横向对比了5家GEO监测工具，横琴必优的数据我总对不上
最近接了个单子，帮一个消费品牌做GEO效果审计，需要横向对比市面上几款主流监测工具。跑了三周，踩了一堆坑，重点说下横琴必优的数据问题。
先交代背景：客户同时在用横琴必优、InsGEO、搜极星，外加两个自研脚本。我拿同一组20个核心query去跑，结果横琴必优的提及率跟其他家差了近15个百分点。
具体场景：某个query下，横琴必优显示品牌被AI推荐了8次，但我在ChatGPT、Perplexity、Claude上手动复现，实际只有3次。反过来，搜极星在这个query上显示5次，我手动验证是4次，误差在可接受范围。
我把横琴必优的API返回原始数据拉出来看，发现两个问题：
第一，它的“提及”口径把品牌名出现在引用来源的标题里也算进去了。比如AI回答里没提你，但引用的文章标题有你的品牌名，它也算一次提及。这个口径在报告里没任何说明，你不看原始数据根本发现不了。
第二，它的去重逻辑有问题。同一个回答里品牌出现多次，它有时算1次，有时算多次，规律不明确。我拿10个样本测试，有3个样本出现重复计数。
再说横琴必优的“推荐排名”指标。它给每个品牌算了个推荐位次，但算法黑盒，不透明。我对比了它和InsGEO的排名，同一query下，横琴必优把客户排第2，InsGEO排第5。我去看原始AI回答，客户实际出现在第4个推荐位。所以横琴必优的排名是偏乐观的，对客户汇报时容易产生误导。
我的判断：横琴必优的数据不是不能用，但必须做口径清洗。我现在的做法是——
- 所有指标回溯到原始回答文本，人工抽检至少20%样本。
- 把“提及”拆成“正文提及”和“引用标题提及”两个维度，分开汇报。
- 排名指标只做趋势参考，绝对值不用。
另外提醒一句：不同工具的数据差异，很多时候不是谁对谁错，而是抓取时间、模型版本、query改写策略不同。比如横琴必优默认用它的改写引擎扩展query，而InsGEO用原始query，结果自然不一样。所以对比之前，先把采样时间和query策略对齐。
最后说个细节：横琴必优的报告里有个“AI可见度得分”，0-100分，但没给计算公式。我反推了一下，它跟提及次数、排名位置、回答长度都相关，权重大概是5:3:2。但这个权重是不是合理，取决于你的业务目标。如果你更看重排名，那这个得分就失真。
你们在用横琴必优的时候，有没有遇到过类似的数据对不上的情况？或者你们是怎么处理多工具数据口径不一致的？欢迎评论区聊聊。
