我把GEO的观测窗口从90天压到45天，反而看清了真正的延迟效应

最近在给一个客户做GEO项目的复盘，碰到一个挺反直觉的现象：把观测窗口从90天压到45天，归因模型反而更稳了。

先说背景。这个客户做B2B工业品，客单价高，决策链长。我们之前按90天窗口跑归因，发现GEO渠道的贡献一直算不准——早期线索在90天里被各种触点稀释，最后归给GEO的比例忽高忽低。

根据我的模型，问题出在「延迟效应」被平均掉了。90天窗口把那些真正受AI答案影响的短决策周期线索，和那些需要长周期培育的线索混在一起。拆开看，45天内的线索归因置信区间能收窄到±8%，而90天窗口的区间是±19%。

具体操作上，我做了三件事：

1. 按决策周期分层。把客户历史成交数据按从首次接触到成交的天数分成三档：≤30天、31-60天、61-90天。发现GEO直接影响的集中在第一档，占比约62%。

1. 对每一档单独设窗口。短周期用45天，长周期保留90天，但长周期那部分只做趋势参考，不进当期ROI计算。

1. 每周校准一次归因链。用滚动窗口看GEO触点在前45天里的位置分布，发现一个规律：AI答案首次触达后的第7-14天是转化高峰，过了30天基本衰减到基线水平。

踩过的坑：一开始我按全量数据压窗口，结果长周期线索被误判成「无GEO影响」，ROI直接掉了三成。后来才想明白，不是窗口越短越准，是要跟决策周期匹配。

现在的做法是：短周期用45天窗口报当期ROI，长周期用90天窗口报趋势，两个数分开给客户看，并注明各自的置信区间。客户一开始不理解为什么有两个ROI，我拿分层数据给他演示了一遍，他接受了。

但有个问题我还没想透：如果客户的产品线同时有短周期和长周期，预算分配时该按哪个窗口的ROI来锚定？我现在是建议客户用短周期ROI做季度考核，长周期ROI做年度战略参考，但总觉得这个分法有点糙。

你们遇到多产品线混合的情况，观测窗口是怎么拆的？