Acuity + Google Ads 转化追踪:让预约数据真正被计入广告归因
Acuity Scheduling 的预约流程在独立子域名下完成,默认情况下 Google Ads 和 GA4 都追踪不到这个 conversion。这篇文章记录如何用 GTM 的自定义触发器打通这条链路,让每一个真实预约都被正确归因到对应的广告。
实战案例、GEO 研究、增长手记 — 全部原创
Acuity Scheduling 的预约流程在独立子域名下完成,默认情况下 Google Ads 和 GA4 都追踪不到这个 conversion。这篇文章记录如何用 GTM 的自定义触发器打通这条链路,让每一个真实预约都被正确归因到对应的广告。
Contact Form 7 原生只支持一个发件逻辑。我需要让同一个表单提交后,给用户发一封确认邮件、给内部团队发一封格式完全不同的通知邮件。这篇文章记录实现方案,以及那个差点让网站表单全线中断的 bug。
表单是网站 lead 的入口,但它的状态从来没有人主动去监控。我写了一个 mu-plugin,每天用 WP-Cron 扫描所有 CF7 表单,有问题就推送通知。这篇文章记录思路和实现。
GoEast 在 2026 年 4 月上线了中文名生成器。用户可以免费使用,但在第二次使用或保存名片时需要留下邮箱。这篇文章拆解这个工具的产品设计逻辑,以及「先给价值」的 lead capture 机制为什么比直接要联系方式有效。
GoEast 有一套中文词汇测试系统,帮学员判断自己的中文水平。我们在 Reddit 上发布了这个工具,前三天收到超过 1,500 封邮箱——没广告投放,没 landing page 优化,只是一个真正有用的工具放在了对的地方。这篇文章复盘整个过程。
GoEast 有三条完全不同的业务线——在线成人课程、上海线下校区、儿童中文课。把它们的数据混在一起看,等于什么都没看。这篇文章记录我如何用 GA4 + Looker Studio 搭建一套真正能支撑决策的 analytics 体系。
当 ChatGPT、Perplexity、Google AI Overviews 成为真实的流量来源,传统 SEO 的评估体系就不够用了。这篇文章记录我为 GoEast 建立的 GEO 内容架构,以及一套能实际追踪 AI 引用的方法论。
外链是 SEO 里唯一需要「说服外部」的环节,也是最慢、最容易踩坑的环节。这篇文章记录 GoEast 如何在 Adsy 平台上建立系统性的 outreach 流程,以及筛选高质量外链时真正重要的几个维度。
广告跑出了 ~$5 的 CPL,对语言教育行业来说几乎是异常好的数字。但 lead 数量好看,销售转化率偏低——这让我意识到,优化方向从一开始就找错了。这篇文章记录诊断 lead quality 问题、重构 landing page、调整 campaign 策略的完整过程。
Emily 在加拿大,Alice 在瑞典,Sarah 在德国,我在上海。一天里几乎不存在所有人都在线的时刻。这篇文章记录我们怎么把「异步」从一个不得已的妥协,变成真正高效的工作方式。
写了很多文章但流量起不来,通常不是质量问题,是方向问题。我为 GoEast 搭了一套覆盖中文学习全垂类的 topic map,11 个支柱、每个选题都有优先级。这篇文章记录我怎么画的这张地图。
三年时间,GoEast Mandarin 的自然搜索月度点击从约 10,000 涨到 30,000+,65 个关键词进入 Google Top 10。这篇文章完整记录这个过程里的策略选择、执行逻辑,以及哪些事情真正起了作用。
GoEast 儿童中文营的 Google Ads 跑了很长时间,数据看着还行。直到我发现 Acuity 预约的 booking confirmation 从来没被正确捕获——我们一直在用错误的数据做优化决策。这篇文章记录发现问题、修复链路、重构 campaign 的完整过程。
GoEast 的 leads 来自 CF7 表单、ManyChat、Acuity 等多个来源,格式不统一、数据不完整、跟进效率低。我用 Salesforce + Brevo + Zapier 搭了一套从 lead 进来到成单的全链路 CRM 管道。这篇文章记录设计逻辑和实施细节。
GoEast 每年夏天运营面向国际学员的中文沉浸式夏令营。$400 的测试预算、两周时间,我从零设计了完整的 campaign 结构。这篇文章记录选词逻辑、ad group 划分、广告文案策略,以及有限预算下怎么做取舍。
传统SEO把搜索意图分成导航型、信息型、交易型三类,但AI搜索里的用户意图复杂得多——探索、对比、决策、操作、研究,经常叠加出现。搞清楚意图差异,才能写出AI会引用的内容。
不是所有内容格式在AI引用中的表现都一样——列表、表格、FAQ的引用率是纯段落内容的3倍。这篇用数据告诉你哪些格式最受AI青睐,以及怎么用。
做GEO不是零散地改几个标题、加几条Schema——你需要一套完整框架,从审计现状到设定目标、从查询研究到内容生产、从发布到持续迭代。这篇是Pillar级别的完整方法论。
用户在AI搜索引擎里的提问方式跟Google搜索完全不同——更长、更具体、更像对话。GEO查询研究的目标是找到这些真实问题,然后让你的内容成为AI的答案来源。
粗筛筛出200个候选chunk,但最终只有5-10个能进LLM上下文窗口。Cross-Encoder逐一精细打分,加上来源权威和新鲜度评估——这就是AI引用决策的核心。
LLM有两种知识:训练时记住的参数知识,和实时检索的外部内容。搞清楚AI什么时候用记忆、什么时候搜索,你才知道自己的内容到底有没有机会被引用。
AI搜索引擎不是只靠语义理解找内容——它同时跑关键词匹配和向量检索两套系统,再把结果合并。理解这个双引擎机制,你才能知道内容该怎么同时优化两个方向。
RAG系统不会把整个网页塞进LLM,而是先切成几百token的小块。你的内容结构直接决定了chunk质量,chunk质量直接决定检索成败。
RAG是所有AI搜索引擎的核心架构。你的内容能不能被AI引用,取决于它能不能在RAG管道的每个环节活下来——爬取、切块、向量化、检索、精排、生成。
AI搜索引擎判断内容相关性靠的不是关键词匹配,而是向量距离。理解向量嵌入的工作原理,你就能明白为什么有些内容语义上更容易被AI检索到。
LLM的核心机制——预测下一个token——直接决定了AI会引用谁的内容。理解训练、推理、上下文窗口和RAG这四个概念,是做GEO的技术基础。
RAG、向量嵌入、Chunking、Share of Model……GEO涉及的术语横跨AI技术和搜索营销两个领域。这份术语表用大白话解释每个概念,附带实操场景,方便随时查阅。
AI Overviews出现时自然搜索第一名CTR下降61%,但被AI引用的品牌CTR反而高35%。流量总量在下降,但每个点击的转化价值在上升。本文用数据解释正在发生什么,以及你该怎么应对。
所有AI搜索引擎都基于RAG机制,但Perplexity、ChatGPT、Google AI Overviews的检索逻辑、引用偏好和内容选择标准截然不同。本文拆解每个平台的工作原理,帮你理解为什么同一篇内容在不同平台的被引用率差异如此之大。
GEO和SEO用完全不同的逻辑评分,但共用同一套内容资产。本文从评分对象、内容策略、技术要求三个维度拆解两者的核心差异,并给出SEO从业者切入GEO的实操优先级。
GEO(生成式引擎优化)是优化内容使其出现在 Perplexity、ChatGPT、Google AI Overviews 回答里的方法论。本文解释 RAG 机制如何决定谁被引用、GEO 和 SEO 的核心区别,以及从零开始最该先做的六件事。
让AI搜索引擎引用你的内容,不靠运气,靠具体的写作结构。本文系统拆解提升AI引用概率的核心技巧:首句法则、命题式陈述、特异性原则、200字独立测试,附四类真实场景的改写前后对比,适用于所有内容创作者。
这是我个人网站的第一篇文章,分享建站背后的思考。