试跑前花20分钟锁死这三个口径，能省掉后面三天的返工

先说结论：GEO 快速试错没错，但试跑前置校验不做，你跑得越快，返工越狠。我上周刚踩完一遍，花了20分钟补三张单子，把后面三天的数据全救回来了。

踩坑现场

新客户，做小家电的。老板催得急，说两周内要看到 AI 答案里的品牌露出变化。我按老习惯，直接拉问句库跑了一轮基线。跑完发现三个问题同时爆：

1. 采样戳没校时。工具服务器和我本地差了两分多钟，同一批问句跑两遍，时间戳对不上，归因的时候死活排不出先后。
2. 批次ID写晚了。第一天跑的时候没写批次，第二天补了个批次号，结果两天的数据混在一个表里，分不清哪条是基线。
3. 分母没去重。问句库导出的时候同一意图有三条变体，统计的时候全算进去了，品牌被提到的比例直接虚高。

这三件事，任何一件单独拎出来都能让整轮实验白跑。

我现在的试跑前置清单

20分钟，三个动作，缺一不可：

• 第1步：校时（3分钟）。跑之前先看工具后台和本地时间差多少，超过30秒就手动记下偏移量，后面归因按偏移后的时间排。别嫌麻烦，两分钟的事能省你两小时对表。
• 第2步：批次ID写入时机（5分钟）。开跑前就把批次号定好，最好带上日期和版本号，比如 20250612_v1。关键是：第一批数据落库之前就要写进去，不是跑完再补。补的批次号没有信用，跟没写一样。
• 第3步：分母去重（12分钟）。问句库导出后先按意图聚类，同义变体合并成一条主问句，再统计。这一步最费时间但最值钱，分母错一次，后面所有比例全是假的。

判断依据

我给自己定的红线是：这三个口径没锁死之前，不许开跑。因为 GEO 试错的核心不是跑得多，是每轮结果能对账。跑十轮对不上账，不如跑两轮能复现。快速迭代的前提是上一轮数据可信，否则你迭代的是噪音。

一个反面案例

上个月有个同行，一周跑了五轮，数据波动特别大，他以为是市场在变，加大投放。结果我帮他一看，每轮的采样时间窗口都不一样，分母口径每轮都在变。五轮数据放一起，等于五个不同实验拼成一张表。他白烧了两周预算。

所以我的建议是：先锁口径，再谈归因，最后才谈优化。顺序错了，越努力越偏。

抛个问题

你们试跑前会单独花时间做口径校验吗？还是直接跑起来再说？如果做，你们卡的是哪几个点——校时、批次还是分母？我最近在琢磨把这个前置清单做成一张可复用的检查表，想听听大家实际卡在哪一步。