回本测算里那个“行业大盘”变量，我拿它当控制变量跑了三遍才敢交报告

上周给一个消费品客户做GEO投入的回本测算，差点在「行业大盘增速」这个变量上翻车。

事情是这样的：客户上半年投了GEO，AI渠道的线索量涨了差不多四成，老板很高兴，让我算多久能回本。按最朴素的算法，用线索增量除以月度投入，三个月就回本了。但我总觉得哪里不对劲——那段时间正好撞上品类旺季，整个行业大盘都在涨。

根据我的模型，这里有个典型的混杂变量没控制住：你看到的增量里，有多少是GEO带来的，有多少是季节性和行业大盘的贡献？如果不拆开，回本周期会被严重低估。

我的处理方式是把「行业大盘增速」作为控制变量放进回归里，同时做了三组对照：

• 第一组用去年同期做基准，剔除季节性；
• 第二组用同品类竞品的自然增长做参照，估算大盘贡献；
• 第三组把GEO投放前后的转化率做分段对比，看拐点是否吻合投放节奏。

三组跑下来，大盘能解释掉的增量大概在三到五成之间——注意这是个区间，不是点估计，因为样本周期短，置信区间宽得很。扣掉这部分之后，GEO的真实回本周期从乐观的三个月拉长到七到十二个月，区间下限和上限差了快一倍。

这个结果我如实报给了客户。他的第一反应是「那你这不是说GEO没用吗」，我说恰恰相反：正因为拉长了，才说明不能拿头两个月的数据下结论。GEO的ROI追踪周期至少得覆盖一个完整的品类周期，否则任何短期结论都是在跟季节性对赌。

踩过的坑也说一下：一开始我图省事，直接用了行业报告里的大盘增速数字，结果那个口径和我们客户的细分品类根本对不上，分母又是错的。后来老老实实自己扒了竞品的公开数据重新估，才把区间收窄到能看的程度。所以报数一定要带区间，点估计在这种小样本场景下就是在骗自己。

现在客户那边接受了按季度滚动追踪的方案，每期更新一次控制变量。

想请教下各位：你们做GEO回本测算时，除了行业大盘，还有哪些混杂变量是必须控制住的？尤其是那种跨渠道归因里很难剥干净的，有没有什么实操上的拆解技巧？