GEO-071·第 06 期·度量与增长·71 / 132
候选集份额：比排名更重要的指标
AI 答案只给三到五个名字，平均位次却只在你已出现的答案里计算。本文定义候选集份额的分子与分母，给出按品类、市场、引擎分层的采样表，用示例说明名单换手时该看什么，并划出这个指标不该进看板的边界。
本期主线进入候选集：对比、场景与买前决策
示例：七月的第一周，一家做泳池清洁机器人的出海团队在澳洲站复盘。后台报表写着：品牌在 AI 答案里的平均位次从上月的 3.8 升到 3.2，运营把这页贴进月报，说可见度在改善。负责人多问了一句——这些答案里，有多少是买家真在问“一千五百澳元以内买哪台”？没人答得上来。那批最接近成交的问法里，他们的名字一次都没出现过。
候选集份额是“在指定问法与市场里，你进入三到五个候选名单的答案占比”；它比排名更接近成交，因为排名只在你已经出现的答案里计算，而成交取决于你是否出现在买家真正提问的那一批答案里。
排名是一个被条件过的均值
判断：AI 答案里没有稳定名次，只有长度不定的名单；“平均位次”把没被列入的答案排除在分母外，等于只统计赢过的牌局。
搜索引擎的位次是排序结果，由算法在全量页面中决定。AI 答案是生成结果：先定预算、场景、地区，再挑几个满足约束的名字，各配一句理由。同一条问题这周给四个名字，下周可能给七个；预算换一档，名单整批换人。
位次因此不可比。四个名字里的第二，和九个名字里的第二含义不同；答案变短时位次上升，被看见的绝对次数却没有增加。更麻烦的是算法本身：平均位次只在你出现过的答案上求均值，你在七成答案里缺席，这七成不进分母。照这个数优化，最省力的路径是少出现、每次都靠前——和生意目标正好相反。
位次只配当辅助列：它说明同一条答案里的前后，不说明你缺不缺席。
候选集份额：三个数，别混分母
判断：只报一个百分比不够；候选率、席位类型、理由率各回答一件事，分母也各不相同，混着报，就没有一个数说得清问题出在哪。
| 指标 | 算法 | 回答什么问题 | 常见算错 |
|---|---|---|---|
| 候选率（inclusion rate） | 进入名单的答案数 ÷ 有效答案数 | 买家提问时，我在不在名单里 | 分母混进没有名单的知识型答案 |
| 席位类型 | 每次进名单时标一个：默认、参数、场景、预算、本地 | 我是靠什么理由被放进去的 | 只记“进了”，不记为什么进 |
| 理由率 | 带具体理由的答案数 ÷ 进名单的答案数 | 名字后面有没有一句能说服人的话 | 把“也提供类似产品”算成理由 |
分母有三条纪律：一条答案按一条计，出现两次不算两次；被合并进“其他品牌也有类似产品”的不算进名单，这是最典型的失败形态；没给出任何名字的答案不进分母，它测的是别的东西。
席位口径（进入席位数 ÷ 全部席位数）可以用，但整季固定，别与答案口径混着报。理由率最能指向动作：候选率高、理由率低，说明你被当成凑数的第五个名字，问题不在曝光，在证据。
按品类和市场切，合并等于自我安慰
判断：候选集份额必须在“品类 × 市场 × 引擎”三层分开算；任何一层合并，都可能把一条真实下滑藏进另一条上涨。
同一品牌在不同市场的席位并不相同：本地仓、认证、退货窗口、电压插头，都会改变 AI 给的那句理由；同一品类里，价格带不同就是两个货架。合并成一个“总候选率”，等于把不同货架的命中率取平均，数字好看，指不出下一步。
| 步骤 | 做什么 | 谁来做 | 怎么算过 |
|---|---|---|---|
| 1 定货架 | 一格 = 品类 × 市场 × 引擎，跨价格带另开一行 | 增长 | 每格写明语言、货币、收货地 |
| 2 冻问法 | 15–20 条按预算、场景、对比分组编号；竞品固定 4–6 个 | 增长 | 增删问法即整季重算基线 |
| 3 采满格 | 每格至少 30 条有效答案，不足只做定性记录 | 运营 | 每条存日期、地区、名单与理由 |
| 4 存档 | 答案数、名单、理由一起存，按月比同一格 | 运营 | 三个月前的原文还调得出来 |
30 条是经验下限，不是统计保证。比例在小样本上会剧烈跳动，所以每个格子都要连答案数一起存；只存百分比，三个月后没人判断得出那次“翻倍”是动作起效还是分母变小。
示例：一个品类，两个市场
以下品牌与数字均为虚构，只用于演示拆法。B 牌（示例）做无线泳池清洁机器人，同一款在澳洲与美国同卖，问法分四组，每组 20 条有效答案。
| 问法组 | 澳洲候选率 | 美国候选率 | 进名单时的席位 |
|---|---|---|---|
| 预算问（1500 澳元 / 1000 美元以内） | 15% | 5% | 预算 |
| 场景问（落叶多、池底细沙） | 35% | 20% | 场景 |
| 对比问（与两款有线款相比） | 10% | 0% | 无 |
| 品类问（最好的泳池机器人） | 20% | 15% | 参数 |
合并后是 20% 与 10%，看上去“澳洲好、美国差”，读完仍不知道该改什么。拆开才有判断：唯一值得投的是“场景问 + 澳洲”这一格，它已有席位，缺的是把“落叶多、细沙”对应的测试条件写清楚；对比问在美国是 0%，不是文案问题，是缺一张同口径参数表，对比表的机器可读写法讲的就是这一层。
美国预算问只有 5%，先别急着写内容：若是本地仓与到货时间让模型不敢推荐，改页面没用，得改履约。
波动怎么读：三条纪律
判断：月度变化里，一半来自名单换手，一半来自你的动作；分不开这两者，就会把行业波动记成自己的功劳。
第一，先看名单换手率。两个月的名单做集合对比：四个名字换了两个，说明答案还没定型，本月份额变化没有归因价值；一个没换，门槛稳定，改动才有可能被读出来。
第二，区分三种“掉”：没进名单，问题在品类识别与可比较字段；进了没理由，问题在证据；进了却被写成“更便宜的选择”，问题在价格带与定位。三者修法不同，混在一个百分比里就都看不见。它和引用份额也不是一回事：那个量的是页面被当成来源，这个量的是品牌被放进名单，分母根本不同。
第三，只解读超出区间的变化。每条答案都是一个样本，比例天然会抖；小样本上的三五个百分点通常只是噪声，方法沿用冻结问法加重复采样。
边界：什么时候这个指标不该进看板
第一，品类提问量太小：一个月个位数真实提问，分母本身在抖，只做定性记录。
第二，平台内 AI 不可复现：购物助手随账号、地区、会话变化，只记“是否出现、以什么理由出现”。
第三，品牌还没被识别：候选率恒为 0，怎么算都是 0，先解决实体是否存在。
第四，成交几乎全在平台内：官网候选率和 listing 的候选不是一回事，别拿它解释站内销量。
第五，把它当 KPI 压给内容团队：名单长度有限，考核候选率只会逼团队去挤短名单、写空理由。
这条线归度量与增长：候选集份额的产出是“这个月先改哪一格”的判断，不是一张好看的曲线。挑战者为什么更容易在这一格得分，看挑战者品牌的机会；名单是怎么拼出来的，回到本期主线AI 的候选集只有 3–5 个名字。
这个月先做一件事：选一个品类、一个市场、一个引擎，把 15 条真实买家问法写成带编号的清单，每条问三遍，只记两列——有没有进名单、以什么理由进。四周后用同一批问法重跑。候选率没动先别改内容：对手换了一半，说明答案还没定型，你要等；一个没换，说明门槛在字段和证据上，不在文章数量上。