學會這套系統
先把答案能見度、網站行為、CRM 紀錄與團隊執行情況分成不同證據層。請替每個指標寫出資料來源、分母、缺漏狀態與使用限制，並明列它不能回答的問題；只有能回到原始答案或事件的數字，才放進基準報告。
建立心智模型
階段 02 · 診斷
基準量測：先確認目前真的看得到什麼
動內容以前，先留下一個能回頭檢查的起點。模型答案、網站分析、團隊自評與商業推論要分開記。
學習結果
設計一套不假裝精準的基準，追蹤提問、引用、答案佔有、合格訪客與 Pipeline。
- 先備條件
- 先完成或複習上一階段：GEO 基礎
- 建議投入
- 60–90 分鐘學習 + 一次工作階段
- 完成後帶走
- 一份有版本的提問集、證據紀錄、指標字典，以及列明未知項的基準快照。
學習 → 動手做 → 證明
完成實際工作
建立一組可重跑的提問樣本，固定買方階段、文字版本、市場與語言，再逐筆記錄模型、介面、日期、答案、引用來源、品牌角色及未知項。請先保存原始紀錄再做摘要，避免分類結果反過來覆蓋觀察；抓取失敗也要原樣留下，不能從分母刪除。
做出工作產物
用證據驗證
請另一位同事只依指標字典與收集說明重跑部分樣本，獨立判讀品牌角色，再比對兩人的差異。把歧義寫回分類規則，也保留抓取失敗與資料缺漏，確認任何人都能說明這份基準可以支持多強的主張；審查不同意時，先修規則再重新分類。
檢查證據
先把概念邊界說清楚
提問集
一組有版本紀錄的買方問題，用來在明確條件下觀察答案。
它是樣本，不是所有買方提問的普查。
答案角色
品牌在答案裡的功能，例如未出現、被提及、被引用、參與比較或受到推薦。
分類描述的是當次答案，不能證明說服力或營收。
證據紀錄
保存提問、引擎、市場、日期、答案、來源、方法與審查註記的紀錄。
只有連收集方法與遺漏資料一起保留，別人才有機會重現。
本階段核心課程
01
把能見度、行為與商業證據分層
可靠的基準可以同時用多種證據，但不能假裝它們回答的是同一個問題。
答案截圖能說明當次出現與引用；網站分析能看可歸因的造訪與站內行為；CRM 紀錄能看已知商機與營收；團隊自評只能說明某項流程有沒有執行。
這些資料可以互相參照，中間仍有缺口。暗流量、答案波動、同意狀態、歸因期間與小樣本，都要進報告，不能為了讓圖表乾淨而藏起來。
- 替每個指標標出證據層。
- 寫下這個指標不能回答什麼。
- 摘要背後要找得到原始觀察。
02
把樣本設計成同事可以重跑
規模不大但能重現的基準，比一個重跑不了的大型儀表板可靠。
先定義買方階段、市場、語言、提問文字、引擎或介面、必要的帳號狀態與收集日期。提問有改動就升版本，別直接蓋掉舊文字。
每次都用同一套分類規則。審查者意見不同時，把差異留下來並修正規則；不要看到答案之後才改分類，硬湊出整齊分數。
- 凍結第一版提問集。
- 替答案角色寫判定規則與例子。
- 請第二位審查者獨立判讀一小部分樣本。
03
先寫指標契約，再做儀表板
一個指標只有在分子、分母、缺漏與決策用途都寫清楚時，才值得被長期追蹤。
替每個指標建立字典，至少寫出名稱、問題、資料來源、計算方式、納入與排除條件、更新頻率、負責人和已知限制。答案佔有若沒有固定分母，某次少抓幾筆答案就可能看似上升，卻只是資料缺漏。
保留「未取得」「無法判讀」「不適用」等狀態，不要全部算成未出現。這些狀態反映的是收集品質或樣本邊界，和品牌真的沒被提及是兩回事；分母改變時，報表也要顯示版本分界。
每張圖表都指定一個決策擁有者，並寫明什麼變化會觸發複查、調整樣本或開始新測試。如果某個數字連續幾輪都不會改變任何行動，就把它移出主要儀表板，原始資料仍照規定保存。
- 分子與分母可以重算。
- 缺漏狀態沒有被當成零。
- 指標版本能追到變更原因。
- 每張圖表對應一個決策。
決策框架
證據階梯
這筆觀察最多能支撐多強的主張？
- 01
直接觀察
答案或事件有沒有被直接保存？
只報告在紀錄條件下實際發生的事。
- 02
可重跑
同一方法有沒有跨時間或審查者重跑？
只討論樣本內的穩定與差異。
- 03
可連結
觀察能不能連到另一筆行為或 CRM 紀錄？
說明連結與歸因規則，別直接跳到因果。
- 04
因果
研究設計真的有隔離這次改動嗎？
只有設計足以支撐時，才談因果。
非客戶示範案例
團隊在幾筆答案裡看到品牌引用，同期直接流量也增加。
- 引用紀錄都有時間。
- 網站分析顯示直接流量變動。
- 兩份資料之間沒有訪客層級的連結。
把答案出現與直接流量列成兩項同期觀察，再視情況補上自我回報或可標記旅程。
同時發生，仍不能把兩份資料接成因果。
這些資料足以支持持續監測與改善歸因設計，不足以宣稱引用造成流量變動。
可重複使用的工作模板
基準證據紀錄表
先保存原始答案，再計算摘要指標。
- 01
提問編號與版本
使用固定編號，舊文字也要保留。
- 02
收集情境
記錄引擎、介面、語系、市場、日期與必要的帳號狀態。
- 03
答案原始紀錄
保存回應或可審查節錄，也要留下引用來源。
- 04
品牌角色
依書面規則分類未出現、提及、引用、比較或推薦。
- 05
相連證據
只有寫明連結規則時，才引用網站分析或 CRM 紀錄。
- 06
未知項
列出取樣、個人化、追蹤與歸因限制。
常見失敗與修正方法
每次重跑都換提問
報表拿不同問法的結果比較，卻把它標成趨勢。
量測工具跟量測對象一起變了。
替提問做版本管理，只比較相容樣本。
把所有角色壓成一個分數
提及、引用與推薦被混成一個沒有解釋的總分。
真正能指引下一步的差異被藏掉。
先呈現角色數量與來源紀錄，再談任何綜合分數。
把不知道補成確定
沒抓到答案、紀錄缺漏或暗流量，卻從報告消失。
畫面比較乾淨，基準卻更難稽核。
保留「未知」狀態，分母有變動也要明講。
實作練習
建立並重跑一份基準樣本
從同一個買方階段與市場，挑一小組真實問題。
- 01凍結提問文字與分類規則。
- 02在寫明的條件下保存答案與引用來源。
- 03請第二位審查者判讀部分樣本。
- 04重跑後解釋差異，不把同時發生說成因果。
驗收產物
一份有版本的提問集、原始證據紀錄、指標字典與未知項說明。
完成標準
- 同事能照方法重跑。
- 每個摘要都能回到原始答案。
- 未知與缺漏沒有被藏掉。
- 所有主張都停在證據階梯允許的位置。
GEO 學院知識庫
完整知識庫
先選學習階段，再看主題與閱讀意圖。需要入門解釋、實作步驟或決策資料，不必混在一起找。
considerationhubsearchable
AI 能見度工具選型指南（總覽）：從需求盤點到導入的完整地圖
多數團隊選錯 AI 能見度工具，是先買了才想清楚要量什麼，不是工具不好。這是一份從需求盤點到導入的完整地圖。
閱讀文章awarenessdatashareable
2026 台灣 AI 搜尋引用現況報告：繁中內容被 ChatGPT 引用的來源大解析
ChatGPT 引用繁中內容時，看的不是誰流量大。我們追蹤一批台灣問句，拆解 AI 到底在引用哪些來源，以及你該從哪裡補起。
閱讀文章considerationdatashareable
AI 引用穩定度追蹤：同一組問題，三個月內答案變動了多少
同一個問題，三個月後 AI 給出的品牌清單可能換掉將近一半。這份追蹤調查告訴你引用波動有多劇烈，以及為什麼它比單次排名更重要。
閱讀文章considerationdataboth
AI 能見度前後對比：我們如何量測 GEO 成效（含四項指標定義）
感覺不是指標。用固定提問集、多引擎重複抽樣與四項指標，才能把 AI 能見度變成可比對前後的曲線。
閱讀文章awarenessdatashareable
B2B 產業別 AI 引用基準：SaaS、製造、專業服務誰最常被提及
你被 AI 引用的起跑點，很大程度由產業決定。SaaS、專業服務、製造的引用基準差距明顯，用全體平均衡量自己幾乎一定看錯位置。
閱讀文章considerationdataboth
GEO 多久看得到成效？從實際專案看時間軸與里程碑
GEO 成效分三段：第一次被引用約第 4 到 8 週，能見度可量化約第 8 到 12 週，商機進來要第 12 到 24 週。多數專案死在還沒到臨界點就放棄。
閱讀文章驗證任務
驗證任務：基準量測
請另一位同事只依指標字典與收集說明重跑部分樣本，獨立判讀品牌角色，再比對兩人的差異。把歧義寫回分類規則，也保留抓取失敗與資料缺漏，確認任何人都能說明這份基準可以支持多強的主張；審查不同意時，先修規則再重新分類。
- 01保存開始前的證據 — 先把答案能見度、網站行為、CRM 紀錄與團隊執行情況分成不同證據層。請替每個指標寫出資料來源、分母、缺漏狀態與使用限制，並明列它不能回答的問題；只有能回到原始答案或事件的數字，才放進基準報告。
- 02完成本階段產物 — 建立一組可重跑的提問樣本，固定買方階段、文字版本、市場與語言，再逐筆記錄模型、介面、日期、答案、引用來源、品牌角色及未知項。請先保存原始紀錄再做摘要，避免分類結果反過來覆蓋觀察；抓取失敗也要原樣留下，不能從分母刪除。
- 03對照學習結果進行檢查 — 請另一位同事只依指標字典與收集說明重跑部分樣本，獨立判讀品牌角色，再比對兩人的差異。把歧義寫回分類規則，也保留抓取失敗與資料缺漏，確認任何人都能說明這份基準可以支持多強的主張；審查不同意時，先修規則再重新分類。
交付產物
一份有版本的提問集、證據紀錄、指標字典，以及列明未知項的基準快照。
延伸實戰資料庫
沿著主題群繼續深入
核心階段保持開放；延伸閱讀中既有的進階白皮書仍沿用原本的資源庫解鎖方式。
白皮書6 章 · 2026.06
GEO 三層指標白皮書
引用率、答案佔有率、Pipeline 貢獻 — 各自衡量什麼、如何取數、為什麼流量不該是 KPI。附週報欄位定義。
GEO 三層指標白皮書報告6 章 · 2026.06
Share of Model：把 AI 聲量做成能跟對手比的數字
當點擊消失，「你在 AI 答案裡被提及/引用的頻率 vs 競爭對手」成了新的 KPI。這份報告給你 2026 年的 Share of Model 基準數據，以及如何把它做成一張能放上簡報、跟對手對標的競爭計分卡。
Share of Model：把 AI 聲量做成能跟對手比的數字指南6 章 · 2026.06
57% 流量是「直接/未知」：救回暗流量的歸因指南
AI 推薦會剝掉 referrer，Google 又把 AI Mode 併進 organic，導致你在 GA4 裡根本看不到 AI 流量。這份指南教你用 server-side GTM 與 agent-to-pipeline 框架，把消失在「直接/未知」裡的 AI 流量救回來，並接進 CRM 與 lead scoring。
57% 流量是「直接/未知」：救回暗流量的歸因指南報告6 章 · 2026.06
流量少 90%，成交多 5 倍：別用點擊數評判 AI 流量
AI 把點擊量砍光，卻送來轉換率高出數倍的訪客。這份報告整理 2026 年各方衝突的轉換數據，幫你把「AI 搶走流量」的恐慌，重新框成「AI 送來更會買的人」的論述。
流量少 90%，成交多 5 倍：別用點擊數評判 AI 流量用工具把這一階段做完
Query Evidence Lab
建立一組可重跑的提問樣本，固定買方階段、文字版本、市場與語言，再逐筆記錄模型、介面、日期、答案、引用來源、品牌角色及未知項。請先保存原始紀錄再做摘要，避免分類結果反過來覆蓋觀察；抓取失敗也要原樣留下，不能從分母刪除。
證據邊界
工具輸出只適用於它明確描述的決策；不要把技術掃描、自評或規劃模型當成即時 AI 引用證據。
把學習用起來
從課程走到下一個可檢查的決策
只有當工具、診斷或服務的證據基礎符合你的決策問題時，才把它用在下一步。