編譯摘要：SEO 關鍵字研究 | 從客戶對話挖真實搜尋字

第一步：濃縮

核心結論 1：SEO 關鍵字研究最準的種子字來自真實客服對話，而非工具推薦或辦公室猜測。

• 客戶說「外掛打架」「轉圈圈」，團隊卻寫「相容性問題」「載入緩慢」，搜尋框輸入的字對不上。
• SERP 前 3 名（Harris 先生、Domyweb、犬哥網站）全從工具切入（Ubersuggest/SEMrush/Ahrefs/Keyword Planner），沒有一篇回答「種子字該從哪來」。
• 工具能告訴你一個字有多少搜尋量，沒辦法告訴你該查哪個字。

核心結論 2：中文口語資料無法用傳統斷詞，要靠 AI 語義理解並強制保留客戶原始用詞。

• 傳統斷詞把「網站一直轉圈圈是不是掛掉了」切完，浮上來的是「是不是」「一直」等功能詞，「轉圈圈」「掛掉」被稀釋。
• 改派 14 個 AI 代理平行讀 9,645 筆，抽出客戶提問句 566 條、客戶詞彙 590 個、卡關描述 373 條。
• 明確規則「客戶說藍新就是藍新，不准翻譯成 NewebPay」，把 AI 自作聰明的判斷空間壓到最小。

核心結論 3：客戶用語是種子不是終點，要接回工具驗證搜尋量，再嵌入寫作流程成為強制首步。

• 清洗漏斗：22,600 則原始訊息 → 兩層過濾（純文字留言 12,000）+ 四條規則 → 9,645 筆。
• 下游用 DataForSEO 驗證搜尋量與難度（難度 < 40 優先，B2B 長尾即使量為 0 也留）。
• 把客戶關鍵字庫嵌進 AI 產文 Skill，選題從「我們想寫什麼」變成「客戶在問什麼」。

第二步：質疑

前提假設：

1. 需要足量客服對話（一年、清洗後 9,645 則）。剛起步、無客服紀錄的團隊直接不適用，作者明白標為第一個限制。
2. 對話品質要是認真的產品諮詢；若多為閒聊或一次性問句，抽出來的字參考性下降。
3. 客戶用語與 Google 搜尋用語存在一致性——但太口語的詞（「衝到」）未必有搜尋量，作者自己承認種子還要回工具驗證。
4. 隱私可處理（雜湊身分、不輸出個資）。

換情境還成立嗎：

• 換市場（英文/歐美）：中文斷詞失效這條不成立，英文有成熟 NLP 與斷詞；但「客戶原音 vs 專業術語落差」仍成立。
• 換 B2C 大眾消費：客服對話量更大但雜訊更高，清洗成本上升，訊號密度可能下降。
• 換無客服場景（純內容站）：沒有一對一對話可挖，要改用社群提問、論壇討論串、留言區替代。

反例與邊界條件（作者未明說）：

• 倖存者偏誤：客服對話只反映「已經是客戶、且願意開口問」的人，不含潛在客戶與沉默用戶的搜尋語言。
• 客戶 ≠ 搜尋者：來客服的人已找到你，他的用詞未必等於「還在 Google 找你的人」的用詞。種子字方向對，但覆蓋面偏向既有客群語言。
• 樣本來自單一公司（Codotx）的 WooCommerce 客服場景，偏 B2B/電商在地化。

第三步：對標

跨域類比：

• 行為訪談法（The Mom Test）：核心是「看客戶過去的事實，別問對未來的意見」。客服紀錄＝已發生的行為證據，關鍵字工具＝我們假設的未來搜尋。同構關係極強，是本文最有力的跨域錨點。
• VoC（Voice of Customer，客戶原音）：產品/UX 研究把客戶原話當一手素材，本文是 VoC 方法論遷移到 SEO 選字的實例。
• 民族誌/田野調查：觀察自然情境中的語言，而非實驗室問卷的引導式回答；客服對話＝自然情境語料。
• 情報分析的分而治之：14 個代理平行讀不同批次、獨立不互相污染，對應大量原始通訊的信號萃取（一個批次抽壞不影響其他）。
• 資料工程 garbage in, garbage out：22,600 → 9,645 的清洗漏斗＝ETL 的訊號雜訊比控制，先淨化再分析。

可遷移場景：

• 業務開發：從業務對話/成交紀錄挖客戶決策語言，做 landing page 文案。
• 產品設計：從客服工單挖功能命名，讓 UI 用語貼近使用者心智模型。
• 電子報/社群：用客戶原音當標題鉤子，提升開信率與點擊。

與既有概念的關聯：

• 更新 [[SEO 內容策略]]：補上「種子關鍵字來源」這個上游環節（既有定義只涵蓋下游查量與排序）。
• 更新 [[行為訪談法]]：新增 SEO 關鍵字場景的跨域應用。
• 更新 [[AI 自動分類]]：新增「客服對話關鍵字萃取」案例與「強制不改字」的品質控制手法。
• 新增概念 [[客戶原音關鍵字挖掘]]：本次核心知識資產。
• 新增方法論 [[客服對話關鍵字萃取流程]]。