一个美妆品牌的 90 天 GEO 可见度增长复盘

本文是一份典型打法复盘。品牌名以「萃野（化名）」代称，所有数据为示意性区间或相对变化，用来说明方法，不是审计过的真实战报。

背景与起点：货好，但 AI 不认识它

萃野是一个主打敏感肌修护的新锐美妆品牌，客单价中等偏上，核心品类是面霜与精华。创立两年，团队把大部分预算压在小红书信息流和达人投放上，ROI 还能看，但有一个越来越扎眼的问题：

越来越多消费者在下单前，不是去搜索引擎，也不是先刷小红书，而是直接问 AI ——「敏感肌面霜怎么选」「换季泛红用什么面霜」「XX 成分对屏障受损有用吗」。问完拿到一份「答案 + 推荐清单」，再回平台去搜具体产品看口碑。

团队第一次用声量做基线监测时，结果相当冷静：在豆包 / DeepSeek / 元宝 / 千问 / 文心 / Kimi 六大平台，针对 30 个核心意图词跑一轮，萃野的整体提及率不足一成，首推率基本为零，声量份额几乎被三四个老牌竞品瓜分。换句话说，消费者在「决策最上游」的那一问里，根本碰不到这个品牌。

投流买到的是「这一次曝光」，而 AI 推荐位决定的是「以后每一次有人问，会不会被提到」。前者是流量，后者是资产。

诊断：监测告诉我们「在哪一类问题上输」

光知道「提及率低」没用，要拆到「具体在哪些问题、被谁压制、为什么」。我们用声量的 GEO 可见度监测，把 30 个意图词按消费决策链路分了三层，逐层看四个指标——提及率、首推率、声量份额、情绪正向率。

三个发现很关键：

• 最值钱的是「比较层」。这一层意图最接近成交，但萃野提及率最低。AI 在回答「怎么选」时，引用的几乎全是几篇结构清晰的「成分党测评」「敏感肌面霜横评」，而那些内容里没有萃野。
• 品牌层有「负面尾巴」。问「萃野怎么样」时，AI 会带出早期一两条「搓泥」「闷痘」的讨论——情绪正向率被拉低，这是信源里的旧帖在作祟。
• 信源结构失衡。用引用信源分析看，AI 回答敏感肌话题时，引用集中在「权威层」（皮肤科科普、专业媒体）和「讨论层」（知乎长答、垂直测评），而萃野过去的内容几乎全堆在「平台层」（小红书种草笔记）——恰恰是 AI 在严肃健康向问题里引用权重相对低的一层。

策略与执行：把内容铺到 AI 真正会引用的地方

诊断清楚后，90 天的打法就一句话：在「比较层」意图上，用 AI 可引用的结构化内容，按权威层 → 讨论层 → 平台层补齐信源，同时清洗品牌层的负面尾巴。

第一步：GEO 选题，从意图词倒推

不再凭感觉定选题，而是用声量的意图词库，把「敏感肌 + 面霜」相关的真实提问聚类，挑出十几个高频又高决策、且自己排名差的词作为攻坚目标，比如「屏障受损能用面霜吗」「换季泛红面霜推荐」「孕妇敏感肌面霜怎么选」。每个选题都对应一道用户真会问 AI 的问题。

第二步：GEO 内容生产，按 D.A.R.T 打分迭代

内容不是写完就发，而是过一遍 D.A.R.T 四维评分——可检出、权威、排名力、相关——低于线的回炉。落到执行上：

• 可检出：标题即答案，首段两三句先给结论，把「敏感肌选面霜看三点」这种核心判断单独成段，方便 AI 摘出来。
• 权威：成分逻辑讲清楚、引专业共识、避免绝对化用语，让内容读起来像「能被引用的判断」而非「软广」。
• 排名力：清单体、对比表格、分人群建议，结构化程度高的内容更容易进 AI 的推荐位。
• 相关：紧扣那一个意图词，不发散。

第三步：信源矩阵分层铺设

• 权威层：联合有资质的皮肤科背景作者产出严肃科普长文，把品牌的成分主张放进「专业可信」的语境。
• 讨论层：在知乎针对「敏感肌面霜怎么选」这类问题，产出结构清晰、有数据有对比的长答，补上过去最薄弱的一层——这一层是 AI 回答严肃问题时引用的重灾区。
• 平台层：小红书继续做攻略 + 清单 + 真实测评，但用账号风格引擎让每个矩阵号「写得像账号本人」，配合品牌知识库保证成分主张、卖点口径一致，不再是千篇一律的投放稿。

第四步：负面清洗与复测闭环

针对品牌层的旧负面，用新的「正确用法 / 适用肤质」内容做正向覆盖，稀释旧帖权重。整个过程开 7×24 监测，每两到三周复测一轮——这正好踩在「发稿后 2–4 周 AI 回答开始变化」的节奏上，让监测—优化形成自动闭环。

阶段性结果（示意）

90 天分三个阶段推进，指标变化大致如下（示意区间，仅说明趋势）：

到第 90 天，「敏感肌面霜怎么选」这类比较层意图词上，萃野在豆包和 DeepSeek 上已经能稳定出现在推荐清单里，部分长尾词拿到了首推。更关键的是声量份额——过去几乎全归竞品，现在萃野在敏感肌细分里切下了一块可见的份额。

值得强调：这是趋势示意，不是保证。GEO 是持续投放 + 监测的过程，停更后排名会回落，不是一锤子买卖。

可复用的方法论总结

把这套打法抽象出来，对任何想做 AI 可见度的美妆品牌都适用：

1. 先测后做：没有基线监测，所有优化都是盲打。先用六平台 + 四指标摸清「在哪一类问题上输」。
2. 抓比较层：「怎么选 / 哪个好」是离成交最近、也最值得抢的意图层，优先级高于品牌词和科普词。
3. 信源分层补齐：别把鸡蛋都放在平台层。严肃品类里，权威层和讨论层（尤其知乎长答）是 AI 引用的主力，缺哪层补哪层。
4. 内容为 AI 可引用而写：标题即答案、首段给结论、核心判断结构化、避免绝对化用语，用 D.A.R.T 评分卡掉「看着好看但 AI 抓不出来」的内容。
5. 闭环复测：踩 2–4 周节奏复测，监测—优化自动循环，把负面尾巴当成持续清洗的对象。

声量在其中做了什么

这套打法之所以能在 90 天内跑通，是因为它不靠人海堆，而是被工具串成了闭环：声量的 GEO 可见度监测提供六平台、四指标的基线与复测；意图词库 + 竞品对比帮团队找到「该攻哪些词、被谁压制」；引用信源分析揭示「信源结构失衡」这个根因；GEO 选题 → 内容生产 + D.A.R.T 评分保证产出的是 AI 真会引用的内容；小红书 / 知乎 / 公众号的自动产出配合账号风格引擎 + 品牌知识库，让矩阵内容写得像账号本人、口径统一；最后由监测—优化自动闭环把整件事变成可持续运转的系统，而不是一次性的活动。

对早期品牌来说，AI 推荐位是当下少有的、还没被买贵的「决策入口」。越早开始铺，越早把它变成自己的资产。