Amazon 广告关键词清洗工具

先问每份数据能证明什么

导入阶段不会立即把三份数据压成统一分数，而是先为每行补充来源、采集范围、目标产品和原始字段。相同关键词出现在多个来源时，记录会被关联但不会丢掉各自证据。

这种保留来源的设计避免了常见误区：竞对反查里的高排名不等于自己的转化机会，自身已经覆盖也不等于表现良好，后台有曝光同样不代表词义一定相关。每个来源只能支持有限结论。

清洗不是删除，而是逐层增加判断依据

顺序很重要：如果在规范化之前运行规则，同一个词的大小写或标点差异会造成不同结论；如果在保留来源之前折叠变体，又会失去判断证据。因此每一步只增加信息或建立关联，不提前删除仍可能有用的上下文。

1. 01

   Normalize

   先兼容来源字段别名，再统一大小写、连续空格、标点、数字和缺失值；原始关键词与原始指标始终保留，规范词只作为关联键。

2. 02

   Group

   按规范词、单复数和受控变体建立词组，聚合时仍保留每个来源与指标明细；不会因为近似写法就丢掉能够解释差异的原始表达。

3. 03

   Match

   依次运行核心词根、产品属性、使用场景、品牌、平台词和错品类模式，并保存所有命中，而不是只保留最后一个标签。

4. 04

   Evaluate

   把后台行为、自身覆盖和外部候选证据放入明确优先级，识别证据一致、证据不足和证据冲突三种状态。

5. 05

   Grade

   根据证据状态与规则命中生成等级、建议动作和 reason codes；任何降级都必须能够用人能读懂的句子解释。

6. 06

   Review

   高优先、候选排除和不确定项进入不同复核队列；工具不连接广告投放接口，不自动执行添加或否定。

哪些规则可以复用，哪些必须随品类重做

把这些内容放进配置而不是散落在 Python 分支里，换品类时才看得见哪些假设正在被继承。工具追求的不是“一键得出正确答案”，而是让每个判断有出处。

配置按稳定性分层：字段别名和数值解析属于通用基础，品牌、核心词根与错品类模式属于品类知识，分级阈值和建议动作属于运营策略。换产品时只复用通用层，品类层必须重新确认，策略层则要根据当前目标评估。

每次运行把配置版本写入结果，使同一个词在两次运行中结论不同的时候，可以比较数据变化与规则变化，而不是把所有差异都归因于模型或脚本不稳定。

• 字段别名、数值清洗和来源追踪可以跨批次复用。
• 核心词根、品牌、平台词和错品类模式必须随品类重新检查。
• 缺少后台验证的候选词按策略降级，并保留原因。
• 分级结果是复核队列，不是自动投放或自动否定决定。

排序之前，先建立证据层级

三个来源不能直接用同一个分数比较。后台搜索词来自已经发生的用户行为，自身反查描述当前覆盖，竞对反查只提供值得调查的候选方向。把它们合并后统一排序，会让外部候选因为某个高指标看起来比真实行为更可靠。

工具先给每条词保留来源标签，再根据证据组合决定它能进入哪一层。候选词可以被推荐复核，但没有后台行为支持时不会自动升级为最高优先级。

证据层级不是固定评分公式，而是一组最低证明要求。例如“建议扩词”至少需要确认相关性并说明当前覆盖缺口；“候选排除”需要明确的品牌、错品类或场景冲突依据；仅仅因为某项指标低，不足以推导否词动作。

规则不是黑名单，而是一组可以解释的论证

每次规则命中都会保存规则名称与理由，例如品类词根缺失、命中品牌模式、与目标产品使用场景冲突，或缺少后台证据。最终的等级不是一个孤立标签，而是这组证据和规则共同产生的结论。

同一个词可能同时命中正向与负向信号，因此流程不会采用“最后一个规则覆盖前面结果”的写法，而是先收集证据，再按明确优先级解决冲突，并把冲突本身交给人工复核。

规则输出被设计成可组合记录：规则 ID 保证机器可追踪，中文理由帮助运营理解，来源字段说明证据来自哪里，配置版本说明当时使用了哪套假设。最终建议只是这些材料的摘要，原始论证仍然可以展开检查。

不确定不是错误，而是需要单独交付的结果

这让工具的目标从“替人挑词”变成“把人最值得看的部分整理出来”。自动化压缩的是重复筛选成本，而不是抹掉运营判断。

人工反馈也会被区分为两类：个别词的判断结果不会自动改写全局规则；只有当同类误判反复出现，并且能够形成明确品类模式时，才进入配置变更。这样可以避免为解决一个特殊词而破坏整类词的判断。

• 证据充分的高优先词进入人工确认队列，不直接写入广告活动。
• 明显错品类、品牌或平台词进入候选排除队列，并保留命中依据。
• 证据冲突、词义依赖上下文或只有外部来源的词进入不确定队列。
• 任何自动降级都记录原因，避免下一次运行无法解释为什么排序改变。

复核界面应该让人做判断，而不是重新做一遍清洗

输出表不只给出关键词和等级，而是把最需要人工判断的上下文放在同一行：来源组合、后台表现摘要、自身覆盖状态、命中规则、建议动作与理由。使用者无需在三份原表之间反复搜索，便能理解系统为什么把它送进当前队列。

队列按照决策成本组织，而不是简单按分数从高到低。证据充分的词可以快速确认，明显排除项可以批量检查，冲突和低置信度词则保留更多上下文供逐条判断。

如何验证清洗结果没有在标准化过程中失真

验证目标不是让规则覆盖所有语言，而是确保系统对已知规则保持一致、对未知表达保持诚实。无法可靠判断的词进入不确定队列，比生成一个无法解释的高置信结论更符合实际业务。

• 核对每个来源导入行数、有效行数与异常行数，任何丢行都有明确原因。
• 为规范化前后建立映射，确保一个规范词可以回到全部原始变体。
• 使用品牌词、错品类词、复合词、单复数和缺失指标构造边界样本。
• 比较不同配置版本的等级变化，并要求每次变化都有数据或规则依据。
• 抽查最终建议能否仅凭结果表中的证据被另一位运营复核。

最后交付的是一条审查线索

结果包含关键词、来源组、规范词组、分类、建议动作和判定理由。Lab 会把三类输入先分开展示，再播放规范、折叠、规则命中和复核队列。

下载结果可以直接查看每条建议的来源与判断路径，适合作为后续人工复核的起点。

公开演示使用合成关键词与指标，重点展示同一个词如何经过来源保留、词形规范、规则命中、证据分层和人工复核。它不会连接广告账户，也不会把建议自动写入真实投放。