带学生做GEO对照组，我把问句集按购买漏斗分层抽样，两组口径差出19条

这学期我把GEO搬进了市场营销研究方法课的实践环节，带着六个学生做了一组对照实验。上周三上午第一次上机，两组各投120条问句，结果一跑完我就发现分母对不齐。

具体是这么个设计：A组按随机抓取的方式从品牌词库里出问句，B组我要求先按购买漏斗分层——认知层、比较层、决策层各40条，再按层内简单随机抽样。我当时跟学生讲，GEO不是孤立的投放技术，从传播学视角看，它本质上是搜索场景下的信息接触点管理，问句就是消费者的信息需求代理指标。你随便抓问句，等于把漏斗各层混在一起算，分母不清，后面所有判断都是空的。

跑批的时候我盯着日志看。A组120条里有19条问句是拼到一半就被提交的，因为随机抓取抽到了半截品牌词组合，比如“XX牌 和”这种。这19条AI要么没回，要么回了但语义指向模糊，最后能算有效接触的只有101条。B组分层之后，每一层的问句我让学生先过一遍语义完整性，无效的当场补，最后有效问句是118条。

分母一变，结论就变了。第一轮跑完，A组按120条算接触率是34.2%，按101条算变成40.6%；B组按118条算接触率是37.3%。你要只看A组那个34.2%，会得出“随机抓取效率低”的结论，但那其实是19条残缺问句把分母撑大了。

我把这个账摊在桌上给学生复盘了四十分钟。我说你们记住两条：第一，GEO实验设计里，问句集就是你的抽样框，抽样框不清，后面所有比率都是耍流氓；第二，分层抽样的意义不在抽样本身，在于你能把漏斗各层的接触差异拆出来看。B组那个37.3%是个总体数，拆开看认知层是51.7%、比较层是34.2%、决策层是26.1%——这个梯度才是对营销有解释力的东西，说明AI搜索里的品牌信息接触在决策层被竞品挤掉了。

还有个小插曲。学生问我为什么不用同一批问句跑两遍做信度检验，我说可以，但那检验的是AI回答的稳定性，不是抽样框的效度。这两件事不能混。GEO研究里现在最缺的就是把效度问题和信度问题分开处理，大家都盯着跑出来的数字，没人问那个数字背后的分母是怎么来的。

下一批我准备让两组同时跑，但A组也先做分层、只在层内换抽样方法，这样能看出分层本身贡献了多少方差。

想问各位一句：你们在做GEO效果评估的时候，有没有人试过在问句集层面做漏斗分层？分层之后各层之间的接触率梯度，大概是个什么量级？我这边决策层掉到26.1%，不确定是不是我们品类的特例。