搜索與推薦的預算怎麼分:下一塊錢投給誰
摘要:搜尋承接已經存在的意圖,推薦創造尚未出現的意圖。兩者之間的預算切分不是口味問題,而是由查詢量、購物籃行為與流量來源結構決定的。
引言:多數團隊用另一門生意的渠道基準來爭論搜尋預算。真正有效的切分從兩個數字出發:多少收入經查詢進來,多少收入經瀏覽進來。
關鍵要點
- 搜尋用戶是少數,卻貢獻多數收入。 站內搜尋用戶約佔買家 24%,卻帶來 44% 的收入。
- 轉化差距是結構性的。 在 6.09 億次查詢的資料集里,搜尋用戶的轉化率約為瀏覽者的 2.5 倍。
- AI 推薦是第三條線。 2026 年 3 月,AI 推薦流量的轉化比非 AI 流量高 42%。
- 參與深度不同。 AI 推薦訪客多瀏覽 13% 的頁面,單次訪問停留長 48%。
- 智能體流量轉化更硬。 一項覆蓋 329 個品牌的研究測得 AI 智能體訪客轉化 12.3%,無輔助瀏覽為 3.1%。
- 搜尋品質仍有空間。 自然語言搜尋相對關鍵詞匹配,可把轉化提升 15% 到 30%。
一、兩個引擎,兩種任務
站內搜尋回答訪客已經形成的問題,推薦回答訪客還沒形成的問題。兩者都產收入,但失敗方式不同,修復方式也不同。
搜尋敗在召回與精度:查詢被理解錯、結果排序差,或者買家常用的說法直接命中零結果。修復手段是查詢日誌、同義詞覆蓋與排序信號——便宜、快、可量化。
推薦敗在相關性與重復:同一區塊給所有人推同樣的暢銷品,邊際曝光因此衰減。修復手段是分群、新鮮度規則與位置測試——更慢,而且依賴流量規模。
預算問題由此而來:搜尋投入按查詢計回報,可用日誌分析論證;推薦投入按會話計回報,需要有足夠會話才能做測試。站點小,就先投搜尋,因為第一天就有資料可用。
第三條線在站外,但落進同一個漏斗:AI 推薦。它表現得像高意圖渠道,而它需要的是一個能回答被引用那個問題的落地頁。
想知道品牌在 ChatGPT、Perplexity 的答案裡佔多少份額?
了解通智 GEO二、一個能被辯護的分配模型
| 階段 | 站內搜尋 | 推薦 | AI 推薦就緒度 |
|---|---|---|---|
| 月會話 5 萬以下 | 60% | 20% | 20% |
| 月會話 5 萬到 25 萬 | 40% | 35% | 25% |
| 月會話 25 萬以上 | 30% | 45% | 25% |
| 查詢型目錄 | 55% | 25% | 20% |
| 瀏覽型目錄 | 25% | 50% | 25% |
這些比例是起點,不是規則。它們編碼了一個判斷:流量越大,推薦越值得投,因為有足夠會話量做測試;目錄越是查詢型,搜尋就該保留更大份額,因為意圖是帶著問題來的。
AI 推薦這一行不是渠道預算。它供的是被引擎引用的頁面與結構化事實,所以應該和內容、技術工作放在一起,而不是和媒體採買放在一起。
按季度用三個數字復盤切分:零結果率、按位置的推薦點擊率、按引擎的 AI 推薦轉化。忽略這三個數字的切分,只是帶表格的猜測。
三、數字到底說了什麼
Constructor 覆蓋 100 多家零售商、6.09 億次查詢的資料集顯示,搜尋用戶約佔買家的 24%、收入的 44%,轉化率約為瀏覽者的 2.5 倍。這個比例解釋了為什麼搜尋升級通常回本最快:意圖已經在店裡。
AI 推薦是更新的信號。Adobe 測得 2026 年 3 月 AI 推薦流量轉化比非 AI 流量高 42%,頁面瀏覽多 13%,訪問時長多 48%。另一項 329 個品牌的研究測得經 AI 智能體到訪的轉化 12.3%,無輔助瀏覽為 3.1%。
搜尋技術本身也還有空間。自然語言搜尋相對關鍵詞匹配,被測得轉化高出 15% 到 30%——對一個不需要新增流量的改動來說,這是很大的數字。
四條合起來支持一個明確的順序:先修搜尋召回,再擴推薦廣度,最後供 AI 推薦所需的答案層。
四、治理與季度決策
按責任人分配,而不是按工具分配。一個人負責查詢品質與零結果率,一個人負責推薦位置與新鮮度,一個人負責被引擎引用的事實頁面。三個責任人、一張看板、一個季度決策。
閾值要提前寫。零結果率連續兩個季度高於目標,就把預算從推薦挪到搜尋。AI 推薦轉化高於站內均值而落地頁單薄,就把預算挪進頁面工作。
避免年度重談陷阱。一個鎖死十二個月的切分,到第五個月通常就錯了,因為流量結構比預算週期動得快。季度復盤加書面決策,比年度辯論便宜。
每季度把決策寫下來,包括「沒有投什麼」。這份未投清單是下一輪預算里最有用的材料,因為它證明取捨是被選擇的,而不是被忽略的。
常見問題
問: 先做搜尋還是先做推薦?
A: 先做搜尋。查詢日誌第一天就有資料,推薦需要會話規模才能測准。
問: AI 推薦該佔多少預算?
A: 按被引用頁面數量來定內容與技術工作量,不要當成一條媒體預算。
問: 24% 用戶帶來 44% 收入還成立嗎?
A: 這是大樣本結論而非定律,先量自己的比例再照抄。
問: 復盤該看哪個主指標?
A: 搜尋看零結果率,推薦看位置點擊率,AI 推薦看按引擎的轉化。
問: 一家供應商能覆蓋三條線嗎?
A: 有時可以,但風險是工具定義了切分,而不是資料定義切分。
問: 切分多久改一次?
A: 每季度一次,配書面決策與未投清單。
關於通智雲
通智睿見把搜尋日誌、推薦位置與 AI 推薦會話接進同一層度量,讓預算切分用同一套資料來爭論。
相關閱讀
資料來源
- Busyseed,2026 搜尋與推薦對比——支撐 24% 用戶佔比、44% 收入佔比、2.5 倍轉化倍數與 6.09 億次查詢資料集。
- Value Add VC,2026 AI 商品發現——支撐 42% 的 AI 推薦轉化優勢、13% 頁面深度與 48% 停留時長,以及 12.3% 對 3.1% 的智能體轉化對比。
- RaftLabs,電商自動化用例——支撐自然語言搜尋相對關鍵詞匹配提升 15% 到 30% 轉化。
- SoTech,AI 商品發現與傳統搜尋——支撐分配模型中採用的 AI 推薦參與度優勢方向。