品牌口碑与竞品位次：真正决定成交的那句话，搜索量是零
一、被忽略的那批问句
假设你在追踪"工业空压机哪个牌子好"，数据不错，AI 经常推荐你。
但同一个采购负责人，在签合同前一晚会问什么？
"XX 空压机的售后响应快吗？" "XX 这个牌子靠谱吗，会不会跑路？" "XX 比阿特拉斯便宜这么多，是不是质量差？"
这三个问题的搜索量加起来可能是零——没人会在百度搜"XX 靠不靠谱"，因为搜了也搜不到可信答案。但在 AI 里，这些问题是最真实、最接近决策的。
而且它们有一个致命特点：AI 给出的答案，客户会信。 因为客户认为 AI 是从大量真实信息里总结出来的，不带广告立场。
所以口碑问句的价值不是流量，是"最后一句话的说服权"。
【海外参照】海外把这批问句叫 sentiment prompt（口碑问句），核心判断是"改善某一维度的口碑，会产生乘数效应——AI 更可能在'最佳 X'这类高流量问句中推荐你"。
二、口碑问句在国内长什么样
不能直接翻译海外的模板。国内用户问 AI 的方式不一样，更口语、更怀疑、更具体。分四类：
类型 1：品牌整体评估
XX 靠谱吗 XX 这个牌子怎么样 XX 是正规公司吗 XX 会不会跑路
国内特色：第三、四句在海外几乎没有对应。国内用户对"公司稳定性"的敏感度远高于海外，尤其在预付类、长周期服务类行业（装修、教培、健身、SaaS 年付）。
类型 2：维度评估
XX 的售后怎么样 XX 的质量行不行 XX 用起来难不难 XX 的交付周期多久
类型 3：价值评估
XX 是不是智商税 XX 值这个价吗 XX 比【竞品】贵，贵在哪
"是不是智商税"是极高频的国内问句，海外没有直接对应物。它背后是一个很实际的心理：怕被坑。回答这类问句时，承认"在某些情况下确实是"反而更可信。
类型 4：风险与纠纷
XX 有投诉吗 XX 售后踢皮球吗 XX 打官司多吗
这一类在国内尤其重要，因为国内有黑猫投诉、裁判文书网、天眼查这类公开可查的负面信息源，AI 很容易检索到。
三、六个口碑主题（国内版）
把口碑拆成六个可独立追踪的维度。每个维度单独建一组问句：
| 维度 | 客户真正在担心什么 | 典型问句 | 国内高发问题 |
|---|---|---|---|
| 产品力 | 能不能解决我的问题 | "XX 效果怎么样""XX 和 YY 哪个好" | 参数虚标、效果承诺过度 |
| 价格合理性 | 是不是被宰了 | "XX 为什么这么贵""XX 是不是智商税" | 价格不透明、隐形收费 |
| 售后服务 | 出问题有没有人管 | "XX 售后怎么样""XX 报修多久上门" | 踢皮球、备件慢 |
| 交付履约 | 能不能按时交付 | "XX 交付周期""XX 会不会拖工期" | 延期、增项 |
| 公司稳定性 | 会不会跑路 | "XX 公司规模""XX 成立多久了" | 注册资本低、频繁变更 |
| 行业口碑 | 同行怎么评价 | "XX 在行业里什么水平" | 缺第三方背书 |
建议：先做"售后服务"和"价格合理性"两个维度。
原因很实际：这两个维度是负面信息最集中的地方，也是最容易通过补内容改善的。产品力改进要一年，售后说明页改进只要一天。
四、情感怎么判定（不靠感觉）
情感判定是口碑追踪里最容易做假的一步。三个方法，从粗到细：
方法 1：四分类（最低要求）
| 分类 | 判据 | 例子 |
|---|---|---|
| 正面 | 明确推荐、明确肯定 | "在国产品牌里属于第一梯队" |
| 中性 | 只陈述事实，不评价 | "成立于 2015 年，主要做华东市场" |
| 负面 | 明确质疑、警告、列举缺点 | "有用户反映交付延期较常见" |
| 未评价 | 提到但没有任何判断 | 只在列举清单里出现名字 |
注意第四类：很多品牌出现在清单里但没有任何评价。这不是负面，但也不是正面，不能算进正面率。这是最常见的统计错误。
方法 2：模糊句式的处理规则
模型特别爱用这类句式，它们最难判：
| 句式 | 建议归类 | 理由 |
|---|---|---|
| "也有用户反馈……" | 负面 | 转折句在法律和语感上都指向负面 |
| "口碑两极分化" | 负面 | 对决策者来说是风险信号 |
| "适合预算有限的用户" | 中性偏负 | 隐性暗示定位低端 |
| "如果你在意 X，可能需要考虑其他" | 负面 | 明确劝退 |
| "在该价位段表现不错" | 中性 | 有前提的肯定，不算明确推荐 |
一条实用规则：看这句话会不会让客户犹豫。会 → 至少算中性偏负。 情感判定的目的是预测决策影响，不是做语言学分析。
方法 3：双人标注 + 一致性检验
自己一个人判，会有系统性偏差（比如倾向把自己的品牌判得更好）。做法：
- 随机抽 30 条答案，两个人独立标注
- 算一致率。低于 80% 说明标准不清，需要重新定义
- 标准统一后再全量标注
【待核验】情感判定的标注一致性没有行业标准。80% 是实践中的经验阈值，不是学术标准。
五、负面来源地图：AI 是从哪儿学到坏话的
这是最有行动价值的一节。AI 不会凭空说你不好，它一定是从某处读到的。
| 来源 | 谁在用 | 影响哪个维度 | 能不能处理 |
|---|---|---|---|
| 黑猫投诉 | 多数引擎（公开可检索） | 售后、纠纷 | ❌ 不能删。可以公开回复，展示处理态度 |
| 知乎负面回答 | Kimi、DeepSeek、豆包 | 全维度 | ⚠️ 不能删（除非违规）。可以写更好的回答把它挤下去 |
| 贴吧/论坛旧帖 | 豆包、夸克 | 口碑 | ⚠️ 同上。老帖权重会随时间下降 |
| 天眼查/企查查风险信息 | 文心、DeepSeek | 公司稳定性 | ❌ 不能改。只能补充解释（如"该诉讼已结案"） |
| 裁判文书网 | 部分引擎 | 纠纷 | ❌ 不能删。可准备说明材料 |
| 招聘网站评价 | 少数引擎（间接） | 公司稳定性 | ⚠️ 改善真实雇主体检比删帖有用 |
| 自家官网的旧页面 | 全部 | 参数、价格 | ✅ 完全可以改，而且最该先改 |
最后一行最容易被忽略，但它是你唯一 100% 可控的源。 很多品牌被 AI 说错价格，根源是官网上三年前的价格页还在。
排查顺序建议：先修自家官网 → 再看第三方平台的旧内容 → 最后处理不可控的（投诉/诉讼类，只能补解释）。
六、修复路径：不能删，只能补
先说红线：付费删帖、刷好评、批量投诉下架，这些在国内都属于违规甚至违法行为，而且对 AI 无效——模型读的是公开信息的整体分布，不是单条内容。做了不但没用，还可能带来法律风险。
合规且有效的三层做法：
第一层：事实纠错（1–2 周见效）
适用于"AI 说错了"的情况。
- 官网上把错的参数、价格、成立时间全部改正
- 建立"事实页"（
/facts或"关于我们"页），集中列出：成立时间、注册资本、员工规模、服务客户数、资质证书、主要产品线，每条带日期 - 在权威第三方（百科、行业媒体）同步更新
这一层的逻辑：给 AI 一个"最权威的自己"，它引用时就有据可依。
第二层：正面证据补充（1–3 个月见效）
适用于"AI 说得不全面"的情况。
- 针对每个负面维度，写一篇具体的、有数据的内容。比如售后差 → 写"我们的报修流程：从提交到上门的 5 个节点，各节点时限"
- 争取第三方背书：行业媒体报道、协会认证、客户案例（脱敏）
- 在知乎写一篇真正有干货的长答，而不是软文
这一层的逻辑：不是覆盖负面，是让信息分布变完整。AI 是在做总结，正面信息越多、越具体，总结出来的画像就越平衡。
第三层：结构性覆盖（3–6 个月见效）
适用于"负面信息权重太高"的情况。
- 持续产出，形成内容簇（不是一篇，是一组）
- 让品牌在多个权威源上出现（百科 + 行业媒体 + 知乎 + 公众号）
- 时间会让老帖子的权重自然下降
这一层没有捷径，但它是最稳的。而且它有复利——内容簇一旦建立，后面每一篇都在加强整体。
七、竞品位次：一个自己能算的 Share of Voice
不需要工具，Excel 就能算。公式：
品牌 SOV = 本品牌在目标问句中被提及的次数 ÷ 所有品牌被提及的总次数
一个实际例子（10 条问句 × 3 次 = 30 个答案）：
| 品牌 | 被提及次数 | SOV |
|---|---|---|
| 竞品 A | 24 | 32% |
| 本品牌 | 18 | 24% |
| 竞品 B | 15 | 20% |
| 竞品 C | 11 | 15% |
| 其他 7 个品牌合计 | 7 | 9% |
这个数字的用法：
- 不要追求 100%。SOV 到 30% 在分散市场里已经是头部
- 看变化趋势，不看单点值。从 18% 到 24% 是显著改善
- 分意图看。你可能在"认知类"SOV 高、在"选择类"SOV 低，这说明品牌有名但没进候选名单——这是最典型的问题
一个补充指标：位次加权 SOV。
加权 SOV = Σ(每个答案中的位置权重) ÷ 总答案数 位置权重：第 1 位 = 1.0，第 2 位 = 0.8，第 3 位 = 0.6，第 4 位及以后 = 0.4，仅提及未列举 = 0.2
这个加权是自定义的、不精确的，但比单纯数次数更接近真实曝光。汇报时要说明权重是自己定的，不要伪装成行业标准。
八、一块口碑看板（月度用）
| 维度 | 上期 | 本期 | 变化 | 主要来源 |
|---|---|---|---|---|
| 产品力 | 正面 6 / 中性 3 / 负面 1 | 正面 7 / 中性 3 / 负面 0 | 📈 | 官网、知乎 |
| 价格合理性 | 正面 2 / 中性 4 / 负面 4 | 正面 4 / 中性 5 / 负面 1 | 📈 | 官网价格页（新上线） |
| 售后服务 | 正面 1 / 中性 2 / 负面 7 | 正面 3 / 中性 4 / 负面 3 | 📈 | 知乎旧帖、黑猫 |
| 交付履约 | 正面 3 / 中性 5 / 负面 2 | 正面 3 / 中性 5 / 负面 2 | — | 无变化 |
| 公司稳定性 | 正面 4 / 中性 4 / 负面 2 | 正面 5 / 中性 3 / 负面 2 | 📈 | 百科（已补齐） |
看板的读法：不要看"整体情感分"，看哪个维度的负面数最高，那就是这个月的动作。
九、五个常见问题
Q1：客户不让我们提他的名字，案例怎么写？
写脱敏场景：行业 + 规模 + 问题 + 做法 + 结果区间。"某汽车零部件厂（年产值 3 亿级，1200 人）"这种表述完全可用，而且模型照样能引用。
Q2：黑猫投诉上的记录会不会一直影响我们？
会，但影响会随时间下降。更有效的做法是公开回复 + 展示处理结果——AI 读到"企业已回复并解决"时，叙述会变得平衡。这比删帖有效得多，也合规。
Q3：AI 说我们"便宜但质量一般"，怎么改？
这是定位问题，不是口碑问题。两条路：① 承认定位（"在 X 价位段性价比突出"），用参数证明 ② 拆出高端产品线单独建内容。不要试图让 AI 说一个便宜品牌"高端"，那不可能成功。
Q4：要不要每天监测？
不要。口碑变化以周为单位，日监测只会放大噪声。建议：月度全量 + 重大事件后加测一次。
Q5：怎么证明口碑改善带来了生意？
靠那个 CRM 字段——"您是从哪里知道我们的？"加"AI 助手"选项。三个月后你能拿出"本月 37 个新客户里 9 个来自 AI"，比任何情感分数都有说服力。