本節(jié)論述的流量是我們上架的 listing 能夠獲得的流量，在闡述這個邏輯體系前，先要糾正一下一個運營誤區(qū):絕對的“流量第一”關(guān)鍵字優(yōu)化導向。

例如很多第三方收費軟件提供的單日流量數(shù)據(jù)表，即使很多運營沒有這樣的編程水平但是財大氣粗的跨境電商公司們可以花上成千上萬美元向那些第三方信息公司購買，沒錢折騰的“小賣”們也會拼了老命在Google Trends 或者其他 keyword數(shù)據(jù)分析平臺上對比各個詞組做出自己的一份搜索熱度排序表(因為在大多數(shù)情況下購物習慣或者搜索習慣是幾乎不會改變的 )，但是這樣就會有奇效了嗎?答案是并沒有什么作用。

當然，從“流量第一”出發(fā)對關(guān)鍵字進行優(yōu)化的確可以增加產(chǎn)品的搜索曝光率和流量增長率，但是需要注意的是，我們提到的是搜索曝光率和流量增長率而不是曝光量和流量，它們各自的關(guān)系如下:我們listing能獲得的總流量(Y)等于曝光量(X)乘以點擊率(C)即Y=X×C點擊率因為與產(chǎn)品主圖有關(guān)所以可以暫且認為該值為定值;其中曝光量(X)等于關(guān)鍵字總搜索量(F)乘以搜索曝光率[ P(X)]，即X=F×P(X)，其中搜索曝光率[ P(X)]與該關(guān)鍵字搜索后顯示的商品總數(shù)量(N)成反比，即P(X)o 1/N，或者可以記為P(X)=b/N，其中為參數(shù);以上推導的都是總量數(shù)據(jù)而非單日數(shù)據(jù)，所以假設單日流量為 yi(1≤i≤n)，單日曝光量為xi(1≤i≤n)，單日關(guān)鍵字搜索量為fi(1≤i≤n)單日能搜索到商品的總數(shù)量為ni(1≤i≤n），所以上述公式可以整合為連等式。

從上述推導可以發(fā)現(xiàn)，單純從流量出發(fā)基本屬于做“無用功”，因為這么做同時增大了分母ni(1≤i≤n)與分子fi(1≤i≤n)，同時隨著分ni(1≤i≤n）的增大，搜索結(jié)果頁面的頁數(shù)也會急劇增加。

以“sexylingerie”比“bodystocking”為例，兩者在亞馬遜“Women”下的搜索結(jié)果分別為40000+與3000，搜索頁數(shù)分別為400與81根據(jù)上述仿真數(shù)據(jù),在首頁流失率僅為 10%左右的情況下,一般40 頁后就基本無流量產(chǎn)生了更何況在實際網(wǎng)頁數(shù)據(jù)中流量流失率高達50%~70%,所以一旦搜索結(jié)果數(shù)量增多會給自然流量的增長帶來毀滅性的災難。

如何找到與自身產(chǎn)品匹配的關(guān)鍵字呢?這就需要在流量與搜索頁面結(jié)果數(shù)量這兩者中取得一個亞衡值。

以數(shù)學推導的方式解釋。

我們已經(jīng)得到了流量(y)，曝光量(x)以及點擊率(C)之間的數(shù)理關(guān)系，其中單日流量為yi(1≤i≤n)，單日曝光量為xi(1≤i≤n)，單日關(guān)鍵字搜索量為fi(1≤i≤n),單日能搜索到的商品的總數(shù)量為ni(1≤i≤n）。

考慮到搜索曝光率[P(X)1]與該關(guān)鍵字搜索后顯示的商品總數(shù)量(N)成反比即P(X)o1/N 。

不過這一簡單的反比關(guān)系過于簡單且不嚴謹，所以這里需要引入流量流失率(L)這一數(shù)值，其表示流量因為頁數(shù)增多而產(chǎn)生的流量減少。

例如，當?shù)?頁流量為 10000，第2 頁流量為 4000 時，流量損失率為 0.6，流量的留存率則為 0.4。

同時 ，設置搜索結(jié)果的頁數(shù)為P，其具體數(shù)值會因為商品總數(shù)量(N)的變化而變化，關(guān)系為P=N/48,48 這一數(shù)值的來源是亞馬遜搜索的首頁展示數(shù)目，在不同類目下其數(shù)值可能不同。

因此，單日搜索頁數(shù)pi(1≤i≤n)與單日能搜索到的商品總數(shù)量ni(1≤i≤n）之間的關(guān)系為pi(1≤i≤n))=ni(1≤i≤n)/48。

其中第k頁(p=k)的流量，轉(zhuǎn)換成單日數(shù)據(jù)表示。

同時，我們需要把搜索曝光率的計算稍加改進，使其與 listing 所在頁面的產(chǎn)品數(shù)量成反比(因為頁面展示的產(chǎn)品越多，用戶點擊某一產(chǎn)品的概率就越低)，即在第頁時，搜索曝光率:單日流量為yi(1≤i≤n)，單日曝光量為xi(1≤i≤n)，單日關(guān)鍵字搜索量為fi(1≤i≤n)，單日能搜索到的商品的總數(shù)量為ni(1≤i≤n)。

公式能幫助我們理解哪些要素影響了單個 listing 的流量波動。

舉例而言，假定現(xiàn)在已知某個關(guān)鍵字單日的搜索次數(shù)為 200000次，且單日通過該關(guān)鍵字搜索到的商品總數(shù)量為 500，那么ni(1≤i≤n）這時候就等于 500。

假設此時我們的商品剛剛上架，排在這 500 個商品中曝光頁數(shù)的最后一頁，那么我們的商品就會在第 11頁(用pi(1≤i≤n)=pi(1≤i≤n)/48來計算數(shù)，同時向上取整數(shù))。

假定每頁的流量流失率相同且為 60%，那么這時(0.4^11)×2000008≈4,這意味著在這種情況下我們的商品最多可以獲得約8個流量(實際上這里預估的值高于實際值，這是因為 listing 的曝光點擊率不可能是100%，所以8 次有效曝光或者有效搜索很難轉(zhuǎn)化為 8 個有效流量。

但是當需要判斷某個類目或者某些關(guān)鍵字組合的流量大小時，就需要用新的方法對亞馬遜平臺頁面進行流量測試。

假設想要判斷“dress”這一關(guān)鍵字搜索頁面的單日流量，首先需要在搜索擎中輸入“dress”進行搜索。

我們可以看到搜索結(jié)果非常多，“dress”這一類目作為亞馬遜服裝的大類目其單日搜索量非常大，假設單日“dress”的流量有Fi，那么n天時間內(nèi)搜素“dress的總流量。

同時，因為每個搜索頁面的流量存在流失效應，所以這里也需要用到上文提到的流量流失率(L)這一數(shù)值，其含義為流量會因為頁數(shù)增多而減少。

正如上文所述，當?shù)?頁流量為 10 000第2頁流量為 4000 時，流量損失率為0.6，流量的留存率則為0.4。

那么n天時間內(nèi)搜索“dress”且在前2頁內(nèi)點擊進入listing進行瀏覽的總流量。

再設這些流量的平均轉(zhuǎn)化率為Pi，訂單 review 平均轉(zhuǎn)化率為P，那么n天時間內(nèi)“dress”搜索結(jié)果的前2頁所有 listing一共增加的 review數(shù)量。

由此可以得到一個結(jié)論:我們能夠根據(jù)“dress”搜索結(jié)果下前2頁所有 listing的review數(shù)量波動，倒推出了“dress”的單日搜索量。

但是這個推導邏輯還存在一定的邏輯漏洞，雖然我們可以統(tǒng)計“dress”搜索結(jié)果下前2頁所有 listing在一段時間內(nèi)review增長的數(shù)量，但是其review增長并不全部依賴于“dress”的搜索流量，而是由所有能夠搜索到這2頁產(chǎn)品的各自關(guān)鍵字組合所擁有的全部搜索量。

假設一共有x個關(guān)鍵字組合即 keyword 組合，每種組合的流量會在n天時間內(nèi)給“dress”搜索結(jié)果下前2頁產(chǎn)品帶來N個review，其中搜索“dress”本身帶來的review數(shù)量為N-d那么在n天時間內(nèi)“dress”搜索結(jié)果下前2頁所有 listing的review的增長量。

由上述推理可知，只要能夠獲得所有能搜索到“dress”這個關(guān)鍵字搜索結(jié)果下出現(xiàn)的前2頁產(chǎn)品的關(guān)鍵字組合(keyword 組合)就能夠根據(jù)review的增長數(shù)量推斷出這些組合的總搜索量。

但是如果真的去一個個查找“dress”的各種關(guān)鍵字組合是肯定辦不到的那么是否就無法判斷某一關(guān)鍵字或者 keyword 在亞馬遜平臺上搜索量的大小呢?并不是(在7.3 節(jié)會詳細闡述亞馬A9 算法對產(chǎn)品的排名邏輯。

在亞馬平臺上，每一個關(guān)鍵字組合其搜索結(jié)果是不同的，流量越大的關(guān)鍵字，其不同組合下的產(chǎn)品排名差異就越大。

因此，對于大流量，屬性小幅度重疊或者不重疊的關(guān)鍵字就可以直接根據(jù) review增長數(shù)量的差異來判斷不同關(guān)鍵字組合的流量大小。

假設需要對比“casual dress”與“dress”兩個關(guān)鍵字在亞馬遜平臺上搜索量的差異，可以分別搜索這兩個關(guān)鍵字。

因為流量流失率(L)的存在，且該數(shù)值必然大于 50%，根據(jù)“二八定律”原則只統(tǒng)計“casualdress”與“dress”下前2頁產(chǎn)品的review 數(shù)值無論是通過技術(shù)手段@還是人工計算手段，我們可以得知于2018年9月2日casualdress”前2頁產(chǎn)品的review數(shù)值為33864(不包含廣告產(chǎn)品首頁review數(shù)量為20126,第2頁review數(shù)量為13738)“dress”前2頁產(chǎn)品的review數(shù)值為48613(不包含廣告產(chǎn)品首頁review數(shù)量為28039,第2頁review數(shù)量為20574)且于2018年9月3日“casual dress”前2頁產(chǎn)品的review數(shù)值為33979(不包含廣告產(chǎn)品首頁review數(shù)量為20217,第2頁review數(shù)量為13762),“dress”前2頁產(chǎn)品的review數(shù)值為 48813(不包含廣告產(chǎn)品首頁 review 數(shù)量為 28169，第2頁 review 數(shù)量為20 644)。

由此可得，“dress”下前2頁的產(chǎn)品于24小時內(nèi) review增加了200個“casualdress”下前2頁的產(chǎn)品于24小時內(nèi) review 增加了 115 個，其比值為 1.74:1。

如果使用一些第三方的輔助軟件，可以得到數(shù)據(jù):(2018年3 月份某一天的數(shù)據(jù))。

以“dress”為直接搜索對象的搜索次數(shù)為197878次，以“casualdress”為直接搜索對象的搜索次數(shù)為 111958次，其比值為 1.76:1與review增長的比值非常接近。

但需要注意的是，統(tǒng)計 review 時不要直接統(tǒng)計前幾頁的review 數(shù)量，因為亞馬遜會實時改變排列組合,所以人工統(tǒng)計時需要第一次統(tǒng)計完后把前幾頁的listing鏈接記錄下來，第二次統(tǒng)計時點開鏈接計算 review 數(shù)量，否則統(tǒng)計出來的 review數(shù)值會有嚴重誤差，在使用該方法進行類目流量預測時，還需要注意以下兩點:(1)測試類目不可有過多屬性重疊。

如果測試的兩個關(guān)鍵字組合或者 keyword組合有多個屬性重合，例如“casualsummer maxidress”與“casualpartymaxidress這兩個詞就用多個屬性重疊，那么此時 review 增長數(shù)量的比值并不能體現(xiàn)這些合搜索量的大小，因為重疊屬性造成了產(chǎn)品曝光的重疊，會給流量預測造成較大的誤差。

(2)根屬性不同的類目無法進行流量對比。

這是因為通過 review 變動還預測流量的前提是 review 的留評率保持一致，但是一旦根屬性發(fā)生變化，該前提就不再成立。

例如不能將鞋子關(guān)鍵字組合與裙子關(guān)鍵字組合的搜索結(jié)果為參照進行流量對比，因為鞋子類目的 review 留評率與裙子類目的review 留評率有較大的差異:但是T恤類目和上衣類目就可以做流量對比，因為其兩者的 review留評率趨于一致。

因此，統(tǒng)計不同關(guān)鍵字或者 keyword 組合搜索結(jié)果下前幾頁 review增長的比值，就可以得出不同關(guān)鍵字在亞馬遜平臺搜索量的相對大小值。

當想要了解某一個類目與現(xiàn)在從事的類目之間流量的差異時，可以通過該方法去預估其他類目的流量從而評判其市場大小。