AI 可见度数字看板 · 品类差异化策略

项目背景

当越来越多的采购与选型问题由 AI 直接给出答案，品牌是否被提及、被排在第几位，成了新的可见度指标。一家覆盖四大产品品类的电气与楼宇系统品牌发现：整体数据看起来尚可，但拆到品类后差异极大 —— 用同一套内容策略覆盖全部品类，等于把预算平均撒在完全不同的竞争位置上。

项目挑战

• 缺少统一度量：曝光、首选推荐、前三推荐、声量占比与可见排名分散在不同导出文件里，无法横向比较。
• 结果不可复现：不同 AI 模型、Web 与 App 端、不同提问轮次给出的答案不同，单次抽查无法代表真实表现。
• 品类差异被平均数掩盖：整体曝光 59.5%，拆开后最高品类 85.6%、最低仅 12.5%。
• 内容无法对症：知道「没被推荐」，却不知道该补参数、认证、案例还是服务政策。

解决方案：搭建数字看板

• 固定测试口径：10 轮连续提问、760 条真实 AI 回答，覆盖两大主流 AI 平台，并区分 Web 与 App 设备端。
• 定义五项核心指标：品牌曝光度、TOP1 推荐占位率、TOP3 推荐占位率、AI 声量占比、平均可见推荐排名，每项写清分母（例如曝光 = 452 次提及 ÷ 760 次测试）。
• 提供四个可下钻维度：按模型、按设备、按品类、按品牌，任何一张卡片都能追到原始轮次。
• 把综合得分与各项指标并列展示，避免只看曝光率造成误判。
• 支持按轮次筛选与刷新，活动或内容上线后可在同一口径下做前后对比。

当下的营销策略：四品类差异化打法

• 开关插座（曝光 74.5%、TOP1 9.5%、TOP3 34.5%、平均排名 2.00）：前三稳了、第一抢不到，主攻差异化卡位与抢 TOP1，用对比型和场景型问答争夺首推位。
• 智能 PDU（85.6% / 16.9% / 30.0% / 2.19）：中段卡位、主品牌不上榜，主攻让品牌名直接进榜，把品类词与主品牌强绑定。
• 综合布线（70.5% / 2.5% / 7.0% / 3.74）：被提到却难进推荐，主攻补齐证据链与场景内容。
• 低压电器（12.5% / 0.0% / 0.6% / 5.00）：几乎完全不出场，是最紧急的补覆盖与补案例对象。
• 资源不按品类平均分配，而按卡点类型分配：抢首位、补证据、绑品牌、先覆盖，四类动作各配一套内容资产。

品牌决策证据链

• 三必原则一 · 公开可抓取：把事实放在 AI 能读到的第三方来源，而不只是官网。
• 三必原则二 · 结构化：清单与表格优先于散文段落，让模型更容易抽取。
• 三必原则三 · 多源重复：同一事实在 5 个以上来源出现，AI 才会当作共识复述。
• 四层证据按品类补齐：参数（结构化规格与可对照硬指标）、认证（3C / CE / UL / TÜV / KNX / ISO 与场景专项）、案例（地标 + 规模 + 年份 + 角色）、服务政策（质保年限、响应时效、渠道与技术支持）。
• 核心是把「品牌卖点」改写成可被 AI 抽取、复述、交叉验证的决策证据。

项目成果

看板覆盖期间：10 轮连续追踪

看板基线读数

首轮基线为：品牌曝光度 59.5%、TOP1 推荐占位率 6.7%、TOP3 推荐占位率 17.4%、AI 声量占比 8.0%、平均可见推荐排名 2.69。按模型看，两个平台曝光接近但首选推荐差异显著（0.3% 与 13.2%）；按设备看，Web 端综合得分 46.6 高于 App 端 37.5。这些读数不是成果承诺，而是后续每一轮内容优化的可比基线。