截至11月8日的公开信息，一份针对ChatGPT购物场景的分析拆出了八个可监测指标，并用高尔夫品类做了实测：5,850次提问中有2,347次生成了商品推荐，Callaway在无品牌提示的问题里可见率达到68.6%，PING为52.6%，TaylorMade为47.9%；但被推荐时的平均位次，PING是2.09，优于Callaway的2.56。对做竞品占位的团队来说，这组数据最有价值的地方不是排名，而是它把「被推荐」拆成了两件可以分别衡量的事。
五千八百五十次提问里只有两千多次出现推荐
四成的提问没有产生商品推荐，这个比例本身就是一个信号：不是所有购物问题都会触发商品清单。带明确型号的问题容易被直接回答，描述需求的问题才更容易出现推荐位。品牌如果只在型号词上做优化，就会错过那些真正生成清单的品类问题。
样本还限定在单一平台与一个品类。分析方明确提示，这只覆盖ChatGPT，其他AI平台可能给出不同推荐；问题也是标准化的购物提示词，不完全等同于真实用户输入。这些限制决定了结论的适用范围：可以用来比较品牌之间的相对位置，不能用来推断整体市场规模。
可见率和位次是两个数
可见率回答的是「出现频率」，位次回答的是「出现时排第几」。Callaway在无品牌提示下出现得更频繁，PING出现得少一些但排得更靠前。两种优势对应两种不同的经营状态：前者说明覆盖的问题面更广，后者说明在被推荐的场景里更接近首选。
位次为什么比次数重要
购物清单的长度通常只有三到五条，用户实际比较的往往就是前两三条。排在第五位的曝光，价值远低于排在第二位的曝光。这也是为什么分析方强调位次指标不能省：只看可见率，会把「经常出现但总在后面」的品牌误判为强势。
位次还有一个隐性作用，它反映的是模型对品牌的置信度。被稳定排在前面的品牌，通常有更完整的产品信息与更多的第三方材料支撑。位次波动大，往往意味着支撑材料不足，模型在不同提问下给出的排序不一致。
同一品类里第二名往往更靠前
实测结果显示，78个品牌中没有第二个品牌达到26%的可见率门槛，头部集中度很高。但头部内部的排序并不稳定：Callaway在8月与9月的可见率分别是67.7%与69.2%，TaylorMade从50.0%降到46.3%，PING基本维持在53.0%与52.4%。可见率在小幅波动，位次却可能变化更大。
这说明竞品占位不是一个静态排名，而是一组随时间波动的分布。品牌在监测时如果只做一次快照，很容易把某个月的波动当成趋势。合理做法是固定问题集、固定平台、按周采样，至少观察四周再判断方向。
指标口径决定了谁能被算进竞品
八个指标里有两个容易被忽略：商户份额与商品卡。商户份额衡量的是零售商在某个品类里占了多少展示位，商品卡衡量的是单个带图带价的条目。对品牌来说，这两个指标决定了「和谁一起出现」——同一个清单里出现的零售商与商品，会直接影响用户对价格带的判断。
竞品名单要从清单里反向生成
如果把竞品只定义为同类品牌，就会漏掉零售商自有品牌与跨品类替代品。实际清单里经常同时出现专业品牌、渠道自有品牌与价格更低的替代品，后两者对转化的影响往往更大。竞品名单应该从清单里反向生成，而不是由市场部提前圈定。
八个指标怎么落到一张表
把八个指标压缩成一张可执行的表，关键不是全部监控，而是先选三个与当前目标最相关的。如果目标是扩大覆盖面，看可见率与问题覆盖；如果目标是争夺首选，看位次与首选占比。
| 指标 | 本次实测中的表现 | 用途 |
|---|---|---|
| 可见率 | Callaway 68.6%，PING 52.6% | 衡量问题覆盖广度 |
| 平均位次 | PING 2.09，Callaway 2.56 | 衡量清单内位置 |
| 商户份额 | 清单内零售商占比 | 判断与谁同框 |
| 商品卡占比 | 单品出现频率 | 定位主推SKU |
这张表最重要的不是数字，而是口径说明：分子分母、采样平台、问题集版本都要写清楚。缺了这些，不同团队算出来的可见率无法比较，也就无法判断优化是否有效。
常见问题
AI购物里的可见率和位次，哪个更该优先看？
取决于目标。想扩大覆盖看可见率，想争夺首选看位次。购物清单通常只有三到五条，用户比较的多是前几位，因此位次对转化的影响更直接；但位次的前提是先出现，两者需要一起看。
为什么同一个品牌在不同月份排名会变？
因为AI回答受问题措辞、模型版本与可用材料影响。实测中Callaway的可见率在两个月里从67.7%到69.2%小幅波动，TaylorMade则从50.0%降到46.3%。单次快照无法区分波动与趋势，需要固定问题集按周采样。
竞品名单应该怎么定？
从清单里反向生成，而不是提前圈定。实际推荐里常同时出现专业品牌、渠道自有品牌与低价替代品，后两者对转化影响更大。只把同类品牌当竞品，会漏掉真正抢走订单的那部分。
这套指标能直接套到其他品类吗？
可以套用框架，不能套用数值。样本来自单一平台的高尔夫品类，其他品类的可见率基线、清单长度与问题结构都不同。需要先在本品类建立基线，再谈优化目标。
