用数据模型算了三个月GEO的ROI，发现短期根本看不出效果

最近团队里为了GEO的ROI吵得不可开交，老板觉得投了钱没见着转化，想砍预算。我根据我的模型跑了一下，发现这事真不能这么算。

先交代背景：我司做B2B SaaS，客单价高，决策周期长。三个月前开始系统做GEO，主要优化官网技术文档和案例库，让AI搜索能抓取并引用。

我建了个简单的归因模型，把用户路径拆成三层：

第一层是曝光层。AI搜索里出现品牌名或产品名的次数。这个月环比涨了170%，但说实话，这层数据意义不大，因为用户可能只是随便问问。

第二层是互动层。用户看到AI推荐后，主动搜索品牌词、访问官网、注册试用。这层数据开始有意思了，但三个月的数据量太小，波动极大。我试过用移动平均平滑，结果置信区间宽得能跑马。

第三层是转化层。从AI渠道来的MQL到SQL的转化率。目前样本量只有个位数，根本没法做统计检验。

问题就出在这里： 老板盯着第三层，但第三层的信号至少需要6-9个月才能稳定。我拿历史SEO的数据做了个类比——Google自然流量从开始优化到稳定贡献SQL，平均滞后周期是7.2个月（我们内部数据）。GEO的链路更短，但用户从AI搜索到建立信任再到填表单，这个心理决策周期不会因为渠道变了就大幅缩短。

踩过的坑：

• 一开始把AI引用次数当北极星指标，结果团队疯狂刷量，内容质量反而下降。后来改成看“引用后点击率”，才回归正常。
• 用last-click归因，GEO的贡献几乎为零，因为用户最后往往是从直接访问或销售跟进来的。改成线性归因后，GEO的助攻占比能到23%。
• 没设对照组。同期销售团队也在发力，根本分不清是谁的功劳。后来我们划了三个区域做A/B，但样本量又不够了。

我的判断： GEO的ROI评估至少要看两个季度以上的滚动数据。短期指标（引用量、曝光量）可以看，但别用来做预算决策。真正该盯的是“AI渠道带来的SQL占比”和“客户生命周期价值中AI触点的贡献权重”。

现在我在跟老板争取再给两个季度的时间，同时把模型从单变量回归换成贝叶斯结构时间序列，希望能把置信区间收窄点。

问大家一个具体问题： 你们公司是怎么解决GEO归因样本量不足的问题的？有没有人试过用合成控制法或者DID来评估GEO效果？求分享实操经验。