A9算法的流量数理推导及应用
本节叙述的流量是我们上架的 listing 能够获得的流量，，，，，，，，在叙述这个逻辑系统前，，，，，，，，先要纠正一下一个运营误区:绝对的“流量第一”要害字优化导向 。。 。。 。。。。例这样多第三方收费软件提供的单日流量数据表，，，，，，，，纵然许多运营没有这样的编程水平可是财大气粗的跨境电商公司们可以花上成千上万美元向那些第三方信息公司购置，，，，，，，，没钱折腾的“小卖”们也会拼了老命在Google Trends 或者其他 keyword数据剖析平台上比照各个词组做出自己的一份搜索热度排序表(由于在大大都情形下购物习惯或者搜索习惯是险些不会改变的 )，，，，，，，，可是这样就会有奇效了吗?谜底是并没有什么作用 。。 。。 。。。。
虽然，，，，，，，，从“流量第一”出发对要害字举行优化简直可以增添产品的搜索曝光率和流量增添率，，，，，，，，可是需要注重的是，，，，，，，，我们提到的是搜索曝光率和流量增添率而不是曝光量和流量，，，，，，，，它们各自的关系如下:
我们listing能获得的总流量(Y)即是曝光量(X)乘以点击率(C)即Y=X×C点击率由于与产品主图有关以是可以暂且以为该值为定值;
其中曝光量(X)即是要害字总搜索量(F)乘以搜索曝光率[ P(X)]，，，，，，，，即X=F×P(X)，，，，，，，，其中搜索曝光率[ P(X)]与该要害字搜索后显示的商品总数目(N)成反比，，，，，，，，即P(X)o 1/N，，，，，，，，或者可以记为P(X)=b/N，，，，，，，，其中为参数;
以上推导的都是总量数据而非单日数据，，，，，，，，以是假设单日流量为 yi(1≤i≤n)，，，，，，，，单日曝光量为xi(1≤i≤n)，，，，，，，，单日要害字搜索量为fi(1≤i≤n)单日能搜索到商品的总数目为ni(1≤i≤n），，，，，，，，以是上述公式可以整合为连等式 。。 。。 。。。。
从上述推导可以发明，，，，，，，，纯粹从流量出发基本属于做“无用功”，，，，，，，，由于这么做同时增大了分母ni(1≤i≤n)与分子fi(1≤i≤n)，，，，，，，，同时随着分ni(1≤i≤n）的增大，，，，，，，，搜索效果页面的页数也会急剧增添 。。 。。 。。。。
以“sexylingerie”比“bodystocking”为例，，，，，，，，两者在亚马逊“Women”下的搜索效果划分为40000+与3000，，，，，，，，搜索页数划分为400与81凭证上述仿真数据,在首页流失率仅为 10%左右的情形下,一样平常40 页后就基本无流量爆发了更况且在现实网页数据中流量流失率高达50%~70%,以是一旦搜索效果数目增多会给自然流量的增添带来杀绝性的灾难 。。 。。 。。。。
怎样找到与自身产品匹配的要害字呢?这就需要在流量与搜索页面效果数目这两者中取得一个亚衡值 。。 。。 。。。。以数学推导的方法诠释 。。 。。 。。。。
我们已经获得了流量(y)，，，，，，，，曝光量(x)以及点击率(C)之间的数理关系，，，，，，，，其中单日流量为yi(1≤i≤n)，，，，，，，，单日曝光量为xi(1≤i≤n)，，，，，，，，单日要害字搜索量为fi(1≤i≤n),单日能搜索到的商品的总数目为ni(1≤i≤n） 。。 。。 。。。。
思量到搜索曝光率[P(X)1]与该要害字搜索后显示的商品总数目(N)成反比即P(X)o1/N 。。 。。 。。。。不过这一简朴的反比关系过于简朴且不严谨，，，，，，，，以是这里需要引入流量流失率(L)这一数值，，，，，，，，其体现流量由于页数增多而爆发的流量镌汰 。。 。。 。。。。
例如，，，，，，，，当第1页流量为 10000，，，，，，，，第2 页流量为 4000 时，，，，，，，，流量损失率为 0.6，，，，，，，，流量的留存率则为 0.4 。。 。。 。。。。同时 ，，，，，，，，设置搜索效果的页数为P，，，，，，，，其详细数值会由于商品总数目(N)的转变而转变，，，，，，，，关系为P=N/48,48 这一数值的泉源是亚马逊搜索的首页展示数目，，，，，，，，在差别类目下其数值可能差别 。。 。。 。。。。
因此，，，，，，，，单日搜索页数pi(1≤i≤n)与单日能搜索到的商品总数目ni(1≤i≤n）之间的关系为pi(1≤i≤n))=ni(1≤i≤n)/48 。。 。。 。。。。
其中第k页(p=k)的流量，，，，，，，，转换成单日数据体现 。。 。。 。。。。
同时，，，，，，，，我们需要把搜索曝光率的盘算稍加刷新，，，，，，，，使其与 listing 所在页面的产品数目成反比(由于页面展示的产品越多，，，，，，，，用户点击某一产品的概率就越低)，，，，，，，，即在第页时，，，，，，，，搜索曝光率:
单日流量为yi(1≤i≤n)，，，，，，，，单日曝光量为xi(1≤i≤n)，，，，，，，，单日要害字搜索量为fi(1≤i≤n)，，，，，，，，单日能搜索到的商品的总数目为ni(1≤i≤n) 。。 。。 。。。。公式能资助我们明确哪些要素影响了单个 listing 的流量波动 。。 。。 。。。。
举例而言，，，，，，，，假定现在已知某个要害字单日的搜索次数为 200000次，，，，，，，，且单日通过该要害字搜索到的商品总数目为 500，，，，，，，，那么ni(1≤i≤n）这时间就即是 500 。。 。。 。。。。假设此时人生就是博·(中国)尊龙AG旗舰厅商品刚刚上架，，，，，，，，排在这 500 个商品中曝光页数的最后一页，，，，，，，，那么人生就是博·(中国)尊龙AG旗舰厅商品就会在第 11页(用pi(1≤i≤n)=pi(1≤i≤n)/48来盘算数，，，，，，，，同时向上取整数) 。。 。。 。。。。假定每页的流量流失率相同且为 60%，，，，，，，，那么这时(0.4^11)×2000008≈4,这意味着在这种情形下人生就是博·(中国)尊龙AG旗舰厅商品最多可以获得约8个流量(现实上这里预估的值高于现实值，，，，，，，，这是由于 listing 的曝光点击率不可能是100%，，，，，，，，以是8 次有用曝光或者有用搜索很难转化为 8 个有用流量 。。 。。 。。。。可是当需要判断某个类目或者某些要害字组合的流量巨细时，，，，，，，，就需要用新的要领对亚马逊平台页面举行流量测试 。。 。。 。。。。
假设想要判断“dress”这一要害字搜索页面的单日流量，，，，，，，，首先需要在搜索擎中输入“dress”举行搜索 。。 。。 。。。。
我们可以看到搜索效果很是多，，，，，，，，“dress”这一类目作为亚马逊打扮的大类目其单日搜索量很是大，，，，，，，，假设单日“dress”的流量有Fi，，，，，，，，那么n天时间内搜素“dress的总流量 。。 。。 。。。。
同时，，，，，，，，由于每个搜索页面的流量保存流失效应，，，，，，，，以是这里也需要用到上文提到的流量流失率(L)这一数值，，，，，，，，其寄义为流量会由于页数增多而镌汰 。。 。。 。。。。
正如上文所述，，，，，，，，当第1页流量为 10 000第2页流量为 4000 时，，，，，，，，流量损失率为0.6，，，，，，，，流量的留存率则为0.4 。。 。。 。。。。那么n天时间内搜索“dress”且在前2页内点击进入listing举行浏览的总流量 。。 。。 。。。。
再设这些流量的平均转化率为Pi，，，，，，，，订单 review 平均转化率为P，，，，，，，，那么n天时间内“dress”搜索效果的前2页所有 listing一共增添的 review数目 。。 。。 。。。。
由此可以获得一个结论:我们能够凭证“dress”搜索效果下前2页所有 listing的review数目波动，，，，，，，，倒推出了“dress”的单日搜索量 。。 。。 。。。。可是这个推导逻辑还保存一定的逻辑误差，，，，，，，，虽然我们可以统计“dress”搜索效果下前2页所有 listing在一段时间内review增添的数目，，，，，，，，可是其review增添并不所有依赖于“dress”的搜索流量，，，，，，，，而是由所有能够搜索到这2页产品的各自要害字组合所拥有的所有搜索量 。。 。。 。。。。
假设一共有x个要害字组合即 keyword 组合，，，，，，，，每种组合的流量会在n天时间内给“dress”搜索效果下前2页产品带来N个review，，，，，，，，其中搜索“dress”自己带来的review数目为N-d那么在n天时间内“dress”搜索效果下前2页所有 listing的review的增添量 。。 。。 。。。。
由上述推理可知，，，，，，，，只要能够获得所有能搜索到“dress”这个要害字搜索效果下泛起的前2页产品的要害字组合(keyword 组合)就能够凭证review的增添数目推断出这些组合的总搜索量 。。 。。 。。。。
可是若是真的去一个个查找“dress”的种种要害字组合是一定办不到的那么是否就无法判断某一要害字或者 keyword 在亚马逊平台上搜索量的巨细呢?并不是(在7.3 节会详细叙述亚马A9 算法对产品的排名逻辑 。。 。。 。。。。在亚马平台上，，，，，，，，每一个要害字组合其搜索效果是差别的，，，，，，，，流量越大的要害字，，，，，，，，其差别组合下的产品排名差别就越大 。。 。。 。。。。因此，，，，，，，，关于大流量，，，，，，，，属性小幅度重叠或者不重叠的要害字就可以直接凭证 review增添数目的差别来判断差别要害字组合的流量巨细 。。 。。 。。。。
假设需要比照“casual dress”与“dress”两个要害字在亚马逊平台上搜索量的差别，，，，，，，，可以划分搜索这两个要害字 。。 。。 。。。。
由于流量流失率(L)的保存，，，，，，，，且该数值一定大于 50%，，，，，，，，凭证“二八定律”原则只统计“casualdress”与“dress”下前2页产品的review 数值无论是通过手艺手段@照旧人工盘算手段，，，，，，，，我们可以得知于2018年9月2日casualdress”前2页产品的review数值为33864(不包括广告产品首页review数目为20126,第2页review数目为13738)“dress”前2页产品的review数值为48613(不包括广告产品首页review数目为28039,第2页review数目为20574)且于2018年9月3日“casual dress”前2页产品的review数值为33979(不包括广告产品首页review数目为20217,第2页review数目为13762),“dress”前2页产品的review数值为 48813(不包括广告产品首页 review 数目为 28169，，，，，，，，第2页 review 数目为20 644) 。。 。。 。。。。
由此可得，，，，，，，，“dress”下前2页的产品于24小时内 review增添了200个“casualdress”下前2页的产品于24小时内 review 增添了 115 个，，，，，，，，其比值为 1.74:1 。。 。。 。。。。若是使用一些第三方的辅助软件，，，，，，，，可以获得数据:(2018年3 月份某一天的数据) 。。 。。 。。。。
以“dress”为直接搜索工具的搜索次数为197878次，，，，，，，，以“casualdress”为直接搜索工具的搜索次数为 111958次，，，，，，，，其比值为 1.76:1与review增添的比值很是靠近 。。 。。 。。。。
但需要注重的是，，，，，，，，统计 review 时不要直接统计前几页的review 数目，，，，，，，，由于亚马逊会实时改变排列组合,以是人工统计时需要第一次统计完后把前几页的listing链接纪录下来，，，，，，，，第二次统计时点开链接盘算 review 数目，，，，，，，，不然统计出来的 review数值会有严重误差，，，，，，，，在使用该要领举行类目流量展望时，，，，，，，，还需要注重以下两点:
(1)测试类目不可有过多属性重叠 。。 。。 。。。。若是测试的两个要害字组合或者 keyword组合有多个属性重合，，，，，，，，例如“casualsummer maxidress”与“casualpartymaxidress这两个词就用多个属性重叠，，，，，，，，那么此时 review 增添数目的比值并不可体现这些合搜索量的大� 。。 。。 。。。。�，，，，，，，由于重叠属性造成了产品曝光的重叠，，，，，，，，会给流量展望造成较大的误差 。。 。。 。。。。
(2)根属性差别的类目无法举行流量比照 。。 。。 。。。。这是由于通过 review 变换还展望流量的条件是 review 的留评率坚持一致，，，，，，，，可是一旦根属性爆发转变，，，，，，，，该条件就不再建设 。。 。。 。。。。例如不可将鞋子要害字组合与裙子要害字组合的搜索效果为参照举行流量比照，，，，，，，，由于鞋子类目的 review 留评率与裙子类目的review 留评率有较大的差别:可是T恤类目和上衣类目就可以做流量比照，，，，，，，，由于其两者的 review留评率趋于一致 。。 。。 。。。。
因此，，，，，，，，统计差别要害字或者 keyword 组合搜索效果下前几页 review增添的比值，，，，，，，，就可以得出差别要害字在亚马逊平台搜索量的相对巨细值 。。 。。 。。。。当想要相识某一个类目与现在从事的类目之间流量的差别时，，，，，，，，可以通过该要领去预估其他类目的流量从而评判其市场巨细 。。 。。 。。。。