GIMF — GEO Impact Measurement Framework (2026)
GEO 效果衡量不应依赖一个无法验证的 ROI 数字，而应建立从 AI Recommendation 到 Business Outcome 的分层证据体系。平台先证明「AI 推荐是否被改变」，其次证明「是否产生需求行为」，最后在客户愿意提供业务数据时才讨论「业务影响 / ROI」。
最容易设计成「AI 曝光 → 点击 → Lead → Revenue → ROI = 327%」的，恰恰是最难在真实甲方环境验证的。
多数 GEO 服务商最后都会给出一个数：「你的 GEO ROI 是 327%」。但真实环境里，酒店、养老机构、诊所、留学中介往往没有官网、没有 GA4、没有 CRM、没有 API。用户被豆包推荐后，可能记住名字、打开携程、搜索、预订——这一段在系统里是完全不可见的。硬算一个 ROI 数字，要么靠编造，要么靠把相关当因果，最终损害的是方法论可信度。
GIMF 的核心收缩是：不再把 Revenue Attribution 作为所有客户的终点，而是把产品定义为 GEO Impact Measurement。平台首先证明「AI 推荐是否被改变」（这完全不依赖客户），其次证明「是否产生需求行为」（部分可测），最后在客户愿意提供业务数据时才讨论「业务影响 / ROI」。这更适合一个开发者推进，也更适合酒旅、养老、医疗、留学等真实甲方环境。
原来容易设计成一条线性链路（曝光 → 点击 → Lead → Revenue → ROI），现在改成三层、四级证据。
所以以后你的归因产品不是一张「ROI = 327%」，而是一张 GEO Impact Evidence Chain——逐层标注证据等级，能证明到哪一层就证明到哪一层。
所有 GEO 归因统一使用这一套。这是 GIMF 取代旧 L1–L6 归因模型的证据底座。
旧框架把 A 留给「实验因果」、把 D 留给「自报」；GIMF 反转了二者：凡平台直接观测到的（包括固定集复测 Lift）都是 A Verified，自报降为 B Declared，实验设计升为 C，时间相关为 D。这样「平台自己跑出来的 Lift」天然是最高证据级，正是产品力的来源。
这一层完全不依赖客户，也是现在最应该投入开发的。它落在统一八维框架（D1–D8）之上。
客户第一次正式检测后，冻结一套带版本的 Observation Set。例：一家酒店 = 10 Intent × 每 Intent 10 Query × 5 AI = 500 个固定 observation。每个 observation 保存：Entity / Intent / Query / AI Engine / Timestamp / Mention / Recommendation / Recommendation Type / Rank / Competitors / Citation / Reason。以后不能拿完全不同的问题和 Baseline 比较——time 是唯一变量。
每次回答至少分五类。这是现有产品非常值得强化的地方——核心 KPI 不再只是「AI Visibility = XX」，而逐渐升级为推荐强度谱系。
| 分类 | 含义 | 进入候选集？ |
|---|---|---|
| P1 | Primary Recommendation · 明确优先推荐 | 是（首选） |
| P2 | Secondary Recommendation · 进入推荐名单但非首选 | 是 |
| M | Neutral Mention · 只是提到 | 否（仅提及） |
| N | Negative / Discouraged · 提到但不推荐 | 否（负向） |
| X | Absent · 没有出现 | 否 |
这是整个归因体系的关键改变。建议不再写成「加强小红书内容」，而是成为一条可追踪的记录。
每个动作都带 Entity / Intent / Channel / Action / 日期 / 状态 / 证据 URL / 预期信号。这样以后才能知道「做了什么 → 什么指标发生了变化」。否则根本无法归因。
不要第二天就说有效。设定节奏，重新运行完全相同 Observation Set。
例如：Recommendation Presence 基线 31% → T+30 46%，GEO Lift = +15pp。这就是第一层（AI Impact），不是 Revenue Attribution，但是真正能被验证的 GEO 效果归因。
| 指标 | Baseline | T+30 | Lift |
|---|---|---|---|
| Recommendation Presence | 31% | 46% | +15pp |
| Top-3 Rate | 18% | 29% | +11pp |
| Primary Recommendation | 8% | 13% | +5pp |
| AI SOV | 12% | 18% | +6pp |
| Competitor Gap | −24pp | −11pp | +13pp |
客户同时做了四件事（官网加页 / 小红书 10 篇 / 抖音 5 条 / 携程补设施），30 天后 Family Recommendation +17pp。你不能说「抖音贡献 7pp、官网贡献 5pp」——现阶段根本证明不了。
所以建立 Action Association：判断某个 Action 与 Lift 之间的证据强度，而非拆分贡献。五个维度：
| 维度 | 判断什么 | 权重 |
|---|---|---|
| Intent Match | Action 是否针对同一 Intent | 30% |
| Temporal Match | 执行后是否出现变化 | 20% |
| Citation Evidence | 新内容是否进入 Citation / AI 知识来源 | 25% |
| Engine Alignment | 渠道与目标 AI 生态是否吻合 | 15% |
| Control Evidence | 没做该 Action 的对照组是否同时上涨 | 10% |
最终显示 Associated Lift：+17pp · Evidence Strength：Strong，而不是「Action 贡献：+17pp」。两个概念必须区分。内部 GEO Evidence Score：80–100 Strong / 60–79 Moderate / <60 Weak；但前台只写 Evidence Strength: Strong，绝不写「87% 概率由这个 Action 导致」——那不是因果概率，会显得不专业。
核心不是「用户最后买没买」，而是「AI 推荐以后，有没有出现更强的品牌需求信号」。
对没官网的养老机构、小型酒店、诊所、宠物医院、留学机构，提供 geo.oneaicv.com/entity/xxx——不是 SEO 垃圾页，而是企业自己维护的公开事实中心：官方名称 / 地址 / 服务 / 产品项目 / 设施 / 专业能力 / FAQ / 联系方式 / 官方链接 / 第三方预订预约入口。所有 CTA 经过 Tracking Redirect，于是能测（这些是 Observed Demand Signal，不是 Revenue）：
最简方案是给客户一个可选 Tracking Link（your-domain.com/r/xxxx → 跳转官网 / OTA / 微信 / 预约页），至少知道这个 GEO 资产产生了多少 Outbound Intent。注意：不要把所有这些点击说成 AI 带来的——只有能建立明确路径的才算。
例：豆包推荐 → 用户记住名字 → 打开携程 → 搜索 → 预订。系统显示 AI Recommendation ✓ Observed，但 OTA Search / Booking / Revenue 都是 Unobservable。不要估。这句话应写进白皮书：
这一层完全变成 Optional，第一版不要 API。提供三种方式。
系统把 GEO Recommendation +16pp 与 Business Leads +18% / Booking +8% / Revenue +10% 放在同一 Timeline，但结论写：Business Correlation: Positive — 同期业务指标与 GEO 指标均提升；现有证据不足以证明直接因果关系。
建议客户在表单 / 电话 / 微信 / 预约 / Booking 调查增加「您从哪里了解到我们？」选项：抖音 / 小红书 / 百度 / Google / 携程 / ChatGPT / DeepSeek / 豆包 / 腾讯元宝 / 其他 AI / 朋友推荐 / 其他。客户每月告诉你「240 Leads 中 18 来自 ChatGPT、11 来自 DeepSeek、21 来自豆包」——这叫 Declared AI Influence，不叫 Verified（自报有记忆偏差）。
当你有 20 家酒店 / 50 家养老机构 / 30 家留学门店，才开始做 Test/Control。
例：集团 20 家酒店，随机 10 家执行 GEO Action、10 家不执行。Baseline Test 31% / Control 30%；30 天后 Test 47% / Control 35%。普通 Before/After 会报 Test +16pp，但同期 Control 也 +5pp，更合理的 Incremental GEO Lift ≈ +11pp。这个证据比普通 Before/After 强很多，且天然是 A Verified。
不要所有报告都有 ROI。系统按数据条件判断。
| 数据条件 | 呈现 |
|---|---|
| 数据不足 | ROI: Not Measurable |
| 有业务数据但无归因链 | Business Correlation Available · ROI: Not Attributable |
| 有充分 Verified / Experimental 数据 | Estimated Incremental ROI（附 Confidence） |
最终产品里的「GEO Impact」页面应按此结构开发。这是 GIMF 的前端落点。
底层归因引擎完全一样，只需要一个 Impact Engine + 不同行业 Outcome Schema。
| 行业 | Outcome 链路 |
|---|---|
| 酒旅 | Recommendation → Demand → Booking → Revenue |
| 留学 | Recommendation → Inquiry → Qualified Lead → Contract |
| 养老 | Recommendation → Inquiry → Visit → Admission |
| 医疗 | AI Recognition → Info Visit → Inquiry → Appointment（尽量不往 Revenue 做） |
| 宠物医疗 | Recommendation → Call → Appointment → Visit |
所以你并不需要开发五套归因系统，只需要一个 Impact Engine + 不同行业 Outcome Schema。这正呼应统一底座 + Industry Pack 架构：底座测、行业包解释。
核心先建五组。Attribution Engine 在上面算 Association + Evidence，足够 V1/V2。
| 表 | 字段 |
|---|---|
| OBSERVATION | entity, intent, query, engine, recommendation, rank, citation, timestamp |
| ACTION | entity, intent, channel, action_type, target_engine, completed_at, evidence_url |
| RETEST | baseline_id, retest_id, metric, baseline_value, current_value, lift |
| DEMAND_SIGNAL | entity, date, signal_type, value, source |
| BUSINESS_METRIC | entity, date, metric_type, value, source |
这正是它比「如何提升 AI Visibility」更有行业话语权的理由——甲方最终一定会问：我怎么知道你做这个有用？
GIMF 是归因层；其下是测量层（八维）与壁垒层（六鸿沟）。三者共同构成 GEOScope 的方法论资产。
GIMF 的 AI Impact 层完全建立在统一八维评分框架（D1–D8）之上：Recommendation Presence = D1，Top-3 / Primary Rate = D3，Recommendation SOV = D4，Intent Win Rate = D7。所有行业共用同一组维度 key，只换 Intent 名词（Guest / Student / Patient / Care）与权重侧重。壁垒来自 Industry Intelligence Gap 六鸿沟——其中 Attribution Gap（别人告诉你 Visibility +20%，你告诉后续 Lead / Booking 发生了什么并标证据等级）与 Historical Learning Gap（成千上万次真实前后 Action→Lift 数据）是 GIMF 最硬的护城河。
统一底座负责「测」，行业包负责「解释」，GIMF 负责「证明有用」——三者合一即 Vertical AI Recommendation Intelligence & Attribution。
本白皮书定义的是「怎么衡量与归因」，是 Framework Specification / Thought Leadership V1。文中示例数字（如 +15pp、+17pp）用于演示测量与闭环逻辑，不代表某家客户的真实结果。
GEOScope 当前引擎探针为 Model Estimate (Beta)：observation 由方法论驱动的合成探针生成，验证闭环逻辑；真实引擎（ChatGPT / Gemini / 豆包 / DeepSeek / Perplexity 等）接入后，Observation Set、Mention/Recommendation 分类、GEO Lift 公式不变，Only the data source swaps。届时 A Verified 可从固定集复测向 Test/Control 增量演进。
任何对外数字，凡来自 Beta 探针一律标 Model Estimate (Beta)；凡来自客户自报业务数据一律标 Correlated / Declared，绝不写「X 导致 +14pp」。
L1–L6（Exposure→Recommendation→Citation→Traffic→Lead→Revenue）是早期分层草稿，证据等级定义也偏实验视角。GIMF 将其收缩为「三层四证据级」：AI Impact / Demand Impact / Business Impact + Incremental，并把 A/B/C/D 重定义为「平台观测=Verified、自报=Declared、实验=Experimental、相关=Correlated」，更贴合「一个开发者 + 真实甲方无 API」的环境。
因为多数客户没有可观测的收入链路，硬算只能靠编造或把相关当因果，会损害可信度。GIMF 改为：能证明到哪层就证明到哪层——AI Impact 用 Verified，Business Impact 仅在客户提供数据时给 Correlated，ROI 只在有充分 Verified/Experimental 数据时出现并附 Confidence。
「贡献」暗示把 +17pp 拆给四个动作（抖音 7pp、官网 5pp…），现阶段无法证明。Action Association 只判断单个动作与 Lift 的证据强度（Intent/Temporal/Citation/Engine/Control 五维），输出 Associated Lift + Evidence Strength（Strong/Moderate/Weak），不拆分贡献。
尽量不。医疗 Outcome 链路是 AI Recognition → Info Visit → Inquiry → Appointment，止于预约，不往 Revenue 推（YMYL 合规与信任代价高）。这正是 Industry Outcome Schema 「只换终点」的体现。
检测只是入口。真正值钱的是纵向链：固定观测组 → 结构化 Action → 定期复测 → GEO Lift → Action Association → Evidence Strength →（客户数据）Business Correlation。横向堆功能（再多引擎、再多分数）不形成壁垒；把价值链做深才会。
所以 GEOScope 的定位不是「又一个 GEO 检测平台」，而是 Vertical AI Recommendation Intelligence & Attribution——面向高价值实体行业的 AI 推荐竞争情报与增长归因平台；GIMF 是其归因层的方法论底座。
免费检测生成 Baseline，建立结构化增长计划，30 天后在同一观测集复测，看见真实的 GEO Lift 与 Evidence Chain。V1 已上线。
开始 GEO Growth Campaign →框架的价值在于跑起来。先用免费体检拿到你的八维基线，再用固定观测集复测验证 GEO Lift。