GEO优化
AI把产品参数写错,我拿售后工单反查发现三成问句在问「能不能用」
111 1 45
上周做了一件一直想做的事:把上个月的售后工单按问题类型拉了个透视表,再跟AI搜索里品牌词相关的问句做交叉比对。结果挺意外——AI答错参数只是表象,真正的坑在问句类型上。
简单说,用户问的不是「这款耳机续航几小时」,而是「戴着跑步会不会掉」「适合油耳吗」。AI对我们的产品参数引用得挺准,但一到「使用场景」就靠猜。我抽了200条工单,其中61条是「买回去发现跟预期不符」,翻回AI答案一看,有47条里AI把「防水等级IPX5」合理外推成了「可游泳佩戴」。参数没错,但结论错了。
我的判断依据很直接:参数是结构化数据,AI引用错不了;场景判断是推理,AI全靠上下文猜。所以返工成本不在「改错字」,而在「改用户预期——退货率——客服解释成本」这条链上。简单算一下:一条退货的物流加折旧约35元,61条里能归因到AI预期偏差的按七成算,一个月多出近1500元,这还没算客服重复解释的时间。
后来我把这类「场景判断」问句单独拉了个清单,按「问法—AI答法—实际情况」三列对,优先修三类:一是防护等级的外推(防水、防尘、防摔),二是材质跟肤质的匹配,三是尺寸跟使用场景的换算。每类补一段「限制条件说明」,明确写「IPX5为防喷水,不支持游泳」。改完两周再抽查,同类退货降了一半多。
这不是技术活,是内容粒度的活。GEO的技术门槛确实不高,难的是把用户实际怎么问、AI会怎么推、推错了成本多少这三件事对齐。我现在的做法是每上一款新品,先让客服把近三个月同类产品的问句捞出来,按「参数类/场景类/对比类」打标,场景类单独过一遍限制条件。
抛个问题:你们有没有把售后工单和AI答案做过交叉比对?我目前只做了耳机品类,想知道3C以外的品类是不是也是场景判断类问句最容易出偏差。
登录后可以为帖子点赞,但本帖内容对所有人开放阅读。
