小语种关键词工具返回的那个零是数据缺口，不是需求缺口，数得自己补出来

摘要：关键词工具在小语种上给出的零，多数时候不是这个词没人搜，而是它手里的样本不够多，或者这门语言的词形把同一个需求摊成了几十份。把零当成结论，等于把一整个市场判了死刑，而判决书是工具的采样精度写的。

工具在小语种里返回零，到底意味着什么？

零、无数据、低于阈值是三件事

查一个词，工具返回零，界面上看着是同一个结果。

但背后可能有三种完全不同的情况。

第一种是这个词确实没人搜，真的是零。

第二种是工具在这个语种上没有数据源，它压根没得可算。

第三种是有数据但低于展示阈值，被四舍五入成了零。

三种情况对应三种决策：放弃、换方法、直接做。

分辨它们有个简单的办法，拿同一个语种里明确有大量搜索的通用词去查，比如当地话里的天气或者新闻。如果连这种词都返回零或者数据明显失真，说明是第二种情况，问题在工具不在市场。这个测试三分钟就能做完，却能省掉后面几个月的错误判断。

把这三种情况写进团队的判断口径里很有必要，否则每次讨论都会有人拿零当证据，而另一些人凭直觉反对，双方争的其实是同一个数字的不同解释。

工具手里的数据是从哪儿来的

大部分关键词工具的数据来自三个源头。

一是广告平台公开的规划数据，二是自建的点击流采样，三是各种第三方数据的拼接。

广告平台的数据覆盖最广，但它按广告主的投放需求组织，冷门语种的颗粒度很粗。

点击流采样依赖装了插件的用户样本，样本在小市场里可能只有几千人。

几千人的样本推算一个千万人口市场的搜索量，误差大到没法用。

第三方拼接的数据则往往是同一批源头换了个包装。

这三个源头有个共同点，它们都是围绕英语和几个大语种设计的。到了小语种上不是不能跑，而是每个环节的精度都在下降，几层误差叠起来，输出的那个数字已经跟真实需求没多大关系了。工具本身没错，是我们用超出它设计范围的方式在用它。

挑工具时可以直接问客服一个问题：你们在这个语种上的数据主要来自哪个源头。答得含糊的，基本可以判断它是拼接来的二手数据。

语种越小，采样越稀

这里有个很直观的比例关系。

母语人口两亿的语种，采样样本可能是几十万人。

母语人口五百万的语种，同样比例下只剩下几千人。

而长尾词本身的搜索频次又极低，一个月可能只有几百次。

几千人的样本去捕捉几百次的行为，命中概率接近于零。

于是这个词在工具里就变成了零，尽管它每个月实实在在有几百次搜索。

这个机制解释了一个常见现象：小语种市场里越是具体、越是接近成交的词，在工具里越查不到，而越宽泛、越没有商业价值的词反而有数。这恰好跟你想要的顺序相反，也是很多团队在小语种市场里做完关键词研究后觉得这个市场没需求的直接原因。

这个采样机制还带来一个副作用，同一个词隔几个月再查，数字可能大幅波动，那多半不是需求变了，是样本里恰好多了或少了几个人。

样本稀疏还有个连带后果，工具给出的竞争度和出价区间在小语种上同样不可靠，那两列数字的采样基础跟搜索量是同一份。

为什么这几门语言天生就不好统计？

一个词能摊成几十个形态

屈折语和黏着语里，同一个词根会随着语法角色变形。

芬兰语的名词有十五个格，波兰语有七个，土耳其语则是后缀一层层往上接。

用户搜索时用的是句子里的自然形态，不是词典形态。

工具如果不做词形归并，一个需求就被拆成了几十行数据。

每一行的量都不大，看起来都像可以忽略的长尾。

加起来才是这个需求的真实规模。

这也是为什么在这些语言里，判断一个词值不值得做，不能只看单个形态的数字，必须先把词形归到一起再算总量。芬兰语十五个格加上词干本身也会变那篇讲的就是归并这一步为什么在有些语言里格外难做。

黏着语的情况更极端，后缀可以层层叠加，理论上的形态数量是组合爆炸的，土耳其语一个词接五个后缀那篇里算过这笔账。

变音符号的两套写法各算各的

带记号的字母在搜索框里经常被省略。

捷克语、罗马尼亚语、越南语的用户在手机上打字尤其如此。

于是同一个词有带记号和不带记号两种形态在跑。

工具按字符串统计，两种形态是两行数据。

有些工具会做折叠，有些不会，你很难知道它做没做。

不做折叠时数据被拆散，做了折叠时你又看不到分布。

验证办法是找一个明确常用的带记号词，把两种形态分别查一遍，看返回的数字是不是完全相同。完全相同说明工具做了折叠，两个数字加起来才是总量；数字不同说明它按字符串分开统计，你得自己把两边加起来。这个测试每换一个工具就该重做一次。

元音和谐这类规则还会让同一个后缀有好几种拼法，匈牙利语的十八个格与元音和谐那篇里的形态表可以直接当作检查清单来用。

不用空格的语言，切法不一致

泰语、日语这类语言的文本里没有词间空格。

切词全靠算法，不同算法切出来的边界并不一样。

工具的统计口径取决于它用的是哪套切词方案。

同一个短语在两个工具里可能被切成不同的单位。

数字对不上的时候，多半不是谁错了，是切法不同。

这种情况下跨工具比较数字是没有意义的。

能做的是把同一份词表在同一个工具里跑完，只做内部排序，不跟其他来源的绝对值对比。泰语没有空格时搜索引擎怎么切词那篇里讲过判断切法的办法，同一套办法可以用来判断工具的口径。

还有一个现实的麻烦，切词口径不同会让同一份词表在两个工具里排出完全不同的顺序，这时候别去调和，选定一个工具从头到尾用完。

两套字母的市场，词表要乘二

塞尔维亚语这类双书写系统的市场，问题更直接。

同一个词有西里尔和拉丁两种完全不同的字符串。

它们在任何工具里都不可能被自动合并。

查一种形态得到的数只是这个需求的一部分。

如果只查了自己更熟悉的那套字母，漏掉的可能是大头。

做词表时必须两套都跑，最后再合并。

合并的时候要注意保留两边的原始数字，而不是只留一个总和。两套字母的使用者在设备、年龄、场景上都有差异，后面做落地页和广告投放时，这个分布是有用的信息，合并成一个数就丢了。

两套字母的词表还要考虑一件事：同一个用户在两套字母之间切换的比例。西里尔和拉丁两套字母同时存在时怎么办那篇给了判断这个比例的办法。

第一条路是把站内已有的数据当种子

站内搜索日志里全是原始写法

站内搜索是最被低估的一份数据。

它记录的是用户在你自己的地盘上，用自己的语言打出来的原话。

没有经过任何工具的清洗、归并和四舍五入。

词形、拼错、变音符号的取舍，全都是真实分布。

哪怕站点流量不大，这份数据的质量也远高于工具的推算。

唯一的前提是站内搜索的日志得留着，而且能按语言市场拆开看。

拿到日志之后先做三件事：按频次排序、把明显的同一需求的不同形态归到一起、把无结果的查询单独拉一列。第三列是最有价值的，它是用户想要而你没有的东西，在关键词工具查不到数据的市场里，这一列几乎是唯一的真实需求信号。

导日志的时候记得连带导出结果数和点击位置，有没有点、点了第几条，能帮你判断这个查询到底满足了没有，光有查询词是不够的。

日志里还藏着一批复合查询，用户一次输入两三个概念，这类查询能直接告诉你哪些属性是他们真正在意的，做落地页时用得上。

搜索分析报告里的查询与展现

站长工具里的搜索分析报告是第二份免费的真实数据。

它给的是你的页面在搜索结果里被展现时对应的查询。

这份数据的覆盖面比站内搜索大得多，因为它包含了没点进来的那部分人。

关键是要按国家和语言过滤，只看目标市场的部分。

然后看展现量高但点击率低的查询，那些是有需求但你没接住的。

这批查询直接就是待做词表的候选，而且自带真实的量级信息。

用这份数据有个前提：站上得先有一些内容能被展现出来。所以在全新市场里它派不上用场，得先用另外两条路做出第一批页面，等有了展现数据再回头用它修正词表。这三条路的顺序不是并列的，实际执行时有先后依赖。

用这份数据还有个技巧，把时间维度拉开对比，某些查询的展现量在特定月份突然上升，那通常是季节性需求，值得单独排期做内容。

客服和销售那边的原话最容易被忽略

公司里还有一批语言数据，从来没进过关键词表。

客服工单里客户描述问题时用的词。

销售跟当地经销商沟通时对方用的说法。

本地代理写来的邮件里对产品的称呼。

这些都是母语者在真实场景下的自然表达。

它们的价值不在量，而在于能修正你对说法本身的判断。

保哥在一个园艺工具品牌的项目里干过一件很土的事，把当地客服半年的工单导出来，把里面出现的产品叫法统计了一遍，结果发现团队一直在用的那个品类词，客户几乎不用，他们用的是另一个更口语的说法，而那个说法在关键词工具里查出来是零。

把这类内部渠道的词收集起来之后，最好标明来源部门，因为客服看到的是用问题的人，销售看到的是准备下单的人，两拨人的用词偏好差别不小。

种子词怎么扩成一张能用的表

手里有了几十个真实种子词，下一步是扩展。

扩展的方向有三个：词形、修饰词、上下位概念。

词形扩展就是把这个词在这门语言里的常见变形都列出来。

修饰词扩展是加上价格、评价、哪里买、怎么用这类意图词。

上下位扩展是往品类上走一层、往具体型号下走一层。

三个方向做完，几十个种子能扩成几百到上千行。

扩展的时候要克制，别把所有组合都排列出来。机械排列产生的词表里绝大多数是不存在的组合，后面还得花更多时间清理。比较务实的做法是每个种子词只扩它最自然的那几种组合，宁可少一点，也别让词表里塞满自己造出来的词。

扩展词形的时候可以顺手把品牌名的各种写法也一并处理掉，品牌名在小语种里到底写成什么那篇里的变体表跟这里的词形表是同一套逻辑。

语料库能不能替代搜索量？

词频不是搜索量，但排序是可信的

语料库统计的是这个词在文本里出现的频率。

搜索量统计的是有多少人把它打进搜索框。

两者显然不是一回事，绝对值完全不能互换。

但在同一个语义场里，两者的排序高度相关。

如果甲词在语料库里的频率是乙词的五倍，搜索量通常也是一个量级的差距。

而做决策时你真正需要的往往就是排序，不是精确数字。

这个替代关系有个适用边界：它在日常用语和通用品类词上很准，在品牌词、新产品名、突发热点上完全不准。因为语料库的文本有滞后性，而搜索行为对新事物的反应几乎是即时的。判断某个词能不能用词频代替，先看它是不是一个已经稳定存在了几年的说法。

实际用下来，词频排序在品类词上的可靠度最高，在带修饰的长尾组合上会明显下降，因为组合出现在文本里的频次本来就低，样本噪音变大。

哪些语料库真的覆盖小语种

能用的资源比想象中多。

多语平行语料项目覆盖了上百种语言，数据量差别很大但都能查。

面向语言研究的语料检索平台支持的语种数量更可观，还带搭配分析功能。

大规模网页抓取项目的语言分布数据，可以用来判断某个语种的网页存量。

词干算法项目提供的算法列表，本身就是一份哪些语言有成熟处理工具的清单。

这几类资源多数免费，注册一下就能用。

挑语料库有个实用判据：先看它在你的目标语种上收了多少词次。低于一千万词次的语料，做通用词排序还行，做具体品类词就不够了。这个数字通常在项目的语种列表页上直接标着，花两分钟就能筛掉一半不合用的选项。

另外要看语料的构成，如果某个语种的语料主要来自法律文本或者新闻，那它对消费品类的词频判断会有系统性偏差，这一点在语料的说明页上通常写着。

语料库的更新频率也要看一眼，几年没更新的语料对新兴品类几乎没有参考价值，而这一点在项目页上往往不显眼。

用搭配词找出品类的真实说法

语料库最有用的功能其实不是词频，是搭配分析。

输入一个品类词，它会告诉你母语者习惯拿哪些词跟它连用。

这批搭配词就是最自然的修饰词，比自己翻译出来的可靠得多。

翻译出来的修饰词经常在语法上没错，但母语者从来不那么说。

搭配分析能直接把这类问题挡在词表之外。

顺带还能发现一批你完全没想到的说法。

这一步对小语种尤其重要，因为翻译腔的词表是这些市场里最常见的失败原因，当年逐词换出来的那批关键词之所以留下长期损失，根子就在于没人验证过母语者到底怎么说。

搭配分析的结果建议留档，因为它反映的是这门语言的稳定用法，几年内基本不变，下次做新品类时能直接复用一大半，不用重新跑。

搜索建议为什么比工具更接近真相？

建议列表来自真实输入

搜索建议的生成依据是用户实际打过的查询。

它不需要经过采样推算，也不需要凑够展示阈值。

只要有足够多的人打过，它就会出现在列表里。

对小语种来说，这个门槛比关键词工具的展示阈值低得多。

所以经常出现的情况是，工具里查不到的词，建议列表里赫然在列。

这本身就证明了那个零是数据缺口而不是需求缺口。

用建议列表还有一个附带收获，它反映的是当下的分布而不是过去几个月的平均。季节性品类在这一点上受益最大，园艺、节庆、开学季这类需求在建议列表里的变化能提前几周看到，而工具给的月均值要等到季节结束才反映出来。

不过建议列表也有它的偏差，它会放大已经流行的说法而压制新出现的说法，所以完全新的品类词在建议里可能迟迟不出现，这时候别急着判它没需求。

按字母逐层展开的采集方法

采集方法很机械，但有效。

拿种子词加一个空格，再依次加上这门语言字母表里的每个字母。

每加一个字母记录一次建议列表，得到的就是这个前缀下的高频后续。

拉丁字母表跑二十六轮，西里尔跑三十多轮，一次能收几百个真实查询。

再把疑问词、介词、价格词分别当前缀跑一遍，覆盖面还能翻倍。

整个过程可以手工做，也可以写个简单脚本。

做这件事要注意两点：把地区和语言设成目标市场，用无痕窗口避免个性化干扰。这两个设置不做的话，采到的建议列表混着你自己的历史行为，得到的是一份关于你自己的报告，而不是关于那个市场的报告。

采集的时候把结果按出现位置记下来，排第一的建议和排第八的建议在实际使用频率上差着数量级，位置信息是免费的量级参考。

相关搜索与结果页上的问题模块

结果页底部的相关搜索是第二个来源。

它给的是同一批用户还搜过什么，属于横向扩展。

结果页中间的问题模块则给出这个主题下的高频疑问句。

疑问句形态的词在小语种里几乎不可能在工具里查到数据。

但它们的意图极其明确，做成内容的转化路径很短。

两个来源各采一轮，词表的意图覆盖会完整很多。

这两个模块还有一个用法是判断意图的分布。如果某个品类词的相关搜索里全是价格和对比，说明这个市场处在比价阶段；如果全是怎么用和是什么，说明还在认知阶段。这个判断会直接影响内容的类型选择，而它不需要任何搜索量数据就能做出来。

问题模块采到的疑问句还有一个用法，直接拿它当内容里的小标题，既对得上真实提问方式，也省掉了自己编标题时那份翻译腔。

相关搜索还能反映竞品的存在感，如果某个品类词的相关搜索里反复出现同一个品牌，那说明这个市场的认知已经被它占住了。

三份清单怎么合并成一张能用的词表？

先对齐写法，再合并

三条路拿到的词，写法上很可能不统一。

站内日志里是用户的原始形态，带着各种拼错和省略。

语料库里是规范书面形态，变音符号一个不少。

搜索建议里则是介于两者之间的实际输入形态。

直接合并会得到大量看起来不同实际同一个需求的行。

所以第一步是定一个规范形态，把所有来源都映射过去。

映射规则要写下来存档，别只存在做这件事的人脑子里。半年后新词进来时，得用同一套规则处理，否则新旧两批词的口径不一致，词表会慢慢变成一笔糊涂账。规则本身不复杂，通常就是变音符号怎么处理、大小写怎么统一、词形归到哪一个形态这三条。

对齐写法时有一个容易漏掉的环节，就是数字和单位的写法，不同语言里小数点、千分位、单位缩写的习惯都不一样，这批词最容易被当成不同的需求。

用相对权重代替绝对搜索量

三份数据的量纲完全不同，没法直接相加。

站内日志是次数，语料库是频率，建议列表连数字都没有。

解决办法是各自转成排名，再合成一个相对权重。

比如每份清单内部按名次给分，前十名十分，十一到五十名五分，其余一分。

三份分数相加，得到一个粗糙但可用的优先级。

这个分数不是搜索量，也别对外称它是搜索量。

它的用途只有一个，就是决定先做哪些词。做决策需要的是顺序，不是数值，把这一点想清楚，缺少绝对搜索量这件事就没那么可怕了。把关键词研究升级成搜索需求建模那篇讲的也是同一个转变，从要一个数变成要一个排序。

相对权重还有一个好处，它天然是可比的，不同语种之间虽然搜索量不能直接比，但各自内部的排序可以横向对照，看出品类结构的差异。

三份都出现的词优先做

合并之后有一个很好用的信号：交叉出现。

一个词如果在三份清单里都出现了，它几乎肯定是真实需求。

三份数据的来源和偏差方向完全不同，同时出错的概率极低。

只在一份里出现的词则需要警惕，可能是这份数据源特有的噪音。

比如只在语料库里出现的词，可能是书面语里常见但没人搜的说法。

只在站内日志里出现的词，可能是你自己的用户群特有的叫法。

实际操作时可以定一条很简单的规则：三份都有的进第一批，两份有的进第二批，一份有的先放着等验证。第一批的词量通常不多，但它们的确定性最高，先把这批做完，市场会给你更多数据来判断后面两批。

反过来也要留意，三份数据都覆盖不到的领域会出现集体盲区，比如很新的产品概念，这时候交叉验证不但没用，还会让你系统性地低估它。

给每个词标一个置信度

词表交付时最好带一列置信度。

标注依据就是它在几份数据里出现过、来源分别是什么。

高置信度的词可以直接立项做页面。

中等置信度的词先写进已有页面的正文，观察表现。

低置信度的词只留在表里，不投入任何资源。

这样一张表既能指导执行，又能记录不确定性。

带置信度的词表还有个管理上的好处，它让后续的复盘变得可能。三个月后回头看，高置信度的词有没有兑现、低置信度的词有没有冒头，这些反馈能直接用来调整下一轮的判断标准，方法本身会越用越准。

置信度这一列在跟外部供应商合作时特别有用，把低置信度的词单独列出来，明确说明这批词是待验证的，能避免对方按同样的标准报价和交付。

置信度的档位不要分太细，三档就够，分成五档六档之后，判断本身的误差已经大于档位之间的差距，反而制造出虚假的精确感。

怎么验证这些估算不是自己骗自己？

拿一批已知量的词当刻度

校准的思路是找一组两边都有数据的词。

在目标语种里挑二三十个工具确实有数据的常见词。

用你那套土办法给这些词也算一个相对权重。

然后看两列数字的排序是不是大致吻合。

吻合度高，说明这套方法在这个语种上靠谱。

吻合度差，说明某一条数据源有系统性偏差，得回头查。

这个校准做一次就够，但一定要做。它花的时间不超过两小时，换来的是对整套估算的信心，而没有这份信心的话，后面每一次立项讨论都会重新回到这个数准不准的争论上，那个消耗比两小时大得多。

校准时如果发现某一条数据源整体偏离，别急着丢掉它，先看是不是可以加一个修正系数，多数情况下偏差是系统性的，修正之后仍然可用。

上线一组页面做小规模实测

最直接的验证是真做几个页面出来。

挑五到十个高置信度的词，各做一个页面。

不追求完美，能上线、能被抓到、能进索引就行。

四到八周后看展现量，跟当初的估算排序对比。

排序基本对得上，整张词表就可以放心执行。

对不上的地方，往往能看出方法在哪一类词上会失准。

选实验词有个讲究，要覆盖不同的意图类型和不同的置信度档位，别全挑最有把握的那几个。全挑有把握的等于没验证，实验的价值在于暴露方法的边界，而边界只在不确定的地方才看得见。

实验页面还要控制一个变量，就是别在同一时间对站点做其他大改动，否则展现量的变化说不清是词选对了还是别的因素在起作用。

三个月后的回归检查

第三步是把这件事变成常态。

页面上线三个月后，站长工具里已经积累了真实的查询数据。

这时候拿真实查询回头修正当初的词表。

会看到三类结果：估准的、估高的、完全没想到的。

第三类最有价值，它是市场自己给出的新种子词。

把它们喂回第一条路，整个循环就闭上了。

这个循环建议按季度跑，跑三轮之后你对这个语种的判断会比任何工具都准。到那时词表已经不再依赖外部数据源，而是建立在自己站点的真实反馈上，这是小语种市场里唯一可靠的护城河。

回归检查时建议把当初的估算和实际结果放在一张表里存档，几轮下来这张表本身就成了这个市场的知识资产，比任何外部报告都值钱。

广告数据能不能拿来补？

小预算跑一轮广撒的曝光

付费搜索有个副作用是很好的数据来源。

用宽泛匹配把整张候选词表投出去，预算给到最低。

跑两三周，看搜索词报告里实际触发了哪些查询。

这份报告是真实查询，不是推算，也不受展示阈值限制。

它还会带出一批你完全没想到的说法。

花几百块钱买到的这份数据，质量高于任何免费方法。

要注意的是投放设置得放宽，匹配方式、地域、时段都别限制太死，目的不是转化而是采集。这跟正常投放的思路正好相反，所以最好单独开一个广告系列，别跟正在跑效果的系列混在一起，否则两个目标会互相干扰。

广撒采集还有一个隐藏价值，它能顺带测出这个市场的竞争密度，哪些词有大量广告主在抢、哪些词几乎没人投，这个信息在自然搜索的排期上同样有用。

跑广撒的时候记得把否定词表准备好，不然大量无关流量会稀释掉真正有用的那部分查询，采集效率会低很多。

曝光量跟自然搜索量的换算关系

广告的曝光量不等于搜索量，但存在稳定的比例。

这个比例取决于你的出价、质量得分和竞争密度。

做法是在同一个账户里，拿几个已知搜索量的词做参照。

算出它们的曝光量与搜索量之比，得到一个粗略系数。

再用这个系数去推算那些没有数据的词。

误差不小，但比零这个答案有用得多。

用这个系数时要限定在同一个语种、同一个品类、同一段时间内，跨语种套用会错得离谱，因为竞争密度差异极大。系数本身也要定期重算，广告市场的竞争状况变了，比例关系跟着变。

换算系数算出来之后，建议标注它对应的出价档位，因为出价一变比例就变，把系数和出价绑在一起记，下次复用时才不会张冠李戴。

什么时候不值得花这笔钱

广撒采集不是所有情况都划算。

如果这个语种在广告平台上本身就没什么广告主，触发量会低到没有统计意义。

如果品类的单次点击成本很高，即使限制预算也可能烧得很快。

如果这个市场的主流搜索引擎不是你要投的这个，采到的样本代表性存疑。

三种情况下，还是回到前面三条免费的路更实际。

判断只需要一步，先小额跑三天看触发量够不够。

还有一种情况值得单独说，就是团队里没人能读懂搜索词报告里那些查询的意思。采回来一堆看不懂的词，等于没采。这时候要么先解决语言支持，要么把这笔预算留到有母语者能一起看报告的时候再花。

这一步也可以换个思路，如果广告平台在这个语种上确实没数据，那就把预算转到当地最大的电商平台做站内推广，那里的搜索词报告同样是真实查询。

这套方法在哪些语种会失效？

语料极稀的语种

方法的三条腿里，有两条依赖已有文本或已有流量。

如果目标语种的网页存量本身就极少，语料库那条路会直接断掉。

判断办法是看这个语种在大规模网页语言统计里的占比。

占比低于千分之一的语种，语料资源基本处于凑合能用的状态。

这时候能依靠的主要是搜索建议和广告采集。

它们不依赖文本存量，只依赖有没有人在搜。

这类语种还有一个替代思路，去看邻近的大语种。很多小语种市场的用户在找不到本地语言内容时会切换到邻国的大语种去搜，这部分需求在本地语种的数据里完全看不到，但它是真实存在的市场，做内容时可以同时覆盖两种语言。

判断某个语种的网页存量还有个更粗的办法，用当地语言搜几个通用品类词，看结果页有多少是本地语言的原创内容，占比低说明内容供给不足，也意味着机会。

口语和方言主导的市场

有些市场的书面标准语和日常口语差得很远。

阿拉伯语世界是典型，各地方言与标准语在词汇上分歧很大。

语料库收的多半是标准语，而用户搜的是方言说法。

这种错位会让语料库那条路给出完全误导的排序。

补救办法是把社交平台和论坛的文本单独当一份来源。

那里的语言更接近人们真正在打的字。

这类市场里搜索建议的权重要调到最高，因为它是唯一一个天然记录口语形态的来源。标准阿拉伯语和方言之间怎么选词那篇里的分层办法，可以直接搬到任何存在双层语体的市场。

双层语体的市场还要注意书面语和口语的比例会随品类变化，专业和高价品类偏书面语，日用和快消偏口语，同一个市场里两种倾向可能同时存在。

口语主导的市场里还要留意书写的随意性，同一个口语词可能有好几种拼法在流通，收词时得把这些拼法都当成同一个需求处理。

搜索份额不在同一个引擎上的市场

方法里有几步默认了用户在某一个搜索引擎上搜。

但有些市场的份额分布完全不同。

在那些市场里，采到的建议列表和广告数据只覆盖了一部分用户。

正确做法是在当地份额最高的引擎上重跑一遍采集。

不同引擎的建议算法不同，采出来的词也会有差异。

这部分属于引擎层的功课，跟语言层是两件事。

本篇讲的是语言本身带来的统计难题，至于某个引擎的关键词工具怎么用、它的数据口径跟别家差在哪儿，站内的多引擎系列里有专门的篇目，这里就不重复了。两边的方法可以叠加使用，互相之间没有冲突。

跨引擎采集时可以做一次对比，看两个引擎的建议列表重合度有多高，重合度低说明用户群体差异明显，那两套词表就不能合并使用。

一份可以照抄的两周执行表

第一周：三条路各自出一份清单

第一天到第二天，导出站内搜索日志和站长工具的查询数据。

第三天，把无结果查询和高展现低点击的查询挑出来当种子。

第四天，在语料检索平台上跑种子词的词频和搭配。

第五天到第六天，做搜索建议的逐字母采集。

第七天，三份清单各自去重，整理成统一格式。

这一周的产出是三份原始清单，不做任何合并。

把合并推迟到第二周是有意的，因为三份清单在整理阶段最容易受先入为主的影响。先各自跑完再合并，能保住三个来源的独立性，而独立性正是后面交叉验证的前提。

第一周还有一件小事值得顺手做完，就是把这个语种的字母表、常见变音符号和词形规则整理成一页速查表，后面每一步都会用到它。

第二周：合并、验证与交付

第八天，定规范形态，把三份清单映射到同一套写法上。

第九天，做相对权重计算和交叉出现标注。

第十天，拿已知量的词做一次刻度校准。

第十一天，给每个词标置信度，分成三批。

第十二天，挑五到十个词做实验页面的选题。

第十三、十四天，写交付文档，把方法和规则一起写进去。

交付文档里最重要的不是词表本身，而是那份写法规范和权重规则。词表会过期，规则不会。半年后换了人来做，有规则在，新一轮的产出跟这一轮就是可比的，没有规则的话又得从头吵一遍。

第二周的最后要留出半天做一次通读，把明显不像人话的词剔掉，这一步靠的是常识而不是数据，但它挡掉的往往是最尴尬的那批错误。

第二周如果时间紧，可以把刻度校准这一步往后放，但写法规范和交叉标注这两件事不能省，它们决定了这份词表能不能被第二个人接手。

谁来做，怎么验收

这套流程不需要资深的人全程投入。

数据导出和采集部分，实习生按文档就能完成。

需要经验的是两处：定规范形态和判断词的意图。

这两处各需要半天，最好由熟悉这个市场的人来做。

母语者的参与集中在最后的词表复核上，两三个小时足够。

整个两周的实际人力投入，大概是一个人周多一点。

验收标准建议定成三条：词表里每个词都能追溯到至少一个数据来源、写法规范文档存在且可执行、实验页面的选题已确定并排期。三条都满足就算交付完成，别把有没有搜索量数字当验收标准，那正是这套方法从一开始就放弃的东西。

交付之后建议约一个月后的回看会，那时候第一批实验页面已经有初步数据，团队对这套方法的信任度会在那次会上真正建立起来。

常见问题解答

关键词工具在小语种上完全不能用吗

不是不能用，是不能单独用。工具在小语种上仍然有三个不可替代的作用。第一是给出大盘的量级参照，虽然具体词的数字不准，但品类之间的相对规模通常还是对的，用来判断整个市场值不值得进是够用的。第二是提供词的形态变体建议，很多工具会列出它见过的拼写变体，这份清单对于变音符号和词形处理很有参考价值。第三是竞争度和出价数据，这两项来自广告侧，跟自然搜索量的采样问题不完全是一回事，可靠度相对高一些。真正不能用的是把某个具体词的搜索量数字当作决策依据，尤其是当那个数字是零的时候。正确的用法是把工具当作三条土办法之外的第四份数据，跟其他三份放在一起做交叉验证，而不是让它一票否决。还有一点要提醒，不同工具在同一个小语种上的数据可能差好几倍，如果条件允许，多查一两个工具，看它们之间的分歧有多大，分歧大本身就说明这个语种的数据不可信。还有一个实用习惯，把每次查询的日期和工具版本记在词表旁边，工具的数据源会悄悄更换，隔半年拿到的数字对不上时，这行备注能省掉很多无谓的追查。

站内搜索日志量太小怎么办

量小的日志依然有用，只是用法要变。量大的时候你可以看分布、算占比、排优先级；量小的时候只能看有没有，也就是把它当成一份存在性证据而不是统计样本。具体做法是把所有出现过的查询都保留下来，哪怕只出现过一次，然后重点看那些用词跟你的预期不一致的条目。哪怕只有一条，只要它用的说法跟你词表里的不同，就值得追查。另一个思路是延长时间窗口，把一年甚至两年的日志合起来看，小站点的日志按季度看可能只有几十条，按年看就有几百条了。还有一个补充来源是竞品站的站内搜索，很多站的搜索结果页地址里带着查询词，而这些页面有时会被搜索引擎收录，用站点搜索的方式去查竞品域名下的搜索结果页，能捞到一批真实查询。最后，如果站点刚上线完全没有日志，那就跳过这条路，先用搜索建议和语料库做出第一版词表，等三个月后有了流量再回来补这一环。这三条路本来就不要求同时可用。另外提醒一句，日志导出要连同语言和地区字段一起导，多市场共用一个站点的时候，不分开看的话几个市场的用词会混成一团，反而误导判断。

没有母语者的情况下能做到什么程度

能做到七成，剩下三成会有系统性风险。可以做的部分包括：数据导出、逐字母采集、语料库查询、相对权重计算，这些都是机械操作，不需要语言能力。做不了的部分是判断一个词的意图和自然度。同一个词在这门语言里是正式用语还是口语、有没有歧义、母语者会不会那么说，这些没有母语者几乎无法判断，而判断错了会让整批内容看起来像机器翻译的。折中办法有三个。第一是用搭配分析代替语感，母语者常用的搭配会在语料库里显示出来，机器能算出这个。第二是拿搜索结果页当验证，把候选词搜一下，看排在前面的本地页面标题里是不是也用这个说法，如果排前面的都不用，那这个词很可能不自然。第三是找当地的自由译者做一次性的词表复核，几百个词的复核通常只要几个小时的费用，这笔钱在整个项目里占比极小却能挡住最大的风险。完全不做复核也不是不行，但要接受一定比例的词是废的，并且在第一轮实测数据回来之后及时清理。退一步讲，即使完全没有母语者参与，把词表里每个词的搜索结果页截图存档，也能让后来接手的人有据可查，判断错了至少能追溯到当初依据的是什么。

逐字母采集搜索建议会不会被限制

会，所以要控制节奏。手工做的时候基本不会触发任何限制，一个下午跑几百次查询在正常使用范围内。写脚本批量跑就要注意了，请求频率过高会被要求验证，严重的会临时封掉出口地址。控制方法有几条：把请求间隔拉到两秒以上、总量控制在每天几百次以内、不要并发。真正需要大规模采集时，正确的做法不是想办法绕过限制，而是重新审视需求，通常几百个真实建议已经足够做出一版词表，追求上万条的完整性对决策没有额外帮助。另外提醒一点，采集到的建议列表要标注采集日期，因为它反映的是当下的分布，几个月后再用就不准了。如果需要长期跟踪某个品类的建议变化，与其一次采很多，不如每月固定采一小批，形成时间序列，那份数据的价值比一次性的大批量采集高得多。还有一个替代方案是用当地大型电商平台的站内搜索建议，那里的建议同样来自真实输入，而且商业意图更强，限制也更宽松。采集脚本还要处理一个细节，建议列表里经常混着拼写纠正后的结果，那些不是用户实际打的字，收进词表前得先跟原始前缀比对一遍。

相对权重能不能拿去跟老板汇报

能，但要换一种表述方式。别说这个词的搜索量是多少，说这批词按需求强度排在前面。汇报的重点从数字转到排序和依据上，具体做法是给出三样东西：词表的优先级分档、每一档的判断依据、以及验证计划。老板真正关心的是钱该往哪儿投、什么时候能看到结果，这两个问题用排序和排期就能回答，不需要绝对数字。如果对方坚持要一个量级的数字，可以给一个带范围的估计，同时明确说明它的来源和误差，比如按已知词的比例推算，这批词的月搜索量大致在某个区间。给范围比给一个假装精确的数字诚实得多，也更经得起后面的检验。还有一个沟通技巧是把对比对象换掉，不要跟英语市场的搜索量比，那个比法会让任何小语种市场都显得不值得做，改成跟这个市场自己的其他品类比，或者跟竞品在这个市场的表现比，决策的语境才是对的。最后，如果公司内部对数据的要求确实很刚性，那就把广告采集那一步做上，它产出的是平台官方的真实查询数据，在汇报场景里的可信度最高。汇报时还有个小技巧，把这套方法的成本一并说清楚，两周一个人的投入换一个市场的词表，这个性价比本身就是支持立项的理由之一。

做出来的词表多久要更新一次

按季度更新是合理的节奏，但更新的内容分两层。第一层是增量更新，把这个季度站长工具里新出现的查询、站内搜索的新词、客服反馈的新说法加进来，这一层每季度做一次，工作量很小，半天就能完成。第二层是方法层面的复核，也就是重新跑一遍三条路的采集，检查各来源的可用性有没有变化，这一层一年做一次就够。有三种情况需要打破节奏立刻更新：上了新品类、市场上出现了新的竞争者或新的品类叫法、以及搜索引擎在这个市场的份额发生明显变化。前两种会带来新词，第三种会让采集来源的代表性失效。还有一个容易忽略的触发点是当地语言本身的变化，比如正字法改革或者某个外来词被正式收进词典，这类事件不常发生，但一发生就会改变一批词的规范写法。判断要不要立刻重跑的标准很简单：这次变化会不会改变词表里超过一成的条目，会就重跑，不会就等下个季度。更新词表时顺手做一次淘汰，把连续两个季度没有任何展现的词标灰，词表只增不减的话，两年后它会膨胀到没人愿意打开的程度。

这套方法能不能用在已经有数据的大语种上

可以，而且往往能挖出工具漏掉的那部分。大语种上工具的数据足够准，所以没人会去做这些额外的功课，但三条路里至少有两条在大语种上同样有效。站内搜索日志反映的是你自己用户的真实说法，这一点跟语种大小无关，任何市场都值得看。搜索建议的时效性优势在大语种上同样成立，尤其是季节性和突发性需求，工具的月均值总是滞后的。相对失效的是语料库那条路，因为大语种上有更精确的搜索量数据可用，用词频排序反而是退步。所以在大语种上的正确用法是把这套方法当作补充而不是替代，重点放在挖掘工具覆盖不到的长尾和新词上。有一个具体场景特别值得用，就是新品类刚出现的时候，那时候工具还没积累到数据，跟小语种的处境完全一样，这套方法能让你比竞争对手早几个月看到需求。反过来说，这也解释了为什么在小语种市场里练熟这套方法是有长期价值的，它的适用范围比想象中宽得多。把这套方法在大语种上练一遍还有个额外好处，那时候有准确数据可以对照，你能清楚地知道自己的估算偏差有多大，这份自知在小语种市场里非常值钱。

权威参考资料