做 AI 搜索里的竞品监控,最常见的做法是:每天问几道「XX 哪家好」,看 AI 点了谁、排第几,再和自家比。这个做法的问题在于,单日的数几乎不能用。这篇文章用一份真实监测数据把这件事算清楚,并给出一套用 pandas 就能跑的统计方法。
下面的 3808 条回答,来自 MaxAEO 对一个品牌(下面叫「本品」)13 天的监测(2026-11-04~11-16):
每条回答整理成一行:
date, platform, question, brand_mentioned, competitors
2026-11-04, doubao, 怎么查看品牌在豆包和 Kimi 里的口碑, 0, "A|C|D"competitors 是这条回答里点到的竞品,用 | 分隔。
import pandas as pd
df = pd.read_csv("answers.csv")
df["competitors"] = df["competitors"].fillna("").str.split("|").apply(lambda xs: [x for x in xs if x])
n = len(df)
print("本品提及率", round(df["brand_mentioned"].mean() * 100, 1))
comp = df.explode("competitors").dropna(subset=["competitors"])
comp = comp[comp["competitors"] != ""]
rate = comp.groupby("competitors").size().div(n).mul(100).round(1).sort_values(ascending=False)
print(rate)结果:本品提及率 12.9%。竞品提及率从高到低是 A 25.3%、B 24.8%、C 24.5%、D 21.9%、E 21.8%、F 15.2%、G 12.9%、H 5.6%、I 4.5%、J 2.8%。
第一个发现:前三名只差 0.8 个点。 如果只看总数,会得出「A 是最强竞品」的结论,但 A、B、C 之间的差距,比一天之内的波动还小。
daily = (comp.groupby(["date", "competitors"]).size()
.div(df.groupby("date").size(), level="date")
.mul(100).round(1).rename("rate").reset_index())
top1 = daily.sort_values("rate", ascending=False).groupby("date").head(1).sort_values("date")
print(top1)
print("第一名换了", (top1["competitors"] != top1["competitors"].shift()).sum() - 1, "次")13 天里,每天提及率最高的竞品依次是:B、A、A、C、A、B、A、A、A、A、B、C、C,换了 7 次。单日最高值在 22%~29% 之间跳。同期本品自己的单日提及率在 9.6%~15.2% 之间。
所以,竞品监控的第一条规矩是:看多天的均值,不看哪一天谁第一。 想判断某个竞品是不是真的在变强,至少拿连续两周的均值比,而且问题清单、平台清单要保持不变。
def by_platform(g):
m = len(g)
c = g.explode("competitors")
c = c[c["competitors"].notna() & (c["competitors"] != "")]
top = c["competitors"].value_counts()
return pd.Series({
"回答数": m,
"本品提及率": round(g["brand_mentioned"].mean() * 100, 1),
"最高竞品": top.index[0],
"最高竞品提及率": round(top.iloc[0] / m * 100, 1),
"本品份额": round(g["brand_mentioned"].sum() / (g["brand_mentioned"].sum() + top.sum()) * 100, 1),
})
print(df.groupby("platform").apply(by_platform))平台 | 本品提及率 | 最高的竞品 | 它的提及率 | 本品份额 |
|---|---|---|---|---|
腾讯元宝 | 29.5% | C | 46.4% | 8.9% |
智谱 | 22.3% | C | 36.2% | 10.7% |
文心 | 14.3% | A | 15.3% | 16.9% |
千问 | 12.7% | A | 35.6% | 6.5% |
豆包 | 10.9% | A | 29.7% | 6.6% |
DeepSeek | 8.5% | A | 23.7% | 6.1% |
讯飞 | 6.8% | F | 11.4% | 16.8% |
秘塔 | 4.8% | B | 27.3% | 2.9% |
Kimi | 3.9% | C | 43.9% | 2.1% |
(DeepSeek 只有 7 天数据,回答数约为其他平台的一半。)
两点值得注意:
df["n_comp"] = df["competitors"].str.len()
gap = df[(df["n_comp"] > 0) & (df["brand_mentioned"] == 0)]
print("点到竞品的回答", (df["n_comp"] > 0).sum(), "其中没有本品", len(gap))
print("本品被提时平均同框竞品数", round(df.loc[df["brand_mentioned"] == 1, "n_comp"].mean(), 2))
print("本品没被提时", round(df.loc[df["brand_mentioned"] == 0, "n_comp"].mean(), 2))
print(gap.groupby(["platform", "question"]).size().sort_values(ascending=False).head(20))3808 条回答里,有 1843 条(48.4%)至少点到了一个竞品,其中 1512 条没有本品,占 82%。这 1512 条就是最该优先补的地方:AI 在这道题上已经愿意推荐品牌,只是没想到你。
另一个数:本品被提到的回答,平均同时出现 2.15 个竞品;本品没被提到的回答,平均只有 1.51 个。也就是说,本品主要是出现在「列出好几家」的清单式回答里。想进单一推荐(「最推荐哪一家」)这类回答,光靠被列进清单是不够的。
把 gap 按「平台 × 问题」排序,排在前面的组合就是下周的内容清单:先看这些回答引用了哪些来源,再在这些来源所在的平台发回答这道题的内容。
按这个方法,每周花几分钟就能回答两个问题:竞品在哪家 AI 上变强了,我们下周先补哪几道题。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。