同一批问句，销售和技术的口径差了三倍，谁定这个数

上周拉了个跨部门会，主题是GEO试点的效果口径。简单说，会开到一半我就发现不对劲：销售报的AI提及率是18%，技术这边跑出来是6%，同一批问句、同一个工具、同一周的数据。

差在哪？我把两边的原始导出都翻了一遍，问题出在三个地方。

第一，分母不同。 销售的分母是「他们自己筛过的100条核心问句」，技术的分母是「问句库全量480条」。同样10次提及，一个除100，一个除480，能差近5倍。这不是谁算错，是没人事先定清楚「提及率」到底除以什么。

第二，判定标准不同。 销售那边，AI回答里只要出现品牌名就算提及；技术这边卡的是「品牌名+至少一个正确参数」。一条回答说了品牌但把保修期答错了，销售算进去，技术剔掉。这个差异在实际数据里占了差不多15%的条目。

第三，采样时段不同。 销售是上午10点跑的，技术是凌晨2点跑的。别笑，我上个月专门验证过，同一批问句不同时段的提及率能飘好几个点，尤其碰到促销话术更新的窗口。

我的判断很直接：GEO的技术门槛真不高，工具跑批谁都会，卡人的是口径治理。口径不统一，后面所有汇报都是自说自话。

所以会上我定了三条规矩，供各位参考：

1. 分母写死：问句库版本号和总数进报告页脚，任何提报必须带这个数，换版本就重新基线。
2. 判定规则文档化：什么算「提及」、什么算「有效提及」，写成判定树，销售和技术用同一份，争议条目双人复核。
3. 采样时段对齐：固定窗口跑批，报告里标注时间戳，跨时段对比前先做一次同窗口重测。

补一句，口径定完我要求把历史数据按新规则重算了一遍，18%掉到7%，销售那边一开始不接受，但把判定树逐条过完之后没人再吵了。数据一致性这事，靠的不是说服，是规则可复现。

现在有个问题一直没解决：口径的最终解释权该归谁？技术上我可以说清楚每个数的算法，但「有效提及」里那个「有效」的边界，本质是业务判断。我们目前是技术定规则、业务签字，但真出了争议还是互相推。你们团队里这个数是谁拍板的？有没有更顺的机制？

顺带问一句，你们报告页脚会写问句库版本吗？还是只有我一个人在这较真。