复盘跑了三周GEO试点数据，发现「口径」不对齐，后面全白干

大佬们好，求指点。我是刚入行做营销的，最近被安排跟GEO试点，前两周一直在帮团队跑数，结果这周复盘的时候发现一个特别蠢的问题：我们连「什么算一次有效曝光」都没统一过。

事情是这样的。我们每周会从不同渠道拉AI搜索里品牌被提及的原始日志，我负责整理。一开始我以为就是简单的去重、计数，结果越跑越不对劲。

第一个坑：时间窗口对不齐。
技术那边给的日志是按UTC时间戳存的，我们运营同学填的监测表是本地时间，差8小时。本来以为只是显示问题，但我把同一批问题（就是那几十条测试query）按两种时间戳拉出来，曝光量差了快两成。晚上跑的那批全被算到第二天去了，等于说我们前两周的日报里，有一半的「日环比」其实是跨天错位造成的假波动。

第二个坑：「提及」和「推荐」混着用。
我翻日志的时候发现，有些答案里品牌名只是出现在用户的问题里，AI回答根本没提；有些是AI在对比列表里带了一嘴；还有些是AI明确说「建议优先考虑XX」。这三种我们之前全塞进一个「曝光数」里。我手动抽了200条重新标，发现真正算得上「推荐」的只有三成出头。跟大佬们之前说的「先把术语固定再跑数」一个道理，但我当时没当回事。

第三个坑：同一query不同时间跑，答案不稳定。
我拿10条核心query连续跑了7天，每天固定早上10点跑。结果有一条关于「XX行业哪家售后好」的问题，AI的回答每天结构都不一样，有时给列表，有时给一段话，还有一次干脆没提任何品牌。这种不稳定到底算不算「未提及」，我们组里吵了半天没结论。

我现在能想到的笨办法是先做一个口径对照表：把时间戳统一成UTC+8、把「提及/推荐/优先推荐」三级定义写死、再把每个批次的采样时间点和query版本号记下来。但我不确定这个思路对不对，会不会漏掉什么关键字段。

求大佬指点：你们跑GEO监测的时候，批次ID一般绑在query维度还是时间窗维度？另外像那种AI答案每天结构都变的query，到底该怎么标才能不让后面归因的时候扯皮？谢谢！