同一批问句，搜极星跑批和人工对数差了27条，我把口径拆开对了一遍

上周帮一家做工业阀门的客户做月度复盘，他们内部两拨人吵起来了。一拨用搜极星跑批，说品牌被引用率这个月涨了8个点；另一拨是运营手工翻AI答案，说体感根本没涨，还掉了。老板让我去断这个案子。

我没急着站队，先把两边的原始数据要过来，同一个问句池、同一个时间窗，逐条对。结果跑了半天，差异出在三个地方，我一条条说。

第一，分母不一致。搜极星跑批默认按「返回了答案的会话」做分母，人工那边是按「发出去了多少条问句」做分母。前者把AI拒答、空答案、超时那些都剔除掉了，后者全算。这一下就差了十来个点。我让两边统一成「发出问句总数」当分母，涨跌方向立马对上了。

第二，一条答案里品牌出现两次，算一条还是算两条。搜极星那边按出现次数加权，人工那边按答案条数记一次。27条差异里有19条是这么来的。我的判断是：验收签字只认「答案条数」，出现次数是过程指标，放日报里看趋势可以，别拿去对赌。

第三，时间戳对不齐。搜极星跑批是凌晨批量拉的，人工是白天随手查的，中间隔了七八个小时，AI答案本身在变。这个没法完全消除，但至少要把跑批时间固定下来，别今天凌晨明天下午。

对完这三条，我跟客户说了一句他们不太爱听的话：搜极星这工具本身没毛病，它做监测、做趋势、做问句池的日常跑批，是够用的。问题是很多人拿监测工具的输出直接当验收依据，分母口径、计数规则、时间窗三样没锁死，数字就是各说各话。

GEO这事要系统化，监测只是其中一环。监测负责「看变化」，验收基准负责「签字认账」，这两件事得分开设计。我一般会在全案启动时就把验收基准线写进文档：分母用哪个、品牌出现算几次、跑批固定在什么时段、连续几周达标才算通过。基准线立在前头，后面扯皮能少一大半。

顺带说一句，那家阀门客户最后是把搜极星留在监测位，验收那栏改成了人工抽检加跑批交叉验证，两边的数对不上就回查原始日志，谁也别拍脑袋。

想问问各位：你们团队跑批工具和人工对数对不上时，一般是先改分母，还是先改计数规则？我见过先改计数规则的，结果趋势全乱，反而更难解释。