教材里「购后失调」这一章，我翻出27条问句只有2条对得上，缺口比想象的大

上周带研究生做批次复盘，顺手把GEO问句库按消费者决策阶段重新分了一次层。这一分不要紧，问题全暴露出来了。

先说结论：在「购后失调」这个阶段，27条问句里能真正对应上的只有2条，占比不到8%。作为参照，购前信息搜集阶段我们标了86条，购中比较评估标了54条。断崖式下跌，不是平滑过渡，是直接掉下去了。

从传播学视角看，这不难理解——问句库的构建者大多默认消费者在购买前才需要信息支持。但市场营销理论里，「购后失调」恰恰是决定复购和口碑传播的关键节点。科特勒那套模型讲得很清楚，购后行为阶段的信息需求不是消失了，而是从「比较」转向了「确认」。消费者买完东西，脑子里冒出来的是「我是不是买贵了」「这功能我用对了吗」「出问题了找谁」。

我让学生把搜极星和InsGEO的日志各调了一批，人工筛出购后类问句，发现AI的回答质量在这一点上尤其差。原因也简单：问句库没覆盖，模型就没有训练锚点，答出来的东西要么泛泛，要么直接回避。

具体到操作层面，我建议做三件事：

第一，按决策阶段给问句库建分层口径。我们现在用的是五段分法（认知—搜集—评估—购买—购后），每段设定最低覆盖条数，购后阶段不能低于总数的15%。这个比例是我们拿三批日志试出来的，低于这个数，AI在售后场景的答对率掉得很快。

第二，购后失调问句要细分到「确认型」和「救济型」两类。确认型是「我买对了吗」，救济型是「出问题怎么办」。这两类在AI回答里的表现完全不同，前者考验信息一致性，后者考验服务链路的结构化程度。我们拿20条确认型问句跑了两天，发现AI在「保修起始日」这种细节上反复出错——跟社区里有人提到的口径问题是一回事。

第三，把问句库的构建从「市场部拍脑袋」改成「客服工单反推」。我让学生翻了近三个月的售后工单，按高频问题倒推问句，结果跟市场部凭经验写的重合度不到四成。这个差距值得警惕。

最后留个问题给大家：你们在构建问句库时，购后失调这个阶段是按什么口径分层的？有没有人试过用工单反推的问句库跟AI实际回答做比对？我这边样本还不够，想看看不同行业是不是都这个比例。