Shopee流量掉了：分清平台原因和自己的原因

流量下滑先分类再动手

分类之所以要放在第一步，是因为它直接决定了后面要不要动手。属于平台侧的变化，你做什么都改变不了趋势；属于自身侧的问题，不处理就会一直往下走。把这两类先分开，动作才有意义。

分类的另一个作用是控制情绪。看到数字下滑时人容易慌，慌了就会乱改。如果先花半天时间把范围和时间弄清楚，心态会稳很多，后面做的判断质量也更高。

从成本上看，分类本身的投入很小。看几个数字、比几个时间点、扫一眼同行的表现，加起来不到一小时。但这一步能把后面几天甚至几周的无效动作挡掉，投入产出很划算。

分类还有一个附加价值，就是它会让你的判断越来越准。每次分类都记下依据和结论，做上十几次之后，你会发现自己对什么情况该往哪边归，已经形成了一套稳定的判断。

需要澄清一点，分类不是为了给自己找借口。平台原因成立的时候，仍然有该做的事，比如调整节奏、保住服务质量。分类只是让动作放在对的位置上。

分类的第一步是确定比较基准。拿今天和昨天比，还是和上周同期比，结论可能完全不一样。比较基准应该选业务节奏相近的时段，避免把节奏差异算成下跌。

第二步是确认跌幅是否超出正常范围。每个店铺的日常波动都有一个区间，先看这次是否落在区间之外。区间之内的小幅波动，不值得启动一次完整排查。

第三步是划定影响范围。是全店一起变化，还是集中在少数商品，是只影响一个站点还是多个站点。范围越清楚，后面的方向就越明确。范围定准了，后面的排查就不用东张西望。

第四步是把能控制的和不能控制的分开列。平台规则、整体环境、行业周期属于不能控制的，商品状态、价格、内容属于是可以控制的。分完之后，注意力自然就往能动的部分集中。

第五步是给这次分类定一个时间上限。比如用半天时间做初步判断，得出先看哪边的方向就往下走。没有时间上限，容易在分析里绕圈，半天的事拖成三天。

第六步是把分类结论写下来。哪怕结论只是倾向于平台侧、需要继续观察，也值得记一笔。记录让下次的判断有起点，不用每次都从零开始。写下来的结论，本身就是下一次的起点。

有个细节是别把季节性变化和真实下滑混起来。同一个商品在旺季和淡季的绝对量差别很大，直接比数字会得出错误结论。比较时尽量用同期对比，或者用相对变化率。

另一个细节是新上架的商品会拉高整体基数。新品带来的增量消失时，总量看着下滑，其实只是回到了新品进入之前的水平。判断时要把新品单独拿出来看。

还有一个常见误区是看的时间窗口太短。一天的数据本身波动就大，用一天来判断趋势，容易被随机抖动带偏。至少看一周，结论才稳得住。窗口选对，判断才不会被随机波动带偏。

如果店铺同时在多个站点经营，还要注意各站点的节奏差异。有的站点节假日在前面，有的在后面，把所有站点加总来看，波动会被抹平，反而看不出问题。

分类做多了之后，你会发现真正需要处理的异动其实不多。大部分数字变化都在正常波动范围内，认识到这一点，能省下大量不必要的精力。把精力省在真正需要处理的少数情况上。

把判断标准写下来贴在显眼的位置，也有实际作用。人在着急的时候容易忘记规则，有一个现成的标准可以照着看，比凭记忆判断要可靠。标准自己定，用起来才顺手，也更容易坚持。

分类的意义是先把不该你处理的部分剔掉

平台侧的信号怎么识别

平台侧变化最明显的信号是范围。它往往同时影响一大批商品，不管这些商品属于什么类目、什么价格带、什么销量量级。这种无差别的波及，是自身操作做不到的。

第二个信号是时间上的整齐。平台侧的变化往往在同一个时间点同时开始，前后几乎没有过渡。自己的操作引起的变化通常有先后，因为改动是一件一件做的。

第三个信号是对手的同步性。去翻几个同类目卖家的表现，如果大家都在同一时间往下掉，那说明问题不在某一家身上。这个信号的说服力比较强，值得每次都查一遍。

第四个信号是结构上的一致性。站内搜索、推荐位、活动页、站外渠道如果同步减少，说明问题出在更上游。只有某一类来源减少时，反而要往自身侧多想一想。

还有一类平台信号是公开可查的。平台自身的人事变动、规则调整、系统升级，都会在公告或者通知里出现。翻一遍最近的通知，有时几分钟就能找到答案。

识别平台信号的第一步是拉全店列表。把在售商品按销量排序，看头部的这些商品是不是同时出现变化。头部商品通常最能代表整体情况，观察效率最高。

第二步是切换站点看。如果只在一个站点下降，其他站点正常，那更可能是区域性的变化；如果多个站点同步下降，平台侧的可能性更大。这一层区分能迅速收窄范围。

第三步是查通知和公告。平台侧的调整通常会提前或者同步发出提示，花几分钟翻一遍最近的通知，有时就直接找到答案了，比自己做一堆推测有效。

第四步是看后台是否有异常提示。系统维护、功能调整这类信息，有时只在特定入口出现。平时不看的位置，排查时值得专门点开确认一次。这一项花的分钟数很少，但常常能直接命中。

第五步是记录这次的信号组合。哪些信号出现了、哪些没出现，写清楚。信号比对结论更有长期价值，因为信号可以反复用来判断，结论只对这一次有效。

第六步是把观察动作固定下来。判断平台侧还是自身侧，需要的观察项基本是固定的一组。把它做成清单，以后遇到异动按清单扫一遍就行。清单越用越准，漏查的位置会越来越少。

有个细节是平台侧的变化有时是分层的。搜索入口和推荐入口的调整节奏可能不同，一个先动一个后动，看起来像是两个独立事件，其实来源相同。

另一个细节是要区分短期波动和规则调整。短期波动几天就恢复，规则调整会持续影响很长一段时间。判断它们的方式是看持续时间，而不是看幅度。

还有一种情况是流量没减但结构变了。总量看着正常，仔细拆开发现搜索来的少了、推荐来的多了。这类变化不算下降，但会影响后续的转化，需要单独记录。

如果确认是平台侧调整，建议把这次的现象和应对方式写进记录。同类调整往往会反复出现，有前一次的经验，下次的反应速度会快很多。记录这件事的好处，下次遇到同类调整就能体现。

这里要留意的是别把平台侧当成万能解释。所有自己看不懂的变化都归到平台头上，等于放弃了排查。归到平台侧，至少要有一个可以观察到的依据。

从长期看，平台侧的判断能力会随着记录积累而提高。同一类事件经过两三次之后，你基本上一眼就能认出它，排查时间会大幅缩短。识别能力的提升，靠的就是这些重复出现的事件。

归因错一次，后面的动作会全部跑偏

大促与季节的周期波动

周期波动的第一个特征是它可以预期。提交期、活动期、返场期各有各的流量特点，看过一个完整周期之后，下一个周期基本能对上。这种可预期性本身就是判断依据。

第二个特征是它的形状会重复。把去年同期或者上一个活动周期的曲线调出来，两段的形状往往相似，只是幅度可能不同。形状对上了，基本可以排除异常。

第三个特征是和消费节奏有关。换季、节假日、开学、年终，这些时间点前后的消费结构会变，流量也会跟着变。这类变化不需要处理，等节奏过去就好。

容易被忽略的是活动之间的间隔期。大促刚结束的那一段时间，流量回落幅度往往比平时更大，因为需求被提前消耗掉了。这段时间的低谷属于正常，不该当成下滑。

处理周期波动的正确方式是提前准备，而不是事后解释。知道什么时候是低谷，就提前安排好工作节奏，把需要精力的动作放在回升期，效率会高很多。

识别周期波动的第一步是找到历史对照。把去年同一个时间段的曲线调出来，看形状和幅度。找不到一年前的数据，用上一个同类活动周期也可以。

第二步是看这次变化的形状是否熟悉。如果是平稳下滑再平稳回升的形态，且发生在预期的时间点附近，那属于周期性的可能性较高，不必过度反应。

第三步是确认幅度是否在历史范围内。周期波动也有大小之分，如果这次的跌幅明显超出往年，就不能只当作周期处理，需要往其他方向继续查。同一种形状不代表同一种幅度，两者要分开看。

第四步是提前为新周期做准备。知道低谷什么时候来，就可以提前把人员安排、内容准备、库存补充这些事排到别的时段，避开效率最低的窗口。提前排期之后，低谷期的效率反而会更高。

第五步是把周期写进自己的日历。把已知的高峰期和低谷期标注出来，每天看数的时候对照一下，很多波动在发生之前就已经能预期到。日历标好之后，很多变化就不算意外了。

第六步是每年更新一次这份日历。消费节奏会变，活动安排也会调整，去年的规律不一定完全适用今年。更新之后，这份参考的准确度会更高。节奏本身也在变，保持更新才能一直用得上。

有个细节是活动期的统计口径可能和平常不同。活动期的部分流量会被单独统计，导致常规口径下看着减少。看到这种情况先确认口径，再判断是不是真的下滑。

另一个细节是活动结束后的余波。大促结束后订单集中发货，物流和客服压力大，评价和体验可能受影响，进而间接影响后续的流量。这条链条比较长，容易被忽略。

还有一个容易被误判的时间点是节假日。节假日期间买家行为会变，浏览多下单少是常见现象，这时候看流量要结合转化一起看，单看流量容易得出悲观结论。

判断周期波动时，幅度比形状更重要。形状相似但幅度明显超出历史的，不能简单归为周期，需要继续往下排查。幅度超出去的时候，就要按异常来处理。

把每个周期的变化记录下来，两三个周期之后就能形成一个大致范围。有了范围，判断某个幅度是否正常就变成了一眼的事。范围建立起来，判断就从分析变成了对照。

这类记录不需要很精细，写下日期、方向、大概幅度三项就够了。成本低，但它的实际用处比很多复杂的分析更大。越简单的记录越容易坚持，也越容易复盘。

自己改动的时间点比对

比对的第一步是把最近的动作排成一条时间线。改标题、换图片、调价格、上活动、改物流模板，逐条写上日期。有了这条线，后面的对照才有依据。

第二步是找出流量开始下降的准确日期。这里要注意用数据的实际变化日期，而不是你注意到的那天。注意到的时间往往比实际发生的时间晚好几天。

第三步是看两件事之间的间隔。间隔在一到两天之内，关联度就值得重点考虑。间隔超过一周，那可能是别的原因，或者是几个因素叠加在一起。间隔越短，两件事之间的关联就越值得重视。

第四步是判断传导路径是否合理。改标题影响搜索匹配，改图片影响点击，改价格影响人群定位。如果动作和变化之间找不到合理的传导链条，就不能轻易归因。

第五步是找一件没动过的商品做对照。如果没动过的商品表现平稳，动过的那件持续下降，这个对比能明显提高判断的可信度，比单看一件商品要可靠。

比对的第一步是建立动作日志。用一张简单的表记录每次改动的时间、内容、操作人。写的时候不觉得有用，真正需要回溯时它是手边最直接的依据。日志写起来一分钟，但它是回溯时最靠得住的依据。

第二步是把日志和流量曲线并排看。两条线放在同一个时间轴上，哪次动作对应哪段变化一目了然。并排放的方式比分开看要准确得多。两条线并排，因果关系比单看一边要清楚得多。

第三步是标注出可疑的动作。时间对得上、传导路径也成立的动作，标出来作为重点怀疑对象。同时改了好几处的话，按影响面排序。标注不是下结论，只是先给后面缩小范围。

第四步是设计回退方案。先想清楚退回什么状态、怎么退、观察多久。回退之前把方案定好，避免退到一半又改主意，那样前面的观察就白做了。方案先定好，执行的时候才不会被临场情绪带偏。

第五步是执行并观察一个完整周期。数据要等一个完整的更新周期才能看出效果，观察期太短容易得出错误结论，这也是很多人回退之后仍然混乱的原因。

第六步是把结论补进动作日志。这次哪个动作有效、哪个无效，写在对应那条记录后面。日志积累一段时间之后，就成了一份属于自己的经验清单。

有个细节是数据本身也有生效延迟。改动之后数据不会立刻反映出来，通常要等一个更新周期。判断时间点时要把这个延迟算进去，否则容易误判成无关。

另一个细节是多个动作互相叠加。同一周里改了三处，很难判断是哪一处引起的。这种情况下的做法是全部记录，然后按影响面排序，一项一项单独观察。

还有一个细节是改动的可逆性。有的改动可以一键恢复，有的恢复起来很麻烦。对于不容易恢复的改动，做之前就应该记好当前状态，方便需要时对照。

如果发现某个改动确实带来了负面影响，回退之后还要留意有没有遗留。比如图片换回来了，但详情页里的图没同步换，问题会以另一种形式继续存在。

判断时可以用排除法做交叉验证。把可疑动作逐个隔离，观察数据是否恢复，这样即使一次找不准，也能逐步逼近原因。隔离观察一次，比反复推测要可靠得多。

把每次改动和结果都写进日志，积累十几条之后，你会发现自己对哪些动作敏感、哪些动作影响很小，已经有了自己的经验判断。这些经验最后会变成判断动作快慢的依据。

同类目卖家的横向参照

参照的价值在于提供一组外部坐标。只看自己店铺的数据，很难判断某个幅度算大还是算小。有了同一个类目里的其他对象，尺度感才建立得起来。

选参照对象要注意可比性。商品结构、价格带、销量量级、经营方式都要接近，比较才有意义。拿一个量级差好几倍的卖家来比，结论往往没有参考价值。

参照的方式不需要很复杂。看对方在同一时间段的热销品有没有变化、价格有没有调整、评价增长是否停顿，这几个观察点就足以判断对方是在正常经营还是也遇到了问题。

如果发现有相当一部分同行在同一时间出现相似变化，那平台侧的可能性就明显上升。这时候与其在自己这边反复改，不如先接受环境的变化，把精力放在能控制的事情上。

参照也要注意时间同步。看对方的时候要确保看的是同一天的数据，时间错开了，比较就没有意义。这一条看起来基础，但实际做的时候经常被忽略。

参照的第一步是选定对象。挑三到五个可比性高的卖家，规模不必完全一样，但要处在同一个竞争区间里。对象选对了，后面才有参考价值。对象挑得接近，比较出来的差异才有意义。

第二步是确定观察项。商品结构、价格区间、热销品变化、评价增长速度、活动参与情况这几项就够用，不需要很复杂的数据。观察项定死，就不会每次临时想该看什么。

第三步是固定观察的频次。可以每周看一次，记录几个关键点。频次固定之后，得到的是一段序列而不是零散印象，判断的稳定性会高很多。序列一长，微小的趋势变化也能看出来。

第四步是把观察结果和自己的数据放在一起。三条线并排看：自己的、同行的、类目整体的。三者走势一致，说明是环境在变；只有自己那条异常，才需要往内部查。

第五步是注意不要过度解读。同行的数据只能反映结果，反映不了原因。看到对方在涨，不一定说明他的做法值得学，也要看他是不是在别的渠道发力。

第六步是把这份观察做成常态动作。每周花十几分钟记录一次，成本很低，但它能让你在出现异动时立刻找到外部的参照，判断速度会明显提升。这件事的关键在于每次都做，而不是做得多细。

有个细节是不要只看头部卖家。头部卖家抗风险能力强，遇到环境变化时反应可能和中小卖家不同。挑和自己量级接近的对象，参照价值更高。量级接近的对象，表现才可以放在一起比。

另一个细节是观察频率要固定。今天看一家、下周看另一家，得到的是零散印象，不是趋势。同一批对象、同一个频次，才能积累出可用的序列。频次固定，得到的信息才有可比性。

还有一种情况是同行也在做调整，数据变化的原因可能和你完全无关。看到对方下滑不能直接推断环境变差，也可能是他自己出了问题。这时候需要多找几个对象一起看。

如果发现只有自己在跌而同行平稳，这个信号很重要，说明问题在内不在外。这时候应该立刻转向内部排查，而不是继续等环境恢复。这个信号指向很明确，不需要再等环境验证。

记录参照结果时，建议把时间和对象名称都写上。时间长了之后，这份记录本身就是一份类目变化的简史，回头看会发现很多规律。记录攒久了，回头看就是一份类目的变化记录。

这件事的价值很大程度上取决于是否持续。偶尔看一次只能解决当下的问题，长期记录才能形成判断力，而判断力正是排查效率的源头。判断力是排查效率的源头，它靠的是时间。

同一组现象要放在一起看，单项都不足以定论

站内与站外的流量拆分

站内和站外的流量逻辑不一样，混在一起看会互相掩盖。站内更多受搜索排序和推荐机制影响，站外更多受内容质量和投放节奏影响，两者的变化原因通常不相关。

拆分的第一步是确认各自的占比。看这两个来源各贡献了多少，谁是主力。主力渠道的变化对总量影响更大，排查优先级也应该更高。先看主力渠道，能让排查的重点更集中。

第二步是分别看趋势。站内稳定而站外下滑，说明问题在外部渠道；两边同时下滑，说明可能遇到了更大的环境变化。这两种情况处理方式完全不同。

第三步是看结构变化。总量没变但内部结构变了，也是很重要的信号。比如站内占比上升、站外占比下降，总量看着平稳，实际的买家构成已经不一样了。

拆的时候还要注意统计口径。不同来源的归因规则不一样，同一次访问可能被算在不同的渠道里。做对比时尽量用同一套口径，否则差异可能只是记账方式造成的。

拆分的第一步是确认渠道标签是否准确。归因规则不同，同一个访问可能被算在不同的渠道里。做分析之前先确认标签的含义，比直接看数字更重要。

第二步是按渠道分别看趋势。站内搜索、推荐、活动页、站外内容，每个都单独画一条线。分开看才能发现是整体变化还是局部变化，混在一起看不出这些信息。

第三步是看渠道之间的替换关系。有时候总量没变，只是渠道占比变了，比如推荐来了更多，搜索来得更少。这种结构变化会影响后续转化，值得单独记录。

第四步是查站外内容的发布节奏。站外渠道对发布节奏非常敏感，停更一段时间之后流量会明显下滑。这是最常见也最容易被忽略的原因之一。发布节奏是站外最敏感的一项，值得每次先查。

第五步是把两边的时间点对齐。站内的下降和站外的停更可能发生在不同时间，对齐之后才能看出谁是原因、谁是结果，或者两者其实无关。时间对齐之后，因果和巧合就能分开了。

第六步是记录拆分的结论。哪一边在下降、幅度多少、时间上有什么特征，写成一条备注。下次遇到总量下降时，可以先用这条结论快速排除掉一边。

有个细节是站外的效果通常有滞后期。内容发布之后要过一段时间才带来流量，停更之后也要过一段时间才显现。判断时要把这个滞后考虑进去，不能按当天对齐。

另一个细节是站外的数据统计口径不统一。不同渠道的计数方式不一样，直接加总会有偏差。做拆分时用相对趋势比用绝对数字更可靠。趋势比数字稳，比较时优先看方向而不是绝对值。

还有一种情况是站内流量里混了站外带来的部分。买家从站外内容进来后，又通过站内搜索找同款，这部分会被记在站内。归因口径确认清楚之后，这类混淆才能避免。

如果发现站外下降明显，第一步应该是查发布节奏和内容表现，而不是急着改商品。这是两个完全不同的处理方向，判断错了动作就白做。方向先定对，后面的动作才不会南辕北辙。

拆分的时候建议做一个简单的备注表，写清每个渠道的占比和时间特征。这张表在需要快速判断时非常好用，比现场翻数据要快得多。有一张现成的表，判断的速度会快很多。

这类拆分的意义在于让动作更精确。知道是哪一边在变，就能把有限的精力放在真正需要的地方，避免两边都改一遍。精确到渠道，精力才能用在真正起作用的地方。

先分清是谁的问题，动作才不会白做

判断结论怎么落地

结论落地的前提是把它写清楚。写清时间、范围、依据和判断结果四件事，一段话就能说明白。写不清楚的结论，过几天自己都会记混。结论写得越具体，后面执行时的歧义就越少。

确认是平台原因时，动作的重点是守而不是攻。保住商品状态、库存和服务质量，把推广投入往回升期挪。这时候加大投入去对抗趋势，通常效果很差。

确认是自身原因时，动作的重点是定位到具体那一项，然后单项处理。改完要有观察期，确认数据恢复之后再考虑下一项，不要一次改好几处。单点处理加观察期，是最省事的排查方式。

还有一种常见的结论是暂时无法判断。这种情况下不用勉强下结论，直接说明需要继续观察，并约好下一次看数的时间。这个处理方式比硬给一个猜测要负责得多。

不管哪种结论，都要同步给相关的人。运营、客服、推广各自看到的信号不同，把结论说清楚，能避免其他人重复排查，也能让动作方向保持一致。

落地的第一步是把结论翻译成动作。结论说平台侧在变化，动作可能就是调整预算节奏；结论说自身改动有问题，动作就是单项回退。结论不落到动作上，就只是一段描述。

第二步是明确谁来做。一件事如果没有具体的人负责，通常会被无限期搁置。写结论的时候顺手写上责任人和时间点，执行率会明显提高。责任落到位，结论才不会停在纸面上。

第三步是设定观察节点。动作做完之后什么时候再看数据、看哪个指标、达到什么程度算恢复，这些提前定清楚，就不容易在等待中失去耐心。节点定清楚，等待的时候心里就有数。

第四步是准备第二种可能。如果观察期结束之后数据没有恢复，下一步该查什么，提前想好。有备选方案，就不会在第一个假设失败之后又从头开始。

第五步是把这次的过程整理成模板。时间、范围、依据、结论、动作，五项写在一起，做成一份可以重复使用的格式。写几次之后，这套格式会越来越顺。

第六步是定期回看旧的结论。过一两个月之后回头看看，当时的判断对不对、动作有没有效果。回看能让判断能力持续进步，这比每次只做一次判断更有价值。

有个细节是结论要写成能验证的形式。写清楚什么条件下算验证成功，比如多少天之内恢复到某个区间。模糊的结论，事后没法判断对错，经验也就积累不起来。

另一个细节是要区分结论和猜测。根据现有信息得出的判断是结论，凭感觉给的判断是猜测。记录时标明是哪一种，后续回看时才不会把猜测当成事实。

还有一种情况是结论会随着信息增加而变化。今天的判断可能过几天被新的数据推翻，这是正常的。把每次修正都记下来，判断的演进过程本身也很有价值。

如果结论涉及多人协作，建议在同步的时候顺便明确下一步的分工。谁盯数据、谁做准备、谁负责沟通，写清楚了执行才不会卡在中间。分工写明，协作环节是最容易卡住的地方。

落地过程中还有一个容易忽略的点：把结论和自己原有的判断做一次比对。如果经常判断偏差，说明判断标准需要调整，这比单纯解决问题更有长期价值。

从习惯上看，把每次排查的结论都留一份档，几个月之后就能形成自己的判断图谱。哪类现象对应哪类原因，一目了然，这才是排查能力真正的沉淀。

常见问题（FAQ）