CTR下降后的新考核：如何理解模型声量（SoMV）

网站自然搜索点击率下降时，常见反应是检查排名、标题和摘要，判断页面是否失去了吸引力。

这些检查仍然有必要。不过，随着生成式摘要、AI问答和搜索结果页直接回答逐渐增多，点击率下降可能还有另一种原因：用户在结果页已经取得了答案，没有继续访问网页。

这时会出现一个不太容易解释的现象。网站获得的点击减少了，品牌却可能仍然出现在答案里；另一些网站的排名变化不大，但品牌在AI回答中几乎没有被提到。

传统CTR无法区分这两种情况。

所谓模型声量，英文常写作Share of Model Voice，简称SoMV，正是在这种背景下被用于AI搜索监测。它试图回答一个具体问题：在一组与业务相关的AI回答中，某个品牌获得了多少提及和引用份额？

这个指标有一定价值，但现在还没有统一算法。企业在使用前必须先定义自己的统计范围。

“CTR下降58%”需要先核对什么

“CTR下降58%”看起来很具体，却不一定说明问题出在哪里。

CTR的变化可能受到排名波动、查询结构、季节需求、搜索结果样式和统计工具配置影响。如果品牌词占比下降，而行业问题的展示量上升，整体CTR也可能被拉低。移动端和桌面端的变化通常也不一致。

因此，使用这个数字前至少要说明：

对比的是哪两个时间段；
统计的是全部查询还是特定问题；
展示量、排名和搜索需求是否同期变化；
是否排除了品牌词与异常流量；
数据来自哪个分析口径；
AI摘要或直接回答是否覆盖了相关查询。

如果无法补充这些信息，“下降58%”只能算一个现象，不能直接归因于AI搜索。

我不赞成先用一个醒目的跌幅得出结论，再去寻找能够解释它的材料。更可靠的顺序是先拆分数据，确认点击率下降发生在哪些问题上，再判断这些问题是否出现了AI回答或零点击行为。

什么是模型声量

SoMV可以理解为品牌在模型回答中的相对出现份额。

一种基础计算方式是：

模型声量 = 目标品牌的有效提及次数 ÷ 对比品牌的有效提及总次数 × 100%

这里最难定义的不是计算公式，而是“有效提及”。

例如，用户询问某类工业设备的选型方法，回答在背景部分顺带提到某个企业，与回答明确把该企业列入候选方案，显然不是同一种可见性。

品牌名称出现了，也不等于内容被正确引用。回答可能使用了过期参数，混淆了公司与产品关系，甚至把其他品牌的能力写到了目标企业名下。

因此，SoMV不能只统计品牌有没有出现。至少还需要记录出现位置、引用来源和事实是否准确。

SoMV需要明确统计边界

没有边界的SoMV没有可比性。

同一个品牌，在不同问题集、不同模型和不同测试时间下，结果可能相差很大。企业需要先固定监测范围，再讨论趋势。

问题范围

问题库应该来自真实业务，而不是为了得到品牌答案临时编写。

可以按照用户决策阶段整理问题，例如行业认知、方案比较、产品选型、技术验证、采购评估和使用维护。

品牌词问题与非品牌词问题应分开统计。用户已经输入品牌名称时，模型更容易提及该品牌。如果把这类问题大量加入样本，SoMV会被人为抬高。

模型范围

测试时需要记录平台、模型版本、联网状态和测试时间。

不同模型的检索范围和回答方式可能不同。即使是同一平台，版本更新后也可能出现明显变化。把多个模型的数据合并成一个数字，会掩盖实际差异。

对比范围

竞争品牌名单不能随意扩大或缩小。

如果某个品牌只在一个细分行业经营，却被放进跨行业的大型企业名单中比较，得出的份额没有多少实际意义。对比对象应与产品类别、应用场景和目标客户基本一致。

时间范围

生成式回答存在波动，单次测试不能构成趋势。

更合理的做法是在固定周期内重复测试，保存原始回答和来源。只有问题集、平台和评分规则基本稳定，不同周期的SoMV才有比较价值。

不同类型的模型声量应该分开计算

企业可以根据监测目的，把SoMV拆成几个相对独立的指标。

品牌提及份额

统计目标品牌在全部对比品牌提及中的占比。

它适合观察品牌是否进入模型的候选范围，但不能证明用户看到的是正面或准确信息。

来源引用份额

统计回答引用目标企业官网或相关资料的比例。

这个指标能够判断企业是否成为事实来源。有时模型会提到品牌，却引用了第三方页面；有时模型没有直接推荐品牌，但使用了企业发布的技术资料。

两种情况的意义不同。

准确提及份额

统计品牌提及中事实基本正确的比例。

如果一个品牌被提到20次，只有8次准确，较高的提及份额反而意味着错误信息被更多用户看到。企业不能只庆祝“被AI看见了”，还要检查AI看见的究竟是什么。

一个简单的SoMV计算示例

假设企业准备了30个无品牌业务问题，在两个模型中分别测试，每个问题重复三次。

测试结束后，全部对比品牌共获得120次有效提及，其中目标品牌出现24次，那么基础SoMV为20%。

进一步检查发现，这24次提及中：

15次信息基本准确；
7次引用了企业官网；
5次出现在明确推荐语境；
4次使用了过期或缺少条件的资料。

此时，“SoMV为20%”只能说明品牌的相对出现频率。它没有说明信息是否准确，也不能证明这些回答带来了访问或询盘。

更完整的报告应该同时列出提及份额、来源引用、推荐语境和事实准确率。这样才能知道问题发生在发现、引用还是信息维护环节。

SoMV与CTR是什么关系

CTR和SoMV衡量的是两个不同阶段。

CTR反映用户看到搜索结果后是否点击页面。SoMV反映品牌是否进入AI回答，以及在回答中占据多大份额。

两者可以组合观察：

CTR表现	SoMV表现	可能情况
较高	较高	传统搜索与AI回答中都有稳定可见性
较低	较高	品牌进入答案，但用户未必点击网页
较高	较低	网页排名和点击正常，AI回答中的品牌存在感较弱
较低	较低	需要同时检查搜索表现与公开信息质量

这张表只能帮助确定排查方向，不能直接解释业务结果。

例如，CTR较低、SoMV较高，可能是零点击行为增加，也可能只是监测问题过于宽泛，品牌被频繁提到却没有进入高意图场景。还需要继续查看询盘、直接访问、品牌搜索和销售反馈。

如何建立一套可复测的SoMV监测

第一步：建立业务问题库

问题应来自销售记录、客服咨询、站内搜索和客户访谈。先覆盖真实需求，再考虑数量。

每个问题需要标记行业、场景、决策阶段和意图强度。这样可以分别观察认知问题和采购问题中的品牌表现。

第二步：固定测试环境

记录测试平台、模型、时间和联网状态。每轮测试尽量使用新的对话，避免前文影响回答。

同一个问题需要重复测试。模型回答存在随机性，单次结果容易高估或低估品牌可见性。

第三步：保存完整证据

保存完整提问、回答正文、引用页面、测试时间和截图。只记录“出现”或“没有出现”，后续很难复查评分是否合理。

第四步：制定评分规则

需要提前规定什么算提及，什么算推荐，怎样判断引用，哪些错误会使提及失效。

规则一旦确定，不应因为某次结果不好看就临时修改。否则不同周期的数据无法比较。

第五步：把结果反馈给内容维护

如果品牌没有进入回答，要判断是页面无法被发现、内容没有覆盖问题，还是企业本身不适合该问题。

如果出现了错误引用，则应检查官网、产品资料和其他官方渠道是否存在冲突。SoMV监测的目的不是制作一张漂亮的趋势图，而是找到公开信息中的具体缺口。

SoMV最容易出现的几种失真

品牌问题占比过高

问题中直接带有企业或产品名称，会明显提高提及率。品牌问题与无品牌问题必须分开。

把单次回答当成稳定结果

同一问题在不同时间可能得到不同答案。截图可以作为证据，但不能代替重复测试。

只统计出现次数

品牌名称可能出现在负面、错误或无关语境中。没有语境分类的SoMV容易产生误导。

不区分提及与引用

模型提到企业，不代表信息来自企业官网。引用企业资料，也不代表答案明确推荐企业。

频繁调整问题库

每个月更换大量测试问题，指标变化可能来自样本变化，而不是品牌表现变化。

直接把SoMV当作销售指标

模型声量属于中间指标。它能够描述AI回答中的相对可见性，却无法单独证明销售增长。

SoMV不能替代哪些指标

模型声量不能替代自然搜索流量、询盘数量、成交率和客户获取成本。

它更像一项诊断指标，用于判断品牌是否进入AI搜索的回答层，以及进入后是否被正确表达。

企业仍然需要结合以下数据：

品牌词搜索量；
官网直接访问；
自然搜索展示与点击；
高意图页面访问；
表单、电话和在线咨询；
销售环节记录的客户来源；
AI回答中的事实准确性。

如果SoMV持续上升，而品牌搜索、网站访问和业务咨询没有变化，应检查问题集是否偏离了客户真实需求，也要确认品牌是否只出现在认知类问题中。

我的观点：SoMV的价值在诊断，不在制造新排名

我不认为SoMV会成为一个可以替代CTR的单一指标。

AI回答没有统一结果页，也没有稳定的第一名。模型、问题和上下文发生变化，品牌位置就可能变化。把SoMV包装成另一种排名，很容易重复传统SEO中过度追逐单一数字的问题。

它真正有用的地方，是把原本模糊的“AI有没有提到我们”变成可以复查的数据。企业可以知道哪些问题已经覆盖，哪些事实经常被引用，哪些错误持续出现。

这已经足够有价值。

SoMV适合与CTR并列使用。CTR继续衡量搜索点击，SoMV补充回答层的可见性。两项指标都要回到真实业务问题和转化路径中解释，脱离这些条件，数字越精确，误导性反而可能越强。

结语

搜索点击率下降，不一定意味着品牌影响力按相同比例下降。用户可能在AI回答中取得了信息，也可能转向其他搜索和问答入口。

模型声量为这一变化提供了新的观察角度，但它不是现成的行业标准。企业需要自己定义问题集、对比对象、有效提及和统计周期，并长期保持口径一致。

如果“CTR下降58%”有完整样本，它可以成为一次值得分析的数据变化；如果没有对应条件，这个数字不应被当成普遍规律。

比追逐一个高SoMV更重要的，是确认品牌在什么问题中被提到、模型引用了什么资料，以及答案有没有准确反映企业事实。

CTR下降后的新考核：如何理解模型声量（SoMV）