直通车是搜索场景中最核心的推广工具，直通车的转化高就因为他和搜索一样是通过抢关键词抢背后的购物需求人群，通过位置的排名进行转化的优化。

而现在是推荐式机制，直通车带搜索会越来越困难，直通车压制搜索也是必然这些淘宝怎么改变规则都改变不了的，因为搜素流量就那么多，现在的直通车位置就已经很多你还能加到哪里。

一、直通车的推广理念要转变。

直通车是搜索关键词排名时代的产物，就是简单的买关键词排名；搜索流量减少是必然，直通车工具的落寞也随之而来。

在推荐式搜索机制下直通车压制搜索是必然的，因为召回机制是召回相似购物意图的人，直通车关键词在精准匹配下背后也是趴着需求人群的，如果直通车和搜索需求是相同相似的，那么内卷打架就是必然的。

虽然直通车部分曾经提出当直通车关键词位置和搜索位置发生冲突时，会让给搜索展现，但是大家从实践中验证，这可能是一个美丽的谎言。直通车一直被定位于引流工具，精准引流打新，但是随着搜索流量的整体减少加上竞争获客成本已经非常高了，引流的价值已经不大。

大家在网上做生意看好的就是互联网获客成本比较低，直通车引流工具已经不再适合大规模引流。在推荐式召回机制下：最好的行为数据流量都应该让给搜索，如果没有搜索就要用车去收割。

如果直通车在整个运营时间周期内开的过多，那么直通车压制搜索是必然发生的。在标签权重非常高的推荐式搜索机制下，直通车优先展现店铺新客人群是必然，所以直通车定向人群基本前期是不能开的，后期就是开也要控制住点击量的占比。

二、那么有没有搜索免费收割的机会。

直通车的利用我建议大家分为几个阶段运用以解决阶段性目的为核心：

入池期：

直通车应该更多的是聚焦购物意图后进行搜索端的关键词引导，通过曝光点击数据进行预判方向适合不适合，做出判断尽快调整或者确认。

拉升期：

拉升期核心词系要让给搜索关键词排名，控制在4-6位不要压制核心成交词系及向量，然后扩展多方向进行向量布局。倍数拉升看搜索是否递增，如果出现搜索被压制的情况就要进行大调整，从拉新改为定向收割。

维护期：

维护期一定要跳出来看待流量结构，要从拉新收割的角度布局渠道流量和工具流量，那些渠道流量和工具背后拉升的人群是拉新，那些渠道和工具背后人群是收割，一定要梳理清楚。

不要胡乱的去开计划，每一个计划背后都要针对性的解决一个问题或者配合渠道流量。我们以往的思维就是那个计划点击率高，转化率高就重点去开那个计划，但是这种计划一般是背后都是收割人群需要沉淀的人群，开着开着就买不到展现或者ppc越来越高而翻车。

作为一个合格的运营：应该时刻盯着自己的拉新通道，核心是看潜客流转成新客的比例，优化潜客的展现范围和精准度。

新客就是用来收割的，才是真正的韭菜背后渠道流量递增需要，或者坑产需要定向收割就行了，难就难在拉新计划上面。

很多商家优化到最后只剩下收割计划，拉新的通道都被堵死了，就如池塘里不去放养种渔，天天拉网收割，鱼总会被收割干净。

有的计划就是只盯点击率、有的计划就只看收藏加购率，如果都统一安装转化率去考核，很容易就进入了流量的死胡同。

三、从超级推荐的拆分看运营 。

超级推荐拆分成了引力魔方和万相台，很有意思的是引力魔方就保留了超级推荐的关键词兴趣点部分，推广形式很单一就剩产品推广。拆分出的万相台，从会员运营，直播和短视频场景倒是丰富不少。

超级推荐没有记错的话应该是2019年才推出的产品吧，二年时间又被拆分出两个工具，其背后最原始的驱动力可能就是阿里的付费营收吧。

可能阿里也看出了直通车的后续命运，要培养出和直通车营收能力强的工具，最开始是寄托于钻展，但是钻展发展到现在也就是十几万人再用。

阿里妈妈部分就把钻展中的单品钻展拆分成超级推荐，超级推荐的推出就让商家好接受多了，毕竟是点击收费，超级推荐是辅助于引流渠道，特别是搜索和直通车沉淀下的人群，超级推荐就是兴趣点跟踪器，他的作用就是防御搜索和直通车沉淀下的新客人群流失，其次是通过兴趣点进行拉新。

四、超级推荐中的核心功能：

人群流转背后就是会员的运营这一点工具没有得到很好的利用，特别是超级推荐得推广形式虽然很多可以推广单品、图文、直播、短视频但是用的人非常少，一个工具利用二到三年基本对它的认知就固化了，所以阿里巴巴又把超级推荐的人群流转运营思路和推广直播、短视频内容化的工具给单独拆分出来。

其实大家现在最应该想的获取流量思维：

应该从免费到付费，只是付费买来的精准流量如何运营承接，分层利用还有闭环思维搭建生态信息流闭环生态系统。而不是背后的逻辑是狗熊掰玉米，掰一个扔一个，阿里推出的工具，要建立在自己的一套运营体系里运营，单独讲工具没有任何意义。

工具的运用就是免费的太慢或者不好解决，所以用付费，付费直接可以推送到你想要的场景和位置来买展现验证你产品的承接力，如果产品承接力不行，脑子里只有爆款模型是没有用的，工具的运用就是为了能够有效的解决问题，而解决问题的核心与关键在于工具购买的行为数据的预测。