客户说「先自己做一版看看」，我拿排班表和批次ID给他算了一笔账

上周见了个做家居出海的客户，聊到一半他来一句：「GEO 这块我们先自己拉个小组试试，跑两个月看看效果。」我没急着反驳，先问了他三个数：谁负责、一周投几个人天、验收看哪个指标。他答得挺快——运营两个人兼着，每周凑三四天，看 AI 回答里品牌出现次数。

我说行，那咱们按你说的口径算。两个人天按他们人力成本折，一周大概 1600 块，两个月八周，一万三左右，看着不多对吧？但我接着问：你们打算怎么统计「品牌出现次数」？他说人工搜。我又问：同一个问句，早中晚搜三次结果一样吗？换个城市呢？他愣了下。

这就是自建最容易被忽略的地方——样本口径。我们服务过的一个家电大牌，第一版也是自己跑，运营拿十个问句手工搜，记了三十多条「品牌出现」。后来我们进场，用同一批问句按地域、时段、设备分了 12 个批次跑，光「品牌被提及」这一项，跟他们手工记的差了将近四成。不是他们记错，是手工搜天然只覆盖了一个时间切片，没有批次 ID，数据回来对不上账，也没法复现。

我给他看了我们后台的跑批记录：每个批次带时间戳、地区、问句集版本号，出了问题能倒回去查是哪一批、哪个问句触发的。自建团队往往跑完就完了，下个月想对比，连上周的原始结果都找不齐。没有批次 ID 的引用量，第二个月就没法用。

再说排班。运营兼着做 GEO，遇到大促、上新，第一个被砍的就是这块。我见过太多「跑两个月看看」的项目，第二个月人就被抽走了，数据断档，最后结论是「GEO 没效果」。其实不是没效果，是样本量根本撑不起结论。我们一个客户单月跑批样本量在两万条问句上下，才敢说某个方向有没有起量；两个人兼职一周搜几十条，统计上就是噪音。

最后我给他两个选项：要么现在把口径、批次、排班定死，自己跑三个月出一份能复现的报告；要么让我们先跑一个月的对照批次，你们拿我们数据去验自己的手工结果，差多少一目了然。他选了后者。

所以想问问社区里自己搭过小团队的：你们第一版跑批的时候，有没有给每批数据留批次 ID 和问句集版本？还是跑完就扔，第二个月想对比才发现对不上？