前三篇我们建立了 AI Measurement Partner 的核心框架:MMP 的结构性盲区、AI 流量冰山、和信号桥架构。这些框架是通用的——但实际落地时遇到的第一个问题是:
前三篇我们建立了 AI Measurement Partner 的核心框架:MMP 的结构性盲区、AI 流量冰山、和信号桥架构。这些框架是通用的——但实际落地时遇到的第一个问题是:
#### 电商之外的世界
大多数 AI 流量分析工具从 Shopify 电商起步——这是自然的选择。Shopify 有标准化的订单数据结构、统一的 API、清晰的购买漏斗(浏览 → 加购 → 结账 → 订单)。
但 AI 的影响远不止电商。当我们在 CitationGraph 上服务不同行业的客户时,发现了一个共同的挑战:AI 来源检测是通用的,但 AI 来源与商业结果的关联是行业特异的。
行业 | 核心转化事件 | 转化周期 | 跨端特征 |
|---|---|---|---|
电商 / DTC | 加购 → 结账 → 订单 | 分钟级 | Web 为主 |
加密交易所 | 注册 → KYC → 入金 → 交易 | 天到周 | Web 发现 → App 交易 |
SaaS | 注册 → 激活 → 试用 → 订阅 → 续费 | 天到月 | Web 为主 |
FinTech | 注册 → KYC → 首笔交易 | 天到周 | Web 发现 → App 交易 |
游戏 | 注册 → 首次付费 → DAU → 留存 | 天到月 | Web 发现 → App 游戏 |
媒体 | 注册 → 订阅 → 广告 impression | 分钟到月 | Web 为主 |
电商的"订单"只是这个矩阵中的一行。其他行业的转化事件更复杂、周期更长、跨端更多——但 AI 对它们的获客影响同样巨大。
#### 为什么通用化是必要的
一位全球前三加密交易所的效果营销负责人在与我们交流时说:
"归因都用 AppsFlyer。但 AppsFlyer 不知道用户是从 ChatGPT 来的。我们需要知道:AI 来源的用户,后续 KYC 完成率是多少?入金金额是多少?交易手续费收入是多少?"
他的需求不是"看 AI 流量"——是把 AI 来源与自己行业的商业漏斗关联起来。
一位 B2B SaaS 的增长 VP 说:
"我们看到越来越多的试用注册来自 AI 搜索。但我们不知道这些用户的试用→付费转化率是否和 Google Ads 来的用户不同。如果 AI 来源的用户 LTV 更高,我们应该大幅加码 GEO 投入。"
一位 FinTech 独角兽的 CMO 说:
"付费获客成本每季度都在涨。AI 搜索是唯一一个 CAC 还在下降的渠道——但我们没有数据证明这一点。"
这三个人的需求结构是一样的:AI 来源 → 自定义转化事件 → 渠道级 ROI 分析。区别只在于"转化事件"的具体定义。
#### CitationGraph 的通用结果测量
为了解决这个问题,CitationGraph 设计了一个通用结果层(Custom Outcome Layer)——让任何行业都能把自己的商业结果与 AI 来源关联起来。
核心设计思想:
一、AI 来源检测是通用的。 无论你是电商、交易所还是 SaaS,AI 爬虫的行为识别、AI referral 的来源分类、AI 答案的引文监控——这些能力是跨行业通用的。CitationGraph 在这一层提供统一的基础设施。
二、商业结果接入是灵活的。 CitationGraph 提供标准化的事件接口,客户把自己的转化事件(注册、KYC、入金、订阅……)发送进来。CitationGraph 自动完成 AI 来源 → 转化事件的关联匹配。
三、匹配质量是透明的。 不是所有转化都能归因到 AI 来源。CitationGraph 明确展示匹配率——有多少转化能关联到已知的 AI 来源访问、多少是无法关联的。诚实优先于完美。
#### 行业漏斗模板
为了降低不同行业的接入成本,CitationGraph 提供预配置的行业漏斗模板:
AI 引文/推荐 → AI 来源 Web 访问 → 注册(Signup) → KYC 身份验证(KYC Complete) → 首次入金(First Deposit) → 首次交易(First Trade) → 交易手续费收入(Trading Fee Revenue)
每层转化率独立展示,与非 AI 来源的用户对比。周期可能跨越数天到数周。
AI 引文/推荐 → AI 来源 Web 访问 → 注册/试用(Trial Signup) → 激活(Activation — 首次核心功能使用) → 付费订阅(Subscription) → 续费(Renewal) → 扩展(Expansion — 升级方案/加购席位)
重点关注 AI 来源用户的 Time-to-Value(从注册到激活的时间)和试用→付费转化率。
AI 引文/推荐 → AI 来源 Web 访问 → 注册(Signup) → KYC(Identity Verification) → 首笔交易/转账(First Transaction) → 月度活跃(Monthly Active)
金融行业的 KYC 流失率通常在 40-60%。AI 来源的用户 KYC 完成率是否更高?这是一个高价值洞察。
DTC 电商模板(已通过 Shopify 深度集成验证)
AI 引文/推荐 → AI 来源 Web 访问 → 产品页浏览 → 加购(Add to Cart) → 结账(Checkout) → 订单(Order) → 复购(Repeat Purchase)
#### 六种收入口径的诚实展示
这里有一个极其重要的设计决策:不同行业的"收入"含义完全不同,不能混为一谈。
CitationGraph 在 Outcomes 页面区分了六种收入口径,每种带独立的数据来源标签:
口径 | 含义 | 可信度 |
|---|---|---|
门店事实收入 | Shopify / 自有系统的总收入 | 高——这是事实 |
AI 来源上下文收入 | GA4 中来自 AI 来源 session 的收入上下文 | 中——是上下文,不是归因 |
AI 辅助收入 | AI 来源在多触点路径中出现过的订单收入 | 中——需要多触点归因模型 |
AI 归因收入 | 可追溯到 AI 来源的具体订单收入 | 高——需要来源到订单的精确关联 |
AI Agent 结账收入 | 未来 AI Agent 直接代理结账的收入 | 未来——目前极少 |
广告归因收入 | 通过 S2S 回传给广告平台的收入 | 高——平台侧可验证 |
这些口径不可相加。 每种代表不同的证据层级。这是 CitationGraph 对数据诚实的核心承诺——不把不同口径的数字混成一个大数。
#### 为什么 Build vs Buy
许多大型企业(尤其是交易所和 FinTech)会问:"我们有数据团队,为什么不自建?"
诚实回答:基础的 AI 来源检测确实可以自建。 写正则表达式匹配 AI 爬虫 User-Agent、识别 AI referrer 域名——一个工程师一周就能做出第一版。
但真正的挑战在检测之后:
持续维护。 AI 生态每月都有新 Agent 出现。自建团队写了第一版之后,谁每月更新?6 个月后覆盖率从 90% 降到 60%。CitationGraph 有数百个客户站点持续反馈新 Agent——这是网络效应。
从"检测"到"归因"。 检测 AI 来源是第一步。把 AI 来源与自定义转化事件关联、跨 visit 串联用户身份、与 MMP 信号桥协同——这是一个完整的产品栈,不是一个脚本。
跨客户基准线。 自建只看自己的数据。CitationGraph 能告诉你:你的 AI Discoverability Index 在同行业中的水位、AI 爬虫对你的抓取频率 vs 竞品、AI 答案中你的引用率 vs 竞品。单租户方案永远无法提供行业 benchmark。
不是核心竞争力。 交易所的每一个工程师小时应该花在交易引擎和安全上。SaaS 公司的工程师应该花在核心产品上。AI 流量测量不是任何一家公司的核心竞争力——但它是 Gravity Technology 的核心竞争力。
#### 核心论点
AI 的获客影响不限于电商。加密交易所的注册→入金漏斗、SaaS 的试用→订阅漏斗、FinTech 的开户→交易漏斗——都需要 AI 来源的测量。CitationGraph 的通用结果层让任何行业都能把 AI 来源与自己的商业漏斗关联起来——用行业模板降低接入成本,用六种收入口径保证数据诚实。
A: 最简形式是客户向 CitationGraph 发送标准 JSON 事件(事件名、用户标识、金额、时间戳)。大多数客户的后端已有 webhook 能力,接入通常在一天到一周内完成。
A: CitationGraph 的设计原则是"品牌自己的数据留在品牌自己的域名下"。对于金融行业(KYC 数据极敏感),CitationGraph 不接触用户的 KYC 内容——只接收"KYC Complete"事件标志和匿名用户标识。隐私合规的细节(GDPR、CCPA、MiCA)按行业和地区配置。
A: 行业模板是便利功能,不是限制。CitationGraph 的通用事件接口支持任意自定义事件名和属性。教育(enrollment → completion)、医疗(appointment → visit)、地产(inquiry → viewing → contract)——任何有明确转化事件的业务都可以接入。