AI 正在改变购物者发现产品的方式，但传统的零售衡量方式仍然将购买的全部功劳归功于结账前的最后一次点击。最后一次点击可能来自 Google 搜索、付费广告或直接访问，即使 AI 早在之前就影响了购物者的决定。因此，零售商可能会低估 AI 在购物决策中的作用。
我们在零售业之外也看到了同样的衡量差距。在 Stripe，除了来自 AI 工具的直接引荐之外，我们还会跟踪可能表明 AI 影响了用户旅程的其他信号，例如与 AI 合作伙伴关系相关的活动、AI 辅助的产品用量，或将注册与 AI 工具使用联系起来的其他已验证指标。在 2026 年上半年，Stripe 大约 20% 的自助式注册显示了至少一个此类 AI 信号。这大约是归因于作为最后点击引荐来源的 AI 工具的份额的 12 倍，这表明最后点击报告只捕捉了 AI 可衡量影响力的一小部分。
随着产品发现向 AI 转移，零售商需要模型能够理解的产品数据、捕捉点击之外的影响力的衡量方式，以及无论购物者选择在哪里购买都能实现转化的购买路径。Stripe 目录 Feed 是与受支持的 AI 商务渠道共享结构化产品、定价和库存数据的一种方式，但 Feed 只是更广泛的问答引擎优化 (AEO) 策略的一部分。零售商还需要了解其产品在 AI 回复中的呈现方式，确保信息准确，打造顺畅的购买路径，并衡量业务影响。
本指南介绍了如何衡量 AI 对产品发现、回答准确性、购买流程和业务成果的影响。
AEO 建立在 SEO 之上，但购物者的互动方式有所不同
问答引擎优化，即 AEO，建立在与搜索引擎优化相同的基础之上：准确的信息、可抓取的页面、清晰的语言和有用的内容。
不同之处在于，问答引擎通常在购物者点击之前对产品进行总结、比较和推荐。这意味着零售商需要衡量的不仅仅是流量。
AEO 的衡量框架
AEO 的衡量应回答以下四个问题：
- AI 能否找到您的产品？
- 它能否准确描述这些产品？
- 购物者能否轻松地从 AI 响应转到购买渠道？
- 这些互动能否带来销售？
1. 衡量可发现性
可发现性可以告诉您，当购物者使用 AI 来研究、比较或寻找特定商品时，您的品牌和产品是否会出现。从两个基准指标开始：
- 可见度或“提及次数”： 您的品牌或产品在特定的购物者提示词集中出现的频率
- 引用份额： 响应中引用或链接到您的页面、商品信息或您控制的其他来源的频率
要衡量这两者，请首先创建一个提示词集。提示词集是购物者在研究或决定购买商品时实际可能会向 AI 工具提出的具有代表性的问题组。您可以通过将提示词手动输入客户使用的 AI 工具中并记录结果来测试这些提示词。
为了发挥有效作用，您的提示词集应反映购物者实际如何描述他们想要的内容并权衡他们的选择，而不是产品分类或推销术语。如果您只跟踪您的团队在内部使用的术语，您可能会错过购物者实际正在询问的问题，并且无法了解您的产品出现在哪里。与其使用“储物家具”之类的类别标签，不如思考购物者可能会使用的搜索方式，例如“带鞋子储物空间的小巧玄关长椅”。
提示集应包括品类问题、比较、以问题主导的查询、用例、预算、尺寸、位置和季节性需求的混合。例如：
- “适合为期一周的商务旅行的最佳随身行李”
- “200 美元以下适合宽脚的防水登山靴”
- “在哪里可以买到能快速发货到芝加哥的模块化沙发？”
这些提示越具体，就可能越有用，尤其是当您知道您的产品非常契合的情况。例如，在上面的例子中，家具零售商可能知道许多客户在搬进公寓前会购买模块化沙发。它可以跟踪诸如“适合搬进公寓的人的最佳沙发是什么？”或“几个月后我将搬进我的第一套公寓，我应该考虑哪些沙发？”之类的提示。这有助于表明您的产品是否针对真正的客户需求（搬进公寓）而被推荐，而不仅仅是像“模块化沙发”这样宽泛的产品关键词。
在 Stripe 我们自己的 AEO 工作中，我们不会将提示词集视为静态不变的。我们从具有代表性的问题集开始，然后随着时间的推移，利用入口点数据、客户研究、爬虫行为和用户测试对其进行持续完善。SEO 数据也是一个有价值的起点：传统的关键词研究显示了购物者最常搜索的内容，而 Google Search Console 的点击次数和展示次数则突显了您的网站已经表现良好的查询。零售商可以将这些洞察转化为可追踪的提示词，并根据网站搜索、付费搜索查询、评论、客户服务问题以及购物者实际使用的语言继续进行更新。
由于大多数问答引擎提供的第一方提示词数据仍然有限，Profound、Scrunch、Peec AI 和 Semrush 等 AEO 可见度工具可帮助您构建和测试能代表购物者实际搜索您产品的各种方式的提示词集，跨模型比较结果，并跟踪随时间发生的变化。
获得提示词集后，每周至少运行一次，以了解结果随时间发生的变化。如果您正在积极发布或更新内容，快速推进 AEO 策略，或者在 AI 提供商发布新模型时，请增加检查频率，甚至可能每天检查一次。
模型可能会从产品页面、发布商报道、创作者视频、评论、论坛、市场和本地商家资料中提取信息。从来源共识的角度来思考。当除了模型似乎信任的第三方来源之外，您自己的网站和页面上也出现相同且准确的产品信息时，AI 回答更有可能保持一致。这种来源组合因模型和类别而异。
在 Stripe，我们按模型审查来源模式，而不是假设相同的发布者、社区或平台能在所有地方提高曝光度。零售商也应如此。在宽泛的零售品类中，模型可能会依赖交易平台、评论网站、YouTube 或 Reddit；在利基品类中，一家小型的行业出版物或值得信赖的创作者可能比大型新闻机构更有分量。
需要跟踪的内容
- 按模型和市场划分的高优先级提示的曝光率
- 第一方产品、品类、编辑内容和帮助页面的引用率
- 您的声量份额，对比购物者常与您进行比较的关键零售商和交易平台
- 您的品类中最常被引用的域名和创作者
- LLM 爬虫访问量，包括问答引擎爬虫获取了哪些页面以及频率（这是一个早期信号，表明页面可能会为答案提供信息，但不能作为曝光度、流量或转化的证明。）
- 按模型、市场、产品品类和购物者需求划分的趋势
2. 衡量您的回答准确性
只有当 AI 对您的产品、政策和业务的描述足够准确，足以让购物者做出决定时，曝光度才会有所帮助。
您的品牌可能会出现在 AI 回答中，而模型并未链接或命名其使用的来源。即使是引用的回答也可能会弄错关键细节，例如过时的价格、错误的变体（例如在购物者需要单人床时推荐大号双人床）、缺少供货情况、不正确的预计交货时间，或过时的退货政策。定期审查优先提示的样本，并将回答与您当前的产品和政策数据进行比较。
我们已经看到，单靠曝光度并不能保证准确的展示。AI 模型在形成推荐时可能会依赖较旧的训练数据或过时的第三方来源，即使有更新的信息可用。一旦模型做出了该决定，即使遇到更新的信息，它也可能不会修改其推荐。例如在 Stripe，AI 系统有时会在推荐旧的集成路径时显示当前文档。对于零售商来说，这相当于在 AI 回复中呈现错误的价格、过时的供货情况、不完整的产品详细信息或对错误产品配置的推荐。
回答准确性取决于产品数据的质量。标题、描述、变体、价格、库存状态、图片、交货预估、退货政策和评价都会影响产品是否出现及其描述方式。产品 Feed 值得特别关注，因为它们可以为 AI 商务渠道提供您目录的权威视图。对于销售实体商品的美国企业，Stripe 的 目录 Feed 可以将结构化的产品、定价和库存数据聚合到受支持的 AI 商务渠道。在模型可能依赖的页面、Feed 和交易平台列表中，保持产品和政策数据完整、机器可读且是最新的。
3. 衡量交接
交接是指购物者从 AI 回复转移到购买渠道（产品页面、交易平台列表、本地个人资料、结账页面或商店）的时刻。这是 AI 曝光度转化为零售互动的阶段。
除了衡量购物者是否能够真正根据所获信息采取行动之外，零售商还需要衡量 AI 是否提及了产品。随着发现过程向 AI 转移，购买路径必须在购物者可能到达的每个渠道顺畅运行。
从购物者的角度测试这一点。他们能否找到合适的产品、确认价格和供货情况、选择正确的变体，并完成下一步而不会遇到矛盾的信息或死胡同？这种体验应该在您的每个销售渠道中进行审查。
即便如此，引荐数据仍可能是不完整的。某些答案引擎不会持续传递引荐来源或 UTM 数据，而受到 AI 影响的购物者之后可能会通过直接访问、品牌搜索、电商平台或实体店访问来完成购买。因此，衡量流量承接的最佳方式有两种：一是购物者点击进入后看到的内容，二是您可以观察到的引荐和转化信号。
4. 衡量业务影响
曝光度、展示和交接指标可反映系统是否正常运行。业务影响则表明 AEO 是否在推动可衡量的结果。
对于您可以直接归因的访问，请在以下方面比较由 AI 驱动的流量与其他渠道的流量：
- 转化率和每次会话收入
- 平均订单价值
- 新老客户比例
- 产品类别和库存组合
- 退货、取消和客户服务联系次数
- 重复购买和客户生命周期价值（针对具有重复购买行为的品类）
按照 LLM 模型来评估这些指标也会很有帮助。不同模型的成效通常会有所不同，这有助于发现差距并明确优化的重点领域。例如，如果一个模型带来的流量份额远超过其他模型，这可能是一个信号，提示您应优先改善您的品牌在其回复中的呈现方式。
如果您没有专门的数据科学团队，可以从实用的三步法开始。
随着您的衡量策略变得更加高级，您可以添加评估点击之外的影响力的方法。多触点归因将功劳分配给多个触点。增量测试探究 AI 是否推动了原本不会发生的需求。媒体组合建模使用聚合绩效数据来估算每个渠道的贡献。在 Stripe，我们在 2026 年采用了这种方法，在发现基于点击的归因遗漏了部分由 AI 驱动的需求后，将 AEO 作为一个单独的输入添加到我们的媒体组合模型中。零售商无需从这一步开始。可以从可衡量的引荐流量和转化开始，添加客户报告和相关的需求信号，然后随着您的数据能力的提升，再使用增量测试或媒体组合建模。
成效会因 AI 平台和市场而异。在 Stripe，AEO 引荐流量转化为注册的比率通常高于 SEO，但早期的分析显示，7 天首次收款率和 30 天激活率低于自然搜索。为了改善问答引擎呈现和描述 Stripe 的方式，我们扩充并更新了内容，使 AI 爬虫更容易访问关键文档，并纠正了过时的第三方信息。随着 AEO 引荐渠道的成熟，下游转化变得更接近 SEO，甚至在某些情况下超过了 SEO。在决定投资方向之前，零售商应在比较流量数量的同时比较流量质量，并按问答引擎、国家/地区、品类、着陆页和购物者意图对结果进行细分。
AEO 领域正在快速变化，衡量方法也将不断改进。零售商无需拥有完美的归因即可开始。一个实用的第一步是查看问答引擎如何描述您的产品，修复任何不准确或不完整的信息，然后跟踪这些变化是否反映在流量、转化和销售额中。