十大商业细分思维，彻底讲透关键词库的用法

各位小伙伴，大家好。我是5颜6色的世界。

在上一篇《国际站运营如何制作和管理关键词库（独家）》文中，收到了很多小伙伴的咨询和反馈，要求再展开一下词库用法的讲述，今天就来更新一篇关于关键词库的用法。

这篇文章更新完毕之后，近期会相对减少更新的频率，因为近期实在是比较忙，要赶一些事情的进度。关于后台的很多留言，我都有收到，没有来得及一一回复，感谢众多小伙伴的支持。

以下，列举了十几个商业目的常用细分思维，关键词可添加的衡量维度还有很多，不太实用的衡量维度暂且不予考虑，我们也应该本着切实实用的心态，先把简单且重要的工作做好。

（词库示例）

接下来将从商业运作角度，对关键词词库的十个细分价值维度进行一一阐述，同时，也对市面上流传的各种不太易懂的说法，真真假假的说法，做一个深度的剖析和验真，相信认真看完的你，一定会有一些收获。

以下维度，仅仅是从众多衡量维度中，挑选的一些较为贴近商业分析的维度，大家可根据自身习惯，和可操作的简易程度，自行对这些细分维度进行增减。

一、词库细分之国家细分

大家都知道，后台显示的关键词数据是总体的数据。经常会出现这么一种情况。一个关键词的热度很高，推广引流的点击量也比较大，但是经过分析，大部分的访客都是来自印度等非目标国家。即便使用了一些溢价等手段，也无法阻止这部分流量的引入。常常困扰着商家。

其中之一，可能就是这些国家的搜索人数实在是太多了，系统不得不给你分配大量的非目标区域流量。所以，对关键词以国家为维度进行细分，则可对目标市场的需求，有更清晰的认知。

擅长数据挖掘的小伙伴，可以直接自动化挖掘这些数据，不擅长数据挖掘的小伙伴，则可以先整理其他维度，最后再只对头部十几个重点词手工做国家维度的分布分析即可。我们无须对每一个词都做国家分布的分析。

（细分地域之后的搜索分布，往往会天壤之别）

二、词库细分之端口细分

同国家细分一样，端口的细分，也是为了深入了解流量的来龙去脉，是PC端的搜索多还是无线端的搜索多，目标区域是习惯性用电脑搜索，还是习惯性用手机搜索，这些行为数据，对商品的视觉设计和营销推广，都可以起到一些决策作用。分析重点关键词国家分布时，顺手即可完成端口的分析工作。

比如，某关键词的搜索量，大部分集中在美国，且百分之90都习惯使用手机进行搜索。那么在设计视觉画面时，则可优先考虑竖屏设计。针对手机端浏览的行为，可以设置人性化的推荐和引流板块，对店内流量进行傻瓜式引导。熟知市场流量的行为分布，对后期利用好关键词也有帮助.

三、词库细分之别名细分

别名细分通常用于原始词寻找阶段，穷尽某一个产品的所有叫法，特别是使用人数少的叫法。其中也可以包含一些错别词或常规语种。通过主动翻译或数据管家热门搜索词筛选之后，我们往往能够挖掘到一些特殊叫法词、错别词或小语种词。部分英文字母形态的小语种可以直接使用，而非英文字母形态的小语种，特别是热度很高的语种，通过简单的单词修正，如mãn 修正为man，也可以去前台验证其可用价值。

特殊叫法、错别词和小语种词（以及修正词）由于使用的人数通常较少，竞争较低。往往容易获得排名和流量。在做关键词表时，可以对这些词进行标注，以便于在筛选用词时，能够适量的穿插一些在标题或三个关键词框中，这里要注意没有搜索热度的词慎重使用。

(通过筛选按钮，对标题进行特殊叫法补充，利用特殊词进行流量补充。)

四、词库细分之属性细分

在市场分析文中，我们有提到过将不同品类和属性的搜索指数，利用词根汇总的形式，统计出产品不同属性的需求分布情况。拿关键词管理来说，不论是产品发布，还是直通车推广，也都离不开词的使用。当我们把成千上万的词堆积在一起，是很难进行全面高效管理的。对词的重要属性进行打标归类，有助于降低关键词使用的难度。

属性细分，我们主要是对市场上核心的属性进行细分，并非是对全部的属性进行细分。通过前台提示，或者词频分析手段，我们很容易知道市场上的核心属性有哪些。接下来就是根据这些核心属性对关键词进行打标归类。

打标归类的方法非常简单，利用Excel的筛选功能，筛选出含有某属性的全部关键词，然后在新建的衡量维度上统一打上标记，如图所示，我们对含有某些属性的关键词，进行标记填充。将核心属性进行打标归类。

（对核心属性进行打标归类。方便用词时，一键分类筛选）

对核心属性进行归类标识后，在发布产品，以及后期直通车推广时，就可以针对性的筛选符合条件的词，有目的有方向的缩减筛词范围。特别是当某一个属性的关键词表现较好时，我们可以根据这个属性的维度，扩展出更多的同类关键词进行推广。实现同一方向的多词推一品。

五、词库细分之供需细分

供需细分，也叫难度细分。主要是衡量需求和竞争之间的关系。众所周知，搜索量越大，竞争越小的产品，越容易获得展现。所以为了在初期以更少的成本拿到展现量，我们需要对词的供需情况进行一个衡量。

衡量的方法也非常简单。就是直接用热度除以搜索结果数。为什么不是热度除以卖家规模指数，在上一篇关于《高效整理关键词库》的文章中已经有提到。主要是因为单品的搜索赛马，与商家数量并不一定成正比。

衡量供需难度的本质，主要是衡量获得曝光的难易程度，其与搜索指数成正比，与竞争商品数成反比。也就是搜索指数越高，获得展现的几率就越大，竞争商品数越少，获得展现的几率就越大。

所以可直接用搜索指数除以搜索结果数来衡量获取曝光的难度，如果需要加大搜索指数的权重，我们还可以对搜索指数进行平方或立方处理，以拉大搜索的地位。根据自身需要，为自认为重要的指标加上权重。通过排序和筛选标记，我们可以快速完成搜索指数和搜索竞争的自定义分类。

很多小伙伴在制作词库的时候，喜欢增加特别多相似类型的指标，来对关键词供需难度进行衡量，多者会用到几个乃至十几个指标。A级词，B级词，A1级词，B1级词，金牛词，银牛词，金牛A级词，金牛B级词。等等，诸如此类。

其实，完全没有必要。因为这些衡量维度的本质，是高度类似乃至完全相同的。因为它们并没有增加新的变量。只是三两个固定的变量在来回折腾。

这是很多新手小伙伴经常会经历的一个误区，学习各种渠道的方法，制作多种复杂的衡量维度，又难以应用到实际之中，短时间难以理解这些指标的价值和意义，让人难免有些焦虑。好不容易跟着做了一份复杂的词库，又不太会用。

发生这种情况的误区主要存在两个地方。一种是不知道某一种说法是不是准确，自己不懂只能将信就信，认为就是这样。另一种，是无法深入的理解衡量指标的意义，好不容易跟着做出来，往往容易出现自我感动。

（当前市面上那些不容易弄懂的衡量指标的深度对比和剖析）

误区一：使用过多高度类似的衡量维度，并满意的感动自己。

举一个简单的例子。

学校组织语文和数学竞赛大比拼。要求每个班级最近一次考试这两科成绩优秀的同学参与比赛。 班主任拿出成绩表，开始对语文和数学两个科目进行衡量。

首先对语文成绩进行分组，语文成绩大于80分，记作优秀。语文成绩介于70-80之间，记作良好，语文成绩介于60-70之间，记作合格，低于60则记作不合格。

然后班主任开始为语文成绩为优良合格及不合格的同学进行打分。优秀的成绩*10分。良好的成绩*8分，合格的成绩*5分，不合格的成绩*0分。得出一组新的分值。

最后班主任开始拿出数学成绩表。选择数学成绩大于80分，且语文成绩为800分以上（10倍原来优秀成绩）的同学，去参与比赛。

经历了这个过程，我们乍一看，这个过程完全没有问题。实际情况呢？我们来看。这种筛选学生成绩的方法，和直接筛选语文和数学成绩同时大于80分的同学，本质上其实是一回事。只是复杂了过程，且每一步都让你发现了新的东西。原来可以用优良中差来衡量成绩，原来可以通过换算变成一个新的东西。其实，他们本身都并没有创造价值。

以广泛流传的询盘概率系数举例，使用了询盘概率系数越大的词，询盘就会多嘛？实际并非如此，但其中包含了一个正确的理念。就是如果一个词的搜索人数越多，竞争越少，那么得到询盘的几率就越大。这一点毋庸置疑。

我们来看这个公式。询盘概览系数=搜索指数*（最佳坑位数/20） =搜索指数*（前20页单个商家或店铺所能展现的最多坑位量/20）=搜索指数*（搜索结果数反比例/20）。即为询盘难度与搜索指数成正比，与搜索结果数成反比，又回到了双选优秀成绩的例子，只有语文和数学成绩两个变量，来回折腾。

不仅仅询盘概率系数如此，还有十多种类似的衡量维度也是一样。之所以说没有必要做各种各样的衡量维度，是因为他们的本质都是在衡量同一个东西。所有的公式展开推导，最终都是同一个东西，并没有引入新的变量。在算法上，也只是简单的正比反比乘积关系，并没有产生新的衡量方向。我们往往花费了数天的时间，却只做了人家几分钟就做完的工作，还容易沉浸于自我感动之中，这是误区之一。

误区二：没有辨别事物真相的知识储备，一旦学会一些新奇的东西，便兴奋的感动自己。

如果你对上述坑位数还有一些疑惑。这里就开始为你深入剖析。先来明确几个概念。最佳坑位数，是指在前20页的所有自然排名坑位中，一个商家（有些机构以商家为维度，有些机构以店铺为维度）所能出现的最多次数。例，该词下最好的一个商家，在前20页中出现了15次。那么该词的最佳坑位数为15。

关于坑位数的统计，目前有两种说法，一种是利用工具计数，一种是利用坑位限制的函数。

第一种，非常简单。直接出现多少次就是多少次，麻烦一点自己去数。第二种，则是依据以下两种说法.

第一种说法，最佳坑位数为：

=IF(搜索结果数<1000,"20",IF(搜索结果数<5000,"15",IF(搜索结果数<10000,"10",IF(搜索结果数<50000,"5",IF(搜索结果数<100000,"3","2")))))

翻译为，当搜索结果数小于1000时，系统对单个商家前20页所展现坑位的数量限制为最多20个，当搜索结果数介于1000到5000时，系统对单个商家前20页所展现坑位的数量限制为最多15个，当搜索结果数介于5000到10000时，系统对单个商家前20页所展现坑位的数量限制为最多10个，搜索结果数在1万到5万之间，则最大坑位数不超过5个，十万和十万以上最佳坑位数依次是3个和2个，诸如此类。

另外一种说法则更加高级一些，加入了搜索指数维度，其最佳坑位数限定函数为：

=IF(搜索指数>20000，搜索结果数<1000,"20",IF(搜索结果数<5000,"15",IF(搜索结果数<10000,"10",IF(搜索结果数<50000,"5",IF(搜索结果数<100000,"3","2")))),if(搜索指数>10000, 搜索结果数<1000,"25",IF(搜索结果数<5000,"20",IF(搜索结果数<10000,"15",IF(搜索结果数<50000,"10",IF(搜索结果数<100000,"5","2")))),if(搜索指数>5000, 搜索结果数<1000,"30",IF(搜索结果数<5000,"25",IF(搜索结果数<10000,"20",IF(搜索结果数<50000,"15",IF(搜索结果数<100000,"8","2"))))……)

翻译为当搜索指数大于20000时，最佳坑位数根据搜索结果数的数量划分为几个等级。当搜索指数介于10000到20000时，则根据搜索结果数，又划分为不同的等级。好像又更加贴近了真实的场景。

以上两种公式限定法和机器计数法来计算最佳坑位数，都是流传较为广泛的说法。且都称依据大数据亲自测试得出的结论。而在我问及众多传播者，问其测试的原理和依据时，却没有一个人可以回答上来。其实，它也很容易被测试和验真。

知之为知之，不知为不知，我也专门梳理了一下验证这个过程的逻辑和方法。依据不同行业，不同搜索热度，随机选取一千个关键词，机器抓取每个词前20页的搜索结果内容。累计抓取72万余条数据，并对每一个词的最大坑位数进行了机器统计，测试结果如下。

（不同搜索指数，搜索结果数的关键词最佳坑位数分布--抽样图）

（原始测试数据超72万条，表格大小超过1G，不便上传，如有需要，可私下索要）

根据72万条大数据显示，系统并没有对前20页的坑位数做任何的数量限制，更没有依据搜索结果数或者搜索指数的不同，对前20页的自然坑位做任何的层级划分。多个伙伴的实际测试结果都是如此，我们也很容易在前台搜索验证这一点。而且，由于千人千面，pc无线多渠道端口的和系统流量打散机制的存在，这种坑位数的研究意义也变得骤减。

既然没有太明确的研究价值，为什么这种方法无人发现问题呢？主要是因为此类方法，建立在一个绝对正确的理论上，即为排名难度，与搜索结果数成反比。搜索结果数越多，竞争越大，越难以取得排名。反之，则较容易。在一个绝对正确的大框架里，穿插任何不影响大框架的错误内容都不会出现问题。

类似于之前在小群中讨论，有提到过这一点。我们站在一个电梯里，深呼吸，举起右手，然后左手按上升按钮，由于是第一次乘坐电梯，我们发现电梯上升，会觉得惊奇。

此后，便每次乘坐电梯，都先气运丹田，举起右手，然后按下上升按钮。运气会改变重量，举起右手会引导平衡，种种看似正确的理论，会让人觉得这套复杂的流程非常科学且就是这样，进而似懂非懂，广泛传播，而深入探究其原理时，却又无一人可以清楚的回答，实不应该。

事实上，不论我们是否运气，是否举起右手，只要我们按下电梯的上升按钮，电梯都会上升。同理，不管我们考不考虑根据搜索结果数的不同，最佳坑位数到底限制在多少个。只要是和搜索结果数成反比，衡量难易程度都是正确的。

并不需要我们先设置一个优良中的分层，然后再反复运算。在绝对正确的框架下，穿插一些自造的，乃至错误的言论，虽然不影响分析的结果，但是却让事情变得繁杂。自始至终并没有引入新的变量和衡量一个新的方向，实际上并未有新的价值。

综上两个误区，我们会发现按照多指标衡量的词，与简易分析的指标，并未有很大的差距，甚至多指标的词库应用价值更低，并且数据更乱。

由于众多类目的关键词搜索指数分布都是头部稀疏，底部密集的，也就是在对关键词分级时，往往会发现热度相对靠下的同类词异常多，是因为大多数品类关键词指数分布都是如此。绝大多数现象与直接利用筛选或单一维度的衡量效果基本一致。

并且，商家规模指数和搜索结果数同为衡量竞争维度，却不成正比分布。胡乱运算会导致数据的应用价值更低。应尽量避免同方向冲突的运算影响衡量指标的准确性。

六、词库细分之趋势细分

趋势分析通常是用来寻找新的机会。新的商业变化，往往会出现短暂的供需失衡，出现新的机会。在趋势变化中，有两种趋势，是我们要重点关注的。一种是从0到有。另一种是飙升趋势，即增幅较大趋势。

怎么寻找这两个趋势呢。先来说第一个，从0到有。新词的诞生，往往代表着新的机会。一个从来没有的词，突然出现，且搜索量快速增长，这很可能是市场新需求的表现。我们需要将这类词标记出来。并着重分析此类词所涉及的属性和功能。是不是一种新的机会。

标记此类词的方法非常简单。在上一篇关于词库的文章中已经提到。通过新老词库的运算匹配。在新词库中出现，在老词库中没有出现的词，就是诞生的新词。我们可以将这类词标记出来，做进一步的价值分析。

第二种，是趋势大幅增长的词。这也是我前些年个人全网首发的将增幅趋势应用于电商分析的一种方式，即增幅分析，最早应用于天猫店铺。利用增幅函数对关键词的增长趋势做评估。增幅越大，则趋势越陡，斜率越高。我们通过斜率指标来筛选高增幅的词。本质上是对近期已发生数据规律的总结和筛选。

如下图所示。我们通过slope函数，（不会用的可百度。简单函数就不讲解了，可在交流群交流）将不同关键词的增长幅度量化出来，并按顺序排序。同时我们也发现了增幅大，并不代表就一定优质，我们还需要看现有的基数。

(部分品类或属性词，随着需求的迅速增大，竞争短期无波动甚至还在变小)

如果一个关键词当前的搜索量很大，并且增幅涨势明显，那么该词下的需求量往往是在提升。如果恰巧这个时间段，新进入的商家没有增长，翻译成白话来说，就是卖的人没变，但是买的人多了，平均每个商家分到的销量就多了。及时发现机会，往往能做一些小的提升。

一般来讲，一个趋势的兴起，大量商家涌入往往有一个短暂的滞后期。我个人也利用过这个短暂的红利期（非疫情产品）轻松的做起了一些品类。

如果你有兴趣，可以去整理20年年初疫情期间的词数据，或者一些大品牌新品入市数据，大多表现也是如此。部分品类或属性的需求暴增，在暴增初期时，并没有大量的商家及时进入，形成短暂的机会。

随着信息的传开，大量商家进入，各种门槛同步被提升，导致新的市场供需被迅速拉平，红利消失。新词，和增长过快的词中，往往就蕴含着这样的机会。本质上，是对当前市场的深度理解和及时收到消息。

2020年3月起，疫情初期，几乎同一时间，多个品类的趋势开始一个接着一个的飙升，市场大盘对防疫产品的需求逐渐增加，而到下半年，由于国外疫情处于最严重的时期，但是已经解除了基础医疗物资的海量需求，加上平台大力管控，医疗产品已经门槛较高。

（通过数据可以还原历史发生的故事）

再后来由于需要，多个国家开始建立方舱医院，样板房等需求开始飙升。由于篇幅关系无法展示更多品类。但如果你去观察这些数据，在时间轴上，就是活生生的历史场景重现。

我个人虽然没有胆量与前瞻性从短暂的风口中获益，但是由于在最早期持续挖掘和输出了正确的预判数据，也获得了不菲的感谢红包。数据是历史遗留的产物，其规律非常有趣。大风口不常有，小风口也不常有，但是短暂的机会，不时就会出现，我们需要抓住它，但不应该指着它出现翻天覆地的变化，小的帮助也是帮助，正确的看待问题。

说到预判，这里也发现了众多小伙伴经常进入的一个误区，预判并不仅仅是一种数据技巧，更是依据商业规律和社会规律，对现实社会，所处行业的深度观察和感知。拿国际站运营来说，我个人认为数据预测的价值很低，并且如果没有深厚的数据功底，很容易走上另一条自我感动的道路。

误区三：数据功底不扎实，不能深度感知业务关系，盲目预测数据，为了数据分析而数据分析，从而实现自我感动。

数据预测，是统计学中常用的一种分析方式，根据现有样本预测未来的走势，那么为什么说不建议对关键词做预测呢？是因为关键词批量分析所涉及的业务维度太多了。如果没有深厚的数据功底，很容易走进数据分析的误区。我们看以下案例。

（使用7种常见的预测手段，分别对关键词趋势进行预测）

上图显示，根据某关键词数据样本，使用多种不同预测手段所预测的数据，全部出现了预测趋势和实际趋势大相径庭的现象。之所以会出现这样的一种现象，主要原因有三点。

第一，样本量太少。国际站数据最多只能查看两年，预测同时期的数据，往往需要多年的数据样本。而短期的少量样本，特别是几个月的样本根本不足以支持趋势分析的准确性。

第二点，国际站的关键词走势规律，往往不具备简单的线性关系。导致在预测数据时，不能很好的衡量关键词的季节性波动和周期性波动。所以预测结果往往与实际不同，形成错误的数据预判。

第三点，所有的搜索关键词，在趋势走向上并非呈现相同的规律，特别是不同词的季节性和周期性，波动周期和频率均明显不同。简单的线性衡量尚且存在很多不合理的地方，用同一种关系预测所有的关键词，必然会出现大量词预测不准确的情况，导致出现大量图中的这种预测错误。

数据预测，需要贴近实际的业务场景，且在确认预测方式合理后，也要经过多次的误差修正。这样的预测往往才具备较高的参考价值。那么我们没有大量的数据样本，也不会使用vba来编写贴近实际分析的预测模型，要怎么衡量趋势呢。

其实，我建议就是不去衡量。一旦陷入技巧，整个人就容易迷失方向。我们总是容易陷进一个状态，忘记了自己的目的，在低产出的工作上，耗尽很多时间。我们只通过简单的趋势增幅斜率，就可以筛选出一些有机会的词。

同时，如果我们有获取双年数据的工具，也可以直接做双年趋势对比，通过对比往年同期历史数据的走势，观察规律，来更好的对词进行挑选。

（通过对照往年同期的走势，观察今后可能的走势）

七、词库细分之词性细分

词性细分是词库衡量中比较重要的一个指标，通常用来对关键词的精准性进行打标。正如属性细分一样。我们还可以对关键词相关的国家，人群，地域，精准词还是广泛词，长期热词还是偶尔热词等维度进行打标。

划分词性时，不建议划分过多的指标。通常根据我们的运营目的，划分出一些包含某属性的精准词，或者具备某些成交方向的词用于发品和推广即可。

例如：在评价关键词时，立式风扇与时尚风扇，显然搜索立式风扇的人需求更加明显。且与产品的吻合度更高，则含有立式风扇的词可筛选后统一标记为精准词，方便后续组合筛选时使用。此外，独特功能词、画面感强的成交词都适合进行特殊标记。

除了标记词的精准度，还可以按词的需求稳定性和推广难度进行细分。例如，根据搜索指数的平均数、中位数、离散程度等统计学分析标记出常年高热的词，标记出当前处于全年趋势中较高热度的词。根据直通车前五的出价，标记出适合推广的低价词用于后期战略推广，等等，诸如此类。

亦或者是根据关键词的其他性质进行划分。在划分关键词时，我们要确保分析的维度在商业运作中占据一定的价值意义。价值不高或者操作复杂的维度我们都可以考虑舍弃，不建议为了做词库而做词库，运营中还有很多更重要的事情要做，一切都应该以实用性为主，该舍弃的就果断舍弃。

八、词库细分之词类细分

词类划分主要应用于初期推广的长尾引流，我们在筛选包含某些成交属性的关键词时，也需要考虑到初始推广的竞争难度，长尾词由于竞争小，限制属性多，往往能带来一些不错的转化。

筛选长尾词的方法，我们通常是筛选单词的个数，单词个数越多，越容易是长尾词，基本上不会出错。统计关键词单词个数，我们可以使用以下公式。

统计关键词的字符数：

=LEN(TRIM(A2))

统计关键词的单词个数：

=LEN(TRIM(A2))-LEN(SUBSTITUTE(TRIM(A2)," ",""))+1

（统计关键词的字符长度和单词个数筛选长尾词）

词类的筛选通常与其他类型的衡量指标配合，比如筛选包含Bluetooth属性且单词数在3个以上的长尾词。筛选热度高于80且单词个数在3个以上的关键词，等等。单词个数的划分使得在发布产品和商业推广时，选词用词极为便捷。

九、词库细分之语种细分

语种细分主要是为了获取小语种的流量，发布多语言产品。如今的小语种发布已经与正常的产品发布融为一体。在发布产品界面的标题输入框右侧，我们可以发布多语言标题。自定义的小语种比机器翻译的小语种在展示优先级上有轻微的加权。

在划分语种时，商家可以筛选热门搜索词中的关键词收集小语种，也可以根据使用人数较多的语种直接进行翻译。然后用这些原始小语种去拓展关键词，收集整理后，对语种进行分类标记。对于补充英文标题的流量也有一定的促进意义。且由于小语种使用的商家数较少，通常也可以获得不错的流量。

十、词库细分之硬性细分

最后一点就是硬性细分。关键词的类目是不是可用，关键词的版权是不是可用，对于类目不准，侵权违规等词，也可以进行标记。标记这些硬性维度通常需要借助一些辅助工具，如果觉得做这些硬性细分较为繁琐，也可以舍弃对它的细分。对于关键词的使用效果来说，实际上也不会有太大的影响，只要我们不刻意违规，不刻意错放类目，通常也不会出现大的问题。效率与效果要同时取舍。

以上，就是从商业运作的十个角度，对关键词细分价值的阐述。同时剖析了几种市面上广为流传的不易理解的说法，也通过大量实验和数据验证了其中的一些不是很准确的的理论。

正如我经常在交流群中所说，求真求实，是运营成长过程难能可贵的品质，值得我们每一个去落实。我也切实要求自己，在这些年的几乎每一次提出亲测字样时，我也都有公开测试的逻辑和数据报告。追求严谨的逻辑和步骤，直到自己真的通透。敢于承认自己的无知，也是一种高级运营的素养。希望这篇文章，能给大家带来一些启发。（完）

（来源：5颜6色的世界）

以上内容属作者个人观点，不代表雨果跨境立场！本文经原作者授权转载，转载需经原作者授权同意。