可验证，结果性指标 6–8 周起量。
九、总结：可衡量，才能可优化
GEO 被当成玄学，不是因为它不可量化，而是因为大家还在用 SEO 的尺子量一件新东西。
换成 AOR、RR、信源占比三把尺子，再接上一条从曝光到成交的转化链路，GEO 就成了可拆解、可归因、可预测的事：AOR 给曝光，RR 给心智，信源占比给护城河，转化链路给 ROI。
先测量，再优化；先有基线，再谈增长。
想知道你的品牌在 AI 搜索中的 AOR 是多少？
深度网提供免费 GEO 基线测量，覆盖 8 大主流 AI 平台，按你的核心问题集跑完整采样，出具首份效果报告——包含 AOR、RR、信源占比三维基线，及与同行业头部品牌的横向对比。
基线不清，优化就是盲投。先把尺子立起来。