统计区间：2026-03 至 2026-07，同一组 25 个课程类提问、同一批平台前后对比。数据口径见文末声明。
本页目录
合作对象与服务范围
- 所属行业
- 职业教育 / 数据分析培训
- 企业规模
- 年营收 5200 万 · 180 人
- 主要客群
- 转行人群、应届生、企业在职提升
- 决策角色
- 个人学员 / 企业培训采购
- 合作起始
- 2026 年 3 月
- 服务套餐
- 标准托管版
- 监测平台
- 6 个国内 AI 平台
- 当前状态
- 合作中，已追加全年托管
客户当时的处境
这家机构在线下做了 9 年，2023 年转线上，课程口碑靠老学员转介绍。但当转行人群开始先问 AI「学什么、去哪学」时，这条入口它完全没有。
- 25 组课程类提问中一次都没有被提及，答案集中在 3 家头部机构
- 课程介绍、价目表、班期全是设计好的长图，正文抓不到
- 官网用 Vue 单页应用，关闭 JS 后只剩一句「请开启 JavaScript」
- 就业数据只写在招生老师的话术里，官网一处都没有
客户想要的结果
客户起初说的是「想被 AI 推荐」，我们把目标拆成了三件可验证的事：
- 能被读到：课程、班期、价格、师资变成可抓取的文本
- 被说对：课程方向、时长、适合人群不能再说错
- 有依据：就业数据要能对应到样本量、统计口径与核验方式
我们补的一条
培训行业最容易翻车的是就业率。我们坚持只写「样本量 + 统计口径 + 核验方式」，不写「保证就业」「包分配」——这类表述不但有合规风险，AI 平台本身也会降低采信度。
150 组采样：不是排在后面，是不在名单里
2026 年 3 月，用 6 个平台 × 25 组课程类提问（学什么、多久、多少钱、能不能转行、适合什么人）完成首轮采样，逐条记录答案里出现的机构与依据。
基线采样中的四类问题
| 问题类型 | 具体表现 | 出现次数 |
|---|---|---|
| 完全未提及 | 答案固定给 3 家头部机构 | 25 / 25 组 |
| 正文不可抓取 | 课程、价格、班期均在图片中 | 官网全部课程页 |
| 渲染依赖 | 关闭 JS 后正文为空 | 全站 |
| 就业数据无出处 | 官网无一处就业统计 | — |
最麻烦的一条
不只是「没被提」，而是「无法被提」。AI 想提也提不了——它抓到的页面里，一个可读的课程名都没有。
课程词表现（优化前 → 当前）
三个阶段，把图片里的课程表变成可读的页面
课程与就业数据盘点
DAY 1–30我们做了什么
把 11 门课程拆成结构化的字段（方向、时长、班期、先修要求、适合人群、结课产出），逐项与招生话术核对；对近 3 期学员做就业去向统计，明确样本量 187 人、统计口径、数据来源与可核验方式；交付 25 组课程类提问的基线报告。
客户配合了什么
教研提供 11 门课程的教案与大纲；教务导出 3 期学员的脱敏就业记录；校长确认哪些数据可公开、哪些只写区间。
官网改造与课程页建设
DAY 31–80我们做了什么
把单页应用改成服务端渲染，关闭 JS 后正文可读；11 门课程各建一页，每页含课程结构、班期、价格、先修要求与结课能力；新建「就业去向」页，写清样本量、统计时间、统计方式与岗位分布；部署 Course + FAQPage 结构化数据。
客户配合了什么
技术方配合完成 SSR 改造（约 3 周）；教务逐页审校 11 页的课程信息；法务确认就业数据表述不构成承诺。
口碑补强与稳定
DAY 81–120我们做了什么
补「转行路径」专题页（从原职业到数据分析岗的三种典型路径），回答「我这种情况能不能学」这类高频追问；整理 12 条脱敏学员问答，替代论坛里过时的「劝退帖」；建立月度复测，每月核对 25 组提问的课程信息准确性。
客户配合了什么
每月 30 分钟的数据复核；提供 6 位学员的授权访谈（全部脱敏）。
被提到的第一个月，咨询量就翻了一倍
以下数据由客户提供并经我方核对，统计区间 2026-03 至 2026-07，同口径对比。
| 指标 | 合作前（2026-02） | 当前（2026-07） | 变化 |
|---|---|---|---|
| 核心课程词提及 | 0 / 25 组 | 22 / 25 组 | 从无到有 |
| 课程信息准确率 | 0 / 25 组 | 20 / 25 组 | 从无到有 |
| AI 来源咨询 | 0 条/月 | 31 条/月 | 新增来源 |
| 咨询成单率 | 8% | 24% | +200% |
| 单条咨询获客成本 | ¥412 | ¥176 | -57% |
说明：AI 来源咨询通过来源页参数与对话式入口识别，存在部分漏计；成单率以「咨询后 30 天内报名」为口径，受班期影响，仅作同期对比。
三个没有回避的困难
SSR 改造比预期慢
发生于 DAY 31–52
客户官网是 Vue 单页应用，直接改 SSR 涉及重写路由与数据层，原计划 2 周拖到 3 周。这期间我们先把静态课程页挂在二级目录上，先让内容可被抓。
教训：技术改造有排期，内容不能被排期卡住。
就业数据不敢公开
发生于 DAY 20–35
校方担心公开后学员会逐条比对、质疑真实性。我们把口径写死：样本量、统计时间、统计方式、数据来源，并主动写明「非全员统计」。
教训：把限制写出来，比把数字写大更能建立信任。
同行的「包就业」话术
发生于 DAY 60–90
同期平台上有大量「包就业」「保offer」的表述，AI 对培训行业的答案整体偏谨慎。我们没有跟着喊，而是把「不承诺就业，只提供岗位对接」写成独立一段。
教训：行业越吵，越要写清楚自己不做哪些承诺。
客户怎么评价这段合作
「以前招生老师每天要回答几十遍『你们和那几家有什么区别』，现在学员来的时候已经知道我们的课程结构了，问的是『我这个背景适合报哪门』。沟通层级完全不同。」
「最难接受的是把就业数据连口径一起公开。当时觉得是在挑自己的刺，后来发现学员看到『187 人样本、非全员统计』反而更愿意来问，因为他知道我们没在糊弄。」
服务评分
客户方 2 位对接人匿名打分，2026-07 收集，满分 5 分。
合作关系的演进
课程表先变成页面
课程信息全在图片里，AI 推荐的一直是竞品。首月完成课程表结构化与来源诊断。
AI 来源咨询被重视
AI 来源咨询出现后，客户把「AI 提到的课程是否准确」纳入投放素材检查，并完成续约。
大纲与页面同步迭代
当前每月复测；课程大纲迭代与页面同步，就业数据按季度更新。
企业团训采购 FAQ
计划面向企业在职提升场景，扩建团训采购方的 FAQ 与案例页。
培训行业做 GEO，关键在「把承诺换成口径」
就业数据写口径
样本量、统计时间、统计方式、是否全员——四项写全，数字小一点也可信。只写百分比，读者无法验证。
课程页回答「适合谁」
AI 回答的是「我这种情况能不能学」，不是「你们课程多好」。先修要求、适合人群、结课能力，比课程亮点更有用。
主动写明不承诺
「不承诺就业，提供岗位对接」这类表述短期不吸引人，但它是 AI 判断可信度的重要信号。
关于这个项目的常见疑问
以「咨询后 30 天内报名」为成单口径，2026-02 自然流量咨询成单率 8%，2026-07 为 24%，(24-8)÷8 = 200%。两组样本分别为 214 条与 268 条咨询，剔除重复与无效号码。
页面写明了样本量（187 人，近 3 期）、统计时间、统计方式（教务回访 + 社保缴纳记录辅助核对）与「非全员统计」的说明。学员可要求查看脱敏的统计表，合作方可在保密协议下核对原始记录。
不算。全部表述均为可核验事实，且明确不承诺就业结果、不使用「包就业」「保offer」这类用语。上线前经客户法务逐条确认。