学习契约与正确模型
先明确为什么学、学完能做什么，以及如何证明自己真的掌握。
SEO 的需求、发布、抓取、排名和成交都具有延迟与不确定性。单点预测会把多个假设相乘后伪装成确定数字，破坏信任和资源决策。
- 能分别构建 baseline forecast 与 initiative increment
- 能用范围、敏感性和概率表达主要不确定性
- 能把预测假设连接到可更新的数据与决策触发器
精读 50 分钟 → 引导练习 50 分钟 → 实战任务 120 分钟。实战时间单列，不再把浏览页面和项目操作混成一个数字。
- 它是什么
- 预测包含“若无新动作的基线”与“行动可能产生的增量”；场景明确不同假设组合及其结果区间。
- 为什么重要
- 拆分需求、覆盖、排序、点击、转化、价值和交付假设，才能找到真正需要验证的高敏感因素。
- 什么时候使用
- 资源申请、季度规划、市场比较、内容/技术项目选择和财务沟通时使用。
- 什么时候不要套用
- 数据历史不足、产品/市场突变时不应输出看似精确的月度承诺；先给范围和学习计划。
- 边界与不确定性
- 预测不得用未经批准的客户级收入数据；对管理层披露数据来源、归因口径、模型限制和非承诺性质。
机制精讲
先读完整因果链，再看每个环节留下什么可观察信号。
SEO 预测是一个随证据更新的决策模型，不是对未来流量的精确承诺。可靠模型先估计“什么都不新增时”的 baseline：历史趋势、季节性、品牌需求、既定发布和自然衰减仍会发生；再把项目增量拆成可服务需求、页面交付率、抓取与索引、成熟速度、可见性、点击、转化、资格率和价值。每个乘数都应注明来源、时间窗、适用样本和可更新负责人，避免把搜索量相加后套一个固定排名 CTR。
场景的用途是把不同假设组合及其决策后果显性化。downside、base、upside 不应只是把最终数字上下浮动 20%，而应分别改变最有机制意义的驱动，例如只交付一半页面、需求下行、成熟延迟或转化提升。敏感性分析再一次改变一个变量，找出“影响大且证据弱”的假设，优先用 pilot 或数据补充验证。预测保存原版本并定期与 actual 对照，误差用来校准下一轮，而不是事后改写成看似准确。
基线隔离自然变化
基线包含无项目时仍会发生的趋势、季节、品牌活动与已承诺发布。项目实际结果必须与该反事实路径比较，不能把全部增长都归因于新动作。
驱动链暴露乘法风险
eligible demand、覆盖、交付、索引、CTR、转化、资格和价值逐层相乘；任何一层高估都会放大最终结果。每层应使用自有分布或明确类比，而非匿名行业常数。
时滞决定现金与学习节奏
上线不等于索引，索引不等于成熟，B2B 线索到成交又可能跨季度。模型需按 cohort 表示延迟，而不是把全年增量均匀铺到每月。
敏感性与校准管理不确定性
敏感性找出结果对哪些假设最敏感；校准把历史预测与实际偏差分解到具体驱动，更新以后范围。两者共同把预测从一次性演示变成学习系统。
关键概念
掌握术语之间的关系，才能迁移到不同网站、行业和工具。
Baseline
考虑趋势、季节、已知事件和自然衰减的“无新增行动”路径，不能简单设为零增长。
Driver model
eligible impressions × achieved visibility/CTR × landing conversion × qualification × value 等可解释驱动链。
Sensitivity
一次改变一个关键假设，观察结果最受哪些变量影响，以决定研究与风险管理优先级。
Calibration
定期保存预测与实际，比较误差和偏差，更新范围而非事后改写原预测。
完整示范
跟随一次“输入 → 分析 → 中间产物 → 结论”，看见专家是怎样做判断的。
工业软件主题集群的十二个月场景
以下为教学用合成数据。现有非品牌内容未来12个月 baseline 点击预计由10,000降至9,500；计划制作20页，候选查询年 eligible impressions 为200,000。团队要估计净新增点击与MQL，而不是承诺单点结果。
- base 场景交付率80%、可检索覆盖60%、成熟后CTR 3%
- 新页点击中15%可能蚕食旧页，landing→MQL为2%
- downside 使用交付50%、覆盖40%、CTR 2%；upside 使用交付100%、覆盖70%、CTR 4%
- 所有数字仅用于方法教学，不代表 Google 排名、展示或真实商业结果
建立无项目基线
- 输入
- 上年点击10,000，趋势与季节模型给出下一年9,500。
- 分析
- 无项目也预计减少500，因此将来实际达到12,000时，不能把12,000全部算作项目贡献；比较基准是9,500。
- 输出
- 锁定版本v1 baseline=9,500，并记录季节和异常假设。
计算 base 毛增量
- 输入
- 200,000 impressions、覆盖60%、CTR3%。
- 分析
- 可获得展示=200,000×0.60=120,000；成熟点击=120,000×0.03=3,600。交付率已体现在覆盖假设前需确认不重复；本例约定覆盖包含80%交付后的最终比例。
- 输出
- base 毛新增点击3,600。
扣除蚕食并转为MQL
- 输入
- 毛点击3,600，蚕食15%，转化2%。
- 分析
- 净新增点击=3,600×(1-0.15)=3,060；MQL=3,060×0.02=61.2，报告为约61而非伪精确小数。
- 输出
- base 总点击约12,560，净新增约3,060，新增MQL约61。
形成 downside 与 upside
- 输入
- downside覆盖40%/CTR2%；upside覆盖70%/CTR4%，均扣15%蚕食。
- 分析
- downside净点击=200,000×0.40×0.02×0.85=1,360；upside=200,000×0.70×0.04×0.85=4,760。对应MQL约27与95。
- 输出
- 用1,360/3,060/4,760净点击表达三场景，不用一个“必达”数字。
定义更新与停止触发器
- 输入
- 前两批10页上线90天后，仅6页索引，成熟CTR为1.1%。
- 分析
- 索引率和CTR同时低于base，先检查交付、查询匹配和SERP；若再一批仍低于预设门槛，则暂停余下制作并重估，而不是维持旧预测。
- 输出
- 月度重算驱动，保留v1和偏差解释，触发re-scope评审。
决策规则与证据边界
把“看到什么、意味着什么、下一步做什么”连起来，同时区分公开事实、实践推断和未知项。
- 自有历史、已发布页面、索引与漏斗数据能描述过去样本和当前基线输入。
- 给定假设链可复算场景结果并做敏感性分析。
- 相似页面的成熟与转化分布可作为新项目类比，但适配程度需说明。
- pilot缩小关键假设范围可提高后续资源决策质量。
- 未来需求、竞争、SERP形态及 Google 系统变化无法被精确预知。
- 单点预测不能保证页面收录、排名、点击或成交。
引导练习
先独立完成，再按提示修正，最后展开参考解法并用 0–4 级量规评分。
教学用合成数据：无项目baseline为8,000点击；项目候选展示100,000，down/base/up覆盖30%/50%/70%，CTR为2%/3%/4%，蚕食10%，转化2%。计算三场景净增量，指出最敏感弱假设并设计一次更新。
给定材料
- 驱动表：baseline、eligible impressions、覆盖、CTR、蚕食、转化及各自来源
- 证据表：相似页面CTR分布、上线到索引天数、页面交付计划和历史预测误差
需要提示时再展开
- 净新增点击=展示×覆盖×CTR×(1-蚕食)，baseline只用于得到未来总量。
- 逐个改变覆盖或CTR，比较对MQL的影响；不要把三场景理解成置信保证。
完成后核对参考解法
downside净新增=100,000×0.30×0.02×0.90=540点击，约11个MQL；base=100,000×0.50×0.03×0.90=1,350点击，约27个MQL；upside=100,000×0.70×0.04×0.90=2,520点击，约50个MQL。对应总点击约8,540、9,350、10,520，但baseline本身也应有区间。覆盖与CTR都是乘法驱动，应根据当前证据强弱选一个做pilot；例如先上线5页，90天后按实际交付、索引、目标查询展示与CTR更新，不达预设门槛就缩小余下范围。必须保留原预测用于校准，并明确这些数字不是排名或流量承诺。
自评分量规
真实项目实战
把理解变成一个可以检查、复核和复用的工作产物。
预测一个主题集群的 12 个月结果
内容负责人申请 30 篇文章预算，希望你预测 traffic、MQL 和 pipeline。
- 用自有 GSC/GA4 历史建立无项目 baseline，并注明季节、品牌和异常。
- 估计 addressable queries、页面映射、上线节奏、索引/成熟延迟与 cannibalization。
- 从自有相似页面分布估算 visibility/CTR、session→MQL、MQL→pipeline 范围。
- 构建 downside/base/upside，运行对交付率、CTR、qualification 和 deal value 的敏感性。
- 定义每月更新字段和 stop/re-scope trigger，保留原版本做 calibration。
验收条件
- baseline 与 initiative increment 分开
- 关键驱动来自自有数据或明确类比
- 结果用范围/场景而非单点承诺
- 包含 cannibalization、延迟、失败概率和更新机制
诊断练习
目标不是猜中答案，而是提出竞争假设并选择能区分它们的证据。
预测流量增长 50%，上线后只增长 15%。
竞争假设
- 交付/索引率低于假设
- addressable demand 或 CTR 被高估
- 新页蚕食已有页
- 外部需求/竞争改变
- 模型忽略成熟延迟
应该检查的证据
- forecast driver vs actual waterfall
- 发布、索引和目标 query 覆盖率
- 同 cluster 旧页点击变化
- Trends/SERP/竞品变化
- cohort 按上线月的成熟曲线
常见陷阱：只调整最终增长率，不找出偏差来自哪个可改进假设。
完成后用本页决策规则复核
- 若观察到：项目增量没有独立于无项目趋势
应优先：先建立并版本化baseline，再计算initiative increment。
历史突变时可用更宽范围，但不能把baseline设成零。 - 若观察到：最终结果对一个弱证据变量极敏感
应优先：优先设计pilot、访谈或样本测量来缩小范围。
敏感不等于可控；外部需求仍需用情景而非虚假精度表示。 - 若观察到：上线/索引/成熟延迟超过计划分位数
应优先：按cohort更新曲线，先诊断最早失败环节，再调整节奏。
早期低量样本波动大，应预先规定观察窗。 - 若观察到：连续两个检查点低于停止门槛且机制未改善
应优先：暂停、缩小范围或转向证据更强的动作，并保留已学信息。
停止规则需在结果出现前约定，避免因短期噪声随意撤项。
自测与误区
先口头回答，再展开检查。无法给出例外与证据，说明还没真正掌握。
你应该能回答
1. 没有项目时，基线会怎样变化？
参考答案：用自有历史按趋势、季节、品牌活动、既定发布和自然衰减建立无新增动作路径；例如历史同月下降5%，则baseline应体现下降而非零增长。保存模型版本与异常处理，使项目结果能与真正反事实比较。
为什么：没有baseline，全部实际增长或下降都会被错误归因给项目，增量和ROI随之失真。
2. 哪个假设对结果最敏感、证据最弱？
参考答案：运行一次只改变一个驱动的敏感性表，再给每个驱动标注证据等级。影响大、区间宽、只来自外部benchmark的变量最应先验证；常见候选是覆盖、成熟CTR或qualified conversion，而不是最终流量数字。
为什么：敏感性与证据强度相交，才能决定研究预算优先投向哪里。
3. 上线、索引、成熟和销售周期分别多长？
参考答案：分别用发布计划、日志/URL检查、上线cohort和CRM阶段估计：上线是制作到生产，索引是系统处理，成熟是查询表现趋稳，销售周期是MQL到成交。报告中用各自中位数与高分位数错开现金流，不把四段延迟合并为一个月。
为什么：阶段时滞决定何时能观察领先指标及何时可能产生财务结果，也是错误停止项目的常见来源。
4. 什么新证据会让我们调整或停止项目？
参考答案：预先约定触发器，例如两批页面索引率低于70%、目标展示不足base的一半、CTR或qualified conversion连续两个窗口低于下界，或产品/需求发生结构变化。触发后先定位驱动，再更新、缩小或停止，并保留旧版本。
为什么：事前阈值让团队根据新证据行动，避免结果不好时无限解释或因短期噪声冲动撤项。
需要避开的误区
- 关键词 search volume 相加就是未来流量。
- 排名第 1 的固定 CTR 可以应用到所有 SERP。
- 预测不准就没有价值，因此不必保留历史版本。
术语与复盘
用自己的话复述术语和结论；如果只能认出、不能解释，就还没有形成可调用的知识。
- Baseline
- 没有新增项目时仍会发生的趋势与季节路径。
- Increment
- 相对于baseline由项目可能新增或减少的结果。
- Eligible demand
- 在市场、产品和任务约束下可合理服务的需求范围。
- Sensitivity
- 改变单一假设并观察结果变化的分析。
- Calibration
- 保存预测与实际，分解误差并改进后续范围。
- Cohort
- 按上线时间或共同条件分组追踪成熟路径的一组页面。
离开本页前记住
- 先建无项目baseline，再谈项目增量。
- 驱动链的每个乘数都要有来源、范围和负责人。
- 场景应改变机制假设，而非只给最终数上下浮动。
- 上线、索引、成熟与成交具有不同延迟。
- 敏感性决定最值得验证的弱假设。
- 预测的价值来自更新、校准和停止决策，不来自伪精确承诺。
资料与证据
优先采用官方和一手资料。实践材料用于补充工作方法，不替代机制证据。