本节论述的流量是我们上架的 listing 能够获得的流量，在阐述这个逻辑体系前，先要纠正一下一个运营误区:绝对的“流量第一”关键字优化导向。例如很多第三方收费软件提供的单日流量数据表，即使很多运营没有这样的编程水平但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买，没钱折腾的“小卖”们也会拼了老命在Google Trends 或者其他 keyword数据分析平台上对比各个词组做出自己的一份搜索热度排序表(因为在大多数情况下购物习惯或者搜索习惯是几乎不会改变的 )，但是这样就会有奇效了吗?答案是并没有什么作用。
当然，从“流量第一”出发对关键字进行优化的确可以增加产品的搜索曝光率和流量增长率，但是需要注意的是，我们提到的是搜索曝光率和流量增长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)等于曝光量(X)乘以点击率(C)即Y=X×C点击率因为与产品主图有关所以可以暂且认为该值为定值;
其中曝光量(X)等于关键字总搜索量(F)乘以搜索曝光率[ P(X)]，即X=F×P(X)，其中搜索曝光率[ P(X)]与该关键字搜索后显示的商品总数量(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，所以假设单日流量为 yi(1≤i≤n)，单日曝光量为xi(1≤i≤n)，单日关键字搜索量为fi(1≤i≤n)单日能搜索到商品的总数量为ni(1≤i≤n），所以上述公式可以整合为连等式。
从上述推导可以发现，单纯从流量出发基本属于做“无用功”，因为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，搜索结果页面的页数也会急剧增加。
以“sexylingerie”比“bodystocking”为例，两者在亚马逊“Women”下的搜索结果分别为40000+与3000，搜索页数分别为400与81根据上述仿真数据,在首页流失率仅为 10%左右的情况下,一般40 页后就基本无流量产生了更何况在实际网页数据中流量流失率高达50%~70%,所以一旦搜索结果数量增多会给自然流量的增长带来毁灭性的灾难。
如何找到与自身产品匹配的关键字呢?这就需要在流量与搜索页面结果数量这两者中取得一个亚衡值。以数学推导的方式解释。
我们已经得到了流量(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)，单日关键字搜索量为fi(1≤i≤n),单日能搜索到的商品的总数量为ni(1≤i≤n）。
考虑到搜索曝光率[P(X)1]与该关键字搜索后显示的商品总数量(N)成反比即P(X)o1/N 。不过这一简单的反比关系过于简单且不严谨，所以这里需要引入流量流失率(L)这一数值，其表示流量因为页数增多而产生的流量减少。
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 ，设置搜索结果的页数为P，其具体数值会因为商品总数量(N)的变化而变化，关系为P=N/48,48 这一数值的来源是亚马逊搜索的首页展示数目，在不同类目下其数值可能不同。
因此，单日搜索页数pi(1≤i≤n)与单日能搜索到的商品总数量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，转换成单日数据表示。
同时，我们需要把搜索曝光率的计算稍加改进，使其与 listing 所在页面的产品数量成反比(因为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)，单日关键字搜索量为fi(1≤i≤n)，单日能搜索到的商品的总数量为ni(1≤i≤n)。公式能帮助我们理解哪些要素影响了单个 listing 的流量波动。
举例而言，假定现在已知某个关键字单日的搜索次数为 200000次，且单日通过该关键字搜索到的商品总数量为 500，那么ni(1≤i≤n）这时候就等于 500。假设此时我们的商品刚刚上架，排在这 500 个商品中曝光页数的最后一页，那么我们的商品就会在第 11页(用pi(1≤i≤n)=pi(1≤i≤n)/48来计算数，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,这意味着在这种情况下我们的商品最多可以获得约8个流量(实际上这里预估的值高于实际值，这是因为 listing 的曝光点击率不可能是100%，所以8 次有效曝光或者有效搜索很难转化为 8 个有效流量。但是当需要判断某个类目或者某些关键字组合的流量大小时，就需要用新的方法对亚马逊平台页面进行流量测试。
假设想要判断“dress”这一关键字搜索页面的单日流量，首先需要在搜索擎中输入“dress”进行搜索。
我们可以看到搜索结果非常多，“dress”这一类目作为亚马逊服装的大类目其单日搜索量非常大，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，因为每个搜索页面的流量存在流失效应，所以这里也需要用到上文提到的流量流失率(L)这一数值，其含义为流量会因为页数增多而减少。
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进行浏览的总流量。
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”搜索结果的前2页所有 listing一共增加的 review数量。
由此可以得到一个结论:我们能够根据“dress”搜索结果下前2页所有 listing的review数量波动，倒推出了“dress”的单日搜索量。但是这个推导逻辑还存在一定的逻辑漏洞，虽然我们可以统计“dress”搜索结果下前2页所有 listing在一段时间内review增长的数量，但是其review增长并不全部依赖于“dress”的搜索流量，而是由所有能够搜索到这2页产品的各自关键字组合所拥有的全部搜索量。
假设一共有x个关键字组合即 keyword 组合，每种组合的流量会在n天时间内给“dress”搜索结果下前2页产品带来N个review，其中搜索“dress”本身带来的review数量为N-d那么在n天时间内“dress”搜索结果下前2页所有 listing的review的增长量。
由上述推理可知，只要能够获得所有能搜索到“dress”这个关键字搜索结果下出现的前2页产品的关键字组合(keyword 组合)就能够根据review的增长数量推断出这些组合的总搜索量。
但是如果真的去一个个查找“dress”的各种关键字组合是肯定办不到的那么是否就无法判断某一关键字或者 keyword 在亚马逊平台上搜索量的大小呢?并不是(在7.3 节会详细阐述亚马A9 算法对产品的排名逻辑。在亚马平台上，每一个关键字组合其搜索结果是不同的，流量越大的关键字，其不同组合下的产品排名差异就越大。因此，对于大流量，属性小幅度重叠或者不重叠的关键字就可以直接根据 review增长数量的差异来判断不同关键字组合的流量大小。
假设需要对比“casual dress”与“dress”两个关键字在亚马逊平台上搜索量的差异，可以分别搜索这两个关键字。
因为流量流失率(L)的存在，且该数值必然大于 50%，根据“二八定律”原则只统计“casualdress”与“dress”下前2页产品的review 数值无论是通过技术手段@还是人工计算手段，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(不包含广告产品首页review数量为20126,第2页review数量为13738)“dress”前2页产品的review数值为48613(不包含广告产品首页review数量为28039,第2页review数量为20574)且于2018年9月3日“casual dress”前2页产品的review数值为33979(不包含广告产品首页review数量为20217,第2页review数量为13762),“dress”前2页产品的review数值为 48813(不包含广告产品首页 review 数量为 28169，第2页 review 数量为20 644)。
由此可得，“dress”下前2页的产品于24小时内 review增加了200个“casualdress”下前2页的产品于24小时内 review 增加了 115 个，其比值为 1.74:1。如果使用一些第三方的辅助软件，可以得到数据:(2018年3 月份某一天的数据)。
以“dress”为直接搜索对象的搜索次数为197878次，以“casualdress”为直接搜索对象的搜索次数为 111958次，其比值为 1.76:1与review增长的比值非常接近。
但需要注意的是，统计 review 时不要直接统计前几页的review 数量，因为亚马逊会实时改变排列组合,所以人工统计时需要第一次统计完后把前几页的listing链接记录下来，第二次统计时点开链接计算 review 数量，否则统计出来的 review数值会有严重误差，在使用该方法进行类目流量预测时，还需要注意以下两点:
(1)测试类目不可有过多属性重叠。如果测试的两个关键字组合或者 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 增长数量的比值并不能体现这些合搜索量的大小，因为重叠属性造成了产品曝光的重叠，会给流量预测造成较大的误差。
(2)根属性不同的类目无法进行流量对比。这是因为通过 review 变动还预测流量的前提是 review 的留评率保持一致，但是一旦根属性发生变化，该前提就不再成立。例如不能将鞋子关键字组合与裙子关键字组合的搜索结果为参照进行流量对比，因为鞋子类目的 review 留评率与裙子类目的review 留评率有较大的差异:但是T恤类目和上衣类目就可以做流量对比，因为其两者的 review留评率趋于一致。
因此，统计不同关键字或者 keyword 组合搜索结果下前几页 review增长的比值，就可以得出不同关键字在亚马逊平台搜索量的相对大小值。当想要了解某一个类目与现在从事的类目之间流量的差异时，可以通过该方法去预估其他类目的流量从而评判其市场大小。
