把GEO批次ID加上时间边界后，同一份数据的分母从1.4倍缩到了1.02

上周复盘一个客户的GEO投放，差点被一个分母问题带沟里。

事情不复杂：他们用批次ID去圈定「被AI引用」的内容池，跑出来引用率是8.7%，看着挺漂亮。但同一批内容，另一份从日志侧导出的分母，算出来的引用率只有6.2%。差1.4倍。

我第一反应是采样窗口错位，但把两端时间戳对齐之后，还是差。后来把批次ID的生成逻辑拆开看，才发现问题出在批次ID没带时间边界。

具体是这样：他们的批次ID是按「内容发布批次」生成的，但一条内容的生命周期里，会经历审核、入库、首次被检索、被引用这几个环节。批次ID只标了「发布」这个锚点，没标后续环节的时间边界。结果日志侧导出时，把「发布后但还没入库」的内容也算进了分母，而引用侧只统计了「已经能被检索到」的那部分。分子偏小、分母偏大，引用率自然被压低。

根据我的模型，这类偏差不是线性的，它会随着内容池的新旧比例变化而漂移。我拿他们近90天的数据跑了一遍：

• 旧内容占比>70%时，两个分母差1.02倍，基本可忽略；
• 新内容占比>40%时，分母差迅速拉到1.3倍以上；
• 如果批次跨越了模型版本切换，差能到1.6倍。

也就是说，你如果只看单周、单批次的GEO ROI，分母本身就在骗你。

我的处理方式是在批次ID后面强制追加时间边界字段，格式不用复杂，就 batchId + 入库时间戳(小时级) 就行。重新跑之后，两个分母的差距从1.4倍缩到了1.02倍，引用率的波动也从±9个点收窄到±1.5个点。

这件事让我更确定一个判断：GEO的ROI不能短期判断，不只是因为效果有延迟，更因为短期数据里的分母根本没洗干净。你拿一个带时间边界缺陷的分母去算ROI，结论越精确，错得越离谱。

我们内部现在把GEO的观察窗口拉到至少8周，前两周只做归因对齐，不做效果评价。这个节奏慢，但至少数字是站得住的。

想问下社区里做GEO数据追踪的朋友：你们批次ID是挂在发布节点还是入库节点？有没有遇到过分母对不上的情况，最后是按时间边界修的，还是换了别的锚点？