一个在品类讨论里被提到四分之一的品牌，为什么首选推荐率是零？模力指数公开看板上，雅诗兰黛在面霜品类、豆包网页版口径下，10 月 27 日至 11 月 3 日的提及率是 25.00%，首位提及率 1.79%，首选推荐率 0.00%；到 11 月 3 日至 11 月 9 日的周期，同一看板上通义千问的提及率升到 72.13%，首位与首选仍是 0.00%。三个指标放在一起，画出的不是一条上升曲线，而是一个明确的分工。
三个指标各回答什么问题
提及率回答的是「有没有被提到」，首位提及率回答的是「是不是第一个被提到的」，首选推荐率回答的是「有没有被明确推荐」。三个问题的答案对运营动作的指向完全不同。提及率低，说明内容供给不足，要去补可被检索的页面；首位提及率低，说明在同类比较里不占优，要去补对比性证据；首选推荐率低，说明缺少让人下决心的理由，要去补资质、案例与服务承诺。
| 指标 | 口径 | 回答的问题 | 不能用来做什么 |
|---|---|---|---|
| 提及率 | 答案中出现品牌名的比例 | 是否进入候选池 | 不能证明被推荐 |
| 首位提及率 | 品牌出现在第一个被提及位置的比例 | 在候选池里的相对位置 | 不能证明被优先选择 |
| 首选推荐率 | 答案明确给出推荐结论的比例 | 是否被当作答案 | 不能跨平台直接比较 |
| 正面/负面提及率 | 按情感极性拆分的提及占比 | 描述是否准确 | 不能替代销量与份额 |
25.00% 与 1.79% 的落差说明什么
这组数字的落差有 23 个百分点，说明品牌在品类讨论里是常客，但很少成为主角。对做可见度的团队来说，这是一个典型的中段状态：内容供给已经够用，证据供给不够。补内容能继续抬提及率，但对首选推荐率几乎没有作用；要动首选推荐率，得去补能让人下结论的材料，比如第三方评测结论、可验证的检测报告、明确的服务时效承诺。
把视角换成竞品对比会更清楚。同一看板上，豆包的提及率 85.25%、首位提及率 55.74%、首选推荐率 71.43%；Kimi 的提及率 77.05%、首位提及率 1.64%、首选推荐率 7.14%。豆包三项都高，属于既有曝光又有推荐；Kimi 提及率不低但首位与首选都很低，属于「被列举但不被推荐」。通义千问 72.13%、0%、0%，是这三种状态里最尴尬的一种：出现频次高，位置和结论都缺失。
同一品牌在不同平台的两个数
再看平台维度。模力指数的品牌认知拆解显示，通义千问的提及集中在「人工智能」这个认知标签上，占 72.13%，其次是「AI 办公与业务效率工具」36.73%、「大模型应用开发」33.33%，其余标签都在个位数。这意味着它在 AI 这个大类里认知稳固，但在具体使用场景里几乎没有占位。对 B2B 产品来说，场景占位的缺失会直接反映到首选推荐率上。
平台之间的差异同样要写进口径。同一份看板给出通义千问与豆包、Kimi、DeepSeek、文心一言的对比，提及率从 85.25% 一路排到 55.74%，跨品牌可比的前提是同一平台、同一入口、同一周期。一旦换了平台或换了网页端与 App 端，数字就不能直接比较。这也是为什么基线表必须把平台与入口写成固定列。
基线表要写哪六列
可复现的基线表至少包含七列：平台、入口（网页端或 App 端）、问题原文、统计周期、提及率、首位提及率、首选推荐率。前四列是条件，后三列是结果。少任何一列，数字都无法在下一周期复现，也就无法判断变化是真实波动还是口径漂移。行业里常见的错误是只记提及率，半年后回看，连当时问的是什么问题都找不到。
值数科技为九牧做的核验是一个可以借鉴的做法：累计核验 3000 余条 AI 回答，并明确给出「监测范围内」的整体提及率 87.6%。这句话的关键词是「监测范围内」，它把分母交代清楚了。没有分母的提及率没有解释力，87.6% 这个数字本身并不比 25.00% 更好，它们回答的是不同问题、不同范围。
最后提醒一句口径风险。模力指数这类看板的数字来自平台侧的固定问题集与固定周期，能反映趋势，但不是审计结果；正负面提及率的判定依赖标注规则，不同服务商之间不可直接横比。合理的用法是拿它做内部对照，观察自己的三个指标在同一口径下是否在动，而不是拿去和竞品比高低。
常见问题
提及率和首选推荐率能互相替代吗？
不能。提及率决定要不要补内容，首选推荐率决定要不要补证据。
为什么同一个品牌在不同平台差这么多？
信源结构、实体关联强度、问句偏向三类原因，混在一起就会把预算投错地方。
基线表最少要记哪几列？
平台、入口、问题、周期、提及率、首位提及率、首选推荐率，七列缺一不可。
负面提及率要不要单独看？
要。正负同时出现时净推荐口径才有意义，否则高提及率会掩盖描述偏差。
