学习契约与正确模型
先明确为什么学、学完能做什么，以及如何证明自己真的掌握。
SEO 报告经常把多个层次的指标堆在一起：抓取数、索引数、平均排名和线索下降之间没有样本对齐。诊断漏斗让团队用同一 URL 集合和时间范围追踪损失发生的位置。
- 定义 URL cohort 并在各关卡使用一致分母
- 将 Observation、Hypothesis、Evidence 与 Action 分开记录
- 用影响、置信度与成本决定下一步
精读 34 分钟 → 引导练习 28 分钟 → 实战任务 75 分钟。实战时间单列，不再把浏览页面和项目操作混成一个数字。
- 它是什么
- 诊断漏斗不是把所有 URL 强制塞入线性漏斗，而是用一致 cohort 检查发现、抓取、渲染、索引、曝光、点击和转化的损失。
- 为什么重要
- 越早的关卡失败会限制后续结果；一致分母与时间范围可减少聚合指标制造的错觉。
- 什么时候使用
- 用于迁移、模板上线、收录下降、流量异常和季度健康检查。
- 什么时候不要套用
- 对单个查询的竞争排名，漏斗不能取代 SERP 与内容证据；不同工具覆盖率也不能被假装成精确全集。
- 边界与不确定性
- 这是运营诊断框架，不是 Google 内部漏斗；数据源有采样、延迟、隐私与口径差异。
机制精讲
先读完整因果链，再看每个环节留下什么可观察信号。
搜索诊断漏斗把发现、抓取、渲染、索引、曝光、点击和转化的数据放在一个可追踪顺序里，但它不是 Google 内部的线性漏斗。它的真正价值是固定 URL cohort、时间窗和分母，让团队知道损失最早在哪个可观察层出现。例如“索引数增加而线索不增”只有在索引页面与效果页面属于同一批 URL 时才可解释；把全站报告中的不同覆盖范围直接相除，会制造精确但错误的转化率。
每一层都应区分通过、失败和未知。日志保留期不足不是“没有抓取”，匿名查询不是“没有需求”，工具不覆盖某些 URL 也不是“页面健康”。诊断产物应把 Observation、Hypothesis、Evidence、Action 分列：观察只陈述数据，假设解释机制，证据同时包含支持与反对项，行动给出负责人、预期信号、复查日和停止条件。优先级由业务影响、证据置信度、修复成本、依赖和可逆性共同决定，而不是由问题数量决定。
Cohort 统一分析对象
按模板、上线批次、市场或业务等级固定 URL 列表，所有关卡都围绕同一集合计算。动态全站总数会因新增、删除和工具覆盖变化失去可比性。
最早损失点限制后续机会
如果 40% 页面从未被抓取，后续索引、曝光和点击自然受限；但修复上游仍要确认剩余页面有真实需求。漏斗用于排序调查，不意味着每页必然逐层成功。
竞争假设需要区分性证据
同一个点击下降可由需求减少、索引丢失、排名变化、SERP 改版或事件测量故障造成。下一检查应优先选择能同时支持一个假设、削弱另一个假设的低成本证据。
优先级把技术严重度连接业务影响
全站 5xx 与少量低价值 404 的机制严重度和规模不同；高价值页面即使数量少也可能优先。评分只是辅助，必须写清不可逆风险和依赖。
关键概念
掌握术语之间的关系，才能迁移到不同网站、行业和工具。
Cohort
以模板、上线批次、市场或业务等级固定 URL 集合，避免索引统计与效果数据分析不同对象。
最早失败点
优先处理能解释最大损失且位于上游的故障，但也要确认修复后存在真实搜索需求。
证据账本
每条结论记录观察、假设、支持与反对证据、负责人、行动和复查时间，保留未知项。
完整示范
跟随一次“输入 → 分析 → 中间产物 → 结论”，看见专家是怎样做判断的。
500 个行业解决方案页上线后线索不变
以下为教学用合成数据。新模板发布 60 天，页面索引报告总数增长 40%，但自然演示请求没有变化。团队希望继续生成 2,000 页。
- 500 URL 清单、发布日期和业务等级已冻结，数据均为教学用合成数据
- 日志、索引和 GSC 数据保留范围不同，因此每层另标覆盖与未知
- 漏斗是站点诊断框架，不代表 Google 内部处理数据
建立统一 cohort 与覆盖
- 输入
- 500 页中日志覆盖 480，URL 检查抽样 100，GSC 页面数据覆盖 500；20 页因日志缺失标为未知。
- 分析
- 先承认覆盖差异，不能用 480 的抓取数除以另一个报告的全站索引总量。
- 输出
- cohort 表每行一个 URL，列出数据源状态、获取日和未知原因。
量化最早损失
- 输入
- 480 页中 450 被抓取、440 渲染正常、310 被选为规范页；310 页仅 46 有非品牌曝光。
- 分析
- 最大可观察损失出现在索引代表到曝光之间，且不是所有 190 未代表页都能解释 264 个无曝光页。
- 输出
- 漏斗显示：发现/抓取基本健康，需分别调查重复选择与查询需求。
分层提出竞争假设
- 输入
- 无曝光页多为极小行业×城市组合，正文除名称外相同；有曝光 46 页对应销售反复提及的行业。
- 分析
- 需求不足与内容重复共同解释范围；继续批量生成会扩大集合，却没有证据支持新任务。
- 输出
- 停止扩量，选择 20 个有销售与查询证据的行业页做内容和页面类型验证。
用业务结果决定扩展
- 输入
- 试点 20 页中 14 页获得相关曝光，7 页带来 11 个合格线索；另外 6 页仍无需求信号。
- 分析
- 试点证明部分行业模型可行，但不能外推所有城市组合；扩展条件应绑定真实需求和独特证据。
- 输出
- 路线图只批准满足查询、销售和内容证据门槛的下一批，保留失败页合并方案。
决策规则与证据边界
把“看到什么、意味着什么、下一步做什么”连起来，同时区分公开事实、实践推断和未知项。
- 固定 URL 列表、数据日期、覆盖范围和分母可以提高多源分析的可复查性。
- 日志、索引报告、效果数据和业务事件分别观察不同层，口径不能无条件互换。
- 最早出现大规模损失的层通常是高价值调查起点，但后续需求仍可能限制结果。
- 试点 cohort 的变化可支持扩展决策，却不能自动代表所有模板和市场。
- 匿名查询、工具限制、保留期和系统时延使漏斗无法成为完整全集。
- 多种原因可同时作用，诊断不一定收敛到唯一根因或精确贡献比例。
引导练习
先独立完成，再按提示修正，最后展开参考解法并用 0–4 级量规评分。
教学用合成数据：200 个迁移 URL 中，日志覆盖 180；其中 160 被请求，140 单跳到新页，20 重定向链；新页 130 被索引，90 有曝光，40 有点击，8 有合格线索。另 20 URL 无日志数据。请建立漏斗、列出未知并选前三项行动。
给定材料
- 迁移映射表：旧/新 URL、状态、跳数、canonical、业务等级与发布日期
- 日志、索引、GSC 与 CRM 表，分别注明覆盖范围、时区、提取日期和去重规则
需要提示时再展开
- 无日志覆盖的 20 页不能计为未抓取；先标未知。
- 重定向链是明确技术问题，但曝光到点击的损失还需要查询与呈现分析。
完成后核对参考解法
应先报告覆盖：200 个映射中只有 180 有日志证据，20 为未知而非失败。可观察链为 180→160 请求，其中 140 单跳、20 链式；新页 130 索引、90 曝光、40 点击、8 合格线索。行动一是修复 20 条链并更新内链，因机制明确且影响迁移处理；行动二是调查有请求但未索引的新页，按业务等级检查响应、canonical、重复和内容；行动三是对 90 曝光页按查询、设备和位置分析 40 点击及 8 线索的任务质量。还要补齐日志覆盖，并拒绝用 130/200 当精确索引率。
自评分量规
真实项目实战
把理解变成一个可以检查、复核和复用的工作产物。
审计 500 个行业解决方案页
模板批量上线两个月，索引覆盖看似增长，但自然线索没有变化。
- 固定 500 URL 清单、发布日期、市场和业务价值等级
- 从日志确认被发现与抓取比例，抽样验证渲染和 canonical
- 连接页面索引状态与 page-query impressions，记录数据获取日期
- 按曝光、点击、合格转化逐层量化，并与旧页面或对照模板比较
- 为最大损失层提出一个可证伪假设和最小改动
验收条件
- 各层分母与数据时间范围清晰
- 区分未知、未覆盖和确认失败
- 优先级同时考虑业务影响、证据置信度、成本与依赖
诊断练习
目标不是猜中答案，而是提出竞争假设并选择能区分它们的证据。
报告显示索引页增长 40%，自然点击却下降 10%。
竞争假设
- 新增索引页没有需求或只获得低位曝光
- 核心高价值页面的点击下降被总索引量掩盖
- 索引统计和点击对比使用了不同 URL 范围或时间窗口
应该检查的证据
- 新旧 cohort 的 query impressions 与点击分布
- 核心页面的独立趋势
- 指标定义、导出日期和 URL 去重规则
常见陷阱：把索引页数量当成增长 KPI，并继续批量生产没有需求验证的页面。
完成后用本页决策规则复核
- 若观察到：各报告使用不同 URL 范围或去重方式
应优先：先冻结 cohort，标准化 URL并记录每源覆盖与未知。
统一列表不会消除 GSC 隐私隐藏、采样和工具时延。 - 若观察到：大批 URL 有抓取和索引证据，却长期没有相关 impressions
应优先：按需求证据和业务等级抽样，比较查询族、规范页和 SERP 类型。
零报告不能证明绝对无召回，尤其在低量和短观察窗。 - 若观察到：损失集中某一模板且紧随发布
应优先：对比发布前后响应、DOM、指令和内链，必要时回滚高风险变更。
仍需确认数据成熟日和其他同期事件，时间相邻不是最终因果。 - 若观察到：问题数量多但集中低价值页面，少量核心页出现 5xx
应优先：使用影响×置信度×可逆性评估，优先恢复核心页并单独规划低价值清理。
评分模型不可掩盖法律、安全或品牌的硬性约束。
自测与误区
先口头回答，再展开检查。无法给出例外与证据，说明还没真正掌握。
你应该能回答
1. 当前比较是否使用同一 URL cohort？
参考答案：必须先冻结同一份规范化 URL 列表，并让每个数据源回填到列表，而不是比较报告顶部总数。每列记录提取日期、时间范围、去重方式和覆盖状态；无法获取的标为未知。只有当当前期与基期 cohort 和定义一致时，层间或期间差异才可解释。
为什么：一致分析对象是漏斗成立的前提，否则页面新增、工具覆盖和规范聚合会伪造变化。
2. 最早出现显著损失的是哪个关卡？
参考答案：沿发现/抓取、渲染、索引代表、曝光、点击和业务结果逐层比较同一 cohort，找到第一个通过比例显著下降且样本证据可复查的位置。若前层有大量未知，应先补证据；若上游损失最大但剩余页面无需求，还需并行评估下游价值。
为什么：最早失败点通常限制后续机会，但诊断优先级还必须结合需求与业务影响。
3. 哪项证据会让你改变优先级？
参考答案：能改变优先级的证据必须区分假设。例如原以为模板 noindex 导致无曝光，但样本 HTML 无 noindex、系统已索引且有低位曝光，就应转向查询/排序；原以为需求不足，但销售、GSC 相邻查询和竞争 SERP 都显示明确任务，则应提高页面质量或类型假设。
为什么：预先声明改变决定的证据，可以避免团队只收集支持原方案的信息。
需要避开的误区
- 更多索引页自然会带来更多流量
- Search Console 的不同报告可无条件用相同分母相除
- 诊断的目标是找一个唯一原因
术语与复盘
用自己的话复述术语和结论；如果只能认出、不能解释，就还没有形成可调用的知识。
- Cohort
- 按明确规则冻结的一组 URL，用于跨时间和数据源保持分析对象一致。
- 分母
- 计算比例所依据的总体；覆盖范围不同的报告不能默认共享同一分母。
- 最早失败点
- 按诊断顺序第一个出现预期输出缺失且有足够证据的层。
- 未知
- 因覆盖、时延或证据不足无法判断的状态，不能自动归入通过或失败。
- 竞争假设
- 能解释同一观察的多个替代机制，应寻找可区分它们的证据。
- 证据账本
- 记录观察、假设、支持/反对证据、行动、负责人、时间和结果的可审计表。
离开本页前记住
- 漏斗的价值是统一 cohort、时间窗和分母，而不是假装拥有完整搜索内部数据。
- 每层都要区分通过、失败和未知，缺数据不是失败。
- 先找最早显著损失，再结合业务价值和需求决定优先级。
- Observation、Hypothesis、Evidence 与 Action 必须分列。
- 不同报告的覆盖、聚合、时延和隐私限制不能强行配平。
- 小批试点、反证和停止条件比一次性全站修改更容易学习和回滚。
资料与证据
优先采用官方和一手资料。实践材料用于补充工作方法，不替代机制证据。