多数增长团队在开始追踪 AI 中介的购物之后，大约一个月就会撞上同一堵墙。他们能证明 AI 爬虫在访问站点，也能证明有一部分会话来自 AI 引荐来源。但他们很难干净利落地给出一个数字，来回答管理层真正在问的问题：这件事值得投入吗？
这个问题，光靠一套分阶段的度量模型答不了——访问、索引、检索、引荐、归因，每一阶段告诉你的是「发生了某件事」，而不是「这件事值多少钱」。它同样不是靠一个混合出来的营收数字就能回答的，因为那个数字会掩盖漏斗里究竟哪一段真的在起作用、哪一段正在悄悄漏水。
增长团队需要的，是一条从「这是我们的分阶段数据」通向「这是我们要跟 CFO 说的话」的路径，而且不能把当初让分阶段模型有价值的那些细微差别一并压平。
TL;DR
- 分阶段的度量模型和营收故事，回答的是两个不同的问题。前者说明 AI 中介的购物在哪里跑通、在哪里断掉；后者说明它是否值得继续拿预算。增长团队两者都需要，而不是用一个替代另一个。
- 归因应当以「一个区间 + 一套方法」的形式呈现，而不是一个笃定的数字。AI 引荐流量比付费或邮件流量更难干净归因，所以这个数字的可信度来自把方法讲明白，而不是来自它听上去有多精确。
- 最有用的内部报告，会把「AI 在访问我们」「AI 在给我们送来买家」「这些买家会转化」三件事分开讲。把这三者揉成一个指标，是这类汇报最常见的翻车方式。
为什么分阶段模型和营收故事总被混为一谈
分阶段的度量模型——访问、索引、检索、引荐、归因——之所以存在，是因为 AI 中介的购物在不同商户那里会卡在不同环节，而一个笼统的可见性评分会把「卡在哪」藏起来。对于诊断自家漏斗的增长团队，这是趁手的工具。
但分阶段模型本身并不构成营收论证。跟管理层说「我们的检索率提升了 20%」，回答的是一个诊断问题，不是预算问题。管理层问的不是漏斗各阶段是否健康，而是投进这条渠道的钱有没有变成回来的钱，以及跟同一笔预算的其他用法相比如何。
增长团队会在两个方向上犯错：只报分阶段的漏斗数据（准确，但非专业读者看不懂），或者只报一个混合出来的营收数字（好懂，但一旦有人追问它是怎么算出来的，就撑不住）。
在分阶段模型之上搭起营收叙事
解法不是再造一个新指标，而是把已有的这些阶段，翻译成增长或财务相关方真正会依次问出的三个问题。
1. 到底有没有人是通过这条路径找到我们的？
这是把访问与索引这一层，换成非技术读者能听懂的说法：AI 系统能不能取到关于本店商品的准确信息，这个覆盖面随时间是在改善还是持平。这个问题不需要挂上一个金额——它是一个「是/否」加一条趋势线，就该这么报，而不该包装成一个营收指标。
2. 找到我们之后，有没有变成一次真实到访？
这是引荐层：那些可以合理归因于「AI 系统把购物者送到店里」的会话，区别于购物者事后自行决定来访。归因方法在这一层最要紧，增长团队也最该在这里克制，不要把精度说过头。一个带引荐标记的会话，是存在关联的证据，不是因果的证明——一个向 AI 助手问过某个品类的购物者，本来可能就已经打算逛这个品类了。
3. 到访之后，会不会转化，价值几何？
这才是归因层本身：在 AI 引荐的到访里，有多大比例完成转化、客单价多少，与本店其他渠道相比如何。这是管理层真正想要的那个数字，而它应当与对照基准一起报，不能孤零零地摆出来。脱离了本店整体转化率作对照，「AI 引荐转化率」几乎说明不了什么。
| 汇报层 | 它回答的问题 | 不能据此宣称的事 |
|---|---|---|
| 访问与索引 | AI 系统究竟能不能看到我们的商品？ | 不是营收数字——只是覆盖面与趋势的指示 |
| 引荐 | AI 系统有没有给我们送来真实到访？ | 不是因果的证明——是方向性信号，须连同归因方法一并披露 |
| 归因与转化 | 这些到访有没有产生销售，价值多少？ | 不是全店平均值——永远要配上对照基准（如全站转化率） |
一个示意性的例子（非真实商户数据）
假设有一家中等规模的服饰店，想就一个季度的 AI 中介购物活动做汇报。一份站得住脚的内部报告大概长这样：「本季度 AI 爬虫对我们目录的覆盖保持平稳。可以合理归因于 AI 引荐的会话，在总流量中的占比有所增长。在这部分引荐流量里，转化率方向上高于全站平均，但样本量仍然偏小，因此我们把它当作早期信号，而非已成定论的结果。」这句话听上去当然比「本季度 AI 带来了 X 万营收」要弱——但它也是团队能在下一次会上站住、不必往回收的一句话。
这套框架的目的，不是让数字显得漂亮，而是让数字经得起追问。
从本季度起，增长团队该改哪些做法
- 每一次都把三层分开报，哪怕很想把它们压成一页幻灯片上的一个头条数字。可信度往往就是在这一步压缩里丢掉的。
- 把归因方法和数字写在一起。「按 30 天窗口的末次触点 AI 引荐标记归因」这句话，比任何不带方法的营收数字都更有用。
- AI 引荐转化率永远配一个基准。孤立的转化率不能证明任何事；放在本店整体平均值旁边的转化率才可以。
- 把早期数据当作方向性的，并且明说。对多数商户来说，AI 中介的购物量相对总流量仍然很小——一份承认这一点的报告，在见过太多渠道浮夸说法的财务读者眼里，只会更可信，不会更不可信。
Agentic Page 在其中的位置
Agentic Page 要做的，是让这条漏斗靠前的几个阶段——访问、索引、结构化产品数据——变得可靠且可观测，好让增长团队在谈到营收之前，手上先有些扎实的东西可报。它并不替你造出那个归因数字；那仍然取决于商户自己的分析与引荐追踪是怎么配置的。它改变的是：一开始究竟有没有准确、及时的产品数据可供 AI 系统取用——而这是上述三个汇报层中任何一层能给出可信答案的前提。
建立在不可靠底层数据之上的营收故事，经不起多久推敲。把地基打对，才谈得上这套框架的其余部分值不值得汇报。
延伸阅读：商家该如何度量 AI 中介的购物 · 为什么 AI 购物渠道的经济账各不相同 · AI 回答正在成为新的发现渠道
想把 AI 渠道报告做成财务团队愿意采信的样子？可以进一步了解 Agentic Page，或预约一次演示，看看你自己的店铺今天有哪些是可度量的。