首页电商正文

关于关键词分析，如何走出误区？搜索排名专员给你答案解构电商、O2O：探秘搜索系统的“简历”

2024-03-21 18:10

关键词是一个企业网站做排名优化十分重要的工作，如果我们在关键词阶段就步入了误区，那么接下来的工作肯定是困难重重，所以一个优秀的SEO优化人员必然是要规避这样的错误的，那么我们怎么做才比较好呢？别着急，今天搜索排名专员为大家分享几点内容。

1、关键词挖掘错误

当你选择错误的关键词的时候，一个最大的前提条件就是你关键词挖掘工具出现问题，由于API接口的稳定性，以及关键词库的更新频率，它往往造成关键词搜索量与收录量不精准，从而错误预估关键词的存在。

因此，当你利用软件导出特定关键词的时候，特别是一些长尾词，如果你觉得这个词的检索量可能会产生问题，那么你有必要在利用百度指数进行核查。

2、关键词选择错误

对于新站而言，通常在选择关键词的时候，经常会犯一个错误，那就是选择那些关键字指数相对较高的词，而并不是选择竞争度相对较低的词。

这是造成一定时间的优化周期相对较长，而没有效果的核心原因。

同里，如果你的关键词选择，都是一些长尾词，竞争度几乎是日均搜索10以内的，同样的你站点流量也不会有太高的起色，除非是海量长尾词，但对于一般小网站，并不现实。

3、忽略相关关键词

在关键词研究的领域里，时间久了你会发现一种特殊情况，那就是你做核心关键词只能获取到网站流量，而一些在站内有利于推动转化率的词，往往来自于核心关键词的相关关键词。

简单举例：你可能会做“SEO”这个关键词，但通常起到转化率的词，往往来自于“SEO培训”或“SEO教程”这样的词。

4、关键词ROI预估错误

简单理解：网站关键词排名的过程，就是站点资源利用的一个过程，它包括：内容创作、维护的人力成本，以及相关外链支持的链接资源等。

因此，当你在选择关键词的时候，你需要精准的预估这个关键词的ROI，也就是投资回报率，它需要多少资源，可以获得相应的排名，并可以产生多少的转化率。

如果你没有一个清晰的关键词排名的预估，那么很可能你的SEO项目中途会弹尽粮绝。

5、忽略竞争对手关键词

所谓知己知彼百战不殆，做SEO项目亦是如此，当选择关键词排名的时候，我们首先不是自娱自乐的去拓展关键词，在更多的时候，我们通常是批量参考竞争对手的关键词，特别是行业相对知名的站点。

主要的原因是对方很清楚，什么词相对转化率会高，什么样的内容，更容易提高用户体验，促进销售。

以上的内容就是我们对网站优化关键词的分析，希望对大家的工作有所帮助！

解构电商、O2O：探秘搜索系统的“简历”

之前的文章探讨过用户端背后系统的逻辑和结构情况，后续我会考虑逐步解构每个相关系统的情况。今天跟大家聊一聊搜索系统，搜索系统在所有电商系统里面复杂度和难度是可以排的上前列的。关于算法方面介绍的文章很多，这里不做赘述，只解构下搜索系统的基本逻辑和实现。对于产品来说不免难免沟通时“露怯”，了解搜索系统的基本知识和结构是有须要的。

搜索系统的“基本介绍”

搜索系统，顾名思义提供大数据查找筛选的系统功能。在电商和O2O领域作为一个主要的流量入口起到了至关重要的作用。

“基本介绍”：指标

对于搜索来说，主要的指标为准确率和召回率。我们以下图为例解释下什么叫做准确率和召回率。

图中整体的部分为所有商品数据的全集，其中包孕不相关和相关的内容。

准确率：搜索结果中相关内容的比例，即图中A的部分召回率：搜索结果占整体内容的比例，即A+B

由此我们可以看出，最完美的结果是A足够大且B足够小，但实际实现中会发现两个指标是相反的（召回率越高准确率会越低）。需要通过规则来平衡这块部分。

“基本介绍”：基础结构

搜索系统主要的组成部分有几块：

切词逻辑词库基础信息加权规则排序展示逻辑

整体流程如下

名词解释：

query：是查询的意思，这里指用户在搜索框输入的内容。切词：又叫分词，是按照词库/词典将一段文本进行切分以便机器识另外过程。词库：指用于切词的词库。加权：将检索结果集根据必然的维度、规则进行打分就叫做加权。索引：商品信息存储时需要建立索引，索引作为每个商品的标识便利在大数据量的情况下快速查找筛选。“基本介绍”：应用场景

搜索的应用一般有两种：全文检索和suggest。其中suggest的规则比全文检索要简单一些。办事上由于suggest一般支持模糊查询的情况，所以要考虑办事上是否要独立还是公用一套。

搜索系统的“工作履历”:流程解构切词/词库

切词，又叫分词。用于将用户输入的无结构化字符酿成机器可识另外词组。市面上有很多成熟的切词组件。切词逻辑有很多种，按照字符、概率等，电商和O2O一般使用字符串切词的方式处理。关于切词的方法最基础的有最大正相匹配、最大逆向匹配、双向匹配等，具体的内容可以百度查询。切词工具按照词库中的词典进行切分，一般开源的切词工具都有默认的词库和自定义词库两种情况。用户可通过添加自定义词库来完善增补。

这里面需要强调的是切词时候的过滤，尤其生鲜类非标品情况下特别需要注意。

单字词、助词之类的是否要过滤掉。如米、面、油等别号情况的处理，尤其是生鲜类。好比在北京叫油菜，在上海叫上海青，在重庆叫漂儿白检索结果集

按照切出的词语进行匹配，匹配到的商品信息集合为检索结果集。结果集需要做检索、过滤、标记三个步骤。

检索

检索项包孕但不限于：

商品名称商品标题、副标题商品描述商品参数、规格商品品牌（生鲜副食品类尤为重要，好比五得利面粉、鹏程五花肉）商品品类（一级类、二级类）别号关联商品促销类型

成熟的电商系统不但仅实现用户的基本商品检索，还会按照query进行意图分析来进行query转换。以生鲜电商举例，当用户搜索“猪肉”时，用户希望获得的不是含有猪肉词语的商品，而是猪肉的各个部位、猪肉级别等。这时应该转化为后臀尖、前臀尖、里脊，一级白条等词语进行检索，而不是匹配猪肉。意图分析主要有两个方面

行为模式分析用户画像分类

过滤

获取的结果集需要经过去重、过滤的处理。此部分行为可以在加权打分后进行处理，也可以摆设在初选结果后处理。

同一个商品被多个词语命中需要去重现实中的电商搜索可能会按照差别的场景构建所谓的“小搜索”，如根据类目、根据品类、根据定制化场景等。所以针对差别的搜索场景可能会有单独的过滤去重条件，也可以在构建数据的时候使用差别的库进行处理。O2O场景需要根据必然区域概念（城市、商圈等）进行过滤售罄商品需要过滤下线商品需要过滤

标记

在检索完成后需要对数据进行标记，以便后续做加权时使用。此步也可以在做加权处理的时候同步进行。

加权

加权的目的是为了按照模型确定结果集各个商品的排序优先级。加权的维度有很多，按照差别的场景考虑也会有所区别。

加权因子主要分为几个维度：

相关度商业化因素个性化因素报答因素数据模型统计