GEO竞品分析实操
竞争格局全面掌握指南

# 竞品选择评估模型

def score_competitor(competitor, criteria):
    '''评估竞品的优先级分数'''
    score = 0
    # 产品相似度 (0-30分)
    score += criteria.get('product_similarity', 0) * 30
    # 市场重叠度 (0-25分)
    score += criteria.get('market_overlap', 0) * 25
    # AI搜索可见度 (0-20分)
    score += criteria.get('ai_visibility', 0) * 20
    # 增长速度 (0-15分)
    score += criteria.get('growth_rate', 0) * 15
    # 品牌影响力 (0-10分)
    score += criteria.get('brand_power', 0) * 10
    return round(score, 1)

competitors = [
    {
        'name': '竞品A',
        'type': '直接竞品',
        'criteria': {
            'product_similarity': 0.9,  # 产品功能相似度
            'market_overlap': 0.85,     # 目标客户重叠度
            'ai_visibility': 0.7,       # AI搜索可见度
            'growth_rate': 0.5,         # 增长速度
            'brand_power': 0.8          # 品牌影响力
        }
    },
    {
        'name': '竞品B',
        'type': '直接竞品',
        'criteria': {
            'product_similarity': 0.8,
            'market_overlap': 0.7,
            'ai_visibility': 0.85,
            'growth_rate': 0.6,
            'brand_power': 0.6
        }
    },
    {
        'name': '竞品C(新兴)',
        'type': '新兴竞品',
        'criteria': {
            'product_similarity': 0.6,
            'market_overlap': 0.5,
            'ai_visibility': 0.4,
            'growth_rate': 0.9,
            'brand_power': 0.3
        }
    }
]

for comp in competitors:
    score = score_competitor(comp, comp['criteria'])
    print(f'{comp['name']} ({comp['type']}): 优先级分数 = {score}')

# 输出排序结果
sorted_comps = sorted(competitors, key=lambda c: score_competitor(c, c['criteria']), reverse=True)
print(f'\n推荐优先分析: {sorted_comps[0]['name']}')

# 差距根因诊断模板

def diagnose_gap(our_brand, competitor, gap_data):
    '''诊断与竞品差距的根因'''
    diagnosis = {
        'gap_area': gap_data['area'],
        'gap_size': gap_data['our_rate'] - gap_data['comp_rate'],
        'root_causes': [],
        'actions': []
    }
    
    # 内容因素
    if gap_data['our_content_count'] < gap_data['comp_content_count']:
        diagnosis['root_causes'].append(
            f'内容数量不足：本品{gap_data['our_content_count']}篇 vs 竞品{gap_data['comp_content_count']}篇'
        )
        diagnosis['actions'].append('增加内容产出，目标3个月内追平竞品内容数量')
    
    # 结构化数据因素
    if gap_data['our_schema_coverage'] < gap_data['comp_schema_coverage']:
        diagnosis['root_causes'].append(
            f'结构化数据覆盖率低：本品{gap_data['our_schema_coverage']}% vs 竞品{gap_data['comp_schema_coverage']}%'
        )
        diagnosis['actions'].append('为所有核心页面添加Schema.org结构化数据')
    
    # 平台覆盖因素
    our_platforms = set(gap_data['our_platforms'])
    comp_platforms = set(gap_data['comp_platforms'])
    missing_platforms = comp_platforms - our_platforms
    if missing_platforms:
        diagnosis['root_causes'].append(
            f'平台覆盖不足：竞品在{missing_platforms}有布局而本品没有'
        )
        diagnosis['actions'].append(f'在{missing_platforms}平台创建账号并发布内容')
    
    # 品牌权威因素
    if gap_data['our_authority_score'] < gap_data['comp_authority_score']:
        diagnosis['root_causes'].append(
            f'品牌权威信号不足：本品{gap_data['our_authority_score']}分 vs 竞品{gap_data['comp_authority_score']}分'
        )
        diagnosis['actions'].append('增加PR投放和行业媒体报道，提升品牌权威性')
    
    return diagnosis

# 示例诊断
gap_data = {
    'area': '行业词引用率',
    'our_rate': 25, 'comp_rate': 55,
    'our_content_count': 15, 'comp_content_count': 40,
    'our_schema_coverage': 60, 'comp_schema_coverage': 90,
    'our_platforms': ['知乎', '官网', 'GitHub'],
    'comp_platforms': ['知乎', '官网', 'GitHub', 'Medium', '百度百科', 'Crunchbase'],
    'our_authority_score': 45, 'comp_authority_score': 75
}

result = diagnose_gap('本品', '竞品A', gap_data)
print(f'差距领域: {result['gap_area']}')
print(f'差距大小: {result['gap_size']}%')
print('\n根因:')
for cause in result['root_causes']:
    print(f'  - {cause}')
print('\n建议行动:')
for action in result['actions']:
    print(f'  - {action}')