Hospitality AI Visibility Methodology v1.0 · 酒店 AI 可见度方法论

定义 · Definition

什么是 Hospitality AI Visibility？

Hospitality AI Visibility is the measurable presence, prominence and accuracy of a hospitality property across AI-generated travel recommendations, measured across AI engines, travel intents, competitive sets and time.

酒旅 AI 可见度，指一家酒旅实体（酒店 / 度假村 / 民宿 / 景点）在 AI 生成的旅行推荐中「被提到、被优先推荐、且信息准确」的可量化程度。它不只看有没有被提到，还看：被哪些引擎提到、在哪些旅行意图下被提到、与竞品相比排第几、以及 AI 对它的描述是否准确。

为什么公开方法论

可引用，先可复核

诚实声明（Beta）。 本方法论 v1.0 是测量框架，已在产品中落地。当前公开的城市 Index 与免费快照使用的是确定性市场级探针（mock-v3），用于验证算法、模板与结构；真实 AI 引擎（ChatGPT / Gemini / Perplexity 等）的接入在路线图内。凡标注 Beta 的数据页，其分数为模型估计，并非实时 AI 引擎测量值。我们不会把未经验证的数据宣称为真实行业发现。

候选指标 · Candidate Metrics

Hotel AI Visibility Score 由 8 项候选指标构成

v1 以「真实 Observation 为主指标、技术 GEO 因素为解释变量」。下列 8 项中，已测 = 当前免费快照/城市 Index 可直接产出；Roadmap = 需真实引擎与历史数据，计划在 v2 纳入。

指标	含义	状态
AI Mention Rate	在探针里被 AI 提及的比例（0–100%）	已测
Recommendation Position	被放在推荐第几名、置信度多高	已测
Engine Coverage	在多少个 AI 引擎里出现	已测
Intent Coverage	在多少类旅行意图下被提及	已测
Citation Strength	被引用来源的可信度与数量	Roadmap
Entity Accuracy	AI 对你的名称/地址/类型描述是否准确	Roadmap
Competitive Share of Voice	相对竞品集的被提及份额	已测
Stability	跨时间窗口的可见度波动（需历史）	Roadmap

意图分类 · Intent Taxonomy

10 类旅行意图，免费快照取 5 类

产品按实体类型挑选 5 类意图做免费快照（15 探针 = 5 意图 × 3 引擎）；城市 Index 使用全部 5 引擎 × 5 意图做聚合。意图分类恒定，保证跨城市可比。

意图	示例查询
GENERAL 综合推荐	“Singapore 最好的酒店”
LOCATION 地理位置 / 地标	“外滩附近酒店”
ROMANTIC 情侣 / 浪漫	“适合情侣的精品酒店”
FAMILY 亲子	“带孩子的家庭酒店”
BUSINESS 商务	“近会展中心的商务酒店”
LUXURY 奢华	“最顶级的奢华酒店”
BOUTIQUE 精品设计	“有设计感的精品酒店”
RESORT 度假村	“海边度假村”
POOL 泳池设施	“有无边泳池的酒店”
PET 宠物友好	“可以带狗的酒店”

抽样方法 · Sampling

分层抽样，而非穷尽

每个城市的酒旅 POI 可能上万。公开 Index 不声称覆盖「全部酒店」。我们采用分层抽样：按类型（奢华 / 高端 / 中端 / 精品 / 独立 / 连锁 / 度假村）抽取具有代表性的样本（每城声明样本量 N，如 300–1000）。样本来源以开放数据优先（OpenStreetMap / Nominatim / Overture），仅在获得授权时补充商业 POI。抽样方法公开、稳定，方可做行业 Benchmark。

统一配置 · Configuration

所有城市用同一套参数

维度	v1.0 配置
AI 引擎	chatgpt · gemini · perplexity · claude · doubao（5 个）
提示版本	promptVersion = v3（模板变更即升版）
语言	默认 en；按城市补充 zh / ja / ko / th 等
观察窗口	ISO 周分桶（weekBucket），缓存命中避免重复探针
采样方式	分层抽样，声明 N，开放数据优先
公开刷新	公共 City Index 月度更新；付费监测周更
实体解析	GEOScope Entity ID = GEO-HOTE-{CC}-{6HEX}

算法 · Algorithms

提及、排名、引用、打分

1

实体解析：用名称 / 城市 / 地址 / 类型做 Entity Resolution，生成稳定 GEOScope Entity ID，并优先从开放 POI 补全。

2

市场级探针：以城市为unit，一次探针覆盖全市场候选，而非逐酒店；结果按 ISO 周缓存。

3

提及与排名：从答案中解析酒店名出现与否与名次（extractMention）；命中即记为提及。

4

引用：记录答案带来的来源域名 / 标题 / 摘要（v1 mock 用 OTA/地图域占位，真实探针接 provider）。

5

Visibility Score：v1 = 跨引擎、跨意图的提及率归一为 0–100；Roadmap 升级为 8 维加权（见候选指标表）。

打分 · Score

AI Visibility Score（v1）

Hotel AI Visibility Score = round( 100 × mean(mentionRate over engines × intents) )

即一家酒店在「5 引擎 × 5 意图」探针里的平均被提及比例，映射到 0–100。城市 Index 的市场均值、Top 10% 阈值、各类型均值均由此推导。v2 将引入 Citation Strength / Entity Accuracy / Stability 等加权，分数含义更稳定、更不易被单引擎波动带偏。

数据局限 · Limitations

我们必须说清楚的几件事

当前公开 Index 为模型估计（Beta）：确定性 mock 验证算法与结构，不等于实时 AI 引擎测量。
单次探针有波动：生成式引擎对同一问题可能给出不同回答，故 v1 已用市场级缓存 + 多意图聚合降低方差。
引擎黑箱：各引擎不公开推荐算法，我们的测量是「观测」而非「逆向工程」。
地域 / 账号偏差：AI 回答可能随用户语言、地区、账号而异；我们按城市固定配置以减少偏差。
抽样非穷尽：城市 Index 用分层抽样，不代表「该市全部酒店」。

FAQ

关于方法论的常见问题

问题	回答
城市 Index 的数字是真的吗？	当前为 Beta 模型估计，明确标注；接真实引擎后逐步替换为实测量。
为什么是 5 个引擎而不是 1 个？	不同引擎信源偏好不同，跨引擎聚合才是稳健路径，不押注单一 AI。
样本量为什么不一？	按城市酒店规模与数据可得性做分层抽样，数量公开声明。
Score 会改吗？	v1 为提及率归一；v2 引入 8 维加权，版本号随方法论升版，历史可比。

GIMF · 效果衡量

从「被 AI 推荐」到「带来预订」：GEO 效果衡量框架

GEO Impact Measurement Framework（GIMF） 是 GEOScope 把「GEO 效果」从「一个无法验证的 ROI 数字」收缩为「分层证据体系」的方法论。我们不把 ROI 当成每个酒旅客户的终点：先证 AI 推荐变没变（AI Impact），再证需求行为（Demand Impact），最后客户给数据才谈 Business Impact / ROI。

三层 + 四级证据：① AI Impact（平台完全可测）② Demand Impact（部分可测）③ Business Impact（客户数据可选）+ ④ Incremental（成熟客户 Test/Control）。证据级 A Verified 平台直接观测 / 固定集 Lift · B Declared 用户自报 · C Experimental Test-Control · D Correlated 同期相关。

证据级	含义	在酒旅场景的常见来源
A · Verified	平台直接观测 / 固定 Observation Set 前后 Lift	复测窗口内 P1/P2 率变化、推荐 SOV 变化
B · Declared	用户自报（标注来源）	客户后台直订量、OTA 订单手工录入
C · Experimental	Test / Control 对照	成熟客户的 A/B 城市 / 渠道对照
D · Correlated	同期相关（非因果）	AI 可见度上升期与预订上升期的重合

Mention / Recommendation 五级

P1–P2–M–N–X：把「提到」细分

P1 Primary（首选推荐）/ P2 Secondary（并列提及）/ M Neutral（中性提及）/ N Negative（负面）/ X Absent（未提及）。核心 KPI 升级为 Recommendation Presence / Top-3 Rate / Primary Rate / Intent Win Rate / Recommendation SOV。

Action Association（关联而非因果）

我们只报关联强度，不报「导致 X% 增长」

从五个维度加权得出 Evidence Strength：Intent 契合度（30%）/ Temporal 时序（20%）/ Citation 引用（25%）/ Engine 覆盖（15%）/ Control 对照（10%）。前台只呈现 Strong / Moderate / Weak，禁止写「X% 概率导致」。

GEO Lift & Retest Window

固定 Observation Set 上的前后对比

在同一组固定 Observation Set（冻结的查询 / 实体 / 引擎组合）上做 Baseline → Retest 对比，得到 GEO Lift（百分点变化）。复测窗口：T+7 / T+14 / T+30 / T+60。固定集冻结是为了排除意图漂移带来的噪声，只测「做了动作之后推荐有没有变」。

酒旅业务转化链 · Outcome Schema

同一套 Impact Engine，行业只换 Outcome Schema

阶段	酒旅转化链	可观测信号
AI Impact	Recommendation（被 AI 推荐）	P1/P2 率、推荐 SOV
Demand Impact	Demand → Booking（需求 → 预订）	Profile / 官网 / OTA 点击、直订
Business Impact	Revenue（营收，客户数据）	RevPAR、订单额（Declared）

GEO Impact Dashboard

八段结构

每个机构的 GEO 效果看板包含：01 AI 推荐影响 / 02 意图影响 / 03 竞品差距 / 04 动作影响 / 05 影响时间线 / 06 需求信号 / 07 业务影响 / 08 归因置信度。第 08 段始终标注证据级（A/B/C/D）与「不可观测 ≠ 零，亦 ≠ 可归因」的诚实口径。

开始

先测你的酒店，看它在 AI 推荐里排第几

免费测 → 看城市 Index