知乎新用户在零基础的状态下运营"好物推荐"，短期很难产生效益！

优质问题下往往已经有了优质的推荐，新答案很难出头！

目标问题其实很多，但不知优先回答哪些！

自写文章又不知如何选题！

在零基础（账号数据几乎为零）、零经验的状态下，面对官方一再力挺的"变现项目"却无从下手是大部分人惆怅的地方。

而正如标题所言，今天这篇文章，我们来尝试使用"错位竞争"的方式，解决以上的问题。

"好物推荐"，是我个人十分认可的一种变现方式，它给用户需要的内容的同时帮助内容贡献者带来相应收益，而且目前官方也一直在大力宣传，趋势很好。

但是用自己"零数据基础"的新账号跟各种大V直接在知乎里比拼显然是不理智的，因此我把眼光放到了站外。

因为我本身是SEO（搜索引擎优化）出身，对百度等搜索引擎的"调性"比较熟悉，所以在19年知乎宣布F轮融资、百度领投之后：

很快了解到了知乎的百度搜索流量翻了好几倍，来源于百度搜索的流量在知乎整体流量来源的比重中又上升了很多。

我们在做SEO的时候，经常要跟踪自己站点的排名变化，以便做相应的站内优化，因此我想到了把两者的思路结合一下，形成一个"利用知乎在百度的搜索结果排名来指导我们运营「好物推荐」"的思路。

即：优先选择拥有巨大百度流量却还没有优质回答的问题，形成错位竞争！

大致步骤是：

挖掘目标类目的关键词，批量到百度里搜索，统计这些关键词的搜索结果中，属于知乎的链接里相关问题的具体排名。

然后利用搜索引擎的"点击率分布数据"，结合问题的排名来赋予每个问题相应的流量占比。

最终形成一份报表，根据每个问题的流量占比和覆盖词数来筛选优质问题。

如果不明白没有关系，跟着过一遍就懂了，以下开始演示实操步骤！

步骤1：挖词

本文选择"厨具"类目作为本次的演示数据，即假设我们是一个准备推荐"厨具"相关品类的作者，我们对如何选购"冰箱"、"电饭煲"、"电磁炉"、"油烟机"、"榨汁机"等有相关经验。

那么我们需要围绕这些产品名称来挖词。

挖词渠道推荐：百度关键词规划师、艾奇关键词助手、5118、爱站

挖词工具具体使用可以看我第1篇文章。

本次方式不需要海量关键词，因此只演示一种渠道，本文以艾奇关键词助手为例。

我们希望通过挖词搜索来统计出流量大的知乎问题，但是并非什么问题都是我们想要的，对于做"好物推荐"，我们需要的显然是这样的问题：

而非这样的问题：

因此，在挖词时，应该人为的添加相应的后缀，来控制挖掘出来的长尾词。

分两方面：通用后缀和行业相关后缀

通用后缀：

与好物推荐相关的问题总是围绕着：推荐、哪个好、怎么选等等。

包括但不限于：

推荐、排行、品牌、质量、靠谱、哪个好、怎么选、哪里买

行业相关后缀：

与厨具电器相关的一般会涉及：参数、性能、功率、噪音等等。

两者可以结合个人经验和想象力拓展出更多后缀，然后在Excel里把每一种产品轮番对应一遍：

复制到挖词渠道上拓展，我们这里使用艾奇关键词助手，它的数据是来源于百度的：

上方是我们复制进去的关键词，一行算一个，下方是每行拓展出来的关键词。

其他产品一样使用同样的方式，再把它们挨个导出来汇合到一起，拓词就算完成了。

我们本次的统计方式是计算各自的流量占比，不需要太多词，有个1万以上都是足够体现的。

我们可以把厨具类的产品都收集一遍，也可以只收集我们只想推荐的，比如：冰箱，然后尽可能丰富一下后缀。

如果是收集多种产品一起统计，注意产品之间的关键词数不能相差太多！

简单清洗：

一般挖词后都需要清洗关键词，可以根据我之前第1篇文章的步骤简单清洗即可：

我们本次涉及的关键词数并不多，因此直接合并几份数据，在Excel里清洗即可（Excel如果不会可以看我第3篇文章）。

需要特别说明的是：

在这里，"去长去短"这一步：主要去掉太短的，6个字及以下的去除掉，长的放着。

"去非目标词"：着重思考下目标类目经常会产生哪些我们不需要的后缀，批量去除掉，比如：维修。

步骤2：收集及统计数据

我们现在挖掘出了一批词，大约17000个，搜索量为0不是指没有人搜索，而是阶段性搜索量低而没有显示，我们现在要用这些词批量收集排名数据。

在收集及统计前我们先了解搜索引擎"点击率分布数据"的概念：

搜索引擎第一页的每一个排名（1-10）都是有对应的较为明确的点击率数据的。

各大搜索引擎已经好几年没有更新发布新的点击率数据了，目前比较主流的数据仍然是早年公布的：

按照这份数据红框部分，当用户搜索一个关键词的时候，排名在第一位的搜索结果被点击的概率是42.28%，下面的排名依次类推（排名第一的流量就是这么强悍）。

进而得知，如果一个关键词一天的搜索次数是100次，那么理论上排名第一的这个页面会被点击42.28次，也就是获得了42.28个流量值。

我们的统计逻辑是（重点）：

收集一批与"好物推荐"相关的长尾词，假设每一个长尾词一天的搜索量都是1（因为长尾词的特点是往往有海量的变种词汇但单个词汇搜索量极低），把它们批量拿到百度里搜索，记录每个知乎链接的排名位置，结合上面的点击率分布数据来预估该链接获得了多少流量。

比如搜索："家用抽油烟机哪个牌子好"，在搜索结果里，有一条知乎的问题链接：

它排在了第二位，按照上面的点击率分布数据，它应该获得11.92%的流量，因为我们假设这个长尾词的搜索量是1，因此它实际获得了0.1192的流量。

按照这个逻辑，我们批量搜索，批量统计，最终就可以计算出每一个遇到的知乎链接，它在被各种关键词搜索时总共可以获得多少流量（预估）。

这个思路是我们之前在SEO行业群里讨论，一个朋友分享的，是一个很好的统计思路，我们之前把它运用到我们自己站点来跟踪排名变化，现在则结合到这里来预估知乎某些链接的流量。

当然我们会发现，这个流量值根本只能是相对的，因为它跟我们究竟批量搜索了多少个关键词有关，跟每个关键词的具体搜索量有关，跟实际的点击情况有关。

但是没有关系：

长尾词的搜索量几乎可以约等于1

搜索引擎的点击率分布这么多年其实不会改变多少，因为搜索场景一直没有变更

关键是，每一个问题被统计时，它们面临的影响因素都是一样的，但是实际统计出来却仍然会有不一样的流量占比，这完全是因为它们自身的排名差距所导致的，而我们就是要统计出这种差距。

至于用了多少个关键词，也没有关系，我们要的只是相对占比，不需要具体的绝对值，我们当然不能拿三五个关键词说事，但是上万个的关键词综合统计出来的数据是具备参考性的。

因此，使用这种方式，我们可以统计出用户在百度搜索目标类目关键词时，哪些问题总是比较能获得更多的流量。

逻辑清楚后，就要考虑如何实现，在这里我依然是推荐使用Python，如果不会技术，这个程序想要学会自己写，也是相对简单的，比之前的"词文本向量分类"简单多了，按照我之前第3篇文章里介绍的学习路线即可，同样都是思维重要，技术本身却很简单。

接下来简单介绍一下程序步骤（不会编程可以跳过本段）：

准备3个变量，用于分别存储问题、文章（稍后解释）、关键词的累积数据。

问题及文章变量的存储结构为：链接、ID（问题或文章）、预估流量值、覆盖词数

关键词的存储结构为：关键词、涉及问题数、涉及文章数

1：循环提取关键词到百度里获得搜索结果

2：在每次返回的结果中做如下操作：

a：非知乎问题和文章的链接一律跳过

b：碰到知乎问题（文章）链接时，根据它的排名（按接收到的顺序算排名）计算对应的预估流量值

c：该链接覆盖的词数自动+1

d：当前关键词涉及问题（文章）数自动+1

3：将所有数据存储，并分别打印到Excel里

下面是一段伪代码：

# 点击率分布数据clickrate = {
	1:0.42134,
	2:0.11897,
	3:0.08498,
	4:0.0606,
	5:0.04916,
	6:0.0405,
	7:0.03412,
	8:0.03014,
	9:0.02849,
	10:0.02995}question = {'url':{'id':'','score':'','id':'key_num',}} # 问题表article = {'url':{'id':'','score':'','id':'key_num',}} # 文章表keyword = {'key':{'q':0,'a':0}} # 关键词表# 抓取搜索结果def GetJson(key):
	rel_json = requests.get(link)
	return rel_json# 统计数据def CountScore(rel_json,key,question,article,keyword):
	# 循环读取每一条数据
	for data in rel_json:
		# 得到链接、排名、ID
		url,pn,ids = data
		# 计算预估流量值
		score = 1 * clickrate[pn]
		# 填充数据
		question[url] = {'id':ids,'score':score,'key_num':1}
		# 关键词加1
		keyword[key]['q'] += 1
	return question,article,keyword

伪代码仅仅写了核心的部分，侧重说明一些核心步骤，有些代码是错误的，一些不重要但必要的步骤也是缺失的，仅作参考使用。

采集过程控制下速度，利用公开数据做分析，尽量尊重下平台规则。

另外，我们刚才介绍思路时谈的对象一直是问题，实际统计中，其实也同时统计了文章，因为它也有其他的指导意义。

步骤4：分析挑选（重点）

在我们自动统计完所有数据后，我们会得到一份Excel，它有三张表，分别是：问题、文章、关键词。

"问题表"的数据如下：

问题链接：它是我们在收集的过程中遇到的每一条独立的链接，在表里是唯一的

问题ID：从链接中提取，每个独立的问题都有各种不同的链接被百度收录，在表里是会重复的

预估流量值：每一条独立的链接在收集中综合统计出来的预估流量

覆盖词数：在搜索所有词时，该链接出现了多少次，说明覆盖了多少个词

至于为什么一个问题会有多个链接被百度收录，是因为在知乎一个问题有多种版本的链接。

一条标准的问题链接：

https://www.zhihu.com/question/30688154

一个问题其中一个答案的链接：

https://www.zhihu.com/question/30688154/answer/49036927

一个问题带各种参数的链接：

https://www.zhihu.com/question/30688154?sort=created

这些参数代表各种意义，比如按各种维度排序等等

对于搜索引擎来说，一个链接就是一个页面，虽然是同一个问题下的，但是被搜索引擎抓取时都是看待为不同页面，都会收录。

根据上诉的数据关系，我们可以使用Excel的"数据透视表"来统计出单个问题获得的总流量值（也就是把所有属于这个问题的链接对应的流量值都加起来），选择所有数据，然后"插入"-"数据透视表"：

会得到这样一份表：

勾选"问题ID"、"预估流量值"、"覆盖词数"，按照如下放置：

左边的数据就是我们需要的，它以单独的问题ID为标识，对应着每一个问题获得的所有"预估流量值"和"覆盖词数"，复制过来放到一份新表：

"文章表"的数据也是一样的：

它的情况和"问题表"一样，同时也一样统计出一份新的汇总表。

"关键词表"的数据：

关键词：我们拿去搜索的词，搜索多少个，这份表就有多少条记录

涉及问题数：该关键词搜索之后，遇到了几个不同的问题

涉及文章数：该关键词搜索之后，遇到了几个不同的文章

数据表的意义我们理解了，也汇合成新的数据表了，那么有什么指导意义呢？

1：对于"问题汇总表"，提取出预估流量高并且覆盖词数多的问题ID。

这些问题都是在百度拥有相对高的流量来源的，优先在这些问题底下推荐才有机会获得更高的曝光量。

2：对于"文章汇总表"，提取出预估流量高并且覆盖词数多的文章ID。

虽然文章是别人发表的，我们也没办法回答，但是可以研究对方的标题和内容，知乎在百度的权重已经足够高了，不用担心我们发布的文章不被收录或者排名不好，剩下的就是在比拼标题和内容，研究对方的标题和内容是如何布局关键词的，这是文章在百度排名优异的一部分关键。

3：对于"关键词表"，提取出涉及问题数多和涉及文章数少的关键词。

涉及问题数较多说明该词在目标类目里具有相对代表性，才能在搜索时出现相对多的各种同类问题，同时，如果该词涉及的文章数较少，或者几乎为0，说明用户目前在百度搜索该词时，还没有能排得上来的好文章，那么显然我们应该：

以该关键词为标题，围绕该关键词撰写一篇优质的推荐文章，用这种方式布局用户可能会搜索到的各种需求。

当然：

"家用抽油烟机哪个牌子好" 和 "家用抽油烟机哪个品牌好"

这显然是可以被一致看待的两个长尾词，那么就不要为此重复的撰写两篇文章，这是在制造信息垃圾，无论站在用户体验、平台规则、自身形象的角度，都是有害的。

如果我们针对该长尾词撰写了一篇文章，按照知乎在百度的权重，很快就会被收录，如果我们发现新发布的文章链接迟迟在百度没有收录，我们可以主动去提交。

先判断是否收录：

把目标链接放到百度里搜索，能找到就代表有收录了，如果没有收录：

点击红框里的"提交网址"：

点击提交后，搜索引擎就会知道这条链接，只要我们文章不是三两个字的，一般都会被收录。

4：提取"问题表"里，带"updated"字符串的链接，比如：

https://www.zhihu.com/question/30518410/answers/updated

这是一条我们收集到的被百度收录的知乎链接，它其实是一个问题的答案按照"时间排序"后形成的链接：

我们之前说过，对于搜索引擎，一个链接就是一个页面，尽管其实是同一个问题的不同排序结果而已，但对于搜索引擎，也是单独看待的页面。

那么当这样的链接被百度收录了，用户通过百度进来之后，他看到的这个问题的页面是按照"时间排序"的，所以用户先看到的第一个答案是最新回答的。

因此，我们肯定也要优先回答这样的问题，当然了，我们这样想，别人也这样想，但是总比用户进来之后，回答里没有我们的相对好，至少在短期内，该问题下的最新回答，我们可以排在第一或前几。

刚才1、2、3里都提到了"提取相对较高"这个思路，那么在Excel里具体怎么做呢？

我们可能会收集到几万个问题，这么多问题里，挑选出多少个合适，怎么才算是相对较高？

这里我们按百分比即可，分两种方式：

假如我们收集到的问题只有小几千个或者千把来个，那可以直接用Excel的四分位公式。

比如下面一张表：

假设这是我们收集回来的数据，所有的预估流量值如上，我们需要提取出预估流量值最大的top25%，也就是提取出这10个数当中数值能大于其他7.5个以上的那些值。

这数据太简单，眼睛观察就知道目标数值得是大概大于7.5以上的。

而Excel的四分位公式可以帮我们得到：

公式：=QUARTILE($A$2:$A$11,1)

第一个参数"$A$2:$A$11"就是我们的目标数据列的表格范围，实际看具体数据有多少。

第二个参数填入多少，对应取的值如上图所示，我们填入3，就能得到大于75%个数的数值是多少：

其他分位是一样的方式：

也就是说，某个数值大于等于7.75，就能超过75%的其他数值，所以我们通过筛选：

就可以得到我们需要的预估流量值top25%：

在10个数值中，8、9、10超过了其他75%的数值。

因此：提取"问题汇总表"里的预估流量值和覆盖词数较高的前25%就可以使用这种方式，因为数据量本身不大：

如上图所示：第三分位已经被我们都计算出来，只要针对预估流量值和覆盖词数两列同时做筛选，就可以提取到我们要优先处理的top25%的问题了，1000个里提取出来，大概也就250个左右。

但是我们面对的可能不是千把个问题，往往是上万个，如果提取top25%，那就是2500个，那这个"优先级"的范围也太大了，因此我们需要另一种方式：

公式：=PERCENTILE.EXC($A$2:$A$101,99%)

在这里，我们可以把这个公式当成上面四分位的灵活版本，不过这个公式需要对面100个以上的数据才可以。

第一个参数依然还是目标数据的表格范围标识。

第二个参数，当我们填入99%，相当于100%-99%=1%，也就是我们会得到top1%的数值。

然后再用上面同样的方法，用这个得出来的top1%的数值做筛选，就可以提取相对较高的前1%的目标问题了。

换成90%，就相当于提取前10%的数值了。

我们本次收集的问题大概是8000+，使用这种方式提取前1%：

从图中可以看到，预估流量值的数值只有大约1%是超过13的，覆盖词数同理。

这是计算出来的top值，利用它们同时筛选，得到优先数据：

能满足条件的只有74个，这就是我们首先要回答的问题了，当然我们优先回答完一批，把它们清理后，继续使用同样的方式再提取top的数据即可。

"文章汇总表"和"关键词表"的数据同理处理。

我们在筛选出来的这些top1%的数据里随机挑选一批检查，发现它们主要会包含这两种类型的问题：

问题ID：19731617

预估流量值：93.99683

覆盖词数：1099

这种类型的问题，它的答案数量不少，但相对大热门的问题，却也不多，中规中矩，现有答案的质量参差不齐，一般有个正儿八经的长文推荐，都能排在前头，整个问题的浏览量很高，甚至高到与其他数据不成比例。

几十个回答，几百个关注的问题，却有百万级的浏览量。

对于搜索引擎来说，这样的问题肯定算是优质内容了，它在百度里的排名高是正常现象，恰恰验证了这种统计方式的逻辑没问题。

这些在搜索引擎排名比较好，流量比较高的问题，它们的浏览量数据和其他数据不太成比例，考虑到可能是来源百度的用户多，但是这些人只是看，有需要可能会点击链接直接买，但不会对问题关注或点赞，搜索的目的性总是很强。

像这样的问题，流量大，但回答数却还不是很多，现有回答的质量也没有非常突出，就是一种潜在的机会。

问题ID：287723879

预估流量值：134.89637

覆盖词数：423

只有三个回答，而且内容的质量并不高，不是专门的推荐：

我们都知道零星一两个答案的问题，在知乎基本上不会有什么推荐，再加上没什么人点赞，就更不可能扩散，所以这类问题的浏览量应该大部分是来源于搜索引擎。

我们搜索一下百度：

除了广告，这个问题已经是第一名了，排名确实很好，而且"凹面电磁炉推荐"算不上很长的长尾词。

我们来看看"凹面电磁炉"的搜索量：

由它延伸出来的长尾词会有千千万万个，这些搜索量加起来是很可观的。

那么我们可能会疑问，排名这么好，搜索量也不低，怎么这个问题浏览量也才不到1万？

我们都知道关键词有长尾性质，一个"电磁炉"，加上属性、品牌、需求，可以演变出各种各样的词，它们的特点是单个搜索量很小，但是胜在词量大，每天都有各种人去搜索各种词，多得是我们想象不到的。

而对应的，问题肯定也有这种长尾性质，从百度搜索之后，用户不一定都进入到这个问题，也就是流量会被各种同类问题分散掉，比如下面这个：

问题ID：294901665

预估流量值：26.53348

覆盖词数：434

这个问题跟上面的属于同一类，它有一万多浏览量，但是只有两个答案，还都不是在做推荐的。

也就是说，这两个问题，它们都是在知乎里基本不会被推荐的问题，但是它们会靠着百度的来源流量，日积月累的提升浏览量。

我们主要要做的就是这类问题，在某个大类里，它们可能成百上千甚至成千上万，它们都不会被推荐，不会有其他人来竞争，几乎没有现有的答案，但是它们都有稳定的流量，这些问题合起来的总流量不低于大热门的流量。

假设一个类目里有100个这样的问题，这些问题在百度的排名都很好，每天被各种搜索类目长尾词的人访问，这些问题里大部分都是我们的答案，甚至只有我们的答案，那能带来的长尾流量即可观且稳定。

特别是稳定，这么多无人竞争的问题都被我们覆盖了，短期内不会有太大的变化，如果我们运气好在某个大热门的问题下写了个优质答案，但是这种答案注定不多，很有可能某天就被人压下去了，流量会瞬间失去。

有需求、有流量、有排名，却没有好的内容来解决用户需求，这正是需要我们去完善的。

我们跟各种大V去竞争各种热门问题，还不如来解决这些有流量却还没有人搭理的需求。

综上：

回答不多但流量很大、回答很少但综合流量大，这两类问题就是我们找出来的"错位"。

写在最后：

1：几个提升点

在百度搜索时加入"site:目标站点域名"，可以使得搜索结果皆为目标站点的内容。

比如：

像这样搜索："油烟机推荐 site:http://zhihu.com"，那么我们能看到的结果都是来源于知乎的。（除了广告）

我们在抓取搜索的过程中可以选择要不要在关键词后面加入site指令，加入之后因为返回的都是知乎链接，方便收集和统计，同时也不用担心这种方式会影响排名的客观性，即使是站内之间，每个页面的权重也是不一样的，我们要的就是统计出这种相对的差距。

在计算预估流量时，我们上面是把长尾词统一当成搜索量为1，如果我们希望提升统计的准确率，可以在抓取时给关键词带上对应的搜索量（尽量在百度官方渠道获取），在统计过程中，乘以对应的搜索量，计算出来的预估流量值将更趋近于真实。

我们上面只计算了排名前10位，也就是第一页，其实第二页的排名也是有对应的点击率分布数据的，也可以抓取更多页面一起计算，毕竟一条问题被排在了第二页，也是有可能被点击的。

对于技术人员来说，抓取过程中加入rn和tn字段，肯定是更方便抓取，至于什么是rn和tn，技术人员百度一下肯定明白。

2：技术建议

对于技术人员，没有什么好建议的，毕竟自己有能力写出对应的程序来。

对于非技术人员，首先可以参考我写的第3篇文章，按照上面的方式来学习，自己也可以写出需要的程序，这套程序本身并不难，不过是一些循环和判断而已。

其次如果个人实在没有精力学习编程，而又确实很想用这种方式尝试"好物推荐"，那么我个人也建议可以在市面上找第三方代做，专业的事情交给专业的人做，自己把精力放在思路上，这套程序并不难，300左右最多，超过就不要接受了。

如果找第三方代做，程序拿到手后可以使用少量的关键词测试，然后对得到的结果做验证，记得让他的代码开源。

由于我个人不是从事编程职业，所以自己写的程序只是适用于自己，真正把一个程序打包成软件出售的话要考虑太多技术之外的事情，所以个人没有帮忙代做。

3：一点想法

目前自己有其他的项目在做，对于自媒体变现暂时没有什么想法，我在写自媒体的时候也在考虑是否有合适的变现方式，对于知乎，我所了解的主要是"付费咨询"和"好物推荐"，两者我都挺看好，一个是知识付费，一个是带货，大势所趋。

如果是"付费咨询"，那可能我还能给一些行业的新人提供一些建议，可是我是一个理工直男，对于买东西我向来是只买需要的，不需要时不逛不看。

平时生活中其实也没有什么很了解的商品，让我给别人推荐商品，说实话我也不太会推荐，关键是我压根都没买过、没用过的东西，我也不知道怎么推荐。

所以其实本文的这个思路仅仅只是我过往经验得出来的，但是并没有真正的实践，具体实操后会是什么样的效果，我也不好说。

可以确定的是，利用"点击率分布数据"来统计排名的预估流量，这个方式绝对是科学的，这是我们做SEO时经常要做的事情，它确实能指导我们优化。

并且，我们在知乎大多时候是乱逛，没有太多目的性，而在百度搜索一个关键词，目的性是很强的，有需求，他一定是要找一个解决他需求的页面，所以围绕百度流量来开展「好物推荐」我挺看好。

如果你能认真的去推荐你擅长的领域，我相信效果并不会差，本身我们依然是在做「好物推荐」，只是我们在基础数据比较差的时候，用另一种方式避开竞争，同时挖掘还没有被满足的需求而已，这个技巧也不单单可以在初期数据基础差的时候用，在以后慢慢起量了，它依然是锦上添花的行为。

如果这套思路你觉得可以尝试，欢迎在评论下讨论。

如果这套思路你觉得有不妥的地方或者可以改进的地方，欢迎来交流。