“上周提及率40%，这周变成60%，是不是GEO终于见效了？”如果项目只监测10个问题，这个结果其实很容易出现：上周有4个问题提到品牌，本周有6个，多了两个问题，报表就上涨20个百分点。数字没有算错，但结论未必能下得这么快。
很多刚开始做GEO的企业都会先拿一小批问题试运行。这没有问题，问题在于拿“小样本试测”去做“长期效果证明”。当样本很少时，AI回答的自然波动、一次补充回答、一个不太相关的问题，都可能让百分比显得特别夸张。
为什么10个问题的提及率特别容易跳
提及率可以先按“提到品牌的问题数÷有效测试问题数”理解。假设10个有效问题里5个提到品牌，就是50%；下一次只要有一个问题从“未提到”变成“提到”，数字就变成60%。同样一个变化，放在100个问题里，只会让比例变化1个百分点。
这里还有一个经常被忽视的细节：10个问题未必代表10次回答。如果每道题只测一次，一次随机措辞就能决定整道题的结果；如果每道题测多次，则必须在报告中说明“按问题统计”还是“按全部回答次数统计”，不能把两种分母混在一起。
先看样本有没有“偏”，再考虑是否“少”
数量不是唯一的问题。10个都选“水滴AI有什么功能”这种品牌问题，得到的提及率可能很高，却回答不了用户问“GEO优化工具有哪些”时品牌能不能进入候选名单。反过来，如果10个全是泛化行业问答，也可能低估品牌在核心业务场景中的表现。
比较实用的处理方式，是先把问题分成品牌认知、品类选择、应用场景和采购决策四组。每组挑有代表性的问题，不用追求每组完全平均，但一定要能说清为什么入选。业务重点不同，问题数量和结构可以不同，关键是别用一组明显带偏的问题代表整个市场。
一份小样本报告，应该增加哪些证据
我更建议小规模项目在报表里同时提供三个东西：原始回答、变化的问题清单、连续周期。原始回答用来确认品牌到底是被推荐还是顺带提到；变化清单用来解释百分比从哪里来；连续周期用来判断这次变化是否很快又消失。
比如周报写“提及率由40%上升至60%”，读者很容易误以为整体改善明显；写成“10个固定问题中，提及问题由4个增至6个，新增出现集中在两个场景问题，仍需下周期验证”，就更真实，也更能指导后续工作。
样本扩大前，先固定测量口径
如果准备扩大问题库，不建议在同一个对比周期里突然从10题改成80题，再把新旧提及率直接做环比。可以把原来的10题保留为基线，新增的70题作为拓展组，分别看结果。等新问题稳定后，再建立新的长期基准。
同样，模型版本、提问文本、联网状态、测试频率和品牌别名规则有变化，也应该标注。否则下个月解释数据时，很可能不知道到底是优化动作有效，还是测试方式变了。
什么时候适合扩大样本量
不是项目一启动就必须监测几百个问题。团队资源有限时，可以先从核心业务里选出20到30个真实问题，连续观察几轮；当数据开始用于预算、客户汇报或不同产品线对比，再根据所需精度和业务范围扩大样本。这里的20到30只是执行起点，不是统计学保证有效的门槛。
正式做效果判断时，最好让统计或数据分析人员评估样本设计。美国国家标准与技术研究院在有关二元测试的技术说明中也强调，只有“成功/失败”两种结果的测量同样存在不确定性，样本量与判断风险需要一起考虑。AI品牌“提到/未提到”的记录虽不是同一实验场景，但道理相通：不要把有限观察说成确定结论。
怎么把结果交给内容团队，而不是只留下数字
真正有用的不是把提及率数字做得漂亮，而是追到具体问题。若“工业企业怎么选GEO工具”长期不提品牌，就检查有没有清楚的适用场景、行业案例与对应页面；若品牌已经出现却排在末尾，就研究推荐理由是否太弱。每个未覆盖问题都可以有一项明确的内容或信源动作。
水滴AI可以配合记录不同问题及周期里的提及和推荐表现。团队查看GEO监测数据波动的排查方法后，还可以把样本数、异常问题和调整动作放进同一份复盘，避免大家只对着一个百分比讨论。
结语：先承认不确定，数据才更值得信任
小样本监测完全可以用来发现方向，但不适合轻易做“提升已得到证明”的承诺。每次汇报都把分母、问题组、原始回答和观察周期讲清楚，既不会掩盖努力，也能让后续扩样真正有依据。
常见问题
只有10个问题，可以先做GEO监测吗？
可以作为初步诊断和流程试跑，但报告应注明样本很小，避免把一两次变化写成稳定趋势。
一题测三次，要算三个问题吗？
不应该混用。可以分别统计“问题级出现比例”和“回答级出现比例”，明确分母和去重规则。
问题库扩到100条后，能直接和以前20条对比吗？
建议保留原20条作固定基线，新增问题另列拓展组；口径稳定后再建立新的完整对比序列。