方法论解决什么问题
品牌团队并不缺数据。真正困难的是：数据来自不同渠道、不同系统、不同团队，最后很难形成一致判断。
常见情况包括：
- -舆情工具提示负面升温，但不知道是个别投诉还是会扩散的议题
- -社媒平台讨论已经降温，但 AI Agent 仍在引用危机期间的信息
- -竞品在 AI 推荐里出现更多，但团队不知道是内容缺口、引用来源还是口碑差异造成的
- -报告里有很多图表，却无法回答“下一步处理什么、由谁承接、什么时候复测”
MATRIX 方法论的作用，是给这些分散信号一条固定处理路径：
看见信号 → 找到影响源 → 拆解议题 → 判断声誉 → 形成洞察 → 推进行动 → 复测回流这条路径的重点在于层级之间的依赖关系：每一层只回答一个关键问题，并把答案交给下一层。
M · Monitor 监测：先把信号看见
核心问题：市场正在对品牌说什么？
Monitor 是入口层。它负责把传统媒体、社媒平台和 AI Agent 答案里的品牌信号收进来，并保留证据。
这一层不直接给策略结论，而是先解决三个基础问题：
- -哪些渠道出现了内容或回答
- -声量、情绪、风险是否异常
- -这些信号是否有足够证据进入后续分析
AI 渠道的监测方式不同于媒体和社媒。媒体与社媒可以采集已发布内容，AI Agent 需要主动发起提示词探测，记录它在真实问答场景里如何描述品牌。
输出： 跨渠道信号流、异常预警、AI 回答样本、内容证据。
A · Audience 受众：找到影响源
核心问题：这些信号来自哪里，哪些主体正在放大它们？
Monitor 只能说明“发生了什么”。Audience 要进一步判断信号来自哪些人、哪些渠道、哪些引用来源，以及它们为什么具备影响力。
不同渠道的影响源不同：
| 渠道 | 影响源 |
|---|---|
| 传统媒体 | 媒体、记者、栏目、权威来源 |
| 社媒平台 | KOL、KOC、普通用户、评论区、人群圈层 |
| AI Agent | 被 AI 引用的域名、文章、问答、测评、官方信息 |
这一层尤其需要关注 AI 引用来源。影响 AI 认知的内容，不一定是社媒平台最热的内容。一篇社媒流量不高但结构清晰、信息密度高、被多个 AI 引用的测评，可能比一条热门短视频更影响用户的购前判断。
输出： 关键作者、KOL/KOC、AI 引用来源、传播节点、受众画像。
T · Topics 议题：把内容整理成叙事
核心问题：这些信号正在形成什么议题？
单条内容只能说明一个点。品牌管理需要看的是：大量内容是否正在围绕同一个问题形成叙事。
例如，“续航不准”“售后慢”“AI 推荐竞品”“高端形象不足”都不是一个关键词能完全定义的问题。它们通常跨平台出现，语义表达不同，但背后指向同一个用户担忧。
Topics 层把内容从“条”聚合成“议题”，并判断：
- -议题从哪里开始
- -现在在哪些平台扩散
- -是风险议题、机会议题，还是竞品议题
- -是否已经被 AI Agent 吸收
- -是否存在 GEO 内容缺口
输出： 议题地图、扩散路径、内容缺口、竞品占位、升温预警。
R · Reputation 声誉：判断品牌状态
核心问题：品牌现在到底处在什么状态？
声誉不能只看一个总分。传统媒体、社媒平台和 AI Agent 的变化经常不同步。
| 维度 | 代表什么 | 常见风险 |
|---|---|---|
| 公共端声誉 | 权威报道和公开信息里的品牌状态 | 负面定性、监管关注、媒体跟进 |
| 真实端声誉 | 用户真实讨论和社媒口碑 | 投诉扩散、情绪升温、KOL 放大 |
| 决策端声誉 | AI Agent 如何推荐和描述品牌 | 品牌缺席、竞品替代、事实错误 |
Reputation 层不是为了生成一个单一综合分，而是用于看出结构性差异。例如社媒热度已经下降，但决策端仍在负面引用；或者公共端报道正向，但真实端用户评价并未改善。
输出： 三端声誉状态、竞品对标、声誉变化归因、风险/机会分层。
I · Insights 洞察：从现象走到根因
核心问题：为什么会这样，优先解决什么？
Insights 层承担归因职责：把前四层的信号、来源、议题和声誉状态放在一起，判断问题背后的主要原因。
以 GEO 为例，品牌在 AI 答案里表现差，可能有完全不同的原因：
- -不被知道：AI 在相关问题中完全不提品牌
- -知道但不引用：AI 了解品牌，但不会主动推荐
- -引用但不推荐：AI 提到品牌，但评价不强或偏负面
- -说错：AI 对事实、参数、产地、功能描述错误
四类问题的解决方式不同。如果不先归因，就容易把所有问题都归为“多发内容”，结果投入了内容预算，却没有改到真正影响 AI 判断的来源。
输出： 根因判断、优先级、影响范围、修复路径、行动建议。
X · eXecution 执行：把洞察变成可追踪任务
核心问题：由谁负责、处理什么、完成后如何验证？
很多系统停在 Insights 之前，只生成一份报告。MATRIX 继续往下走，把洞察转成可以追踪的任务。
执行层通常包含：
- -任务类型：核查、回应、内容补强、来源修复、竞品应对、复测
- -负责人：PR、内容、品牌、法务、客服、媒介或服务支持团队
- -截止时间：按风险等级和窗口期确定
- -证据链：为什么要做这件事
- -复测目标：用什么指标判断动作有效
这一步把“看见问题”变成“持续推进”，也是系统从分析工具进入管理流程的关键。
输出： 执行任务、处理建议、内容优化建议、复测报告、经验沉淀。
六层顺序为什么重要
每一层都依赖上一层的答案：
| 如果缺失 | 后果 |
|---|---|
| 没有 Monitor | 后续分析建立在不完整样本上，尤其会漏掉 AI 端 |
| 没有 Audience | 不知道影响源，无法判断该找媒体、KOL 还是 AI 引用来源 |
| 没有 Topics | 只能看单条内容，无法判断议题是否正在成形 |
| 没有 Reputation | 不知道问题对品牌状态造成多大影响 |
| 没有 Insights | 看到很多问题，但不知道优先解决哪个 |
| 没有 eXecution | 报告结束后没有负责人、任务和复测 |
所以 MATRIX 不是六个并列模块，而是一条逐层递进的判断链。
业务链路总结
MATRIX 的六层结构可以概括为一条业务链路：
先看见三端信号，
再找到影响它的人和来源，
再把分散内容整理成议题，
再判断对声誉的影响，
再找到根因和优先级，
最后形成任务并复测。与传统舆情工具相比：
传统舆情通常停在 Monitor 和部分 Topics。MATRIX 增加了 AI Agent 决策端，并把影响源、声誉归因、执行任务和复测接到同一条链路里。
先建立证据链，再给结论：
声誉问题经常不是单点问题。没有证据、来源和议题结构，结论容易变成经验判断。MATRIX 的价值是让每个结论都能追溯到前面的信号。