From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web
从提示到购买：AI品牌推荐如何驱动消费者在开放网络上的行为
🧭 测量和归因
Scrunch AI
会话助手推荐品牌后，用户同名搜索量上升+4.3pp，访问品牌自身站点+2.4pp，品牌特定零售商页面访问量+1.0pp。
📌 工作参考价值
- 非归因曝光的增量测量：大多数助手推荐不留 referrer，可借鉴本文的 opt-in 点击流-对话面板方法，将曝光与下游行为关联，利用事件研究和向后安慰剂窗口计算真实增量，适合电商评估生成式推荐或客服机器人的隐形影响力。
- 区分推荐与提及的业务价值：业务中助手提及品牌可能是用户已有行为导致（如“我的 Netflix 下载”），这种提及基本没有增量。可通过姿态分类器和预趋势排除，聚焦真正推荐动作，优化推荐策略时避免高估无效曝光的价值。
- 搜索中介效应与归因修正：AI 推荐主要经“搜索”中介流向官网和零售商，而非直接点击链出。业务中需要将模型推荐-搜索-访问的链条纳入多触点归因，否则会误归因给搜索和直接渠道。
- 品类异质性与独立表面分析：不同品类下游路径差异大（如美妆流向零售商，服饰下游较弱），应分品类测量；助手之间的效果差距主要由用户群构成决定，而非界面本身，因此测量助手价值时需控制用户自我选择偏移，不可直接对比原始指标。
动机：会话助手（ChatGPT、Claude、Gemini）在回答中推荐品牌（如“Consider Garmin, Coros, or Polar”）是常见的消费者触点，但这些曝光不在网络日志中，最后点击归因完全忽略它们。本文想要量化这种隐形曝光对开放网络品牌导航行为的因果增量作用，并将真实推荐效应从混杂因素（已有用户行为、偶然提及）中分离出来。
方法关键点：
- 数据：构建 opt-in 面板，将同一用户的对话记录与网页点击流数据在时间戳粒度上连接，覆盖两个英语市场，排除搜索嵌入式 AI 产品。
- 预处理：使用品牌词典、姿态分类器（小模型，区分推荐/中性/警告）标记品牌提及，过滤同形异义词，通过路径匹配识别零售商访问。
- 增量识别：核心对比窗口为曝光后7天 vs. 同一用户匹配的向后安慰剂窗口（T-14,-21,-28天）；采用事件研究显示预趋势；用“非顾客”（无近7天任何品牌接触）条件排除已有行为；用同响应内未提及的同品类品牌作为会话内控制，消除品类意图和活跃度混杂。
- 多阶段漏斗：测量三阶段：同名搜索（recall）、自身站点访问（discovery）、零售商品牌页面访问（retail）。
关键结果：
- 推荐给非顾客：召回+4.3pp[3.1,5.5]，发现+2.4pp[1.4,3.5]，零售+1.0pp[0.3,1.7]；中性提及效果仅为其1/3左右。
- 同响应内控制：被提名品牌效果远大于未被提名的同类品牌（召回+2.06 vs +0.20），证明效应并非品类意图或会话活跃度驱动。
- 混杂漏斗：所有提及池化效果看似大，但预趋势显示已有客户行为已上升，去除非顾客后增量大幅下降，说明混杂主要来自已有客户。
- 无长尾效应：品牌熟悉度与提升无显著相关；助手间差距主要由用户构成解释，同一用户跨助手差异不显著。