越南泰国印尼被放进同一张东南亚预算表，语言这一层三家没有一处能共用

摘要：越南、泰国、印尼常被放进同一张东南亚预算表，因为客单价、货到付款比例、移动端占比这些数字确实长得像。但语言这一层，三家分属三个不同语系，任意两门之间的距离比欧洲任意两门语言都远。空格与语义单元的关系、要不要做词形归并、用户会不会用拉丁字母搜，三个国家给出的是三个互不相干的答案。

为什么东南亚这个预算单位在语言层立不住？

三门语言分属三个语系，比欧洲任意两门都远

越南语属南亚语系，泰语属壮侗语系，印尼语属南岛语系。

三个语系之间没有共同祖语，词根、语法结构、构词方式全无对应关系。

拿欧洲做参照会更直观：德语和波兰语听着差别巨大，两者仍同属印欧语系。

捷克语和斯洛伐克语能讨论内容复用，因为它们是同一语族的近亲。

越南语和泰语之间不存在这种关系，连基本词汇的同源对照都找不出几组。

所以任何以共享词根为前提的复用判据，在这三家身上都是空转。

地理上的相邻很容易被读成语言上的相近，这个误读代价不算小。三个国家的首都直线距离都在两千公里以内，签一份区域代理协议、办一场区域发布会都完全合理，唯独内容生产这条线，相邻两国之间可搬运的东西比中国和德国之间还少。

判断一批市场能不能共用内容，别看它们在地图上离多近，看它们的语言在谱系树上离多远，后者才是决定可搬运面的那个变量。

还有一个容易被忽略的连带影响：三门语言的搜索行为研究成果互不通用。在越南市场做出来的用户查询习惯结论，搬到泰国一条都不成立，这跟北欧三国之间至少能互相参考形成鲜明对比。所以三国的用户研究预算也得各算一份，不能靠一份区域报告打天下。

非语言字段的相似度到底骗了谁

三国的电商基础设施确实高度相似，这不是错觉。

货到付款比例都偏高，社交渠道带来的流量占比都远超欧美。

移动端占比都在八成以上，客单价带也落在相近的区间。

物流时效、退货习惯、大促节奏这些运营变量，跨国之间差异不大。

于是做区域预算的人会得出一个很自然的结论：这是一个市场。

这个结论在渠道、支付、客服排班上成立，在关键词表上完全不成立。

保哥接过一个做户外露营装备的客户，团队按东南亚统一立项，把三国内容排成同一条流水线，前两个月产出很漂亮，第三个月开始三国的收录曲线彻底分叉：印尼站正常爬升，越南站有一半标题被搜索结果页截得不成话，泰国站的商品页干脆搜不到自己的核心品类词。

相似度是分层的，越靠近钱的那几层越像，越靠近语言的那几层越不像，预算表却只有一个国家维度，这才是真正的问题所在。

近亲语言的三套框架为什么一套都用不上

站内已经沉淀了三套处理多市场的框架，各有适用前提。

两个市场跨国的用二选一判据，比如捷克语和斯洛伐克语那一对。

三个及以上市场的用资产分层，比如瑞典挪威丹麦三家。

两个市场同处一国的用分工模型，比如乌克兰语和俄语那一对。

这三套的共同前提是：语言之间存在一个非零的可复用面。

东南亚三国的这个面接近于零，所以框架不是选错了，是没有可选的东西。

可复用面为零并不意味着无从下手，只是提问方式要换。原来的问题是这些内容能共用多少，现在的问题变成这条生产线上的哪几道工序能共用——工序是流程层的东西，跟语言谱系无关，所以即便文本一个字都搬不动，方法、模板、口径、排期逻辑仍然可以整块共用。

把这三国当成第五种情形来记：零可复用面的多市场，复用判据全部作废，改用工序判据，后面会给一张十道工序的对照表。

还有一个判断方法很省事：拿三国的核心品类词摆在一起看字符长度和结构。可复用面存在的语言对，同一个概念的写法通常长度接近、结构类似；东南亚这三家摆出来是三串毫无相似之处的字符，长度还差着倍数，看一眼就知道复用这个方向不用再讨论了。

空格和语义单元的关系，三国给出三个答案？

越南语的空格数量多于语义单元数量

越南语用拉丁字母书写，词与词之间有空格，看着最像英语。

但那些空格切的是音节，不是词。

一个概念常常由两三个音节组成，写出来就是两三段被空格隔开的字符。

比如运动鞋写成三段，防晒霜、保温杯这类日用品词也大多是两到三段。

用空格数去估词数，会把词的数量高估两三倍。

这种高估会直接传染给关键词表的规模判断和标题长度的规划。

更实际的影响在标题截断上。搜索结果里给标题的展示宽度是按字符算的，越南语表达同一个概念要用掉的字符数明显多于印尼语，同一套标题模板套上去，越南站被截掉尾部的比例会高得多，而被截掉的那一段往往正是品牌名。

所以越南语这一路要做的第一件事不是选词，是先量清楚核心品类词的字符长度分布，再回头定标题模板的槽位顺序，把最不能丢的成分往前放。

泰语的空格数量几乎为零

泰语在句子内部基本不用空格，一句话是一整串连续字符。

空格只在句末或者短语群之间偶尔出现，它不承担切词功能。

切词由搜索引擎的词典和算法完成，切点不在写作者手上。

泰语的分词与词典切分那篇把这套机制讲透了，这里只取它对区域预算的影响。

影响是：泰语这一路必须先建立词边界的判断能力，才能开始选词。

这道前置工序在越南和印尼两路都不存在，工时是凭空多出来的。

词边界这件事还会往下游渗透。标题里插一个空格会改变引擎对边界的判断，商品名和属性词连写还是分写会得到不同的切分结果，同一个页面在不同分词器下能命中的查询集合并不一样，这些都得靠实测而不是靠语感来定。

把泰语这一路的排期往后放，不是因为它不重要，是因为它的第一道工序就要吃掉别人两路加起来的时间。

还有一处影响落在锚文本上。无空格语言里，锚文本的边界跟视觉上的词边界不一定重合，选多长一段做锚会直接改变引擎读到的关键词，这跟拉丁字母语言里画一个词做锚就完事的做法差别不小，越南和印尼两路都没有这道功课。

印尼语是三家里唯一正常的那一个

印尼语的空格数量基本等于语义单元数量。

一个词就是一段字符，词与词之间有空格，切分符合直觉。

纯拉丁字母书写，不带变音符号，也没有额外的组合字符。

关键词工具对它的支持度是三国里最好的，返回的数据也最像样。

如果只看语言层的门槛，印尼语可能是全部小语种里最低的几个之一。

这个低门槛是印尼这一路应该排在最前面的主要理由。

但正常也有代价。门槛低意味着竞争者进得也快，印尼市场的搜索结果页里，国际大平台和本地大平台的占位比另两国更满，语言层省下来的力气，最后多半要花在内容深度和外链上，这两样都比选词贵。

把印尼当成练手市场是个好主意，把它当成容易拿量的市场就危险了，两者差在竞争密度而不是语言难度。

关键词表的行数为什么会差出三倍

同一份品类清单翻成三种语言，产出的关键词行数完全不同。

印尼语最少，一个概念基本对应一到两个写法。

越南语中等，音节切分会带来分写与连写的变体。

泰语最多，词边界的不同判断会派生出好几种可能的查询串。

行数不同意味着建表工时、审校工时、监控成本全都不同。

按国家平均分配这三项预算，等于让最难的那一路系统性欠资源。

行数差异还会让第三方工具的数据可信度分化。词表行数越多、单行搜索量越低，工具返回零和无数据的比例就越高，工具返回零到底是数据缺口还是需求缺口那一篇讲的补数据办法，在泰语这一路的使用频率会明显高于另两路。

做区域预算时把关键词表的预期行数先估出来，用它当权重去分配工时，比按国家平摊靠谱得多。

行数差异还会传导到监控成本上。要盯的关键词行数差三倍，报表的行数、告警的阈值、异常排查的工时也跟着差三倍，如果三国用同一套监控配置，泰语这一路的告警会天天响，响到最后没人看，这比不设告警还糟。

构词法差异怎么决定要不要买词形工具？

越南语靠单音节组合，不做词形变化

越南语是孤立语，词本身不变形。

没有格变化，没有性数一致，动词也不按人称变位。

表达不同意思靠的是把单音节按顺序组合起来。

这对关键词研究是个好消息：一个词只有一种写法。

不需要像波兰语那样为七个格各准备一批变体页面。

省下来的力气应该转到声调符号的两套写法上，那才是越南语真正的分叉点。

带声调和不带声调是两拨搜索行为这件事，本质上是输入法成本造成的用户分层，跟词形变化完全是两码事。词形变化是语言规则带来的必然分叉，输入习惯带来的分叉则可以靠覆盖策略解决。

越南语这一路的词形工具需求为零，把这笔预算直接划到变体覆盖和标题长度治理上更有价值。

印尼语的前缀、后缀和环缀会把词形撑开

印尼语的构词法在三家里是最活跃的那一个。

一个词根可以带前缀、带后缀，也可以前后同时带，也就是环缀。

发送这个词根能派生出主动态、名词化、被动态、完成态好几种形态。

用户搜的可能是任意一种，页面上写的往往只有一种。

这是印尼语唯一一处需要认真处理的语言层工作。

处理方式是建立词根到形态的映射，而不是逐个形态铺页面。

好在这门语言的词干处理有成熟的开源实现，规则型的词干算法对它的效果相当不错，因为它的词缀规则比屈折语规整得多，属于少数几个能用算法解决大半问题的语种，这一点在印尼语和马来语能不能合并成一套那篇里也提到过。

所以三国里只有印尼这一路要为词形归并留预算，而且这笔预算数额不大，一次性建好能长期复用。

词缀这件事还有一个正面用途：它能帮你反推用户的搜索阶段。带完成态词缀的查询多半是已下单的用户在查物流，带名词化词缀的查询多半是在了解服务，带主动态词缀的才是有购买动作的。同一个词根的不同形态，恰好对应意图漏斗的不同位置，这是印尼语独有的一份免费信号。

泰语的连写不是词形变化，别混为一谈

泰语也是孤立语，词本身同样不变形。

它的复杂性全在书写和切分上，不在形态上。

连写造成的多种可能切法看起来像变体，实际不是。

词形变体是同一个词的不同形态，多种切法是同一串字符的不同解读。

前者要做的是归并，后者要做的是确认边界。

把泰语的切分问题当词形问题去处理，会买到一堆用不上的工具。

这两件事的检查顺序也不一样。词形归并可以在关键词表建好之后再做，边界确认必须在建表之前完成，否则表里的每一行都可能是个错误的字符串，后面所有基于这张表的判断都跟着错，返工成本比先做一遍高得多。

一句话记住三家的区别：印尼语要归并形态，越南语要覆盖输入变体，泰语要先划边界，三件事互不替代。

书写系统带来的技术工时，为什么差出六倍？

越南语的组合变音与规范化不一致

越南语用拉丁字母加变音符号书写，一个字母上可能叠两个记号。

同一个字符在编码上有两种表示：预组合的单一码位，或者基字母加组合记号。

两种表示肉眼完全一样，字节序列完全不同。

后台粘贴、接口传输、导入导出的环节里，两种形式经常混在一起。

结果是同一个词在数据库里有两种写法，去重去不掉，搜索匹配也对不上。

解法是在入库前做统一规范化，把所有文本收敛到同一种形式。

这道工序的位置很关键，它必须在关键词表入库和商品数据入库两个入口都设一遍，只在前台展示层做规范化是没用的，因为不一致的数据已经在库里了，后面的统计、去重、匹配全部基于脏数据在跑。

越南语的技术账里，规范化是最容易漏且返工最贵的一项，值得在立项时就写进技术方案。

规范化这件事还有一个隐蔽的表现形式：搜索表现报告里同一个查询词出现两行。看上去像是工具出错，实际是用户的两种输入法产出了两种字节序列，两行都是真实数据。发现这种情况说明你的规范化没做到入口层，得从表单和接口开始查。

泰文要同时处理分词和换行两套算法

泰文是独立书写系统，字符集跟拉丁字母毫无重叠。

它需要处理两件独立的事：词从哪里断开，行从哪里折。

词的断开归分词算法管，行的折断归换行算法管。

两者用的规则不一样，任何一边处理不当都会出可见的问题。

分词错了影响的是被搜到的能力，换行错了影响的是读得下去的能力。

移动端窄屏上换行问题格外明显，一个词被折成两半是常态。

字形集的体积也是泰语这一路要单独算的一笔账，泰文的字符集虽然不算大，但它的组合定位规则复杂，字体文件里要带的定位表比纯拉丁语言多不少，这笔首屏成本在字形集怎么拖垮首屏那篇里量过。

把三国的技术工时按四比六比一去排，越南四、泰国六、印尼一，这个比例是按上面这些具体工序估出来的，比按国家平摊准得多。

印尼语的零技术成本换来了什么

印尼语是纯基本拉丁字母，没有变音符号，没有组合字符。

编码、排序、换行、字体全部走英语那套默认配置就行。

技术SEO这一层几乎不需要为语言做任何额外工作。

省下来的时间应该花在内容深度和属性字典上。

因为印尼市场的竞争强度不允许只靠语言层的正确性取胜。

零成本是相对的，它只是把成本从技术层挪到了内容层。

这个挪动其实是有利的。技术层的成本是刚性的，做不完就是有bug；内容层的成本是弹性的，可以按优先级分批投入，还能在过程中不断校准方向。三国里印尼这一路的可控性最好，主要就来自这一点。

立项时把印尼排在最前面，还有一个附带好处：它能在语言层几乎不干扰的条件下，先把整条流水线的流程跑通一遍。

还有一件事印尼语这一路可以省掉：排序和索引导航。纯基本拉丁字母的字母表顺序跟默认排序完全一致，字母导航直接用就行，不像捷克语要处理双字母当一个字母排、也不像匈牙利语要处理多字母组合的顺序，这两处坑在印尼语里根本不存在。

用户会不会用英文搜，三国差多少？

印尼语的外来语已经本土化到分不出来

印尼语吸收外来词的能力很强，吸收之后也改得彻底。

运费、促销、折扣、免费这几个高频电商词都有本土化的说法。

其中有些是缩写形式的口语词，正式词典里未必收，用户天天在用。

同时印尼用户直接打英文搜索的比例也不低。

所以印尼这一路要覆盖三种写法：正式词、口语缩写、英文原词。

三套都得进关键词表，落地页上至少要能被前两套命中。

口语缩写这一类最容易被漏掉，因为它不在任何权威词典里，只能从站内搜索日志、社交平台的评论区、以及当地电商平台的搜索建议里捞。捞出来的词还要判断哪些已经稳定、哪些是短期流行，前者可以做落地页，后者只适合做内容。

把印尼语的关键词表设计成三列结构，正式、口语、英文各一列，一开始就分开管，比后面再拆省事。

越南语处在中间态，两边都要接

越南用户会用英文搜，但比例低于印尼。

越南语自身的词汇体系比较完整，多数商品概念都有本土说法。

英文更多出现在技术产品、品牌名和型号上。

日用品和服饰类的搜索几乎全用越南语。

所以英文变体的覆盖要按品类分，不能一刀切全做。

把预算集中在声调符号的两套写法上，回报明显更高。

判断某个品类要不要做英文覆盖，有个简单办法：看这个品类的商品名里有没有型号和规格。有型号的品类用户大概率直接打英文型号，没有型号的品类用越南语的比例接近百分之百，这条规律在三国都成立，只是分界线的位置不同。

越南语这一路的英文覆盖属于按需投入，不是必做项，把它放在声调覆盖之后再考虑。

型号这条线还带来一个附加动作：越南语页面上要同时保留型号的原始写法和越南语的品类词，两者出现在同一个标题里。这样打型号的用户和打品类词的用户都能被接住，而这两拨人在越南市场的比例大致是三七开，都不能丢。

泰语用户为什么几乎不用拉丁字母搜索

泰语用户打字用泰文键盘，切换到拉丁字母要额外操作。

这个切换成本不高，但在搜索这种高频短行为里足以形成习惯分层。

结果是泰语市场的拉丁字母查询占比明显低于另两国。

这跟希腊语市场的情况正好相反，那边用拉丁转写搜的人相当多。

差别在于希腊语的拉丁转写有长期的社群使用传统，泰语没有。

所以泰语这一路可以基本放弃拉丁转写的覆盖，把资源集中在分词上。

希腊语的拉丁转写覆盖那篇讨论的是转写有传统时该怎么做，泰语这里是转写没传统时该怎么省，两篇的结论方向相反，但用的是同一个判据：看这门语言的用户社群有没有形成稳定的转写习惯。

三国的英文与转写策略可以用一句话总结：印尼三套全做，越南按品类做，泰国基本不做。

一门语言几个市场，这道题只有印尼这一路要答？

宏语言和个体语言在标准里的关系

语言标准里有一个宏语言的概念，用来罩住一组关系极近的个体语言。

马来语就是这样一个宏语言，底下挂着若干个体语言编码。

印尼语和马来西亚的标准马来语在标准里是分开编码的。

这个编码结构本身就说明了问题的性质：它们既不是一门语言，也不是两门无关的语言。

标准给出的是一个中间态，而中间态恰恰是最难决策的形态。

所以印尼这一路多出一道决策：马来西亚要不要单独做一套。

标准里的这个结构还有个实用价值，它能替你回答一个常被争论的问题：这两个市场到底算不算同一个语言市场。答案是标准把它们视为同一个宏语言下的不同个体语言，也就是说共性足够大到能归在一起，差异也足够大到要分别编码，两边的直觉都对了一半。

把这道决策留在印尼这一路的排期里，别让它污染越南和泰国的方案，那两路根本没有这个问题。

马来西亚要不要单独做的判据

先数市场个数，两个市场跨国，套二选一框架。

再看词汇分叉的密度有多高。

电商高频词里，运费、包裹、品牌这几个概念两地用的是不同词。

但商品品类词、属性词的重叠度相当高。

这种分叉分布意味着第一档可复用面比较大：结构可以共用，词表要分开。

结论通常是先做印尼，马来西亚等印尼站跑顺之后再单独出一套词表。

还要考虑马来西亚市场本身的语言构成，那里英语和华语的使用比例都不低，纯马来语内容能覆盖的用户比例并没有想象中那么高。这条会显著影响马来西亚这一路的投入产出比，也是它排在印尼之后的另一个理由。

一句话：马来西亚是印尼这一路的延伸决策，不是第四个独立市场，排期上挂在印尼后面，不占新的坑位。

这道决策还有一个成本项容易被漏：两地的域名和支付配置是分开的，就算内容能复用九成，非语言字段那一套还得重建一遍。这跟捷克斯洛伐克那一对遇到的情况一样，语言层的省钱不等于整体的省钱，评估时要把两笔账分开算。

越南语和泰语为什么不用答这道题

越南语基本只在越南使用，海外社群的搜索行为对生意影响有限。

泰语基本只在泰国使用，情况类似。

两门语言都没有跨国的第二大市场。

所以它们的语言层和国家层是一对一的，不需要做市场拆分。

这在小语种里其实是省事的形态，多数欧洲小语种都没这个待遇。

省下的这道决策成本，可以理解为对它们语言层高门槛的一点补偿。

一对一还有个连带好处：地区定向、货币、物流、法务这些非语言字段可以跟语言绑成一套，不用像西班牙语或者葡萄牙语那样为同一门语言维护多套非语言配置，架构上的复杂度低不少。

做三国横向对比时把这一项也列进表里，它虽然不产生工时，但会影响架构方案的复杂度评估。

十道工序里哪几道能三国共用？

可以整块共用的那四道

品类树和属性字段的定义可以共用，这是概念层的东西。

商品图、尺寸表、参数表可以共用，它们不含自然语言。

关键词种子清单可以共用，前提是这份清单用中文或英文记概念，不记词。

站内搜索日志的挖词方法可以共用，方法是流程，词表不是。

这四道共用能省下的工时相当可观，大概占整条线的三成。

更重要的是它们能保证三国的数据结构一致，后面做对比分析才有基础。

种子清单这一道有个容易踩的坑：一旦有人图省事把英文的关键词直接写进种子清单，后面三国的译者就都会围着那个英文词转，产出的三份词表会带上同一个偏差。种子清单里只放概念描述，不放任何目标语言的候选词，这条要写进规范。

共用不等于随便复制，共用的那部分要有单一来源和版本控制，否则三国各自改一改，半年后就变成三份互不兼容的东西了。

必须一国一套的那四道

分词与切词方案必须一国一套，三国的机制完全不同。

词形归并规则必须一国一套，而且只有印尼这一路真的需要。

关键词量级预期和工具口径必须一国一套，行数差三倍。

正文写作和语域必须一国一套，这是最费钱也最没法省的一道。

这四道加起来大概占整条线的五成工时。

它们的共同点是都直接咬在语言规则上，而三国的语言规则零交集。

语域这一道最容易被低估。三个市场对正式程度、称呼方式、促销语气的接受度都不一样，同一段文案在印尼读着热情、在泰国读着轻浮、在越南读着生硬是完全可能的，而这类问题任何工具都测不出来，只能靠母语审校。

做排期时把这四道单独拉出来按国家开三条并行的线，别塞进同一个任务池，否则最难的那一路永远排在最后。

还有一个执行层的提醒：这四道工序的交付物要各自独立版本化，别放在同一个文档里。三国的分词方案、词形规则、口径定义、写作规范如果混在一份文件里，任何一国的修改都会引起另两国的确认成本，拆开之后各改各的，协作摩擦能少一大半。

骨架共用、槽位分开的那两道

标题模板属于这一类：骨架可以共用，槽位内容按国家填。

页面结构也属于这一类：模块顺序共用，模块内的文本分开。

这两道的处理方式是把模板抽象成带槽位的结构。

槽位的顺序可以按国家覆写，因为字符长度差异会影响截断。

越南语的槽位顺序大概率要跟另两国不一样。

这类工序是共用和分开之间的过渡态，最需要明确的规范。

槽位顺序按国家覆写这件事值得多说一句：它意味着模板系统必须支持按语言覆写排序，而不只是支持按语言替换文本。这个需求如果在立项时不提，多半要等到发现越南站标题大面积被截才被迫返工，那时候模板已经铺开几千个页面了。

模板这一层的技术需求要在立项阶段就提清楚，它是三国方案里唯一需要工程侧配合的共用项。

工序表怎么变成一张能用的排期

先把十道工序按共用、分开、过渡三类标好。

共用的那几道排在最前面，一次做完给三国用。

分开的那几道按国家开并行线，按技术工时比例配人。

过渡类的排在共用之后、分开之前，因为它要给分开的那几道定框。

这个顺序能让三国的启动时间错开，而不是三条线同时抢资源。

实际排下来通常是印尼先跑通，越南跟上，泰国最后但用时最长。

排期里还要留一道回头工序：印尼跑通之后回看共用的那四道有没有需要修的地方。第一个市场跑一遍总会暴露出概念层的疏漏，这时候修的成本最低，等三国都铺开了再改共用层，改动会传导到三处。

这张表是本篇最该带走的东西，它把零可复用面这个坏消息，转化成了一份可以照着排的工序清单。

工具口径把三国合成一个数，会错在哪？

东南亚和亚太这两个假口径

第三方工具经常提供区域维度的数据，东南亚和亚太是最常见的两个。

这两个口径在语言层是没有意义的聚合。

它们把三种互不相干的语言的数据加在一起给出一个总数。

总数会掩盖三国之间的巨大差异，也会掩盖单一市场的机会。

更麻烦的是这个总数看起来很像一个可以汇报的数字。

汇报出去之后，后续的决策就都建立在一个没有语言意义的聚合上了。

这个坑跟北欧三国被合成斯堪的纳维亚一个口径是同一类错误，只是东南亚这个聚合更粗糙——北欧三国至少语言相近，东南亚三国连语系都不同，合并之后的数字连方向性参考价值都很有限。

要用区域数据的话，只在非语言字段上用，涉及关键词、搜索量、竞争度的一律拆到国家维度看。

三国的引擎份额其实并不一样

泰国和印尼的搜索基本集中在一家引擎上。

越南多了一个本土引擎分走一部分份额。

这个差异对关键词工具的数据代表性有直接影响。

工具的数据来源多半只覆盖主流引擎，越南的数据会少一块。

少的这一块正好偏向那些只用本土服务的用户群。

引擎打法本身归引擎层管，这里只提它对数据口径的影响。

本土引擎这一块要怎么做属于另一个话题，语言层这边只需要知道一件事：越南的关键词数据要打一个折扣看，实际需求量比工具显示的更高，这个折扣的具体幅度只能靠站内数据反推。

做三国对比时把引擎份额单独列一行，它是解释数据差异的重要变量之一。

本土引擎这一块还有个数据层面的连带影响：它会让越南站的自然流量归因失真。一部分来自本土引擎的流量在分析工具里可能被归到直接访问或者其他来源，看着像是自然搜索表现不如另两国，实际是统计口径漏了一块，这个差异要在解读报表时先扣掉。

自己建口径需要的最低配置

三国各自的站内搜索日志，这是最真实的一手数据。

三国各自的搜索表现数据，按国家维度拆开导出。

三国各自的关键词工具数据，标注清楚工具和抓取时间。

三份数据放在一张表里，按国家维度对齐，不做区域聚合。

这套最低配置的成本不高，主要是建立习惯的成本。

建好之后，任何区域口径的数字都能被这张表反驳或者验证。

这张表还有个长期价值：它能记录三国的差异是怎么随时间变化的。语言层的差异是稳定的，但用户行为层的差异会变，比如印尼用户打英文的比例、越南用户打声调的比例，这些数字每年都不太一样，只有自己长期记录才能看出趋势。

口径这件事的原则很简单：非语言字段可以合，语言字段必须拆，中间没有折中的余地。

母语审校的人力账，三国差多少？

三国审校人才的可获得性差得明显

印尼语的母语审校人才最容易找，成本也最低。

越南语次之，有一定规模的从业者群体。

泰语最难，同时懂电商和懂搜索的泰语母语者数量有限。

难找不只是价格问题，还包括交付稳定性和替补的可得性。

一个人负责一个市场的安排，在泰语这一路风险最高。

所以泰语这一路要么提前储备两个人，要么把审校范围收窄。

收窄范围是更现实的做法。把审校集中在标题、分类名、属性词这些高杠杆位置，正文允许先用较低标准发布再迭代，这样一个审校者能覆盖的页面数量能翻几倍，代价是正文质量的天花板会低一些。

找人这件事的渠道跟外链渠道有重叠，小语种的本地目录、行业媒体和语言社区那篇里挖资源的路径，同样能用来找母语审校者。

审校范围要按语言难度重排

印尼语可以做全文审校，成本能承受。

越南语建议做全文审校加声调变体的专项检查。

泰语建议先做高杠杆位置的审校，正文分批跟进。

这个分配跟按国家平摊完全不同，是按语言难度和人才可得性排的。

三国的审校预算比例大致是二比三比五，泰语最贵。

比例会随着人才储备的改善逐年调整，但方向短期不会反转。

审校的产出不只是改好的文本，还应该包括一份错误类型清单。清单积累到一定量之后，可以反过来变成写作规范，让后面的初稿少犯同类错误，这才是审校投入真正能沉淀下来的资产。

把审校当成一次性的质检环节是最浪费的用法，把它当成规范的来源，同一笔钱能产生两份价值。

审校范围收窄之后要配一道抽检。高杠杆位置全审、正文抽审，抽检比例按品类的营收贡献排，重点品类抽三成、长尾品类抽一成。这套安排的好处是既控住了成本，又能拿到正文质量的真实分布，不至于对自己的内容水平一无所知。

一次性建立的资产能摊多久

属性字典、术语表、写作规范都是一次性资产。

它们建好之后能摊到后面所有的页面上。

三国各需要一套，但每套的建立成本远低于逐页审校。

这三套资产是把审校从持续成本变成阶段成本的关键。

建立顺序跟市场顺序一致：印尼先建，越南跟上，泰国最后。

前面市场的建立过程会产出模板，后面的市场能省下摸索的时间。

估算摊销周期时按页面数而不是按时间算。术语表在一个只有两百个页面的站上作用有限，在两千个页面的站上就是决定一致性的关键设施，所以它的投入时点应该跟页面增长的节奏挂钩，太早建会因为品类还没定型而反复修改。

三国的资产建设可以并行准备但要串行验证，让第一个市场把模板验出来，另两个市场直接抄结构。

三国到底按什么顺序做？

按人口排是最容易犯的那个错

印尼人口两亿多，越南九千多万，泰国六千多万。

按人口排的话顺序是印尼、越南、泰国。

这个顺序碰巧跟正确答案接近，但推理过程是错的。

人口不等于搜索需求，搜索需求不等于可获得的份额。

如果换成另一组国家，按人口排会得出完全错误的顺序。

推理错了而答案对，是最危险的一种正确。

为什么危险？因为下一次遇到不同的国家组合，同一套推理会给出错误答案，而团队会因为上一次成功而更加信任它。小语种按母语人口排优先级会排出什么问题那篇算过这笔账，结论是人口这个变量单独用几乎没有预测力。

排序这件事要用可以复用的判据，而不是碰巧对的直觉，判据的价值在于它下一次还能用。

语言层单位成本乘市场规模才是判据

先算每个市场的语言层单位成本，也就是前面那份工时比例。

再估每个市场可获得的搜索需求规模。

两者相除得到一个投入产出的粗略排序。

印尼语言层成本最低、市场最大，排第一没有争议。

越南语言层成本中等、市场中等，排第二。

泰语语言层成本最高，排第三。

这个判据的好处是它对每个变量都可以单独修正。如果某年泰语的审校人才突然变得容易找了，成本项下降，排序就可能变化；如果越南的本土引擎份额继续上升，可获得规模的估算方式也要调整。同一个词在两个市场问的不是一件事那篇讲的意图分叉，也会影响可获得规模的估算精度。

把这两个变量写成表格，每季度复核一次，比一次性定死排序要稳。

这个判据还有一个用法是反向的：拿它去解释已经发生的结果。如果某个市场投了一年没起来，把两个变量拆开看，是语言层成本估低了，还是可获得规模估高了。两种原因的补救方式完全不同，前者要加资源，后者要减预期，混在一起看就只能得出这个市场不行的结论。

泰国排最后，却可能是最值得等的那个

泰语的语言层门槛最高，这是它排最后的原因。

但门槛高对所有竞争者都成立，包括国际大平台。

所以泰语市场的搜索结果页里，做对了语言层的站点比例明显更低。

这意味着一旦做进去，竞争密度比另两国低得多。

门槛既是成本也是护城河，这两面通常同时出现。

排最后不等于优先级低，它是等资源到位再做的意思。

判断一个高门槛市场值不值得等，看两件事：门槛是不是一次性的，以及门槛过了之后有没有持续优势。泰语的分词能力属于一次性建设，建好之后长期有效，而竞争者稀薄这个优势会持续存在，两条都满足，所以值得等。

把泰国放在第三位的同时，在前两个市场的排期里就开始储备泰语审校人才，等到第三阶段启动时不至于卡在找人上。

一份可以照着排的一年期样本

第一季度做共用的四道工序加印尼站启动。

第二季度印尼站铺量，同时回头修共用层的疏漏。

第三季度越南站启动，重点是规范化和标题长度治理。

第四季度泰国站启动，第一件事是词边界的实测。

马来西亚这一路挂在印尼后面，视印尼的产出情况决定是否开启。

这份排期的核心不是时间点，是让三条线的启动错开。

错开启动最大的价值是让每条线都能吃到前一条线的经验。三国的语言层零交集，但流程层的坑高度重合，第一条线踩过的流程坑，后两条线能省下大半的返工。至于架构层的域名结构、地区定向、语言标注这些问题，跟具体语种无关，国际化SEO和多语言站的hreflang怎么落地那篇讲得比这里细。

把这份样本当模板改，别当计划抄，每个团队的资源结构不同，能并行的程度也不同。

常见问题解答

东南亚三国的内容能不能先用一套英文版过渡

不建议，而且这个做法的失败方式很隐蔽。英文版在三国都能被一部分用户读懂，所以上线之后不会立刻出问题，甚至会有一些流量进来，团队容易误判为可行。真实情况是这些流量来自那批本来就会用英文搜的用户，他们通常也已经在用国际平台，转化价值有限，而占绝大多数的本地语言搜索需求完全没有被接住。更糟的是英文版会占住页面位置和内链结构，等到要换成本地语言版本时，涉及URL、重定向、内链重写一整套改动，成本比一开始就分开做要高。如果实在要过渡，可行的折中是只用英文做少量的信息型内容测试市场反应，商品页和分类页从第一天就用本地语言，因为那才是需求最集中也最不可替代的部分。

三国里如果只能选一个先做，应该选哪个

选印尼，理由不是市场最大，是语言层门槛最低所以流程能最快跑通。第一个市场的真实作用是把整条生产线验一遍，包括共用工序有没有疏漏、模板系统的槽位设计够不够灵活、审校流程能不能按时交付、数据口径拆得对不对。这些问题在语言层干扰最小的市场里暴露出来，最容易定位也最容易修。如果第一个选泰国，团队会花大量时间在词边界这类语言层问题上，流程层的疏漏会被这些问题掩盖，等到做第二个市场时同样的坑还得再踩一遍。选印尼还有一个附带好处，它的关键词工具数据质量最好，团队能拿到相对可靠的数据来校准自己的估算方法，这套校准过的方法后面用在数据更差的市场上才有底气。

为什么不能把越南语当成拉丁字母语言来处理

因为它只有字母是拉丁的，其余全都不像。变音符号带来的组合字符问题、一个概念占多个空格段的问题、声调符号的两套输入习惯，这三件事在任何西欧拉丁字母语言里都不存在。实际操作中最常见的误判是把越南语的默认配置抄英语站的，然后发现数据库里同一个词有两套字节序列、标题在搜索结果里被截掉品牌名、关键词表里的行数比预估多出两倍。这三个问题都能修，但都属于返工。判断一门语言能不能套拉丁默认配置，有个简单的检查：看它有没有组合变音、有没有多种规范化形式、空格是不是切词。越南语三项全中，所以它需要一套自己的技术方案，跟印尼语那种真正的纯拉丁语言完全不是一个待遇。

泰语的分词方案是自己建还是用现成的

用现成的做基础，自己补品类词。泰语的分词有多个成熟的开源实现，词典型和统计型都有，直接拿来用能解决通用文本的大部分情况。需要自己补的是商品品类词、品牌名、型号这类专有词汇，通用词典里几乎不会收，而它们恰恰是电商站最重要的那批词。补的方式是维护一份自定义词典，把品类树里的词和品牌名都加进去，让分词器认得它们。还有一件事比选工具更重要：搞清楚目标引擎实际是怎么切的。你本地用的分词器和引擎用的不是同一套，本地切对了不代表引擎也切对了。可行的验证办法是拿几组已知的查询串去实测排名和展现，反推引擎的切分倾向，这比研究工具文档有用得多。

印尼语的词形归并能不能直接用现成的词干工具

大部分情况可以，但要接受它的边界。印尼语的词缀规则比屈折语规整，规则型的词干算法对它的处理效果相当不错，通用文本上的准确率足够支撑关键词归并这类应用。不适用的地方主要是两类：一类是词根本身以词缀形式开头的词，算法会误切；另一类是外来语和缩写，算法根本没见过。处理办法是建一份例外表，把这两类词标出来跳过算法。另外要注意归并的用途，如果只是用来给关键词表分组、判断哪些词属于同一个概念，现成工具完全够用；如果要用它来生成页面上的实际文案，那就不行，因为词干形式往往不是一个自然的词，直接写到页面上会显得很奇怪。归并是分析工具，不是写作工具，这条界要划清。

三国的关键词表能不能共用一套结构

结构可以共用，而且应该共用，但字段数量会不一样。共用的部分包括概念标识、品类归属、意图分类、优先级、对应落地页这几个字段，它们跟语言无关，共用之后三国的数据才能对齐分析。差异出现在语言字段上：印尼语需要正式词、口语缩写、英文原词三列；越南语需要带声调和不带声调两列，加上按品类开启的英文列；泰语需要多种可能切分形式的列，数量不固定。所以设计表结构时把语言相关的字段设计成可扩展的形式，别写死列数。另外强烈建议在表里加一个字段记录这一行的数据来源和采集时间，三国的数据可靠性差异很大，不标来源的话，半年后没人分得清哪些数字是工具给的、哪些是站内日志反推的、哪些是当时拍的。

越南的本土引擎需要单独做一套内容吗

不需要单独做内容，但要单独做验证。内容层面，本土引擎的用户搜的还是越南语，用的还是那批词，所以关键词表和落地页不用分两套。需要分开的是效果验证：本土引擎的排名逻辑跟主流引擎不同，同一个页面在两边的表现可能差别不小，只看一家的数据会误判。实际操作上，把本土引擎的排名监控作为一条独立的观测线，但不为它单独生产内容，除非数据显示两边的差异大到必须区别对待。至于引擎本身的排名机制和收录习惯，那是引擎层的话题，跟本篇讲的语言层是两件事，语言层做对了是在任何引擎上都成立的基础，引擎层的调优则是在这个基础之上的增量。

权威参考资料