当一个集团旗下同时运营着多个子品牌、多条业务线时，GEO（生成式引擎优化）预算的分配就从单品牌的投放问题，升级成了一个资本配置问题。CMO面对的不是某一个品牌该投多少钱，而是有限预算在品牌A、品牌B、业务线C之间如何切分才能让集团层面的AI搜索总收益最大化。本文给出一套可复算的五维权重模型，配完整算例，并说明分配落地后如何用边际收益逻辑做二次调仓。

一、为什么集团GEO预算分配是独立命题

很多集团的GEO预算分配沿用老办法：按各品牌去年的媒介预算比例切分，或者按品牌负责人在预算会上的话语权博弈。这两种做法在AI搜索时代都失效了，因为AI搜索的流量分配逻辑与传统媒介完全不同——它不认预算规模，只认内容与AI的适配度、品牌在知识图谱中的权重、以及用户问询时被引用的概率。

举个典型场景：某集团有三条业务线，A是成熟大品类（年营收占比60%），B是新兴品类（营收占比10%），C是服务型业务（营收占比30%）。如果按营收比例切GEO预算，A拿大头。但实际测算可能发现，A品类的AI问询量早已被头部内容占满，增量空间很小；而B品类正处在AI搜索爆发期，问询量月环比增长40%，且现有内容竞争者薄弱。这时预算错配的代价极高。

集团GEO预算分配的三个独立难点：第一，各品牌处于不同生命周期，AI问询的增长曲线不同；第二，各品类的决策链路长度差异巨大，同样的引用曝光在B2B高客单场景和B2C快消场景的价值完全不可比；第三，集团层面的数据割裂，各品牌AI问询量、内容资产、转化数据往往分散在不同系统里，没有统一口径就没法公平分配。

因此，正确的做法是建立一套统一的测算框架，把不同品牌、不同品类的GEO价值折算到同一个坐标系里比较。下面展开的五维模型就是这个坐标系的构建过程。

二、分配总框架：五个维度与基准权重

我们建议用五个维度给每条业务线打分，加权得出GEO预算分配权重：

• 维度一：AI搜索问询量及其增速，反映流量盘子有多大、正在多大
• 维度二：品类决策复杂度，反映一次AI引用能推进用户多远的决策进程
• 维度三：客单价与毛利水平，反映单次转化值多少钱
• 维度四：现有内容资产存量，反映单位预算能撬动多大的存量杠杆
• 维度五：竞争密度，反映单位预算的渗透难度

建议的基准权重区间如下：问询量维度30%到35%，决策复杂度15%到20%，客单价与毛利20%到25%，内容资产存量15%，竞争密度10%到15%。这组权重不是铁律，但五个维度本身的逻辑是通用的：前三个维度回答这个问题值不值得做，后两个维度回答现在做进去容不容易。集团可以根据自身战略倾向调整——比如进攻型集团可以提高问询量增速和低竞争维度的权重，防守型集团可以提高客单价毛利和存量资产维度的权重。

每个维度内部采用十分制打分，维度分数乘以维度权重后加总，得到每条业务线的综合得分，再按得分比例切分预算池。为了保证不同品牌的分数可比，打分时必须用统一的口径定义和统一的数据来源，不允许各品牌自报数据直接使用。

下面逐一展开五个维度的测算方法、参数区间和打分规则。

三、维度一：AI搜索问询量与增速测算

这是权重最高的维度，建议占30%到35%。测算分两步：先估品类问询量规模，再给增速加成。

第一步，估品类月度AI问询量。可用的口径包括：在主流AI问答平台（对话式搜索引擎、内置AI助手的搜索产品）中抽样投放该品类的典型问询词库，统计这些词的日均问询频次；用传统搜索引擎该品类核心词的月搜索量乘以0.25到0.45作为AI问询量的换算基数（不同品类换算系数不同，决策越重的品类系数越高）；再叠加AI平台的增长趋势做年化修正。举例：某母婴集团旗下辅食品类，核心词库120个，传统搜索月均搜索量合计280万，按换算系数0.35估算月AI问询量约98万次。

第二步，增速加成。统计该品类AI问询量的近三个月环比：月环比低于5%视为成熟期，加0分；5%到15%视为成长期，加1分；15%到30%视为爆发期，加2分；超过30%视为窗口期，加3分。增速加成的作用是让正处于AI搜索渗透早期的品类不被当前问询量的绝对值低估。

打分规则：将各业务线的月AI问询量从高到低排序，按十分制线性映射（最高者10分、最低者按比例），再加上增速加成，封顶10分。这样既保证了存量流量的权重，又给高增速品类留出了上浮空间。

一个实操提醒：问询量测算每季度要重做一次，因为AI搜索的品类渗透速度极快，去年冷门的问询场景今年可能翻三倍。数据来源建议固定两到三家工具并保持口径一致，避免季度间因换工具导致的跳变。

四、维度二：品类决策复杂度打分

同样的AI引用曝光，在买一杯咖啡的决策里和在采购一套企业软件的决策里，价值天差地别。决策复杂度维度就是为了把这个差异量化出来，建议权重15%到20%。

打分从三个子项综合：第一是决策链路长度，从产生需求到完成购买需要经历的信息搜集轮次和决策人数量；第二是信息不对称程度，用户对品类的理解门槛，需要多大篇幅的知识性内容才能建立信任；第三是AI在决策链中的介入深度，用户是拿AI做初步了解还是拿AI做最终方案比较。

参考分档：低复杂度品类（日用快消、标准化食品）2到4分，用户AI问询一到两轮即完成决策，引用的价值在于一次性转化；中复杂度品类（家电、美妆、母婴用品、教育服务）5到7分，用户需要多轮比较，AI引用在中间环节持续起作用；高复杂度品类（企业软件、医疗健康、金融产品、工业品）8到10分，决策链路以周和月计，AI引用是建立心智的关键触点，单次引用的长尾价值极高。

量化锚点可以参考两个指标：一是该品类用户的平均AI会话轮次（可以从平台方报告或自有用户调研获得），二是该品类内容的最优篇幅区间（高复杂度品类往往需要3000字以上的深度内容才被AI优先引用）。假设某集团的工业设备业务线，用户平均AI会话9轮、决策周期45天，打9分；旗下零食品牌，平均会话1.5轮，打3分。

决策复杂度分数的深层含义是：它决定了内容投入的复利属性。复杂度越高的品类，一篇被AI持续引用的深度内容的生命周期价值越长，值得投入更贵的专家型内容生产资源。

五、维度三：客单价与毛利的价值折算

这个维度把商业价值直接拉进模型，建议权重20%到25%。核心是把每条业务线的单次转化经济价值算清楚，再折算成打分。

测算路径：单次转化毛利 = 客单价 × 毛利率 – 履约与获客成本。再乘以AI渠道的预估转化率（可先用1%到3%的行业保守区间，跑通后用真实数据替换），得到每次高质量AI引用的期望价值。举例：某集团金融科技业务线客单价3万元、毛利率45%、扣除履约成本后单次转化净贡献约1.1万元；旗下家居用品线客单价900元、毛利率38%、净贡献约260元。两者的单次价值相差40倍以上。

但打分不能直接按绝对值线性映射，否则其他业务线会分不到预算。建议用对数分档：把各业务线的单次转化净贡献取对数后在组内归一到十分制。这样做有两个好处：高价值业务线仍然显著领先，但中低价值线的分数不会被打到接近零分，保留了组合配置的意义。

还要引入两个修正系数：一是复购系数，对于复购率高的业务（辅食、美妆、SaaS订阅），单次价值要乘以预估生命周期购买次数（可乘1.5到4倍），否则会系统性低估高频业务；二是转化漏斗长度修正，AI引用到最终转化的路径越长、流失越多，期望价值要按漏斗各环节转化率连乘打折。

这个维度还有一个集团特有的用法：当某条业务线正处于集团战略扶持期，可以在毛利维度之外附加战略系数（1.1到1.5倍）放大其得分，但战略系数必须在模型中显性声明，不能做成暗箱操作，否则预算分配会退化为政治博弈。

六、维度四：内容资产存量的杠杆测算

同样的预算投在内容资产雄厚的业务线上，边际产出更高，因为存量内容提供了结构、引用和信任的底座，增量内容是在放大存量而不是从零建盘。这个维度建议权重15%。

存量测算清点四类资产：一是已发布的符合GEO标准的深度内容数量（结构清晰、有数据、有权威引用、适配AI抓取），按篇数与总字数计；二是这些内容当前在AI问答中的引用位情况（统计核心问询词库下被AI引用的内容占比，即引用覆盖率）；三是站外资产，包括权威媒体的被引、百科类词条、专业社区的高质量回答；四是结构化数据的完备度（FAQ、参数表、对比表是否以AI友好的格式存在）。

打分规则示例：核心词库AI引用覆盖率低于10%打1到2分，10%到30%打4到6分，30%到50%打7到8分，50%以上打9到10分。覆盖率越高，说明该业务线已经跑通了GEO的打法，增量预算的撬动效率越高。

这里有一个反直觉的平衡点要讲清楚：存量资产维度高的业务线值得多投，但存量资产接近零的业务线也不应该被打成零分预算。建议给存量维度设置一个保底分（例如不低于2分），并且预留集团层面的10%到15%机动预算池，专门用于扶持内容资产从零到一的新业务线。存量分数解决的是效率问题，机动池解决的是期权问题，两者不冲突。

存量清点每年至少做一次全面盘点，每季度做增量更新。很多集团第一次做盘点时会发现大量沉睡资产：三年前为SEO写的长文、客服知识库、产品白皮书，稍作GEO化改造就能进入AI引用池，这类改造成本只有新写的三分之一到一半，是性价比最高的预算花法。

七、维度五：竞争密度的渗透难度修正

竞争密度回答一个问题：这条业务线现在把钱投进去，能不能打进去。建议权重10%到15%，作为修正项存在。

测算三个指标：一是头部占位集中度，抽查该品类50个典型问询，统计AI答案中被引用的品牌或站点数量，如果80%以上的引用集中在不超过5个来源，说明头部垄断严重；二是头部内容质量基线，分析当前被AI优先引用内容的平均深度、数据密度与更新频率，评估超过它们需要的投入量级；三是竞对GEO投入强度，观察竞对近半年被引内容的增速与新内容发布节奏。

打分方向与直觉相反：竞争密度越低，分数越高，因为低竞争意味着同等预算能拿到更多引用位。头部集中且内容基线极高的品类，打1到3分；竞争者多但水平参差的品类，打4到6分；竞争格局尚未成型、AI引用来源分散且平均质量一般的品类，打7到10分。

举例：某集团的健康监测业务线进入一个新兴品类，抽查50个问询中仅发现3个稳定被引来源，且其中两个是内容明显过时的资讯站，竞争密度打9分；而其旗下洗发水品牌所处的成熟品类，被引来源集中在几个头部测评站与品牌官方内容，打2分。

竞争密度要和问询量增速联动解读：问询量增速高且竞争密度低的品类，是GEO预算的黄金窗口，应触发模型之外的优先级上调；问询量增速高但竞争密度也高的品类，进入成本高，需要评估集团是否有打持久战的资源，或者用长尾问询词切入。

八、完整算例：三条业务线的权重复算

现在用一个虚构但完整的算例把模型串起来。某集团有三条业务线：A成熟家居线、B新兴健康食品线、C企业软件线。GEO年度预算池500万元。维度权重取：问询量32%、决策复杂度18%、客单价毛利22%、内容资产存量15%、竞争密度13%。

各维度打分（十分制）如下：

• 业务线A：问询量8分（月AI问询约150万次，增速4%）、复杂度4分、客单毛利5分（单次净贡献约300元）、存量7分（引用覆盖率28%）、竞争2分
• 业务线B：问询量6分（月约60万次，增速22%，加成后7分）、复杂度5分、客单毛利4分（单次净贡献约150元）、存量2分、竞争9分
• 业务线C：问询量4分（月约25万次，增速12%）、复杂度9分、客单毛利10分（单次净贡献约1.1万元）、存量5分（引用覆盖率16%）、竞争7分

加权计算（各维度分乘以维度权重求和）：A = 8×0.32 + 4×0.18 + 5×0.22 + 7×0.15 + 2×0.13 = 2.56 + 0.72 + 1.10 + 1.05 + 0.26 = 5.69分。B = 7×0.32 + 5×0.18 + 4×0.22 + 2×0.15 + 9×0.13 = 2.24 + 0.90 + 0.88 + 0.30 + 1.17 = 5.49分。C = 4×0.32 + 9×0.18 + 10×0.22 + 5×0.15 + 7×0.13 = 1.28 + 1.62 + 2.20 + 0.75 + 0.91 = 6.76分。

按得分比例分配：三线合计17.94分，C占37.7%约188万，A占31.7%约159万，B占30.6%约153万。可以看到模型纠正了两个直觉偏差：营收占比最小的C拿到了最多预算，因为高客单毛利与高复杂度让它的一次AI引用价值远超另外两线；营收占比60%的A没有拿到对应比例的预算，因为其问询量已进入成熟期且竞争格局固化，预算边际产出在下降。另预留约50万机动池（总池的10%，从各线等比例扣减），用于窗口期响应与新业务线冷启动。

任何CMO拿到这套模型，都可以替换成本集团的真实参数复算一遍。模型的价值不在于数字本身精确，而在于把分配从博弈变成可讨论、可复盘、可迭代的计算过程。

九、分配后的边际收益二次调仓机制

首次分配是静态测算，跑一个季度后必须用真实边际收益数据做动态校准，否则模型会停在起点。二次调仓的核心逻辑：把每条业务线的增量预算带来的AI引用增量与转化增量算出来，向边际收益最高的业务线转移预算。

具体机制分四步。第一步，定义边际收益指标：每万元GEO预算带来的月度AI引用增量（引用效率）和每万元带来的转化价值增量（转化效率），两条线分开看。第二步，季度复盘时对每条业务线做预算弹性测算：对比本季度预算与上季度的变化，以及引用量、引用覆盖率、AI渠道转化值的变化，估算边际产出曲线。第三步，设定调仓触发条件：某业务线连续两个季度引用效率低于组合平均值的60%，扣减其10%到20%的预算转入效率最高的业务线；某业务线单季度AI渠道转化值增长超过50%，追加不超过总池10%的预算。第四步，设置调仓上下限：单季度单业务线预算变动不超过其原预算的25%，避免数据噪音引发预算大起大落。

调仓时还要区分效率下降的原因，这决定动作方向。如果引用量没降但转化值降了，问题可能出在内容与商业意图的错配（内容被引但引来的不是购买型问询），解法是内容意图重构而不是砍预算；如果引用量本身在降，先检查是竞对挤压还是平台算法变化，再做预算决策；如果是品类问询盘整体收缩，则要果断转出。

建议的节奏：首年按季度调仓，节奏稳定后改为半年一次大调、季度只做微调。所有调仓决策写入集团GEO数据台账，形成预算-引用-转化三张曲线的历史记录，这是明年做年度预算分配时最值钱的内部数据资产。

十、落地节奏与集团层面的组织保障

模型要跑起来，需要配套的动作节奏与组织安排。建议首年分四步走：第一季度完成数据底座搭建，统一各品牌的AI问询监测口径、内容资产台账与转化追踪链路；第二季度完成首次五维打分与预算分配，同步建立各品牌GEO数据月报制度；第三季度做第一次边际收益复盘与微调仓；第四季度做全年复盘，沉淀参数基准值，支撑次年预算谈判。

组织上需要明确三件事。第一，测算权收归集团：五维打分中的问询量、竞争密度等数据必须由集团层面的GEO中台或委托第三方统一采集，防止各品牌自报自评。第二，预算池分两层：约85%到90%按模型公式分配到各品牌，刚性执行；10%到15%留在集团机动池，由CMO办公室按窗口期事件（新品类爆发、竞对失位、平台规则变化）灵活投放。第三，考核与预算解耦再耦合：各品牌GEO团队的考核用引用覆盖率、问询份额等过程指标，集团层面考核用AI渠道转化总值等结果指标，避免品牌团队为了保预算只做容易出数字的事。

最后强调一个心态问题：五维模型给出的分配方案是起点不是终点。真实的GEO竞争环境中，参数每月都在变，模型的意义是提供一套集团内部关于预算的公共语言——当品牌负责人对分配有异议时，争论的是参数与权重，而不是立场与嗓门。这正是测算型预算分配相对于经验型分配的最大价值。

常见问题

五维模型各维度权重是否所有行业通用？

维度框架通用，权重需要按行业调整。建议以文中区间为起点，跑两到三个季度后用边际收益数据反向校准权重：哪条业务线的实际产出偏离测算最大，就提高其主导维度的权重精度。比如快消集团可上调问询量权重至35%以上，B2B软件集团可上调客单毛利与决策复杂度权重。

没有历史GEO数据的新集团怎么启动测算？

第一次测算允许用估算参数：问询量用搜索量换算系数（0.25到0.45），转化率用行业保守值（1%到3%），引用覆盖率靠人工抽查50个问询词获得。关键是把估算假设显性写进测算表，跑一个季度后逐项替换为真实数据，模型精度会快速收敛。

模型结果与品牌负责人的预期差距很大怎么办？

回到参数层面对话：让负责人指出他认为失真的具体参数（比如问询量低估、竞争密度打分偏低），集团用统一工具复测该参数，测出来多少就用多少。用数据复核代替预算争执，是这套流程能否立住的关键。

机动池预算应该由谁、按什么规则使用？

建议由CMO办公室或集团GEO中台管理，触发条件事先公示：品类问询量月增速超30%、竞对内容出现明显断供、平台出现重大引用规则变化等。每次动用需在集团GEO数据台账登记动用金额、理由与预期产出，季度复盘时向所有业务线公开。

边际收益调仓会不会让弱势品牌永远拿不到预算？

不会，前提是三个保护机制到位：存量维度保底分、调仓单季度幅度上限25%、机动池对新线冷启动的定向扶持。调仓转移的是效率长期垫底业务线的部分预算，且要求连续两个季度低于阈值才触发，给足了改善窗口。

转化数据归因困难时如何计算客单毛利维度？

AI渠道转化归因建议用问询-会话-留资-成交的全链路埋点加辅助问句回溯。确实无法直连转化的业务（如渠道分销为主的品类），可用代理指标折算：以留资成本或线索价值乘以历史线索成交率估算转化价值，并在测算表标注口径，与其他直连业务线区分展示。

子品牌之间共用集团官网和内容团队，怎么拆分测算？

资产可按问询词归属拆分：把集团词库按品牌与业务线映射，每篇内容、每个引用位归属到对应问询词，再归属到业务线。内容团队成本按投入各业务线的工时或篇数比例分摊，测算颗粒度到业务线即可，不必细到单品牌，避免拆分成本超过测算收益。

这套模型多久需要整体升级一次？

建议每年做一次模型整体审视：检查维度框架是否仍覆盖AI平台的新变量（比如新平台崛起需要增加平台适配度维度）、参数基准值是否漂移、权重是否需要重校准。季度层面只做数据更新与调仓，不轻易改模型结构，保持年度间的可比性。