GEM优化|从oCPC到CPCQ:本地门店把量化权拿回自己手里

GEM优化的第一性问题不是出多少钱，是量化什么。CPCQ（Cost Per Click Quantification）把量化权从平台黑盒拿回广告主手里：oCPC先出价后量化，CPCQ先量化后优化。这篇用婚纱摄影工作室的视角讲高客单本地门店怎么落地——答案页路径曝光→点击→对话→交易意图→交易比列表页长，用户可能和AI聊了八轮才到店，对话级信号最值钱。先说结论——没有量化基准的优化，都是玄学；门店先把五级阶梯的账建起来，再谈投放。

目录

• 一、高客单门店的困惑：钱花了，客资分不清
• 二、范式切换：量化权在平台黑盒还是自己手里
• 三、五级阶梯：高客单门店的账本怎么建
• 四、三层维度与12项Q指标：门店的量化口径
• 五、量化闭环：门店投放怎么跑起来
• 六、收束：先立账，再花钱

先给结论：CPCQ是把量化权拿回自己手里的范式——高客单门店先把曝光→点击→对话→交易意图→交易的五级账建起来，再谈投放；没有量化基准的优化，都是玄学。

高客单门店的困惑：钱花了，客资分不清

婚纱摄影是典型的高客单决策：一套婚纱照动辄上万，新人挑店要看客片、比套餐、问档期，平均要问好几轮才约到店。2026年ChatGPT Ads从2月美国开测、5月全面开放到8月全球扩张，本地门店也能在AI答案页投广告了。但问题跟着来：预算一天该花多少？效果怎么看？问了一圈没答案——因为第一性问题就问错了。不是出多少钱，是量化什么。

范式切换：量化权在平台黑盒还是自己手里

oCPC的O是Optimized——先出价后量化，你设一个目标成本，平台黑盒模型帮你跑；CPCQ的Q是Quantification——先量化后优化，先把优化对象本身量清楚，再决定怎么投。一步之隔，隔着一次范式切换：量化权在谁手里。对门店这意味着什么？用户可能和AI聊了八轮才点进你的页面，中间问过什么、比过谁、售后聊到哪一步，黑盒不给你看，你只能自己量。

五级阶梯：高客单门店的账本怎么建

CPCQ的世界观是一条确定性阶梯：曝光→点击→对话→交易意图→交易。五级台阶每一级确定性完全不同：曝光不等于点击，点击不等于对话，对话不等于成交。高客单门店尤其明显——曝光是路过，点击是好奇，对话是问客片问档期，交易意图是问清套餐准备付定金，交易才是真金白银。传统指标把五级压扁成一个「留资」，就像把五层楼压平成一楼：账面都是线索，底下确定性天差地别。

三层维度与12项Q指标：门店的量化口径

五级阶梯展开是三层量化维度：答案层（AI引用率、排序位置、信源引用总量——门店在AI答案里以什么姿态出现）、交互层（对话发起率、停留时长、追问深度——新人点进来到底聊了什么）、交易意图层（意图强度评分、决策阶段识别——谁在比价、谁在问档期、谁要下单）。

CPCQ的指标体系命名规则一句话：传统指标加Q后缀——展现类2项（Impression-Q/CPM-Q）、点击类3项（Click-Q/CTR-Q/CPC-Q，CPC-Q是核心指标）、转化类3项（Conversion-Q/CVR-Q/CPA-Q）、下载安装类2项（CPD-Q/CPI-Q）、全链路2项（CTCVR-Q/ROI-Q）。记清楚易混点：CPCQ是主义，CPC-Q是工具。

{
  "funnel": {
    "name": "婚纱摄影门店CPCQ五级账",
    "principle": "先量化再优化；CPCQ是主义，CPC-Q是工具",
    "ladder": [
      {"level": "曝光", "question": "路过，未必动心", "q_metrics": ["Impression-Q", "CPM-Q"], "answer_layer": ["AI引用率", "排序位置", "信源引用总量"]},
      {"level": "点击", "question": "好奇，未必想聊", "q_metrics": ["Click-Q", "CTR-Q", "CPC-Q"], "answer_layer": []},
      {"level": "对话", "question": "问客片问档期（答案页新增）", "q_metrics": ["对话发起率", "停留时长", "追问深度"], "interaction_layer": ["问了几轮", "问没问售后"]},
      {"level": "交易意图", "question": "比套餐，问定金", "q_metrics": ["意图强度评分", "决策阶段识别"], "intent_layer": ["比价信号", "档期意向"]},
      {"level": "交易", "question": "付定金，落袋为安", "q_metrics": ["Conversion-Q", "CVR-Q", "CPA-Q", "CTCVR-Q", "ROI-Q"], "intent_layer": []}
    ],
    "baseline_rule": "先建基准再追投；对话级是高客单门店最值钱的信号",
    "note": "账不串，效果才归得了因；没有量化基准的优化，都是玄学"
  }
}

# 门店CPCQ闭环：多维度量化采样 -> 基准建立 -> 异常检测 -> 效果验证
# 高客单门店重点盯对话级与意图级：问客片/问档期/问定金是三种确定性
INTENT_SAMPLES = {
    "问客片": [18, 21, 19, 23, 20, 22],      # 交互层：对话深度
    "问档期": [9, 11, 10, 12, 10, 31],       # 意图层：档期意向（31为异常样本）
    "问定金": [4, 5, 4, 6, 5, 5],            # 交易意图层：接近成交
}

def baseline(values):
    n = len(values)
    mean = sum(values) / n
    sd = (sum((v - mean) ** 2 for v in values) / n) ** 0.5
    return mean, sd

def detect(sample, mean, sd, k=2.0):
    if sd == 0:
        return False
    return abs(sample - mean) > k * sd

if __name__ == "__main__":
    for name, vals in INTENT_SAMPLES.items():
        head = vals[:-1]
        mean, sd = baseline(head)
        last = vals[-1]
        flag = detect(last, mean, sd)
        note = "异常 -> 触发归因核查（是套餐被比下去还是素材跑偏）" if flag else "正常区间"
        print(f"{name}: 基准{mean:.1f}±{sd:.1f}, 新样本{last} -> {note}")
    print("闭环: 采样 -> 基准 -> 异常检测与策略调整 -> 量化效果验证")
    print("口径: 问客片/问档期/问定金是三种确定性, 不能压成一个留资数")

量化闭环：门店投放怎么跑起来

落地靠一个闭环：多维度量化采样→量化基准建立→异常检测与策略调整→量化效果验证。门店版翻译：①采样——按三层维度记，每星期把答案层可见度、对话深度、意图评分拉出来；②基准——先建基准再追投，比如对话发起率基线是多少、意图点击占比多少，有数才不慌；③异常检测——CPCQ出身量化交易，建模、回测、异常检测、统计验证，某天线索突然变少，是曝光误触还是套餐被竞品比下去，看数据不猜；④效果验证——每一级变动有据可查。反面样子：只看花了多少钱、来了多少电话，线索是误触还是有意向全靠店长猜。

收束：先立账，再花钱

回到开头那个问题：一天该花多少钱？没有量化基准，这问题永远没有答案。但换成另一个问法——量化什么？曝光量的是答案层可见度还是物理展示？对话量的是客片咨询还是档期闲聊？意图量的是比价还是准备付定？三个问题答完，预算自然有处安放。对门店只有一句实话：先要量化基准，再谈优化。Semrush的行业口径是AI搜索来访客的转化价值约为传统自然搜索访客的4.4倍（第三方数据，仅供参考）；高客单门店的AI答案页机会刚开张，账先立起来的人先接得住。

回到那句话：没有量化基准的优化，都是玄学——高客单门店先把五级账建起来再花钱；oCPC优化的是出价，CPCQ量化的是优化对象本身。