给团队制作 AI 品牌可见性周报时，先定两条规矩：报告里的每个数都按 7 天汇总以后再和上一周比，不拿某一天的数说事；每个数旁边配上它自己的波动线，也就是差多少以内算正常晃动，和上周的差没出线就写「持平」。

MaxAEO 对国内 8 家 AI 共 6,713 条回答的统计显示，每天约 320 条回答、提及率在 25% 上下的一个品牌，单日和单日比，差 3.45 个点以内都还算正常波动；按 7 天汇总再比，这条线缩到 1.39 个点。同一个品牌在三个整周里，单日提及率最低 23.12%、最高 27.50%，三个周值却都落在 24.85% 到 25.62% 之间。

数据来自 40 道题，国内 8 家 AI 每天把这 40 道题各答一次，9 月 27 日开问、10 月 22 日停（2026 年），前后 26 天，记录 8,320 条，成功的 8,232 条。这组题是我们自己做监测时建的；下文的主角记作 A，是同一类产品里的另一家，不是我们，真名和官网域名写在 brand.json 里，不公开。量线只用中间三个整周，从 9 月 28 日（周一）起到 10 月 18 日（周日），共 21 天、6,713 条成功回答：第一周只有 27 日一天，最后一周只剩 4 天，DeepSeek 21 日没有成功回答、22 日只有 12 条。

每行一条回答，代码用到状态、日期、平台、原始回答、提及品牌详情、引用详情，再加上统计题数用的查询词。换成你自己的监测导出，只要有这几列、一行一条回答，代码不用改。名次靠位置算：提及品牌详情里列出的每个名字，到原始回答里找它最早出现在第几个字，谁靠前谁名次高；原文里搜不到的名字跳过。首选率是 A 排第一的回答占比，前三率是 A 排进前三的回答占比，这两个和提及率一样，除以全部成功回答；引官网率除的是提到 A 的回答，分子是其中引用了 A 官网的。下面几段代码按顺序接着跑。

```python
import json
import re
import numpy as np
import pandas as pd

cfg = json.load(open("brand.json", encoding="utf-8"))   # {"code": "A", "keyword": 名字里的关键词（小写）, "domain": 官网域名}
KW, SITE = cfg["keyword"], cfg["domain"]

rows = pd.read_json("rows.jsonl", lines=True, dtype=False)
ok = rows[rows["状态"] == "success"].copy()


def rank_of_a(r):
    """按每个名字在原文里最早出现的位置定名次，返回 (A 提到没有, A 第几)"""
    text, pos = str(r["原始回答"]).lower(), {}
    for line in str(r["提及品牌详情"] or "").splitlines():
        name = re.sub(" *[(]情感:.*$", "", line).strip().lower()
        if name:
            pos.setdefault("A" if KW in name else name, text.find(name))
    names = [n for p, n in sorted((p, n) for n, p in pos.items() if p >= 0)]
    return "A" in pos, names.index("A") + 1 if "A" in names else np.nan


def cites_site(cell):
    """引用详情一行一条「序号. 标题 | 域名 | 链接」，看有没有 A 的官网"""
    for line in str(cell or "").splitlines():
        p = line.split(" | ")
        if len(p) >= 3 and re.sub("^(www|m)[.]", "", p[-2].strip()) == SITE:
            return True
    return False


ok[["提及", "名次"]] = ok.apply(rank_of_a, axis=1, result_type="expand")
ok["提及"] = ok["提及"].astype(bool)
ok["首选"], ok["前三"] = ok["名次"] == 1, ok["名次"] <= 3
ok["官网"] = ok["提及"] & ok["引用详情"].map(cites_site)     # 提到 A 且引了 A 官网

day = ok.groupby("日期")[["提及", "首选", "前三", "官网"]].sum()
day.insert(0, "回答", ok.groupby("日期").size())
full = day.loc["2026-09-28":"2026-10-18"]                     # 中间三个整周，周一到周日
print("全部", len(rows), "条 | 成功", len(ok), "条 | 题", rows["查询词"].nunique(),
      "| 平台", rows["平台"].nunique(), "| 天", rows["日期"].nunique(), "| 量线用", len(full), "天", full["回答"].sum(), "条")
```

输出：

```plaintext
全部 8320 条 | 成功 8232 条 | 题 40 | 平台 8 | 天 26 | 量线用 21 天 6713 条
```

## 先量线：汇总的天数越多，线越窄

量线的办法是把日子打乱重分。把 21 天随机分出两堆，每堆 k 天，两堆各汇总出一个提及率，记下相差多少；重复 2,000 次，把这些差从小到大排，排在第 95% 位置上的那个数就是线。日子是随机分的，两堆之间本来不该有差别，差出来的部分只能算数据自己在晃。k 取 1 就是单日对单日，取 7 就是一周对一周。

```python
COLS = ["回答", "提及", "首选", "前三", "官网"]


def rates(c):
    """c 是 COLS 五列的合计；引官网率的分母是提到 A 的回答，其余三个是全部成功回答"""
    n, m, first, top3, site = c
    return np.array([m / n, first / n, top3 / n, site / m if m else np.nan]) * 100


def noise(d, k, times=2000):
    """从这些天里随机抽两组、每组 k 天，各自汇总后相减；取 2,000 次差值绝对值的 95% 分位"""
    v, rng = d[COLS].to_numpy(), np.random.default_rng(0)
    diffs = []
    for _ in range(times):
        i = rng.permutation(len(v))[: 2 * k]
        diffs.append(abs(rates(v[i[:k]].sum(0)) - rates(v[i[k:]].sum(0))))
    return np.quantile(diffs, 0.95, axis=0)


NAMES = ["提及率", "首选率", "前三率", "引官网率"]
lines = pd.DataFrame({f"{k}天": noise(full, k) for k in [1, 2, 3, 5, 7, 10]}, index=NAMES)
lines.insert(0, "21天合计", rates(full[COLS].sum().to_numpy()))
print(lines.round(2).to_string())
```

输出：

```plaintext
      21天合计     1天     2天    3天    5天    7天   10天
提及率   25.29   3.45   2.46  2.06  1.67  1.39  1.13
首选率    9.55   3.44   2.50  2.07  1.56  1.32  1.12
前三率   14.70   4.38   3.08  2.55  1.95  1.56  1.37
引官网率  12.07  14.59  10.69  8.55  6.73  5.82  4.79
```

提及率那一行从左往右读：单日对单日的线是 3.45 个点，汇总 3 天降到 2.06，5 天 1.67，7 天 1.39，10 天 1.13。线大致按天数的平方根往下缩，3.45 除以根号 7 是 1.31，实测 1.39，略宽一点。

做月报的话，30 天对 30 天的线这份数据量不出来，26 天凑不出两组不重叠的 30 天。照这个走势，它会比 10 天的 1.13 再窄一些，但没量过的线别写进报告。攒够两个月的日数据，把上面的 k 改成 30 再跑一遍。

## 单日数套周的线，每两次就有一次误报

```python
rate = full["提及"] / full["回答"] * 100
wk = full.groupby(np.arange(len(full)) // 7)[COLS].sum()
print("每天回答", full["回答"].min(), "~", full["回答"].max(),
      "| 单日提及率", round(rate.min(), 2), "~", round(rate.max(), 2),
      "| 最低", list(rate[rate == rate.min()].index), "最高", list(rate[rate == rate.max()].index))
print("三个整周：提及率", [round(x, 2) for x in wk["提及"] / wk["回答"] * 100],
      "| 引官网率", [round(x, 2) for x in wk["官网"] / wk["提及"] * 100])
L1, L7 = lines.loc["提及率", "1天"], lines.loc["提及率", "7天"]
same = (rate - rate.shift(7)).dropna().abs()
print(f"和上周同一天比：{len(same)} 对，差超过 7 天线 {L7:.2f} 的 {(same > L7).sum()} 对，"
      f"超过单日线 {L1:.2f} 的 {(same > L1).sum()} 对，最大 {same.max():.2f}")
r = rate.to_numpy()
pair = abs(r[:, None] - r[None, :])[np.triu_indices(len(r), 1)]
print(f"21 天任意两天比：{len(pair)} 对，差超过 {L7:.2f} 的占 {(pair > L7).mean():.0%}，超过 {L1:.2f} 的占 {(pair > L1).mean():.1%}")
```

输出：

```plaintext
每天回答 317 ~ 320 | 单日提及率 23.12 ~ 27.5 | 最低 ['2026-10-08', '2026-10-16'] 最高 ['2026-10-06', '2026-10-12']
三个整周：提及率 [24.85, 25.62, 25.4] | 引官网率 [7.73, 11.67, 16.73]
和上周同一天比：14 对，差超过 7 天线 1.39 的 11 对，超过单日线 3.45 的 0 对，最大 2.81
21 天任意两天比：210 对，差超过 1.39 的占 50%，超过 3.45 的占 4.8%
```

21 天里每天 317 到 320 条回答，A 的单日提及率最低 23.12%（10 月 8 日、16 日），最高 27.50%（10 月 6 日、12 日），差了 4.38 个点。按 7 天汇总，三周依次是 24.85%、25.62% 和 25.40%，相邻两周的差是 0.77 和 0.22 个点，都在 1.39 以内。

单日数里，有一种比法看上去最公平：拿今天和上周同一天比，星期几都对齐了。同样这 21 天的数据里，能配出 14 对「今天和上周同一天」，其中 11 对差过了 1.39 个点，而同期三个周值两两之间最多只差 0.77 个点。不限星期，任意挑两天比，210 对里也有一半差过 1.39。报告里放单日数、却拿一周的线去判断，差不多每两次就会写出一次「变了」，而这些差按单日的线看全在正常范围里。

单日数配单日的线就对得上：和上周同一天比的 14 对，最大差 2.81，没有一对超过 3.45。所以单日数能看，只是它的线是一周的 2.5 倍。替客户出报告时，客户问「昨天比前天掉了 2 个点」，可以照这组数答：单日差 3.45 个点以内，在这份数据里都还算正常范围，等这一周汇总出来再比。

## 四个数里，哪几个放得进周报

| 数 | 分母 | 21 天合计 | 7 天线 | 线占合计的比例 |
|---|---|---|---|---|
| 提及率 | 全部成功回答 | 25.29% | 1.39 | 5.5% |
| 前三率 | 全部成功回答 | 14.70% | 1.56 | 10.6% |
| 首选率 | 全部成功回答 | 9.55% | 1.32 | 13.8% |
| 引官网率 | 提到 A 的回答 | 12.07% | 5.82 | 48.2% |

前三个数的分母都是全部成功回答，一周 2,236 到 2,240 条，7 天线在 1.3 到 1.6 个点之间，只占各自数值的 5.5%～13.8%，一周一比有意义。引官网率的分母是提到 A 的回答，一周只有 556 到 574 条，大约是前三个数分母的四分之一，线就宽到 5.82，差不多是它自身数值的一半；汇总到 10 天，线还有 4.79。

三个整周的引官网率是 7.73%、11.67%、16.73%，看上去一周比一周高。相邻两周比，差 3.94 和 5.05，都没过 5.82 的线；隔一周比，第 3 周比第 1 周高 8.99 个点，过线了。这条线是假定 21 天里什么都没变量出来的，引官网率这种本身在动的数，用打乱日子的办法量，线会被撑宽。

所以周报里，提及率、前三率、首选率三格配线写结论；引官网率只列数、画走势，单周不下结论，隔一两周回头比，或者到月报里合起来看。

## 拆到单个平台，线要放宽多少

```python
base = ok[ok["日期"].between("2026-09-28", "2026-10-18")]
pf = base.groupby(["平台", "日期"])[COLS[1:]].sum()
pf.insert(0, "回答", base.groupby(["平台", "日期"]).size())
tab = pd.DataFrame({
    p: {"21天提及率": g["提及"].sum() / g["回答"].sum() * 100, "每天回答": g["回答"].median(),
        "1天线": noise(g, 1)[0], "7天线": noise(g, 7)[0]}
    for p, g in pf.groupby(level="平台")
}).T.sort_values("21天提及率")
print(tab.round(2).to_string())
print("单平台 7 天线：最窄", round(tab["7天线"].min(), 2), "最宽", round(tab["7天线"].max(), 2))
wk_no = (pd.to_datetime(base["日期"]) - pd.Timestamp("2026-09-28")).dt.days // 7 + 1
by_week = base.groupby(["平台", wk_no])["提及"]
print("文心一言每周提到 A", by_week.sum().loc["wenxin"].tolist(), "次 | 豆包每周提及率",
      [round(x, 2) for x in by_week.mean().loc["doubao"] * 100])
```

输出：

```plaintext
          21天提及率  每天回答   1天线   7天线
wenxin      1.90  40.0   5.0  1.79
xunfei      4.52  40.0  10.0  3.57
deepseek   13.43  40.0  10.0  3.89
doubao     14.40  40.0  10.0  4.64
qianwen    20.71  40.0  12.5  5.71
kimi       41.19  40.0  15.0  6.07
yuanbao    43.50  40.0  12.5  5.22
zhipu      62.62  40.0  15.0  4.64
单平台 7 天线：最窄 1.79 最宽 6.07
文心一言每周提到 A [6, 7, 3] 次 | 豆包每周提及率 [16.07, 13.93, 13.21]
```

拆到单个平台，一天只剩 40 条回答，是 8 家合计的八分之一。7 天线最窄的是文心一言 1.79，最宽的是 Kimi 6.07；单日线在 5 到 15 个点之间，都是 2.5 的整数倍：一天基本就是 40 条回答，多提到一次就是 2.5 个点。

线的宽窄跟这个平台上的提及率离 50% 有多远有关，越接近 50% 越宽，越靠近 0 越窄。A 在文心一言上只有 1.90%，线最窄；在 Kimi、元宝上是 41.19%、43.50%，线是 6.07、5.22；到了智谱清言的 62.62%，已经过了 50%，线回落到 4.64。

线窄不等于好判断。A 在文心一言上一周 280 条回答里只被提到 3 到 7 次，多一次少一次就差 0.36 个点，过不过 1.79 的线往往取决于一两条回答。这一格过了线，先去读那几条原文，不直接写进结论。

客户只盯豆包的话，豆包这一格一周要差 4.64 个点才算变，是 8 家合起来那条线的 3.35 倍。豆包三周是 16.07%、13.93%、13.21%，两周掉了 2.86 个点，看着一路往下，可还在 4.64 以内，周报里写「持平」。想让单个平台的线窄下来，只能把几周合起来看，或者每天多问几道题，让每天的回答多起来。

## 替客户交周报、月报，那一页写什么

每个数占一行，写四样：本周 7 天的汇总值、上周的值、两者的差、这个数自己的线。差在线内，结论写「持平」，不写「微降」「小幅上涨」。拿这组数据的第 2 周举例：A 的提及率 25.62%，上一周 24.85%，多了 0.77 个点，线是 1.39，这一行就写「持平」。

页脚写这一周几天、成功多少条、失败的落在哪家。这组数据的第 1 周 7 天、成功 2,237 条，失败 3 条全在 DeepSeek，八家都还在，照常和下一周比；最后一周只剩 4 天，81 条没答成，DeepSeek 21 日一条都没有，各家占的比重变了，这一周只列数，不比。

月报在月度的线量出来之前，把这个月的几个周值并排列出。写「走势」要满足两条：几周朝同一边走，而且第一周和最后一周的差过了 7 天的线。拿引官网率说，甲方看到三周从 7.73% 涨到 16.73%，问是不是翻倍了，可以这样答：每周和上周比都还在正常波动里，三周首尾相比过了线，算在涨；这一格的分母一周只有五百多条，先不报倍数。

线要用这个客户自己的日数据量，不借别人的。题量、平台、提及率高低一变，线就跟着变，上面单个平台那段输出就是例子。新接的客户，头三周先攒日数据、量线，这段时间的周报只列数，不写涨跌。

## 这几条线能用到哪

- 线是这一个品牌、这 40 道题、这 8 家 AI、这 21 天量出来的，A 的提及率在 25% 上下。换一个品牌、换一组题，要重新量。
- 示例里判断第 2 周持平用的 1.39，是拿包含这两周在内的 21 天量的。正式出周报时，线用本周之前那三周的日数据量，本周的数不放进去。
- 随机分日子，没管相邻几天之间的相关。真实的一周是连着的 7 天，相邻几天要是本来就相像，实际的线会比这里宽一些。
- 名次按名字在原文里第一次出现的位置排，原文里找不到的名字不参与排队，首选率和前三率都跟着这个规则走。
- 最后 4 天没有拿来量线，那几天 DeepSeek 缺数，8 家的构成和前面不一样。

给团队制作 AI 品牌可见性周报时，先定两条规矩：报告里的每个数都按 7 天汇总以后再和上一周比，不拿某一天的数说事；每个数旁边配上它自己的波动线，也就是差多少以内算正常晃动，和上周的差没出线就写「持平」。

如何给团队制作 AI 品牌可见性周报？别报单日数：实测单日提及率在 23.1%～27.5% 之间跳，三个周值最多差 0.8 个点（附 pandas）

AI 可见性周报的数要按 7 天汇总再比。21 天实测：提及率单日对单日差 3.45 个点才算变，7 天对 7 天降到 1.39；拿今天和上周同一天比，14 对里 11 对过了周的线。附 pandas。

人工智能

按7天汇总后对比上周，提及率25.29%±1.39点内算持平；单日对比需3.45点差才显著。三周提及率稳定在24.85%-25.62%，引官网率波动大需长周期观察。单平台线宽1.79-6.07点，周报只写涨跌结论，月报看趋势。

热销域名限时优惠，新客首年免费！


domain

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何给团队制作 AI 品牌可见性周报？别报单日数：实测单日提及率在 23.1%～27.5% 之间跳，三个周值最多差 0.8 个点（附 pandas）-腾讯云开发者社区-腾讯云

如何给团队制作 AI 品牌可见性周报？别报单日数：实测单日提及率在 23.1%～27.5% 之间跳，三个周值最多差 0.8 个点（附 pandas）

如何给团队制作 AI 品牌可见性周报？别报单日数：实测单日提及率在 23.1%～27.5% 之间跳，三个周值最多差 0.8 个点（附 pandas）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐