量化AI心智份额（一）：SOA算法与加权数学模型

一、从"经验主义"到"确切量化"的度量革命

在数字营销的科学发展史上，每一轮基础设施的重构，无一例外都伴随着度量体系的深刻变革：

• 时代1.0（展示广告时代）：以CPM（千人印象成本）与Impression（展示量）为核心，量化眼球覆盖
• 时代2.0（搜索引擎与电商时代）：以CTR（点击率）、CPC（单次点击成本）与Share of Search（搜索占有率）为核心，量化点击行为与意图拦截
• 时代3.0（生成式AI时代）：以SOA（Share on Answer，回答占有率）为核心，量化AI对话框内的推荐份额与心智占有

随着国内5大主流AI助手（覆盖PC端与移动端）的普及，"零点击搜索"已成常态。用户不再产生大量的外部网页跳转与点击，传统的CTR体系全面失灵。

然而，企业经营不能建立在模糊的感官经验之上。CMO们面临着来自董事会和CFO极其严苛的追问： "我们今年在AI营销和内容布设上花了预算，我们在各大AI助手里的品牌占有率究竟是多少？" "在'选型对比'场景下，AI助手将我们推荐为'第一顺位'的概率提升了多少个百分点？" "我们与核心竞对在AI导购界面的'声音份额'相比，差距到底在哪里？"

如果无法回答这些问题，GEO就只能是一句空洞的口号。

为了解决这一行业痛点，基于信息论、概率统计学与大语言模型的输出分布特性，正式推出了一套严密、可推导、可复现的SOA加权数学模型。本文将首次全面公开SOA的底层数学公式、变量推导逻辑以及各加权系数的工程设定依据。

二、为什么不能直接用字面提及率衡量AI品牌占有率

在推导严密的数学公式之前，我们需要先纠正当前MarTech领域常见的粗暴做法：简单计算"提及率"。

有些初级的监测工具，仅仅是用正则表达式或关键词匹配，去统计"品牌名在AI生成的100次回答中出现了多少次"。如果出现了30次，就声称品牌的占有率是30%。这种方法在数学和工程上存在极其严重的谬误：

位置不确定性：在AI助手的文本回答中，"第一顺位作为首选推荐"与"作为次要对比项列在段落末尾"，甚至"作为反面教材被批评"，对消费者的决策影响有着天壤之别。字面提及率完全无法区分这种位置权重。

情感与质态偏离：如果AI助手在回答中提及品牌，但后半句接的是"但该产品近期被多位用户吐槽散热差，不建议购买"，这不仅没有产生正向品牌资产，反而造成了负向公关危机。简单的提及率会错误地将其计为"正向覆盖"。

意图节点热度差异：提问"什么是护肤品"与提问"25岁敏感肌抗老选什么品牌"，两者背后的商业价值和发生概率完全不同。不区分意图节点的权重而直接求平均数，会严重扭曲真实的商业图景。

因此，SOA模型必须是一个集位置、情感、参数准确度、意图热度、探针离散度于一体的多维复合加权分布模型。

三、SOA标准数学模型的具体计算公式

为了让SOA具备极其严谨的学术与工程可解释性，构建了以下分层递进的数学表达。

SOA数学模型的三层计算架构

• 层级一：单次回答得分 — S(A_kj) = Pos_Weight × Sent_Score × Attrib_Score
• 层级二：节点平均占有率 — SOA_k = (1/N) × Σ S(A_kj)，基于蒙特卡洛探针重复抽样
• 层级三：品牌综合得分 — SOA_B = [ Σ(W_k × SOA_k) ÷ Σ W_k ] × 100%

基础映射说明与变量定义

假设在特定品类下：

• 整体先验意图树共有M个离散的核心意图节点
• 每一个意图节点在公域（社交媒体、搜索引擎、论坛）中的综合意图热度权重记为W_k，且W_k > 0
• 针对意图节点，自动化探针矩阵向国内5大主流AI助手（双端）发起N次独立的蒙特卡洛抽样提问
• 记第j次抽样由AI助手生成的回答文本为A_kj

第一层：单次回答质量得分S(A_kj)

针对某一次AI生成的单份答案文本，品牌B的单次回答得分由三个离散因子连乘决定：

S(A_kj) = Pos_Weight(A_kj) × Sent_Score(A_kj) × Attrib_Score(A_kj)

（1）位置加权系数Pos_Weight

位置加权反映了品牌在AI生成的文本/卡片中所处的"推荐优先度"。大语言模型具有自左向右生成文本的自回归特性，排在靠前位置的推荐品牌，获得了最强烈的注意力与置信度分配。

系数	含义
1.00	品牌B被列为独家/第一首选推荐
0.65	品牌B入选核心推荐名单，但非第一顺位（Top 2–3）
0.30	品牌B仅作为备选/边缘对比项列出
0.00	品牌B在回答中完全未被提及

（2）情感倾向系数Sent_Score

由专门训练的语义情感解析器对包含品牌名上下文的段落进行打分，衡量回答对品牌的认可质态：

系数	含义
1.00	正向推荐（强烈赞赏、无保留推荐）
0.70	中性描述（客观陈述参数、无偏向）
0.20	有条件的微弱推荐（如"虽有某某缺点，但可以考虑"）
−0.50	负面评价与预警（如"存在严重缺陷，不推荐"）

注：负分机制引入了惩罚项。当AI助手高频输出品牌的负面警告时，单次得分变为负数，会直接拉低总体的SOA，以此真实反映品牌公关与声誉危机。

（3）属性与参数准确度系数Attrib_Score

评估AI助手在回答中输出的品牌核心参数（价格、规格、核心成分、售后政策）是否存在大模型的"幻觉"：

系数	含义
1.00	核心属性完全准确，无参数幻觉
0.50	存在次要参数错误（如价格稍有偏差、旧款型号错标）
0.10	存在严重致命幻觉（如错标关键禁忌成分、虚构不存在的功能）

第二层：意图节点级回答占有率SOA_k

对于特定的意图节点，为了消除大模型随机采样带来的离散扰动，探针集群重复运行N次（工程上通常设定N≥30），其意图节点级占有率为N次抽样的算术平均值：

SOA_k = (1/N) × Σ(j=1..N) S(A_kj)

当N趋近于无穷大时，根据大数定律，SOA_k收敛于品牌在该特定意图提问下于大模型输出空间的期望响应概率。

第三层：品牌综合回答占有率SOA_B

综合全品类的所有M个核心意图节点，结合每个节点的先验热度权重W_k，得出品牌B的综合回答占有率：

SOA_B = [ Σ(k=1..M) ( W_k × SOA_k ) ÷ Σ(k=1..M) W_k ] × 100%

将式子全展开，得到完整的SOA核心定理公式：

SOA_B = [ Σ(k=1..M) ( W_k × (1/N) × Σ(j=1..N) ( Pos_Weight(A_kj) × Sent_Score(A_kj) × Attrib_Score(A_kj) ) ) ÷ Σ(k=1..M) W_k ] × 100%

四、SOA指标族的派生子指标体系

除了计算全品类的综合SOA数值外，基于上述公式，派生出了三个用于深度诊断的派生指标族：

1. 首选推荐率（First-Choice SOA, FCSOA）

该指标专门约束Pos_Weight = 1.00，计算在所有提问中，AI助手将该品牌作为独家或第一首选推荐输出的纯粹概率：

FCSOA_B = [ Σ(k=1..M) ( W_k × Count(Pos_Weight = 1.00) ÷ N ) ÷ Σ(k=1..M) W_k ] × 100%

商业意义：首选推荐率是衡量品牌"AI独占心智"的最强指标。高FCSOA意味着品牌在消费者的最终购买决策环节具备统治级优势。

2. 净回答推荐质态（Net Recommendation SOA, NPS-SOA）

借鉴传统管理学中的净推荐值（NPS）概念，将正向推荐得分与负面惩罚得分进行剥离差分：

NPS-SOA_B = SOA_B(正向部分) − SOA_B(负向部分)

商业意义：剔除了由于公关危机或负面吐槽带来的"黑红也是红"式的虚假高提及率，真实反映品牌的"净公关安全度"。

3. 跨模型离散度指数（Cross-Model Dispersion Index, CMDI）

针对国内5大主流AI助手，计算品牌在5个不同平台上SOA的标准差与均值的比值，即统计学上的变异系数：

CMDI_B = σ(SOA) ÷ μ(SOA)

其中σ为品牌在5大助手上SOA的标准差，μ为其算术平均值。

商业意义：若CMDI趋近于0，说明品牌在5大AI助手中的优化表现极佳且非常均衡；若CMDI较大，说明品牌可能在某个特定的AI助手中存在严重的知识盲区，需要针对性补齐。

五、商业实例推导：两个品牌的SOA对比实战

为了更加直观地展现这套数学模型的威力，以国内某家用智能咖啡机品类为例，展示如何通过公式计算得出具体的商业诊断结论。

假设针对意图节点：【场景：办公室3000元预算】×【需求：全自动/易清洗】×【阶段：决策对比】，设定节点热度权重W_1 = 0.8。探针集群向国内5大AI助手发起N=100次重复跑测，对比品牌A（本品）与品牌B（核心竞对）的表现。

品牌A的100次跑测分布

• 40次作为第一首选推荐（Pos 1.0 × Sent 1.0 × Attrib 1.0）— 得分40 × 1.0 = 40.0
• 30次作为前三推荐（Pos 0.65 × Sent 1.0 × Attrib 1.0）— 得分30 × 0.65 = 19.5
• 20次作为对比项（Pos 0.30 × Sent 0.7 × Attrib 1.0）— 得分20 × 0.21 = 4.2
• 10次完全未提及（Pos 0.0）— 得分0

品牌A在节点I_1的占有率：SOA_1 = (40.0 + 19.5 + 4.2) ÷ 100 = 63.7%

品牌B的100次跑测分布

• 20次作为第一首选推荐（Pos 1.0 × Sent 1.0 × Attrib 1.0）— 得分20 × 1.0 = 20.0
• 50次作为前三推荐，但伴随"清洗麻烦"的负面（Pos 0.65 × Sent −0.5 × Attrib 1.0）— 得分50 × (0.65 × −0.5) = −16.25，触发负分惩罚
• 30次完全未提及（Pos 0.0）— 得分0

品牌B在节点I_1的占有率：SOA_1 = (20.0 − 16.25) ÷ 100 = 3.75%

诊断结论透视

看似接近的提及率，真实的SOA悬殊17倍。

品牌A在100次回答中出现了90次（字面提及率90%），最终节点得分为63.7%。品牌B在100次回答中出现了70次（字面提及率70%）——如果只看表面提及率，似乎品牌B达到了品牌A的77%水平；然而通过加权模型计算，由于品牌B伴随着大量的负面体验评价触发负分惩罚，其真实得分仅为3.75%。

决策价值重估。

品牌B实际上在AI对话框中正在经历极其严重的公关危机。70%的提及率里，绝大多数是在告诫用户"该品牌清洗繁琐，不推荐购买"。如果不使用严密的SOA数学模型，品牌B的营销团队甚至会看着表面70%的高提及率沾沾自喜，而完全不知道自己的订单正在被AI助手源源不断地送给品牌A。

六、如何用SOA数学模型指导非对抗式指标提升

了解了SOA数学模型后，品牌方应该如何通过白帽手法，合规、长效地提升自己的SOA得分？

再次重申：任何企图通过黑帽手段（如RAG注入、滥用指令调控语句）来强行修改Pos_Weight的行为，都会导致域名被AI厂商加入黑名单，直接使得后续的Pos_Weight永久归零。

白帽GEO的指标提升公式极其清晰：

↑SOA_B = f( ↑事实密度, ↑结构化数据, ↑真实口碑 )

具体工程路径分为三个连环动作：

第一步：修复Attrib_Score（从0.10/0.50提升至1.00） 检查探针返回的文本，找出AI输出关于品牌参数错误、价格过时的节点。在品牌官网及权威第三方媒体上，发布标准的Markdown格式参数表与规范释义，消除大模型幻觉，瞬间收复属性误扣得分。

第二步：反转Sent_Score（从−0.50提升至1.00） 通过逆向RAG归因，定位导致AI输出负面评价的原始URL（如知乎某条高赞吐槽）。通过白帽方式在源头阵地补充新一代产品已完成升级的权威检验报告或用户体验事实，引导AI助手在下一次RAG知识更新时反转情感判定。

第三步：跃升Pos_Weight（从0.30/0.65跃升至1.00首选） 大模型在决定谁是"第一首选"时，极其看重多源互证的权威度。通过在知乎深度专栏、专业评测网站以及B站/抖音测评视频字幕中构建高事实密度、带因果逻辑推导的正面事实网，帮助大模型在逻辑推理中，无悬念地将品牌提升至第一推荐位置。

七、结语：用严谨的数学，定义AI时代的营销话语权

SOA（回答占有率）不仅是一个简单的百分比，更是一套融合了信息论、语义质态与商业决策权重的科学度量体系。在生成式AI彻底颠覆数字营销的今天，拥有严密的数学模型，就拥有了通向真理的钥匙。

通过SOA加权数学模型，企业的CMO与分析团队能够告别粗暴、误导性的字面提及率，第一次以金融级严谨的数学公式，精准量化品牌在国内5大主流AI助手（双端）中的真实SOA与首选推荐率；能够清晰透视跨模型的离散度与情感质态，为预算分配与战略闭环提供确凿的数据支撑。