Shopee榜单位置反推销量：排名和量级的关系

排名与量级不是线性关系

断掉线性思维的第一个原因是需求分布的形状，同一个类目里愿意购买的人数是有限的，前面几名把这块需求的大头分掉了，越往后分到的越少。这种分法不是均匀的，前面几名的差距拉得很开，后面则迅速收拢挤成一团。

第二个原因是位次是序数而不是基数，它只表示先后顺序，不表示差距大小。第十九名和第二十名之间的实际差距，可能远远小于第一名和第二名之间的差距，两者在位次上都只差一位，但销量差着量级。

第三个原因是榜单的可见范围通常有限，只展示前若干名，这就让榜单的后段变成了一个截断的尾巴。你看到的最后一名其实是某条量级线的边界，而不是分布的自然末端，用它去推算更靠后的链接会失准。

还有一个原因是不同链接的判断基准不同，一个刚上架的新链接和一条运营了两年的老链接，同样的日销量对应的榜单位次是不一样的。榜单混合了各种阶段的链接，位次和量级之间的对应关系因此更松散。

理解这四点之后，正确的做法是从榜单提取量级档位而不是提取一个换算系数。档位承认了位次和量级之间的模糊关系，同时仍然保留了足够的信息去做判断，这是在信息不完整时比较务实的处理方式。

做量级判断的第一步是先放弃具体数字，只给自己三个选项，这个链接属于大中小哪一类。三个选项看起来粗糙，但它排除了最难判断的那部分精度，反而让结论更容易站住，也不会因为精确的假象被误用。

第二步是找一个参照物，把要看的新链接和一个你已经很熟悉的链接放在一起比。参照物的作用是把量级高低的问题转换成相对比较，相对判断比孤立判断容易得多，也更不容易出错。

第三步是把参照物外推，如果两个链接的位次挨着，可以认为它们量级接近；如果隔着十几位，那就要考虑可能差着一个量级档。外推的时候保持保守，宁可说接近也不要说超过。

第四步是遇到头部链接时格外小心，头部的量级高、样本少，用中段的方法去推断头部容易低估。判断头部链接更适合用它的评论节奏和库存消耗速度来估，而不是靠位次往前推。

整个动作的原则是宁可粗也不要假精确，给出一个宽区间比给出一个窄区间但错得更远要好。记录时把区间的上下限都留着，让后面的人知道这个结论的把握程度有多大。

举一个具体的例子。某类目里排第一的链接估出日均三百单左右，排第二的大约两百单，排第五的掉到八十单左右，排第二十的只剩三十单出头，排第五十的还在二十单上下。从第五十名到第一百名这一段，估出来的量级几乎看不出差别。

把这组数字连起来看就是一条典型的陡降加长尾曲线，头部的落差远大于中后段，中后段整体挤在一个很窄的区间里。用这条曲线去理解榜单位次，你会立刻明白为什么按名次线性折算行不通。

还有一个例子说明新老链接的差别。一条运营半年的老链接排第十五，一条刚上架两个月的新链接也排第十五，但前者靠的是稳定的复购和自然流量，后者靠的是新品扶持期带来的曝光，两者的持续性完全不同。

边界条件是类目本身的体量会影响这条曲线的陡度，小类目的头部优势通常没有大类目那么极端，曲线相对平缓一些。所以这条曲线的形状必须按类目单独标定，不存在一个通用的行业形状。

记录方法上建议把标定曲线连同样本一起存档，写清标定日期和用的哪几个样本。曲线会随时间漂移，存下当时的版本，下次标定时就能看出漂移的方向和幅度，判断这条曲线还能不能继续用。

分档的目的是把不稳定的连续位次换成稳定的量级区间

分档看比连续看更稳

位次本身是高度波动的，一个链接今天第十一名明天第十四名，是很平常的事，背后可能只是几十单的差异。如果每次都用精确名次去推算量级，你会得到一个每天都在跳动的数字，这个数字的跳动幅度甚至超过了真实销量的变化幅度。

分档的作用就是给这种跳动加一层缓冲，把相邻的若干名归到同一档。这样即使位次在档内跳动，推算出来的量级不变，判断保持稳定。稳定性是判断的前提，一个天天变的结论没法用来做任何决策。

分档还有一个隐性收益，就是它会强迫你先看这个链接属于哪个量级，而不是先看它排第几。视角一转，你对它的判断就从名次思维切换到了量级思维，后者才是真正能指导动作的。

分档的代价是分辨率降低，两档之间的链接在数据上看起来一样，实际上可能差着一截。这个代价是可以接受的，因为档位差距通常已经很显著，档内的差异相比之下属于次要信息，知道跨档比知道档内更细的差别重要。

档位数量也要控制，五到六档通常就够用了。档分得太细，每档只有两三个链接，档位又变成了近似连续的名次，失去了粗化的意义；档分得太少，一档里挤着几十个链接，量级信息又太模糊，判断不出来。

定档位的第一步是先确定用几档，建议从五档起步，头、前段、中段、中后段、后段各一档，长尾不单独设档。档数定好之后不要频繁调整，调整一次就要重做历史记录，成本很高。

第二步是给每一档起一个容易记的名字，不要用第一名到第三名这种表述，用头部、前段这类量级化的名字。名字本身会影响使用者的思维方式，量级化的命名能提示大家关注量级而不是名次。

第三步是把已经跟踪的链接按新档位重新归一遍，归完之后检查一下每档里的链接数量是不是相对均衡。如果某一档里挤了一大半链接，说明这一档切得太宽，需要再切一刀。

第四步是给每档定一个观察优先级，头部档和前段档每周看，中段档每两周看，后段档每月扫一眼。优先级和档位挂钩，能让你在有限的时间里把注意力放在信息量最大的位置上。

用档位记录还有一个操作上的好处，就是记录格式变得极其简单，只需要写档位名称，不需要写具体名次。录入越简单，长期坚持的可能性越高，这是这套方法能够持续的一个现实原因。

举一个稳住判断的实例。某链接连续五周的名次分别是十一、十四、十二、十六、十三，位次在上下跳动。但按档位看，它五周都落在中段档，判断一直是同一档，没有出现方向上的反复。

另一个实例说明分档能避免误判。某链接的名次从二十名升到十七名，如果按名次读会认为它在快速上升，但按档位看它还在中段档内，没有发生迁移。后来的几周它又回到十九名，证实了这只是档内波动。

还有一个实例说明跨档迁移的分量。某链接从三十四名升到二十六名，看起来只升了八名，但它正好跨过了中段档的边界，进入前一档。这个迁移比单纯的名次上升更有意义，因为它意味着量级发生了变化。

边界是分档会掩盖掉档内的一些真实变化，一个链接从档位的最上沿滑到最下沿，实际量级可能已经掉了不少，但因为没跨档，记录上看起来一切照旧。遇到这种情况可以补一列档内位置，写偏上、居中、偏下。

记录方法上建议把档位和档内位置两项一起记，档位负责稳定性，档内位置负责灵敏度。两项配合，既能避免被噪声带偏，又不会完全丢失细颗粒度的变化。

从头部到中段的落差远大于从中段到后段的落差，分档线要跟着这个形态走

同一档内的差异来源

第一个来源是规格结构，同一档位里的两个链接，一个是单一规格，一个是十几个颜色尺码组合。多规格链接的总销量可能更大，但被摊到各个规格上之后，单一看某个规格的销量反而不高。看总量和看结构得到的是两个结论。

第二个来源是促销状态，处于活动中的链接会把销量集中在一段短时间里，这段时间的日均明显高于它的常态水平。如果标定样本里混了活动期的链接，整档的基准就会被抬起来，后面推算安静期的链接就会偏高。

第三个来源是多入口曝光，有的链接同时出现在搜索前排、类目推荐位和活动页，流量来源多，同样的产品力能拿到更高的销量。有的链接只靠自然搜索，位次相同但实际拿到的流量结构完全不同。

第四个来源是新老阶段，新链接往往处在一个上升通道里，它的当前销量能代表最近的水平；老链接处在稳定期，当前销量能代表长期水平。同样是这一档，前者是在路上，后者是到站了，用同一个值去套本身就不公平。

处理档内差异的办法是给每个档附一个浮动范围，而不是一个定值。用样本里偏高和偏低的两个链接各自标定一个边界，档位的输出就变成一个区间而不是一个点。区间宽度本身就是这一档不确定性的度量。

识别规格影响的第一步是看这个链接的规格数量，规格少的结构简单，档内差异主要来自别的因素；规格多的就要先把它按主销规格拆开看，否则总量会把结构问题掩盖掉。

第二步是看它的活动状态，在商品页面上能看到的促销标记、时间限制、折扣幅度都是判断依据。活动期的链接在标定时要单独标记，不能和安静期的链接混在一起取基准值。

第三步是看它的流量入口结构，虽然看不到后台数据，但可以从搜索位、类目位、推荐位的出现情况大致判断。入口多的链接拿到的流量更充沛，同样的位次对应的销量自然更高。

第四步是看它的阶段，新链接处在爬坡期，位次和销量都还在变；老链接处在平台期，位次和销量都比较稳。两者放在同一档需要给它们不同的解读，不能一视同仁。

处理档内差异的落点是给每档配一个浮动范围，用样本中的高低两个值去定义上下限。输出的形式是区间而不是数字，这个处理不增加多少工作量，但显著提高了结论的耐用性。

举一个规格结构造成差异的实例。某中段档里两个链接的位次挨着，一个是单一颜色单规格，一个是十二种颜色六个尺码。按总销量看后者略高，但按单个规格的平均销量看，前者是后者的三倍多。

另一个实例说明促销的影响。同档位里有一条链接正在做限时折扣，限制三天，这三天的日均销量达到了平时的四倍。如果标定时把它当作常态样本，整档的基准就会被显著抬高，后续估算会系统性偏高。

还有一个实例说明流量入口的影响。两条位次相近的链接，一条同时出现在搜索前排和类目推荐位，另一条只在自然搜索里偶尔露脸。前者的流量稳定性明显更好，日销量的波动也更小。

边界条件是当档位本身很宽的时候，档内差异会大到失去比较意义。比如后段档覆盖了六十名到一百名共四十个链接，这四十个链接之间的量级跨度可能比整个前段档的跨度还大。档太宽时应该再切一刀。

记录方法上建议给每档配一列浮动范围，用这一档里样本的最低值和最高值填上。这一列的作用是提醒使用者，档位只是一个粗略的定位，档内的实际值可能落在一个不小的范围里。

怎么校准本类目的分档

校准的第一步是选标定样本，找五到十个你已经通过其他方式估出大概销量的链接，它们要覆盖榜单的高中低三段，不能都集中在头部。样本要尽量选非活动期、规格结构接近的链接，减少干扰因素。

第二步是把这些链接的实际销量和它们的榜单位次放在一起排序，你会看到销量下降的速率在哪个位置发生了变化。那些速率明显改变的位置就是分档线的候选点，尤其是头尾两个拐点最明显。

第三步是在拐点处切档，比如销量在前三名之后出现一次明显陡降，就在这里切第一刀；在中段某处下降速率趋于平缓，就在那里切第二刀。每刀的落点都要有数据支撑，不凭感觉。

第四步是给每档标一个量级区间，用落在这一档里的样本销量确定上下限，样本不足的档放宽区间并标注可信程度较低。这样得到的分档表就是你这个类目专属的，可以直接用。

校准之后要留意一件事，分档线本身不是永久有效的。类目体量变了、头部集中度变了、平台口径变了，分档线都会漂移。建议每个季度拿当季的数据重新校准一次，花的时间不多，但能让判断不失真。

选样本的第一步是先把活动期的链接排除掉，一个正在做活动的链接会污染整条标定曲线。判断方法很简单，看它页面上有没有活动标记，有就暂时不用，等活动结束再补进来。

第二步是优先选规格结构接近的链接做样本，单件成交的选单件的，成套成交的选成套的。结构和被标的链接接近，标定出来的分档线用起来才准，混着用会让整个标定失去意义。

第三步是给每个样本配一个销量估算值，用评论节奏或者库存变化求出它的区间，取区间中点作为标定点。单个样本的误差会在多个样本平均之后被摊薄，所以样本数量比单个样本的精度更重要。

第四步是把标定点画在位次轴上并观察密集程度，样本密集的地方说明这个区间的量级变化比较平缓，可以切得宽一些；样本稀疏的地方变化剧烈，需要切得细一些。

标定完成之后要把过程和结论都记录下来，写清用了哪些样本、样本的量级、切了几刀、每刀的依据。半年后需要重新标定时，这份记录能让你知道上次是怎么做的，也能看出分档线漂移了多少。

举一个校准的实例。某家居类目取十个样本链接，从第一名到第四十名分布。把它们的估算销量和位次画在一张图上，发现第五名到第十名之间销量下降很快，第十一名到第三十名之间下降变缓，第三十一名之后几乎持平。

根据这个形态，分档线就切在第十名和第三十名两个位置，形成头部、前段、中段、后段四档。每一档内再取样本的高低值定出浮动范围，一份属于这个类目的分档表就完成了，整个过程不到一小时。

另一个实例说明样本选择的重要性。某类目校准时分档线切在了第三名，因为前三名的销量明显高于后面的。但后来发现这三个样本恰好都在做活动，把活动期剔除之后，真正的分界点在第五名附近，第一版分档表整体偏紧了。

边界条件是有些类目的分布曲线很平缓，找不到明显的拐点，这时候分档线就比较主观。遇到这种情况可以退一步，只分三档，用等分位的方式切，把判断停留在量级印象层面，不追求更细的划分。

记录方法上建议保存一份校准过程记录，写清样本清单、样本的活动状态、估算值来源和切档依据。这份记录的价值在于半年后重新校准时，你能判断出这一次和上一次的差异是来自类目变化还是来自样本变化。

时间序列上的对比

时间序列对比的第一条纪律是只在同一档位内做纵向比较，不要把某个链接上个月的位次和这个月的位次直接连成线去读趋势。位次本身的噪声太大，两个时点的差异可能完全在噪声范围内，读出来的趋势是假的。

第二条纪律是用档位迁移代替位次迁移，也就是看这个链接是不是从一档升到了上一档，或者从上一档掉到了下一档。档位迁移的门槛更高，一旦发生，对应的销量变化幅度通常也更实在，信号可信度更高。

第三条纪律是记录迁移的时点，一个链接从后段档升到中段档，是从哪一周开始升的，这个时点往往能和一个可查的事件对上，比如一次上新、一次活动或者一次内容投放。对上了的迁移动因清楚，比孤立的位次变化有用得多。

第四条纪律是横向和纵向要分开看，横向是指同一时间点上不同链接之间的档位差异，纵向是指同一个链接在不同时间点的档位变化。两种比较回答的是不同问题，混在一起做会得到混乱的结论。

时间序列做久了会发现一个规律，档位迁移通常是成组发生的，一个链接升档往往伴随另一个降档，因为榜单的位次是相对的。看清这种成对关系，你对类目内部竞争的理解会比只看单个链接深一层。

做纵向对比的第一步是固定观察周期，建议每周记录一次，周期固定之后不同周的记录才可比。临时想起来才记一次，间隔忽长忽短，连成的时间序列本身就有噪声。

第二步是记录档位而不是名次，每周只写这个链接落在哪一档。档位记录的抗噪能力更强，一周之内的位次跳动基本不会影响档位的判定，记录本身的可靠性也就够了。

第三步是标记档位迁移，一旦发现某个链接换了档，就单独记一条迁移记录，写清迁移方向、发生时间和可能的原因。这些迁移记录是整条时间序列里信息密度最高的部分。

第四步是每季度把迁移记录整理一次，看看哪些链接在升、哪些在降、有没有成对出现。成对的升降往往反映的是类目内部的位置重排，比单个链接的变化更值得研究。

纵向对比的边界是它只能说明相对位置的变化，不能说明实际销量的变化。一个链接保持在同一档位，可能是它自己没变，也可能是它和竞争对手一起变了，这两种情况要结合别的信号来分辨。

举一个档位迁移的实例。某链接连续三个月都在中段档，第四个月升到了前段档，随后两个月一直留在前段。翻这段时间的记录，发现它升档的时点正好和一次主图改版以及一次内容投放吻合，迁移动因清楚。

另一个实例说明成对迁移。某次整理记录时发现，同一个类目里有一条链接从后段升到中段，同时另一条从中段掉到后段，两条链接的量级和风格很接近。这种成对变化说明它们的竞争位置发生了互换。

还有一个实例说明迁移的滞后性。某链接在某个时点做了一次大幅调整，但它的档位在两个多月之后才开始变化，中间一直没动。这段时间差提醒我们，档位的变化往往滞后于动作本身，判断因果时要留出滞后期。

边界是档位序列在类目整体出现剧烈变化时会失真，比如整个类目的榜单口径调整、平台引入大批新链接，这些外部事件会让一批链接同时迁移，这种集体迁移不能当作个体变化来解读。

记录方法上建议每个季度画一张档位迁移图，横轴季度、纵轴档位，把关键链接的迁移画成箭头。一张图就能把类目一个季度里的位置重排看明白，比翻几十行数字记录高效得多。

越靠后的档位对规格结构和促销越敏感，档内差异也越大

跨类目不能直接比

跨类目不能直接比的第一个原因是需求的总盘子大小不同，同样排在这个类目第一名的链接，在两个体量差十倍的类目里，对应的销量可能差十倍。位次一样，量级完全不一样，这个差别是类目属性决定的，不是链接之间的差别。

第二个原因是类目的成交结构不同，有的类目单件成交为主，有的类目成套或者组合销售为主，还有的类目存在大量的复购和囤货行为。同样的订单数在两个类目里对应的营收和件数可以差很远，位次的可比性就打了折扣。

第三个原因是类目的竞争密度不同，头部被几条强链接牢牢占住的类目，中段位的销量会比竞争分散的类目低不少。同样排在中段，前者可能只是头部的一个零头，后者则可能已经接近类目平均线。

如果确实需要跨类目比较，可行的做法是比较结构而不是比较数值。比如看两个类目的头部集中度哪个更高，看两个类目的档位分布曲线哪个更陡。这些结构性指标是可以跨类目比的，具体的销量数字不行。

跨类目比还有一个陷阱是榜单口径不一致，不同类目的榜单可能由不同的规则生成，统计周期、覆盖范围、排除条件都可能不同。在做任何跨类目比较之前，先确认两份榜单的口径是不是一致的。

如果确实需要跨类目参考，第一步是先把两个类目的榜单口径对齐，确认统计周期、覆盖范围、排除规则是否一致。口径不一致的两份榜单放在一起比，比出来的任何结论都没有基础。

第二步是比较结构性指标，比如头部几个链接占整个榜单的量级比重，比如中段档的分布宽度。结构指标反映的是类目的竞争形态，这一类信息是可以跨类目对比的，比具体的销量数字稳定得多。

第三步是把结论表述成类目特征而不是销量结论，比如说这个类目的头部集中度更高，而不是说这个类目的第一名卖得更多。前者是可以跨类目成立的判断，后者需要大量额外信息才能成立。

第四步是如果要迁移经验，迁移的是方法而不是数值，把在 A 类目校准分档的方法搬到 B 类目重新校准一遍，而不是直接把 A 类目的分档线拿过去用。方法可迁移，参数不可迁移。

跨类目比较还有一个现实边界，就是你自己能获取信息的深度在两个类目里是不一样的。熟悉的类目你能看得更深更细，不熟悉的类目只能看到表层，这种信息不对称本身就会导致判断偏差。

举一个反例说明直接比的危害。有人拿 A 类目第一名的估算销量去对标 B 类目中段某条链接的销量，得出后者比前者更强的结论。实际上 B 类目的整体体量比 A 类目小很多，同类目内比较才成立。

另一个例子说明结构指标怎么跨类目比。把两个类目的榜单按档位统计各自链接数量，再算算头两档占总数的比例，比例高的说明集中度高，比例低的说明竞争分散。这个比较是有意义的，因为它比的是形态不是数字。

还有一个例子说明方法可以迁移而参数不能。在 A 类目里摸索出的分档校准方法，包括选样本、排除活动期、找拐点这几步，搬到 B 类目完全适用；但 A 类目切在第十名的分档线，搬到 B 类目就必须重新标定。

边界是即便做结构性比较，也要确认两个类目的榜单口径一致。统计周期一个是七天一个是三十天，比出来的集中度就不可比。跨类目比较之前，先花几分钟核对两份榜单的口径，能避开很多坑。

记录方法上建议给跨类目比较单独建一条备注，写清这次比较用到的是哪几个类目、口径是否一致、比较的是结构还是数字。备注写清楚了，后面的人不会把结构性结论误当成销量结论来用。

分档法牺牲了一点分辨率，换来的是长期看更稳定的判断

用分档做粗估的边界

第一个边界是榜单本身要稳定，如果这个类目的榜单更新频率低、口径经常变、随时有链接被排除和收入，那么位次和量级之间的对应关系就是浮动的，分档的基础不牢，再精细的分档线也救不回来。

第二个边界是类目内部的同质性，如果类目里的链接规格结构差异极大，有的单件有的成套，有的是单品有的是组合包，那么同样的位次对应的实际成交件数和营收可以差很多，分档只能给出很粗的印象。

第三个边界是时间跨度，分档适用于一个季度以内的判断，超过这个跨度，类目结构、榜单规则、竞争格局都可能已经变了。用半年前标定的分档来解释今天看到的位次，误差可能比不做分档还大。

第四个边界是它只能输出区间和方向，不能输出可用于核算的精确数字。把分档结果拿去做利润测算、备货排产这类需要精确输入的事情，是明显的越界使用，得出的结论会误导决策。

把这些边界写下来贴在分档表旁边，能有效防止自己在使用时不知不觉地越界。工具的价值取决于用对了场景，分档这件事最大的风险不是不准，而是被当成准的来用。

判断边界是否被突破的第一步是看用途，如果结论是用来做方向判断和优先级排序的，分档的精度是够的；如果结论要进入财务测算或者备货计划，那就超出了它的能力范围，需要换更精确的方法。

第二步是看时效，问一下这个分档是什么时候标定的，超过一个季度就要谨慎，超过半年基本只能当作粗略印象。时效性这件事在使用时最容易忘，建议在分档表上直接写上标定日期。

第三步是看数据结构，如果类目里出现了大量新型的链接形态，比如新增了很多组合套装或者预售商品，原来基于单件成交标定的分档就不再适用，需要重新校准之后再使用。

第四步是看结论的表述，如果表述里出现了具体的销量数字而且没有区间，那基本已经越界了。正确的表述应该始终带着档位名和区间，让读的人一眼看出这是量级判断而不是精确结论。

边界这件事的处理目标是防止误用而不是限制使用，分档在它擅长的场景里非常好用，问题只出在把它用到不该用的地方。把适用场景和禁用场景都写清楚，这个工具才能被长期正确地使用。

举一个越界使用的实例。有人用榜单位次反推出的量级直接拿去算对手的月营收，用来评估要不要进入这个类目。反推出来的量级本身误差可能是一倍以上，经过营收换算之后误差会进一步放大，结论基本不可靠。

另一个实例说明时效边界。某个类目一年前标定过分档表，一年后再用，发现头部和中段的落差已经明显缩小，原因是类目里出现了几条价格更低的强势链接把中段的量级顶了上来。用旧分档解释新位次，结论偏差很大。

还有一个实例说明场景适配。分档用在对手筛选上非常有效，先按档位圈定和你自己量级相近的对手，再从里面挑重点深入分析。这个用途只需要量级判断，分档的精度完全够用，是它最合适的应用场景之一。

边界是从反面来说的，如果某个判断的结果会导向一个成本很高的动作，比如大规模备货或者关停一条链接，那么决策依据里不应该只有分档反推这一项，应该有评论节奏、库存变化这些更直接的信号一起参与。

记录方法上建议在分档表的第一行写明适用范围和禁用范围，写成一句话，比如本表用于量级判断与对手圈定，不用于营收测算与备货决策。写在最显眼的位置，使用时自然就不会越界。

常见问题（FAQ）