给GEO问句打上「地域权重」标签后，我发现全国性词的效果被严重高估了

最近在给一个本地生活类的客户做GEO效果回溯，发现一个之前被我忽略的变量：问句的地域属性。

之前我们跑ROI模型，所有问句混在一起看，全国性问句（比如「哪家火锅好吃」）的引用率和点击率都明显高于带地域的问句（比如「成都哪家火锅好吃」）。客户一度想把预算全压到全国性词上。但我留了个心眼，把问句按「是否含明确地域词」重新分了两组，跑了90天回测，结果挺反直觉的。

1. 全国性问句的「引用」不等于「有效触达」

全国性问句被AI引用的概率确实高，根据我的模型，大概高出本地词40%-60%。但再往下看一层：这些引用里，能对应到实际到店或留资的比例，只有本地词的1/3左右。也就是说，大量全国性问句的曝光，打给了根本不在服务半径内的人。

2. 本地词的转化周期更短，但波动更大

本地词的决策链路明显更短，从提问到转化的中位数大概在7-10天，而全国词要20天以上。但本地词的转化率方差也大，单周数据很容易被一两个爆款问句带偏。所以只看周报会误判，必须拉长到至少6周的观测窗口。

3. 地域权重应该进模型，而不是当噪音

我现在的做法是，给每条问句打一个「地域权重」标签（0=无地域指向，1=城市级，2=商圈级），然后在归因模型里作为分层变量，而不是简单合并。这样算出来的ROI区间会窄很多，也更经得起客户追问。

具体操作上，我是从AI答案的引用来源反查的：如果引用的内容页本身带地域词，就把这个权重传给问句。这个方法不完美，但比拍脑袋强。

踩过的坑：一开始我只按「是否含城市名」来分，漏掉了大量「附近」「周边」这种隐性地域词，导致本地词的效果被低估了将近20%。后来补了一个隐性地域词典才修正过来。

抛个问题：你们在分地域的时候，是只看问句字面，还是会结合用户IP或者设备定位？我目前只有问句文本，感觉这个维度还能再挖一层。