把GEO问句按「决策周期长短」分了两组，短期词ROI虚高得离谱

最近在给一个客户复盘GEO的投放效果，顺手做了个拆解，结果把自己吓了一跳。

根据我的模型，我把过去半年积累的3000多条AI问句日志，按「用户从搜索到决策的周期」分成了两组：一组是短期决策词（比如「XX品牌怎么样」「XX产品推荐」），另一组是长期决策词（比如「XX行业趋势」「XX技术原理」）。

然后我分别跑了这两组词带来的引用率和转化归因。

短期决策词的数据非常漂亮：引用率高出长期组将近40%，而且从AI答案点击到留资的转化路径极短，平均1.7步。乍一看，这钱花得太值了。

但问题出在后面。我把这些短期词带来的线索，按成交周期往后拉了90天，发现一个尴尬的事实：短期词带来的线索，客单价中位数比长期词低了62%，而且复购率几乎可以忽略不计。

反倒是那些看起来「慢吞吞」的长期决策词，引用率虽然只有短期组的一半多一点，但带来的线索在60天后开始集中成交，而且单笔金额大、决策链上的人更全。

根据我的模型，如果把观测窗口从30天拉到180天，长期词组的ROI中位数会反超短期词组，区间大概在1.2到1.8倍之间。

这意味着什么？如果只看第一个月的报表，我们会把预算全压到短期词上，然后三个月后发现客户流失得一塌糊涂。

我现在的做法是：给每个问句组打上「决策周期标签」，报ROI的时候强制带两个窗口——30天窗口看效率，180天窗口看价值。两个数差得越多，越说明这个组需要单独看。

但这里有个坑我还没完全想明白：长期词的归因链太长，中间会混进自然流量、线下活动、甚至竞品的动作，怎么在模型里把这些噪音剔干净？我现在用的是分批次对照，但样本量一少置信区间就宽得没法看。

你们跑GEO的时候，观测窗口一般设多长？有没有人试过用更长的窗口去反推短期词的「虚假繁荣」？