前言

hello，大家好，這是Andy的第11篇文章，感謝閱讀，前排求個關注
之前分享的內(nèi)容主要是AI落跨境電商應用，可以看我主頁了解更多往期內(nèi)容
最近關注到一個新的工具，讓我覺得非常欣喜，因為起碼可以對我的一項運營工作提效30%以上。

這個工具就是 -- 篩查相關性（關鍵詞），我已經(jīng)進行了深度嘗試，借此機會跟大家分享一下我對關鍵詞的理解。

一、 關鍵詞分類

關鍵詞的本質(zhì)其實就是消費者的需求描述。
中高級運營應該會明白構建產(chǎn)品關鍵詞庫里面有一項工作極其費時且枯燥，就是對關鍵詞進行標注，其中涉及到三項類型標注

• 流量分類（定量）：高流量詞、中流量詞、低流量詞
• 詞性分類（定性）：類目詞、產(chǎn)品詞、屬性詞、功能詞、場景詞、參數(shù)詞、衍生詞等各種詞性
• 相關度分析（定性）：核心標準是參照你的產(chǎn)品，該關鍵詞搜索結果top20產(chǎn)品與你的產(chǎn)品相關度

1.流量分類：
首先說流量分類，這個非常簡單，但是不同類目你對流量的高中低量級定義也會有差異，例如不太可能拿portable power station 和garlic press來進行流量對比，因為兩個市場本身就不是同一個量級的，所以我們應該通過設立 百分位+累積流量占比 兩個參數(shù)進行劃分：

• 百分比：[list][*]top 20%關鍵詞為高流量詞，即頭部關鍵詞，而且因為“二八定律”以及頭部聚集效應，20%的關鍵詞可能對流量的占比會超過70%，不同類目有差異（需求描述豐富度）
• top 20%-60%為中流量詞，即中部關鍵詞，新品上架這塊才是我們最大的機會，逐步占領腰部流量詞，從而達到農(nóng)村包圍城市的效果，上架就打大詞會極其難受（轉(zhuǎn)化率和基礎權重積累都較差）
• top 60%-100%為低流量詞，即尾部關鍵詞，如果一個市場是“需求長尾市場”，即使是尾部關鍵詞一樣會有不錯的流量份額，我們需要完善們的關鍵詞架構，這部分關鍵詞就不能落下

[/*]
[*]累積流量占比：

• 縱軸：流量絕對值+流量份額
• 橫軸：關鍵詞排位

看累計曲線，我比較關注80%的站位情況，可以看到搜索量在前13位的關鍵詞已經(jīng)占據(jù)整體流量的80%，但是購買量曲線相對“長尾”，說明頭部的一些關鍵詞并未能充分體現(xiàn)消費者的真實需求，說明長尾需求還是有機會的。[/*]
[*]關鍵詞特征：[/*]
[/list]
再來看一下頭部關鍵詞的特征，從詞性分類來看，可以看到頭部的關鍵詞有非常大的比例都是品牌關鍵詞，說明頭部品牌已經(jīng)建立了良好的品牌心智，客戶對品牌的忠誠度較高。

結合上面曲線+關鍵詞特征來看，這種情況其實是不太有利于新品牌進入的，頭部流量被品牌關鍵詞把持，你不打就沒有流量，你要打這個關鍵詞就得拼產(chǎn)品競爭力（非常艱難），如果不是資本雄厚的公司，通常在紅海市場中挖掘長尾需求，與頭部品牌各方面均衡走差異化路線，集中精力和資源將某一賣點拉升到類目top5%以內(nèi)（長板效應），先拿捏一部分長尾需求客戶群體

2.詞性分類
接下來就是我們的重點，進行詞性分類，通常我們通過各種方式收集完關鍵詞之后，常規(guī)的處理流程：
1.統(tǒng)一關鍵詞表格字段（不建議不同軟件的關鍵詞表格進行聚合，因為不同軟件的擬合算法不一樣，流量維度會有較大差異）
2.梳理好關鍵詞總表之后我們就要開始對詞性進行分類（上面舉例的詞性分類）
3.分類之后進行數(shù)據(jù)透視，分析不同類型關鍵詞的流量特征、占比情況

二、常規(guī)方法（表格手動標注）

先說一下常規(guī)的關鍵詞分類（相關度篩查）方法，獲取關鍵詞列表通常有以下方法：
這里我們以Portable Power Station為例進行示例

1.關鍵詞詞庫獲取
1.關鍵詞拓展：通過賣家精靈的關鍵詞拓展，可以使用詞根快速拓展關鍵詞詞庫
2.ASIN關鍵詞反查：通過賣家精靈可以進行ASIN反查流量詞，并且可以看到ASIN在關鍵詞下的流量占比情況
3.后臺ABA數(shù)據(jù)：ABA關鍵詞數(shù)據(jù)一樣可以通過關鍵詞 / ASIN的形式進行拓展
通過在精靈的關鍵詞挖掘功能，也可以方便快速展示

2.關鍵詞分類
根據(jù)上文所述，關鍵詞詞庫拿到手之后還需要進行二次標注，我一般添加最重要的三個核心字段
詞性分類 | 流量層級 | 相關度

a.詞性分類當前標注我覺得最有效的方式還是手動

b.流量層級建議按照百分位進行劃分，因為不同類目差異較大。
c.剩下最后一個字段相關度相關度標注，這個之前是通過表格中構建關鍵詞搜索結果鏈接進行前臺檢索，查看該關鍵詞的整體搜索結果與自己的產(chǎn)品相關度情況。具體構建情況如圖所示


三、創(chuàng)新方法（編程/ AI/ 軟件）

可以看到常規(guī)標注費時費力，你得根據(jù)關鍵詞意思揣測關鍵詞對你產(chǎn)品的相關度，如果要做的更加到位，還需要檢索關鍵詞在前臺的真實搜索結果是否與產(chǎn)品核心關聯(lián)，就這一部分的工作會耗費大量的時間，而且這種工作較為機械重復（丟給助理、實習生進行標注）
在入行之初就發(fā)現(xiàn)了這里的執(zhí)行痛點，后面一直在探索是否有更加高效的執(zhí)行辦法（自動化?），探索了下面的路徑：

1.Python NLP模型標注
主要有兩種思路：
1.通過傳統(tǒng)的自然語言處理（NLP）庫，如（NLTK、spaCy）等標注語法詞性，效果較差
2.通過規(guī)則匹配與自定義詞庫實現(xiàn)業(yè)務層面的詞性分類（如品牌詞、參數(shù)詞等），這個效果相對較好，只要梳理好關鍵詞的詞根類型就可以進行快速標注，這里貼一個示例代碼

import pandas as pd



# 假設數(shù)據(jù)存于 Excel，讀取到 DataFrame

df = pd.read_excel('your_file.xlsx')



# 定義各類詞庫（需根據(jù)實際標注數(shù)據(jù)完善）

brand_words = ['jackery', 'bluetti', 'anker', 'ecoflow', 'dji', 'browney', 'grecell', 'alwei']

parameter_words = ['2000w', '1000w']  # 示例參數(shù)詞

scene_words = ['camping']  # 示例場景詞



# 定義標注函數(shù)

def classify_keyword(keyword):

    keyword_lower = keyword.lower()

    # 優(yōu)先匹配品牌詞

    for brand in brand_words:

        if brand in keyword_lower:

            return '品牌詞'

    # 匹配參數(shù)詞

    if any(p in keyword_lower for p in parameter_words):

        return '參數(shù)詞'

    # 匹配場景詞

    if any(s in keyword_lower for s in scene_words):

        return '場景詞'

    # 其他默認（可根據(jù)需求擴展）

    if 'power station' in keyword_lower:

        return '產(chǎn)品詞'

    return '未知'



# 應用函數(shù)生成標注結果

df['詞性分類'] = df['關鍵詞'].apply(classify_keyword)



# 保存結果（可選）

df.to_excel('annotated_file.xlsx', index=False)

2.AGI大模型標注（WPS多維表調(diào)用DeepSeekR1）
這里暫且不表，但是核心邏輯就是通過人工智能模型（例如DeepSeekR1）進行詞性標注，最近在探索多維表的應用，感興趣的可以先給Andy點個關注，后續(xù)會分享使用多維表進行項目管理等應用。
3.軟件標注（賣家精靈）
相關度評估不再需要再一個個去前臺進行檢索，只需要輸入核心競對ASIN，再輸入待檢索關鍵詞，即可快速通過軟件進行相關度標注
即可得到相關度標注結果

導出之后通過VLOOKUP函數(shù)，匹配到關鍵詞相關度字段

• 對于【高相關】關鍵詞的投放策略：中后期主力投放關鍵詞，通常會分配70%以上廣告預算，通過精準/ 加價等積極行為拉升關鍵詞排位
• 對于【中相關】關鍵詞的投放策略：可以分配一定預算，測試在這些關鍵詞下的轉(zhuǎn)化、ROI數(shù)據(jù)，再評估是否需要追加預算，加大投入
• 對于【低相關】關鍵詞的投放策略：小部分預算測試投放組，主要目的是通過低價蹭流豐富流量結構，核心指標為cpc/ acos，偏向與撿漏打法

四、關鍵詞分類應用

1.關鍵詞分析
完成關鍵詞標注分類之后，可以根據(jù)詞性分類進行透視，本質(zhì)上就是某一類需求的量化情況，可以洞察到消費者對哪些層面的需求更加強烈，核心關注的產(chǎn)品屬性是什么？

可以看到這里的結構性已經(jīng)非常強了，是不是就立馬想到廣告架構了？
產(chǎn)品型號 -- 廣告組合
詞性分類 -- 廣告活動
投放方式 -- 廣告組合
層層對應，嚴絲合縫，良好的廣告架構規(guī)劃對于后續(xù)的廣告報表分析也是非常有利的。
結合領星的超級結構，可以快速創(chuàng)建廣告架構（吐槽一句，后臺的廣告批量報表是真的難用）

2.交叉分析
可以通過 詞性分類 | 流量大小 | 相關度 進行交叉分析，例如我要件一個新廣告活動，需要針高容量段（1000Wh以上）的流量大詞做投放，活動的主要目的是達成轉(zhuǎn)化（高相關度），那么我們就可以使用下面的篩選條件進行篩選：
參數(shù)詞（電量） X 高流量詞 X 高相關度
通過三維篩選即可快速篩選出滿足我們需求的關鍵詞列表，添加到廣告活動投放。

從上面的架構就可以引申到高中數(shù)學一個非常常用的知識點：組合
通過詞性分類之后，所有可能得篩選類型數(shù)量：C（1, m）x C（1，3）x C（1，3）
m為詞性分類的類型數(shù)量
======================================================================
如果對上面關鍵詞分析有疑問的或者提升建議的，可以直接評論區(qū)交流。
?
每一個回復都會認真看且細致回復，感謝閱讀~