给GEO算ROI用90天归因，我拿日志回测发现一半效果在窗口外

上个月有个客户拿着季度报表来问：GEO这块投了三个月，转化率曲线怎么还在爬坡，是不是效果不行？我没直接答，先把他们导出的一年半AI答案位次日志翻出来，做了个回测。

先说结论：根据我的模型，用90天作为GEO的归因窗口，平均只能捕捉到约55%的最终效果，剩下45%落在窗口外。这个区间在不同品类里波动挺大，快消类大概在50%-60%，B2B类能到35%-45%。所以拿季度数据判死刑，基本等于用半个仪表盘开车。

我是怎么拆的：

1. 把每个问句的AI答案位次按天拉成时间序列，标记首次进入前三位和稳定在前三位的时点；
2. 把转化事件按发生日倒推，匹配到最近一次位次跃迁；
3. 计算跃迁到转化的时间差分布，取80%分位数作为观测窗口的参考下限。

跑出来这个分位数在客户A是127天，客户B是96天，都超过90天。也就是说，90天窗口天然会切掉尾部那批慢热但客单价高的转化。

踩过的坑：一开始我拿点击归因当锚，后来发现AI答案场景里点击率本身就不稳定，换成位次跃迁做锚才对齐。另外日志里位次字段有断档，有三周是空的，得用前后插值补，不然序列会假性掉出前三。

一个容易被忽略的细节：窗口不是越长越好。我试过拉到360天，发现早期跃迁的转化贡献会被后期的噪声稀释，边际信息量在180天之后衰减得很快。所以我的建议是观测窗口定在120-180天区间，具体看品类决策周期。

这套逻辑写进验收表之后，财务那边的质疑少了一半，但新的问题来了——摊销年限和观测窗口怎么对齐，他们还没松口。

想问问大家：你们做GEO效果追踪时，观测窗口是按固定天数拍，还是按品类决策周期反推的？有没有人试过用位次跃迁做锚点，跟点击归因对比过差异？