各位小伙伴，大家好。我是5顏6色的世界。

在上一篇《國際站運營如何制作和管理關鍵詞庫（獨家）》文中，收到了很多小伙伴的咨詢和反饋，要求再展開一下詞庫用法的講述，今天就來更新一篇關于關鍵詞庫的用法。

這篇文章更新完畢之后，近期會相對減少更新的頻率，因為近期實在是比較忙，要趕一些事情的進度。關于后臺的很多留言，我都有收到，沒有來得及一一回復，感謝眾多小伙伴的支持。

以下，列舉了十幾個商業目的常用細分思維，關鍵詞可添加的衡量維度還有很多，不太實用的衡量維度暫且不予考慮，我們也應該本著切實實用的心態，先把簡單且重要的工作做好。

（詞庫示例）

接下來將從商業運作角度，對關鍵詞詞庫的十個細分價值維度進行一一闡述，同時，也對市面上流傳的各種不太易懂的說法，真真假假的說法，做一個深度的剖析和驗真，相信認真看完的你，一定會有一些收獲。

以下維度，僅僅是從眾多衡量維度中，挑選的一些較為貼近商業分析的維度，大家可根據自身習慣，和可操作的簡易程度，自行對這些細分維度進行增減。

一、詞庫細分之國家細分

大家都知道，后臺顯示的關鍵詞數據是總體的數據。經常會出現這么一種情況。一個關鍵詞的熱度很高，推廣引流的點擊量也比較大，但是經過分析，大部分的訪客都是來自印度等非目標國家。即便使用了一些溢價等手段，也無法阻止這部分流量的引入。常常困擾著商家。

其中之一，可能就是這些國家的搜索人數實在是太多了，系統不得不給你分配大量的非目標區域流量。所以，對關鍵詞以國家為維度進行細分，則可對目標市場的需求，有更清晰的認知。

擅長數據挖掘的小伙伴，可以直接自動化挖掘這些數據，不擅長數據挖掘的小伙伴，則可以先整理其他維度，最后再只對頭部十幾個重點詞手工做國家維度的分布分析即可。我們無須對每一個詞都做國家分布的分析。

（細分地域之后的搜索分布，往往會天壤之別）

二、詞庫細分之端口細分

同國家細分一樣，端口的細分，也是為了深入了解流量的來龍去脈，是PC端的搜索多還是無線端的搜索多，目標區域是習慣性用電腦搜索，還是習慣性用手機搜索，這些行為數據，對商品的視覺設計和營銷推廣，都可以起到一些決策作用。分析重點關鍵詞國家分布時，順手即可完成端口的分析工作。

比如，某關鍵詞的搜索量，大部分集中在美國，且百分之90都習慣使用手機進行搜索。那么在設計視覺畫面時，則可優先考慮豎屏設計。針對手機端瀏覽的行為，可以設置人性化的推薦和引流板塊，對店內流量進行傻瓜式引導。熟知市場流量的行為分布，對后期利用好關鍵詞也有幫助.

三、詞庫細分之別名細分

別名細分通常用于原始詞尋找階段，窮盡某一個產品的所有叫法，特別是使用人數少的叫法。其中也可以包含一些錯別詞或常規語種。通過主動翻譯或數據管家熱門搜索詞篩選之后，我們往往能夠挖掘到一些特殊叫法詞、錯別詞或小語種詞。部分英文字母形態的小語種可以直接使用，而非英文字母形態的小語種，特別是熱度很高的語種，通過簡單的單詞修正，如m?n 修正為man，也可以去前臺驗證其可用價值。

特殊叫法、錯別詞和小語種詞（以及修正詞）由于使用的人數通常較少，競爭較低。往往容易獲得排名和流量。在做關鍵詞表時，可以對這些詞進行標注，以便于在篩選用詞時，能夠適量的穿插一些在標題或三個關鍵詞框中，這里要注意沒有搜索熱度的詞慎重使用。

(通過篩選按鈕，對標題進行特殊叫法補充，利用特殊詞進行流量補充。)

四、詞庫細分之屬性細分

在市場分析文中，我們有提到過將不同品類和屬性的搜索指數，利用詞根匯總的形式，統計出產品不同屬性的需求分布情況。拿關鍵詞管理來說，不論是產品發布，還是直通車推廣，也都離不開詞的使用。當我們把成千上萬的詞堆積在一起，是很難進行全面高效管理的。對詞的重要屬性進行打標歸類，有助于降低關鍵詞使用的難度。

屬性細分，我們主要是對市場上核心的屬性進行細分，并非是對全部的屬性進行細分。通過前臺提示，或者詞頻分析手段，我們很容易知道市場上的核心屬性有哪些。接下來就是根據這些核心屬性對關鍵詞進行打標歸類。

打標歸類的方法非常簡單，利用Excel的篩選功能，篩選出含有某屬性的全部關鍵詞，然后在新建的衡量維度上統一打上標記，如圖所示，我們對含有某些屬性的關鍵詞，進行標記填充。將核心屬性進行打標歸類。

（對核心屬性進行打標歸類。方便用詞時，一鍵分類篩選）

對核心屬性進行歸類標識后，在發布產品，以及后期直通車推廣時，就可以針對性的篩選符合條件的詞，有目的有方向的縮減篩詞范圍。特別是當某一個屬性的關鍵詞表現較好時，我們可以根據這個屬性的維度，擴展出更多的同類關鍵詞進行推廣。實現同一方向的多詞推一品。

五、詞庫細分之供需細分

供需細分，也叫難度細分。主要是衡量需求和競爭之間的關系。眾所周知，搜索量越大，競爭越小的產品，越容易獲得展現。所以為了在初期以更少的成本拿到展現量，我們需要對詞的供需情況進行一個衡量。

衡量的方法也非常簡單。就是直接用熱度除以搜索結果數。為什么不是熱度除以賣家規模指數，在上一篇關于《高效整理關鍵詞庫》的文章中已經有提到。主要是因為單品的搜索賽馬，與商家數量并不一定成正比。

衡量供需難度的本質，主要是衡量獲得曝光的難易程度，其與搜索指數成正比，與競爭商品數成反比。也就是搜索指數越高，獲得展現的幾率就越大，競爭商品數越少，獲得展現的幾率就越大。

所以可直接用搜索指數除以搜索結果數來衡量獲取曝光的難度，如果需要加大搜索指數的權重，我們還可以對搜索指數進行平方或立方處理，以拉大搜索的地位。根據自身需要，為自認為重要的指標加上權重。通過排序和篩選標記，我們可以快速完成搜索指數和搜索競爭的自定義分類。

很多小伙伴在制作詞庫的時候，喜歡增加特別多相似類型的指標，來對關鍵詞供需難度進行衡量，多者會用到幾個乃至十幾個指標。A級詞，B級詞，A1級詞，B1級詞，金牛詞，銀牛詞，金牛A級詞，金牛B級詞。等等，諸如此類。

其實，完全沒有必要。因為這些衡量維度的本質，是高度類似乃至完全相同的。因為它們并沒有增加新的變量。只是三兩個固定的變量在來回折騰。

這是很多新手小伙伴經常會經歷的一個誤區，學習各種渠道的方法，制作多種復雜的衡量維度，又難以應用到實際之中，短時間難以理解這些指標的價值和意義，讓人難免有些焦慮。好不容易跟著做了一份復雜的詞庫，又不太會用。

發生這種情況的誤區主要存在兩個地方。一種是不知道某一種說法是不是準確，自己不懂只能將信就信，認為就是這樣。另一種，是無法深入的理解衡量指標的意義，好不容易跟著做出來，往往容易出現自我感動。

（當前市面上那些不容易弄懂的衡量指標的深度對比和剖析）

誤區一：使用過多高度類似的衡量維度，并滿意的感動自己。

舉一個簡單的例子。

學校組織語文和數學競賽大比拼。要求每個班級最近一次考試這兩科成績優秀的同學參與比賽。 班主任拿出成績表，開始對語文和數學兩個科目進行衡量。

首先對語文成績進行分組，語文成績大于80分，記作優秀。語文成績介于70-80之間，記作良好，語文成績介于60-70之間，記作合格，低于60則記作不合格。

然后班主任開始為語文成績為優良合格及不合格的同學進行打分。優秀的成績*10分。良好的成績*8分，合格的成績*5分，不合格的成績*0分。得出一組新的分值。

最后班主任開始拿出數學成績表。選擇數學成績大于80分，且語文成績為800分以上（10倍原來優秀成績）的同學，去參與比賽。

經歷了這個過程，我們乍一看，這個過程完全沒有問題。實際情況呢？我們來看。這種篩選學生成績的方法，和直接篩選語文和數學成績同時大于80分的同學，本質上其實是一回事。只是復雜了過程，且每一步都讓你發現了新的東西。原來可以用優良中差來衡量成績，原來可以通過換算變成一個新的東西。其實，他們本身都并沒有創造價值。

以廣泛流傳的詢盤概率系數舉例，使用了詢盤概率系數越大的詞，詢盤就會多嘛？實際并非如此，但其中包含了一個正確的理念。就是如果一個詞的搜索人數越多，競爭越少，那么得到詢盤的幾率就越大。這一點毋庸置疑。

我們來看這個公式。詢盤概覽系數=搜索指數*（最佳坑位數/20） =搜索指數*（前20頁單個商家或店鋪所能展現的最多坑位量/20）=搜索指數*（搜索結果數反比例/20）。即為詢盤難度與搜索指數成正比，與搜索結果數成反比，又回到了雙選優秀成績的例子，只有語文和數學成績兩個變量，來回折騰。

不僅僅詢盤概率系數如此，還有十多種類似的衡量維度也是一樣。之所以說沒有必要做各種各樣的衡量維度，是因為他們的本質都是在衡量同一個東西。所有的公式展開推導，最終都是同一個東西，并沒有引入新的變量。在算法上，也只是簡單的正比反比乘積關系，并沒有產生新的衡量方向。我們往往花費了數天的時間，卻只做了人家幾分鐘就做完的工作，還容易沉浸于自我感動之中，這是誤區之一。

誤區二：沒有辨別事物真相的知識儲備，一旦學會一些新奇的東西，便興奮的感動自己。

如果你對上述坑位數還有一些疑惑。這里就開始為你深入剖析。先來明確幾個概念。最佳坑位數，是指在前20頁的所有自然排名坑位中，一個商家（有些機構以商家為維度，有些機構以店鋪為維度）所能出現的最多次數。例，該詞下最好的一個商家，在前20頁中出現了15次。那么該詞的最佳坑位數為15。

關于坑位數的統計，目前有兩種說法，一種是利用工具計數，一種是利用坑位限制的函數。

第一種，非常簡單。直接出現多少次就是多少次，麻煩一點自己去數。第二種，則是依據以下兩種說法.

第一種說法，最佳坑位數為：

=IF(搜索結果數<1000,"20",IF(搜索結果數<5000,"15",IF(搜索結果數<10000,"10",IF(搜索結果數<50000,"5",IF(搜索結果數<100000,"3","2")))))

翻譯為，當搜索結果數小于1000時，系統對單個商家前20頁所展現坑位的數量限制為最多20個，當搜索結果數介于1000到5000時，系統對單個商家前20頁所展現坑位的數量限制為最多15個，當搜索結果數介于5000到10000時，系統對單個商家前20頁所展現坑位的數量限制為最多10個，搜索結果數在1萬到5萬之間，則最大坑位數不超過5個，十萬和十萬以上最佳坑位數依次是3個和2個，諸如此類。

另外一種說法則更加高級一些，加入了搜索指數維度，其最佳坑位數限定函數為：

=IF(搜索指數>20000，搜索結果數<1000,"20",IF(搜索結果數<5000,"15",IF(搜索結果數<10000,"10",IF(搜索結果數<50000,"5",IF(搜索結果數<100000,"3","2")))),if(搜索指數>10000, 搜索結果數<1000,"25",IF(搜索結果數<5000,"20",IF(搜索結果數<10000,"15",IF(搜索結果數<50000,"10",IF(搜索結果數<100000,"5","2")))),if(搜索指數>5000, 搜索結果數<1000,"30",IF(搜索結果數<5000,"25",IF(搜索結果數<10000,"20",IF(搜索結果數<50000,"15",IF(搜索結果數<100000,"8","2"))))……)

翻譯為當搜索指數大于20000時，最佳坑位數根據搜索結果數的數量劃分為幾個等級。當搜索指數介于10000到20000時，則根據搜索結果數，又劃分為不同的等級。好像又更加貼近了真實的場景。

以上兩種公式限定法和機器計數法來計算最佳坑位數，都是流傳較為廣泛的說法。且都稱依據大數據親自測試得出的結論。而在我問及眾多傳播者，問其測試的原理和依據時，卻沒有一個人可以回答上來。其實，它也很容易被測試和驗真。

知之為知之，不知為不知，我也專門梳理了一下驗證這個過程的邏輯和方法。依據不同行業，不同搜索熱度，隨機選取一千個關鍵詞，機器抓取每個詞前20頁的搜索結果內容。累計抓取72萬余條數據，并對每一個詞的最大坑位數進行了機器統計，測試結果如下。

（不同搜索指數，搜索結果數的關鍵詞最佳坑位數分布--抽樣圖）

（原始測試數據超72萬條，表格大小超過1G，不便上傳，如有需要，可私下索要）

根據72萬條大數據顯示，系統并沒有對前20頁的坑位數做任何的數量限制，更沒有依據搜索結果數或者搜索指數的不同，對前20頁的自然坑位做任何的層級劃分。多個伙伴的實際測試結果都是如此，我們也很容易在前臺搜索驗證這一點。而且，由于千人千面，pc無線多渠道端口的和系統流量打散機制的存在，這種坑位數的研究意義也變得驟減。

既然沒有太明確的研究價值，為什么這種方法無人發現問題呢？主要是因為此類方法，建立在一個絕對正確的理論上，即為排名難度，與搜索結果數成反比。搜索結果數越多，競爭越大，越難以取得排名。反之，則較容易。在一個絕對正確的大框架里，穿插任何不影響大框架的錯誤內容都不會出現問題。

類似于之前在小群中討論，有提到過這一點。我們站在一個電梯里，深呼吸，舉起右手，然后左手按上升按鈕，由于是第一次乘坐電梯，我們發現電梯上升，會覺得驚奇。

此后，便每次乘坐電梯，都先氣運丹田，舉起右手，然后按下上升按鈕。運氣會改變重量，舉起右手會引導平衡，種種看似正確的理論，會讓人覺得這套復雜的流程非常科學且就是這樣，進而似懂非懂，廣泛傳播，而深入探究其原理時，卻又無一人可以清楚的回答，實不應該。

事實上，不論我們是否運氣，是否舉起右手，只要我們按下電梯的上升按鈕，電梯都會上升。同理，不管我們考不考慮根據搜索結果數的不同，最佳坑位數到底限制在多少個。只要是和搜索結果數成反比，衡量難易程度都是正確的。

并不需要我們先設置一個優良中的分層，然后再反復運算。在絕對正確的框架下，穿插一些自造的，乃至錯誤的言論，雖然不影響分析的結果，但是卻讓事情變得繁雜。自始至終并沒有引入新的變量和衡量一個新的方向，實際上并未有新的價值。

綜上兩個誤區，我們會發現按照多指標衡量的詞，與簡易分析的指標，并未有很大的差距，甚至多指標的詞庫應用價值更低，并且數據更亂。

由于眾多類目的關鍵詞搜索指數分布都是頭部稀疏，底部密集的，也就是在對關鍵詞分級時，往往會發現熱度相對靠下的同類詞異常多，是因為大多數品類關鍵詞指數分布都是如此。絕大多數現象與直接利用篩選或單一維度的衡量效果基本一致。

并且，商家規模指數和搜索結果數同為衡量競爭維度，卻不成正比分布。胡亂運算會導致數據的應用價值更低。應盡量避免同方向沖突的運算影響衡量指標的準確性。

六、詞庫細分之趨勢細分

趨勢分析通常是用來尋找新的機會。新的商業變化，往往會出現短暫的供需失衡，出現新的機會。在趨勢變化中，有兩種趨勢，是我們要重點關注的。一種是從0到有。另一種是飆升趨勢，即增幅較大趨勢。

怎么尋找這兩個趨勢呢。先來說第一個，從0到有。新詞的誕生，往往代表著新的機會。一個從來沒有的詞，突然出現，且搜索量快速增長，這很可能是市場新需求的表現。我們需要將這類詞標記出來。并著重分析此類詞所涉及的屬性和功能。是不是一種新的機會。

標記此類詞的方法非常簡單。在上一篇關于詞庫的文章中已經提到。通過新老詞庫的運算匹配。在新詞庫中出現，在老詞庫中沒有出現的詞，就是誕生的新詞。我們可以將這類詞標記出來，做進一步的價值分析。

第二種，是趨勢大幅增長的詞。這也是我前些年個人全網首發的將增幅趨勢應用于電商分析的一種方式，即增幅分析，最早應用于天貓店鋪。利用增幅函數對關鍵詞的增長趨勢做評估。增幅越大，則趨勢越陡，斜率越高。我們通過斜率指標來篩選高增幅的詞。本質上是對近期已發生數據規律的總結和篩選。

如下圖所示。我們通過slope函數，（不會用的可百度。簡單函數就不講解了，可在交流群交流）將不同關鍵詞的增長幅度量化出來，并按順序排序。同時我們也發現了增幅大，并不代表就一定優質，我們還需要看現有的基數。

(部分品類或屬性詞，隨著需求的迅速增大，競爭短期無波動甚至還在變小)

如果一個關鍵詞當前的搜索量很大，并且增幅漲勢明顯，那么該詞下的需求量往往是在提升。如果恰巧這個時間段，新進入的商家沒有增長，翻譯成白話來說，就是賣的人沒變，但是買的人多了，平均每個商家分到的銷量就多了。及時發現機會，往往能做一些小的提升。

一般來講，一個趨勢的興起，大量商家涌入往往有一個短暫的滯后期。我個人也利用過這個短暫的紅利期（非疫情產品）輕松的做起了一些品類。

如果你有興趣，可以去整理20年年初疫情期間的詞數據，或者一些大品牌新品入市數據，大多表現也是如此。部分品類或屬性的需求暴增，在暴增初期時，并沒有大量的商家及時進入，形成短暫的機會。

隨著信息的傳開，大量商家進入，各種門檻同步被提升，導致新的市場供需被迅速拉平，紅利消失。新詞，和增長過快的詞中，往往就蘊含著這樣的機會。本質上，是對當前市場的深度理解和及時收到消息。

2020年3月起，疫情初期，幾乎同一時間，多個品類的趨勢開始一個接著一個的飆升，市場大盤對防疫產品的需求逐漸增加，而到下半年，由于國外疫情處于最嚴重的時期，但是已經解除了基礎醫療物資的海量需求，加上平臺大力管控，醫療產品已經門檻較高。

（通過數據可以還原歷史發生的故事）

再后來由于需要，多個國家開始建立方艙醫院，樣板房等需求開始飆升。由于篇幅關系無法展示更多品類。但如果你去觀察這些數據，在時間軸上，就是活生生的歷史場景重現。

我個人雖然沒有膽量與前瞻性從短暫的風口中獲益，但是由于在最早期持續挖掘和輸出了正確的預判數據，也獲得了不菲的感謝紅包。數據是歷史遺留的產物，其規律非常有趣。大風口不常有，小風口也不常有，但是短暫的機會，不時就會出現，我們需要抓住它，但不應該指著它出現翻天覆地的變化，小的幫助也是幫助，正確的看待問題。

說到預判，這里也發現了眾多小伙伴經常進入的一個誤區，預判并不僅僅是一種數據技巧，更是依據商業規律和社會規律，對現實社會，所處行業的深度觀察和感知。拿國際站運營來說，我個人認為數據預測的價值很低，并且如果沒有深厚的數據功底，很容易走上另一條自我感動的道路。

誤區三：數據功底不扎實，不能深度感知業務關系，盲目預測數據，為了數據分析而數據分析，從而實現自我感動。

數據預測，是統計學中常用的一種分析方式，根據現有樣本預測未來的走勢，那么為什么說不建議對關鍵詞做預測呢？是因為關鍵詞批量分析所涉及的業務維度太多了。如果沒有深厚的數據功底，很容易走進數據分析的誤區。我們看以下案例。

（使用7種常見的預測手段，分別對關鍵詞趨勢進行預測）

上圖顯示，根據某關鍵詞數據樣本，使用多種不同預測手段所預測的數據，全部出現了預測趨勢和實際趨勢大相徑庭的現象。之所以會出現這樣的一種現象，主要原因有三點。

第一，樣本量太少。國際站數據最多只能查看兩年，預測同時期的數據，往往需要多年的數據樣本。而短期的少量樣本，特別是幾個月的樣本根本不足以支持趨勢分析的準確性。

第二點，國際站的關鍵詞走勢規律，往往不具備簡單的線性關系。導致在預測數據時，不能很好的衡量關鍵詞的季節性波動和周期性波動。所以預測結果往往與實際不同，形成錯誤的數據預判。

第三點，所有的搜索關鍵詞，在趨勢走向上并非呈現相同的規律，特別是不同詞的季節性和周期性，波動周期和頻率均明顯不同。簡單的線性衡量尚且存在很多不合理的地方，用同一種關系預測所有的關鍵詞，必然會出現大量詞預測不準確的情況，導致出現大量圖中的這種預測錯誤。

數據預測，需要貼近實際的業務場景，且在確認預測方式合理后，也要經過多次的誤差修正。這樣的預測往往才具備較高的參考價值。那么我們沒有大量的數據樣本，也不會使用vba來編寫貼近實際分析的預測模型，要怎么衡量趨勢呢。

其實，我建議就是不去衡量。一旦陷入技巧，整個人就容易迷失方向。我們總是容易陷進一個狀態，忘記了自己的目的，在低產出的工作上，耗盡很多時間。我們只通過簡單的趨勢增幅斜率，就可以篩選出一些有機會的詞。

同時，如果我們有獲取雙年數據的工具，也可以直接做雙年趨勢對比，通過對比往年同期歷史數據的走勢，觀察規律，來更好的對詞進行挑選。

（通過對照往年同期的走勢，觀察今后可能的走勢）

七、詞庫細分之詞性細分

詞性細分是詞庫衡量中比較重要的一個指標，通常用來對關鍵詞的精準性進行打標。正如屬性細分一樣。我們還可以對關鍵詞相關的國家，人群，地域，精準詞還是廣泛詞，長期熱詞還是偶爾熱詞等維度進行打標。

劃分詞性時，不建議劃分過多的指標。通常根據我們的運營目的，劃分出一些包含某屬性的精準詞，或者具備某些成交方向的詞用于發品和推廣即可。

例如：在評價關鍵詞時，立式風扇與時尚風扇，顯然搜索立式風扇的人需求更加明顯。且與產品的吻合度更高，則含有立式風扇的詞可篩選后統一標記為精準詞，方便后續組合篩選時使用。此外，獨特功能詞、畫面感強的成交詞都適合進行特殊標記。

除了標記詞的精準度，還可以按詞的需求穩定性和推廣難度進行細分。例如，根據搜索指數的平均數、中位數、離散程度等統計學分析標記出常年高熱的詞，標記出當前處于全年趨勢中較高熱度的詞。根據直通車前五的出價，標記出適合推廣的低價詞用于后期戰略推廣，等等，諸如此類。

亦或者是根據關鍵詞的其他性質進行劃分。在劃分關鍵詞時，我們要確保分析的維度在商業運作中占據一定的價值意義。價值不高或者操作復雜的維度我們都可以考慮舍棄，不建議為了做詞庫而做詞庫，運營中還有很多更重要的事情要做，一切都應該以實用性為主，該舍棄的就果斷舍棄。

八、詞庫細分之詞類細分

詞類劃分主要應用于初期推廣的長尾引流，我們在篩選包含某些成交屬性的關鍵詞時，也需要考慮到初始推廣的競爭難度，長尾詞由于競爭小，限制屬性多，往往能帶來一些不錯的轉化。

篩選長尾詞的方法，我們通常是篩選單詞的個數，單詞個數越多，越容易是長尾詞，基本上不會出錯。統計關鍵詞單詞個數，我們可以使用以下公式。

統計關鍵詞的字符數：

=LEN(TRIM(A2))

統計關鍵詞的單詞個數：

=LEN(TRIM(A2))-LEN(SUBSTITUTE(TRIM(A2)," ",""))+1

（統計關鍵詞的字符長度和單詞個數篩選長尾詞）

詞類的篩選通常與其他類型的衡量指標配合，比如篩選包含Bluetooth屬性且單詞數在3個以上的長尾詞。篩選熱度高于80且單詞個數在3個以上的關鍵詞，等等。單詞個數的劃分使得在發布產品和商業推廣時，選詞用詞極為便捷。

九、詞庫細分之語種細分

語種細分主要是為了獲取小語種的流量，發布多語言產品。如今的小語種發布已經與正常的產品發布融為一體。在發布產品界面的標題輸入框右側，我們可以發布多語言標題。自定義的小語種比機器翻譯的小語種在展示優先級上有輕微的加權。

在劃分語種時，商家可以篩選熱門搜索詞中的關鍵詞收集小語種，也可以根據使用人數較多的語種直接進行翻譯。然后用這些原始小語種去拓展關鍵詞，收集整理后，對語種進行分類標記。對于補充英文標題的流量也有一定的促進意義。且由于小語種使用的商家數較少，通常也可以獲得不錯的流量。

十、詞庫細分之硬性細分

最后一點就是硬性細分。關鍵詞的類目是不是可用，關鍵詞的版權是不是可用，對于類目不準，侵權違規等詞，也可以進行標記。標記這些硬性維度通常需要借助一些輔助工具，如果覺得做這些硬性細分較為繁瑣，也可以舍棄對它的細分。對于關鍵詞的使用效果來說，實際上也不會有太大的影響，只要我們不刻意違規，不刻意錯放類目，通常也不會出現大的問題。效率與效果要同時取舍。

以上，就是從商業運作的十個角度，對關鍵詞細分價值的闡述。同時剖析了幾種市面上廣為流傳的不易理解的說法，也通過大量實驗和數據驗證了其中的一些不是很準確的的理論。

正如我經常在交流群中所說，求真求實，是運營成長過程難能可貴的品質，值得我們每一個去落實。我也切實要求自己，在這些年的幾乎每一次提出親測字樣時，我也都有公開測試的邏輯和數據報告。追求嚴謹的邏輯和步驟，直到自己真的通透。敢于承認自己的無知，也是一種高級運營的素養。希望這篇文章，能給大家帶來一些啟發。（完）

（來源：5顏6色的世界）

以上內容屬作者個人觀點，不代表雨果跨境立場！本文經原作者授權轉載，轉載需經原作者授權同意。