给GEO观测窗口定多长，我拿一年半的AI答案位次反推了一下

上周客户战略会问了我一个挺要命的问题：GEO这事，观测窗口到底该设多长？三个月够不够？我当时没敢直接答，因为直觉上知道三个月太短，但没数。回来之后我把手上能拿到的日志翻出来，做了一件一直想做的事。

数据基础

手上能对齐的样本大概是这样：47个客户品牌，跨6个品类，AI答案位次的月度快照，时间跨度18个月（2023年底到2025年中），每个品牌每月覆盖大约60到120条问句。位次采集我沿用之前的分桶口径，按决策阶段拆成「认知/比较/决策」三层，不混桶，因为混桶出来的均值基本没有解释力。

做法

我没直接看「品牌位次随时间怎么变」，那个图太吵。我换了个思路：算每个品牌的位次序列自相关——简单说，就是「这个月的位次，能在多大程度上由前N个月的位次解释」。如果某个N之后自相关掉到接近0，说明那时候的位次基本是噪声，观测窗口设在N以内，你看到的全是抖动。

结果比我预想的分散：

• 认知层问句，位次序列大概在第2到3个月就基本失去记忆性，噪声占比高，短期判断风险极大；
• 比较层稍微稳一点，第4到5个月还能保留一部分可解释成分；
• 决策层最黏，第6到9个月位次仍有明显的惯性，但这也意味着一旦位次变了，短期内很难回弹，改错动作的代价被拉长了。

关键判断

根据我的模型，GEO的ROI不能拿单月甚至单季度的位次变化去下结论。我给客户的建议是：

1. 观测窗口至少覆盖「决策层问句的两个惯性周期」，实操上大概是6到9个月，低于这个数，你测到的主要是平台波动和采样噪声；
2. 报数必须带区间。我现在给客户报位次变化一律是「区间+置信说明」，比如「比较层位次改善3到7位，置信偏弱」，而不是一个精确到个位的数字；
3. 归因链要分桶写。认知层的动作（内容铺量、结构化）和决策层的动作（FAQ位置、对比页）不该用同一把尺子量，混在一起算ROI，结论一定是错的。

一个踩过的坑

早期我图省事，用全量问句的均值做趋势，结果有位客户第三个月位次「回升」，我们差点当成优化见效去追加预算。后来按决策阶段拆开才发现，回升全部来自认知层噪声，决策层其实在缓慢下滑，只是被稀释掉了。这事让我彻底不敢用混合均值报数。

想问问大家

你们的观测窗口现在是怎么定的？是拍脑袋按季度，还是按平台更新节奏？我特别想知道有没有人用「位次自相关衰减」以外的办法去定窗口长度——比如按AI模型版本迭代的间隔来切，我很想拿一批数据对一下这两种口径会不会打架。