LLM 与传统渠道相比如何？- 大数跨境

栀子花营销沙龙

2026-10-28

引言

2024年8月，一个全新的数字营销渠道开始出现：当消费者通过ChatGPT表达购买意向时，平台会提供指向相关电商网站的自然链接。例如，搜索意式咖啡机的消费者可以获得个性化的产品比较，以及针对不同国家的购买链接。与传统广告不同，这些链接并非由广告商付费引导，而是由大语言模型（LLM）自然生成和推荐，由此形成了一种新的流量来源——自然大语言模型流量（organic LLM traffic，简称oLLM）。

长期以来，消费者主要通过自然搜索、付费搜索、社交媒体、电子邮件和推荐等数字渠道进入电商网站。不同渠道在触达消费者、影响购买决策方面各有特点，而转化率、平均订单金额和每次访问带来的收入，通常被用来衡量渠道的商业价值。那么，作为一种新兴渠道，oLLM的表现究竟如何？

一种观点认为，LLM能够整合产品属性、用户评论和具体情境中的多种信息，并通过对话持续澄清消费者偏好，从而提供更具个性化的推荐，降低决策成本。一些早期行业报告也发现，oLLM的转化率和单次访问价值可能高于自然搜索。另一种观点则认为，LLM输出的不准确性、用户对人工智能的信任不足，以及消费者使用习惯尚未形成，都可能限制其商业效果。事实上，也有行业报告发现，oLLM的转化率和用户互动水平低于其他数字渠道。

这些相互矛盾的证据引出了一个重要问题：oLLM究竟是一种高效的新兴电商渠道，还是目前仅能满足部分消费者特定需求的补充渠道？理解这一问题不仅有助于企业评估LLM带来的流量价值，也关系到消费者购物决策、网站运营和数字营销渠道的未来发展。

为回答这一问题，研究者收集了2024年8月至2025年7月期间，来自973个电商网站的12个月数据。这些网站的年营收合计约为200亿美元，数据涵盖超过5万笔oLLM交易，以及来自传统数字渠道的1.64亿笔交易。研究者从转化率、平均订单金额、每次访问收入等财务指标，以及跳出率、会话时长和页面浏览量等互动指标出发，对oLLM与传统渠道进行了系统比较，并进一步考察产品复杂度、时间变化和消费者LLM使用能力所带来的差异。

实证分析

实证研究

数据、指标与模型

研究使用973个电商网站的Google Analytics第一方数据，覆盖2024年8月至2025年7月，网站年营收合计约206亿美元。12个月的数据共包含约105亿次访问、1.65亿笔交易，其中ChatGPT引流产生的交易超过5万笔。

研究主要使用2025年2月至8月的6个月数据，共约60亿次访问、9280万笔交易和4.44万笔oLLM交易，并使用3个月和12个月的数据进行稳健性检验。

研究覆盖24个网站类别，涉及美洲、欧洲等地区。由于ChatGPT占观测到的LLM引流会话的90%以上，主分析聚焦ChatGPT流量，并在稳健性检验中纳入其他LLM平台。

研究比较oLLM与8类传统数字渠道：付费搜索、自然搜索、直接访问、其他渠道、推荐、付费社交媒体、电子邮件和联盟营销。

研究指标包括财务指标：（转化率（CR）、平均订单金额（AOV）、每笔交易的平均金额（PRS）。每次访问收入（RPS），以及互动指标：跳出率（BR）、会话时长（SD）、页面浏览量（PV）：用户浏览的页面数量。

模型与数据处理

由于oLLM流量规模较小，部分网站、设备和周次组合可能只有少量访问，甚至没有交易。如果直接比较各渠道的平均值，结果容易受到稀疏数据和网站差异的影响。

为此，研究者将数据按网站、设备、渠道和周次进行汇总。对于转化率和跳出率，采用带离散参数的准二项回归模型；对于平均订单金额、每次访问收入、会话时长和页面浏览量，采用加权线性模型，以缓解数据异方差和极端观测值的影响。

模型控制渠道、网站、设备和月份固定效应，以识别不同渠道在控制这些因素后的相对表现。

主要实证结果：oLLM与传统渠道的表现比较

描述性分析

直接比较各渠道的原始数据时，oLLM的转化率、平均订单金额和每次访问收入均低于传统渠道。但作者指出，oLLM数据存在明显的稀疏性：多数网站、周次和设备组合的观测值没有产生交易。因此，未经调整的均值可能无法准确反映渠道的真实相对表现，互动指标也存在类似问题。

财务表现

回归结果显示，oLLM的转化率明显高于付费社交媒体，但低于其他传统渠道。

具体而言，付费社交媒体的转化率显著低于oLLM，差异对应的转化可能性约低53%。相比之下，其他渠道整体表现更好。作者进一步指出，自然搜索、付费搜索、付费社交媒体和其他渠道与oLLM之间的平均订单金额差异并非全部具有统计显著性。

在每次访问收入方面，oLLM同样高于付费社交媒体，但显著低于其余传统渠道。相比单独考察转化率或订单金额，这一指标更全面地反映了不同渠道带来的商业价值。

用户互动表现

跳出率是oLLM相对表现较好的指标。除自然搜索和付费搜索等以降低跳出率为目标的渠道外，oLLM的跳出率优于多数其他渠道。例如，电子邮件渠道的跳出率比oLLM高约20%，而自然搜索的跳出率比oLLM低约13%。

不过，oLLM的页面浏览量低于除部分其他渠道之外的大多数传统渠道，会话时长也相对较短。

这意味着，oLLM引入的用户较少出现访问后立即离开的情况，但他们在网站上的浏览深度和停留时间并不高。作者据此指出，渠道表现不能仅依靠单一互动指标判断，还需要结合财务结果进行综合评估。

稳健性检验

数据处理方式

研究分别采用日度、周度和月度汇总数据，并设置最低访问量门槛，包括每个观测至少10次、100次和1000次访问。此外，研究还对极端值进行缩尾处理，以检验结果是否受到稀疏数据或异常观测值的驱动。

网站样本

研究分别使用oLLM访问量最高的25%网站，以及总交易量最高的25%网站进行分析，以检验样本中不同网站的选择是否影响结论。

LLM平台范围

除仅考察ChatGPT外，研究还将其他LLM平台纳入oLLM指标，并进一步将移动应用流量纳入分析，以检验结果是否依赖于对oLLM的具体界定。

时间范围

研究分别使用3个月、6个月和12个月的数据重复分析，以检验结果是否受到观察窗口选择的影响。

总体而言，上述检验并未改变主要结论。转化率模型的解释力在不同设定下有所变化，但oLLM相对于传统渠道的基本表现保持稳定；平均订单金额、每次访问收入和互动指标也呈现类似的稳健性。

时间趋势：oLLM是否正在改善？

由于oLLM仍处于发展早期，技术能力和消费者使用习惯都可能随时间变化，作者进一步考察其表现是逐渐改善，还是与传统渠道的差距持续扩大。

AIGC披露帖子。

描述性时间趋势

数据显示，oLLM的转化率随时间逐渐上升，而传统渠道整体较为稳定，仅在11月和12月出现季节性高峰。相比之下，平均订单金额的波动更大，尤其是oLLM，并呈现下降趋势。每次访问收入方面，传统渠道整体相对稳定，而oLLM则呈现逐渐上升的趋势。

时间趋势回归

考虑到oLLM观测值稀疏，作者在主要回归模型中加入时间趋势变量，并分别采用四种设定：线性趋势、中心化线性模型、Gompertz非对称S形模型和具有上限的Logistic模型，以检验趋势设定是否影响预测结果。

结果显示，oLLM的转化率增长速度快于传统渠道。三种模型预测，未来12个月内oLLM的转化率可能逐渐接近自然搜索，但仍无法达到同等水平。线性时间模型的预测相对乐观。

然而，oLLM的平均订单金额呈现明显下降趋势，部分抵消了转化率提升带来的收益。

在每次访问收入方面，oLLM的表现逐渐改善，但除相对乐观的线性模型外，其他三种模型均预测，未来12个月内oLLM仍无法达到自然搜索的水平。

跨网站差异与潜在机制

为进一步理解oLLM与传统渠道之间的表现差异，研究者考察了产品复杂度和消费者LLM使用能力两种潜在解释。作者强调，这些结果属于描述性证据，可能受到其他未观测因素影响，不能视为对相关机制的因果证明。

产品复杂度

研究者使用Claude、Gemini和ChatGPT对网站类别进行分类，将重工业与工程、商业与消费者服务、汽车、法律与政府、金融、就业与职业等类别划分为高复杂度类别；将参考资料、新闻媒体、成人、体育、艺术与娱乐等类别划分为低复杂度类别。

结果显示，高复杂度网站的oLLM流量份额平均是低复杂度网站的4.6倍。

在高复杂度网站中，oLLM在三项财务指标上的表现均更加有利。其转化率高于付费社交、推荐、电子邮件、自然搜索和直接访问渠道；平均订单金额与其他渠道之间的差距有所缩小；每次访问收入也更接近自然搜索和付费搜索的水平。

这些结果与作者的解释一致：当产品决策需要整合大量信息时，LLM的辅助价值可能更高；对于简单产品，LLM带来的额外帮助可能有限。

不过，作者也指出，这一解释存在局限。不同产品类别的交易性质可能不同，因此复杂度组之间的差异，也可能部分来自转化类型的差异，而非LLM辅助本身的效果。

消费者LLM使用能力

研究者使用两个网站层面的指标衡量消费者LLM使用能力：一是Google兴趣分类中技术爱好者（technophiles）的占比，二是网站访问者的平均年龄。

结果显示，技术爱好者占比最高的四分位网站，其oLLM流量份额是最低四分位网站的3.8倍；访问者年龄较低的网站，其oLLM流量份额则是年龄较高网站的5.5倍。

在消费者LLM使用能力较高的网站中，oLLM与传统渠道之间的转化率差距明显缩小，甚至在两种能力指标的分析中均超过自然搜索。

但平均订单金额呈现不同模式：技术爱好者占比较高的网站，其估计差异相对不精确；按年龄划分时，较年轻的访问者群体中，oLLM与传统渠道之间的订单金额差异则更加明显，oLLM带来的订单金额相对较低。

每次访问收入的结果也存在差异。对于技术爱好者占比较高的网站，oLLM相对于自然搜索和付费搜索的表现有所改善；对于访问者年龄较低的网站，oLLM相对于直接访问、联盟营销和其他渠道的表现有所提升。

总体而言，这些跨网站结果与时间趋势分析相互呼应：随着消费者使用LLM的能力提升，oLLM的转化表现可能逐渐改善，但平均订单金额下降可能限制其整体收入增长。

启示与局限

实践启示

1.对零售商而言，优先关注高复杂度产品场景。 oLLM在需要广泛比较和决策引导的产品类别中表现更好，能够作为自然搜索和付费搜索的补充渠道。相比之下，对于常规性购买，目前oLLM的流量份额和转化表现相对较弱，短期收益可能有限。

2.对LLM平台而言，购物功能与商业化将影响未来发展。即时结账和智能购物等功能可能提升oLLM在常规性购买中的实用性，但平台也面临来自零售商自有购物助手的竞争。此外，付费广告的引入可能改变自然推荐与推广内容之间的平衡，进而影响消费者对平台的信任及其在数字渠道中的定位。

研究局限与未来方向

1.现有结果尚不能证明因果关系。本研究主要采用描述性分析，产品复杂度和消费者使用能力的相关发现也仅提供了潜在机制的初步线索，仍需更细粒度的数据和实验进一步验证。

2.未来研究需要更准确地衡量oLLM的贡献。本研究采用末次点击归因，可能低估oLLM在消费者购买决策早期阶段的作用。未来可以结合多触点归因和网站实验，进一步考察oLLM如何影响消费者决策，以及它与传统渠道之间的互动。

3.oLLM可能不只是一个流量渠道。未来研究还需要关注LLM如何通过对话式交互参与和塑造消费者的信息搜索、产品比较与购买决策。

文章来源及解析作者

Kaiser, M.& Schulze, C. (2026). Frontiers: ChatGPT Referrals to E-Commerce Websites: How Do LLMs Compare Against Traditional Channels?. Marketing Science, 45(4), 699-715.

解析文献作者：陈飞燕，南开大学商学院2025级博士研究生

文字编辑、排版：沈丽文，南开大学商学院2026级硕士研究生

关注我们·更多精彩

【声明】内容源于网络

栀子花营销沙龙

1234

内容 119

粉丝 0

栀子花营销沙龙 1234

总阅读1.6k

粉丝0

内容119