高盛看淡双11前线上消费：GEO预算该投向哪里

10月14日，高盛发表研究报告指出，其网上品牌追踪显示今年9月及2026年第三季度中国网上消费需求在双11前整体偏弱，多数追踪品类按年下跌。天猫、淘宝与京东合计口径下，宠物食品与保健品分别按年上升5%与1%，其余品类普遍下滑，其中白电按年下跌40%，运动鞋下跌10%，啤酒、美妆及小型厨房电器各下跌8%。当大盘需求走弱、品类分化加剧时，品牌最需要回答的问题变成了一个预算问题：在总额受限的前提下，内容与流量的钱应该投到哪里。

核心结论

需求走弱并不平均地影响所有渠道。当消费者收缩支出时，决策链条反而被拉长，比价与信息搜集的环节变得更重要。这意味着搜索与内容类渠道的相对价值在上升，而纯曝光类投放的边际效率在下降。把预算从广域曝光向可被检索、可被引用的内容资产倾斜，是需求走弱期较为稳健的调整方向。

第二个结论是品类分化要求预算分品类管理。白电按年下跌40%，宠物食品与保健品分别上升5%和1%（雪球），这种量级的分化无法用统一的预算策略应对。增长品类应当加大内容与转化的投入以扩大份额，下滑品类则更适合把预算转向存量用户的复购与口碑维护，而不是继续争夺新客。两类品类在同一份预算表里使用同一套考核指标，是常见的资源错配来源。

第三个结论是GEO的价值在需求走弱期更容易被验证。生成式引擎优化的作用是在用户提问阶段进入答案，此时用户已经具备明确意图，转化路径比曝光阶段短得多。当流量成本上升时，意图明确流量的相对价值更高。行业数据显示，2026年国内相关市场规模预计突破350亿元、同比增长128%，但仅约三分之一的企业达成了预期的曝光与转化目标中国经济新闻网，说明投入与效果之间仍存在方法论差距。

预算重排：从曝光位到答案位

传统投放的落点是曝光位，衡量的是触达与频次；内容资产建设的落点是答案位，衡量的是被引用与被采信。两者的评估周期不同，前者以天为单位，后者以季度为单位。在需求走弱的季度里，把一部分短期预算转为长期内容资产投入，本质是用当期的流量确定性换取下一期的引用确定性，这个交换是否划算，取决于品牌对自身品类决策周期的判断。

高意图问题的优先级

预算分配的第一步是确定优先覆盖哪些问题。建议按意图强度排序：直接询问「某品类哪个品牌好」「某型号与某型号差别」的问题属于高意图，应当优先覆盖；询问品类知识与选购方法的属于中意图，适合用专业内容承接；询问行业趋势与政策变化的属于低意图，投入产出比最低。把预算集中在高意图问题上，可以在总量不变的前提下提升有效引用数。

内容资产与投放的配比

一个可操作的起点是把内容资产建设固定在预算的一成五到两成五之间，其余部分仍按原有渠道分配，然后按季度观察引用率与自然流量的变化再做调整。这个区间的选择依据是：低于一成五时内容更新频率不足以维持引用稳定性，高于两成五则可能挤占必要的转化投入。对于决策周期长、参数复杂的品类，可以取区间上限；对于冲动型品类，取下限更为合适。

最佳实践

把观测口径从排名换成引用

传统搜索优化看排名，生成式引擎优化需要看引用。引用率、引用位置与引用内容的准确性构成三个基础指标，分别回答「有没有被提到」「出现在答案的哪个部分」「提到的是否准确」。把这三个指标纳入月度看板，可以避免用排名类指标自欺——在AI答案场景中，排名靠前但从未被引用的情况相当普遍。

用内容资产承接大促前的比价需求

大促前的比价需求是内容资产最能发挥作用的场景之一。用户在大促前会集中搜索价格对比、参数差异与真实评价，这些问题的答案正是AI搜索主要承接的内容类型。品牌如果能把参数表、价格区间与售后条款整理成结构化内容并同步到权威渠道，就有机会在比价阶段进入答案，而不是等到用户已经选定平台后才参与竞争。生成式引擎优化回答的是如何让模型在生成答案时想到你、引用你、把你当作可信事实来源腾讯云开发者社区，比价场景正是这一机制的典型应用。

第三个实践要点是把内容更新节奏与大促周期对齐。大促前的价格与权益变化频繁，内容资产如果没有同步更新，引用的内容会与实际不符，反而损害可信度。建议把内容更新纳入大促准备的固定节点，与价目表、库存计划同步推进，确保对外表述与内部数据始终同源。

常见误区

第一个误区是把生成式引擎优化当作传统搜索优化的延伸。两者的信源逻辑不同：传统搜索依赖链接权重，生成式引擎依赖内容能否被抽取为可信事实。沿用旧的关键词堆叠思路，很难在新场景中获得引用。第二个误区是只做自有渠道。缺少第三方信源支撑的内容在可信度判断中处于劣势，即便发布频率很高，被引用的概率依然有限。

第三个误区是用短期转化指标考核长期内容投入。内容资产的收益周期通常跨季度，若用周度转化指标衡量，会得出「无效」的结论并提前终止投入，而实际上资产正在积累。更合理的做法是给内容资产设置独立的考核口径与观察周期，与流量投放分开管理，避免两套不同逻辑的指标互相干扰。

内容投入的三个观测口径

第一个口径是引用覆盖度。把目标问题清单作为基准，逐条检验AI回答中是否出现品牌信息，得到覆盖度。覆盖度应当按问题类型分组统计，事实类与对比类的覆盖度通常最容易提升，方法类与风险类需要更长的内容积累周期。

第二个口径是引用稳定性。同一问题在不同时间、不同模型下反复提问，观察品牌信息是否稳定出现。稳定性低说明引用依赖偶发信源而非稳定资产，需要检查内容是否只在单一渠道发布。稳定性是判断内容资产是否真正建成的关键指标，比单次覆盖度更能反映资产质量。

第三个口径是引用转化。从AI答案进入品牌站点的流量，其转化率通常高于普通搜索流量，因为意图更明确。把这部分流量单独打标并跟踪，可以直接量化内容资产对业务的贡献。行业监管侧也在推进服务可信规范的落地，从五大方面与十项要求规范服务商能力北京科技报，品牌在选择外部服务时可以据此核验其方法论是否完整。

总结

高盛报告揭示的是需求侧的现实：双11前线上消费整体偏弱，品类分化显著。在这种环境下，预算的边际效率比预算总额更重要。把资源从广域曝光向高意图问题的内容覆盖倾斜，用引用率、稳定性与转化三个口径替代单一的排名与曝光指标，是需求走弱期较为可验证的调整路径。

需要提醒的是，内容资产建设不是短期救急手段。它的收益周期以季度计，投入后通常需要一到两个季度才能看到引用率的稳定改善。品牌在做预算决策时，应当把它与流量投放分开管理，分别设定观察周期与考核口径，避免用短周期的标准否定长周期的投入。生成式引擎优化在需求走弱期的真正价值，是让每一分内容投入都能沉淀为可复用的引用资产。