淘大象排名查询：工具换数据源后历史曲线是否还能连接
📱 CCBot/2.0 (https://commoncrawl.org/faq/)
🔗 /4f5feae73263.html
📄
淘大象排名查询：工具换数据源后历史曲线是否还能连接
能否连接，取决于新旧数据源在“指标定义、统计口径、时间切片”三件事上是否一致，而不是取决于曲线画得连不连贯。假设一个情境：某站点此前用A源记录某批词的排名，后来工具把数据源换成B源，后台仍把两段数据画在同一条折线上，于是出现一个明显的断点。这个断点本身不能证明排名真的发生了跳变，也不能证明数据源切换有错，它只说明两段序列的可比性需要先验证。
先判断断点来自数据变化还是口径变化
面对同一条曲线上的跳变，先做区分，而不是先决定要不要删掉历史数据。可用的判断线索有三类：
- 断点整齐度：如果大量词在同一天、同一位置附近同时跳变，更可能是采集口径或样本范围变了；如果只有少数词跳变，更可能是真实排名波动。
- 缺失与归零模式：如果一批词从“有值”变成“无值”或统一归零，先怀疑新源覆盖不到这些词、地区或设备类型，而不是直接判定这些词消失了。请求量、抓取量或某项统计归零，也可能来自采集频率下调、任务失败、字段改名等合理解释。
- 可复现性：用同一批词、同一天，在新旧两个源上分别取一次数，看差异是集中在头部词还是长尾词。若差异集中在长尾，通常指向覆盖范围；若集中在头部，通常指向排名位次的计算方式。
这三条只能缩小范围，不能单独定论。要确认，仍需要拿到新源对指标的定义说明，并核对具体信息。
能连接的条件：指标定义与时间切片对齐
历史曲线可以继续使用，通常要同时满足几个条件。第一，新旧源对“排名”的定义一致，比如都是自然结果位次，而不是一个含广告位、一个不含。第二，统计的时间切片一致，比如都是按日取某一固定时刻的快照，而不是一个取日末、一个取全天最优。第三，地区、语言、设备类型的限定一致。第四，词表本身没有在切换时被替换或扩充。
假设上述四条都成立，那么切换前后的曲线可以放在同一坐标轴上，断点更可能对应真实变化。此时的实际动作是：保留历史序列，只在新源起始处加一条标注线，说明口径未变。这个动作的结果是，后续判断涨跌时不必反复怀疑数据源，可以把注意力放回内容与结构本身。
不能连接的条件：口径变了但曲线仍被拼接
如果新源改变了指标定义、样本范围或时间切片中的任意一项，两段数据就不在同一尺度上。此时仍把两段拼成一条线，会制造出并不存在的“趋势”。更稳妥的处理是：
- 把切换日作为分界，前后分成两条独立序列，各自标注来源与口径。
- 对重叠期做一次对照取值，记录差异方向和大致幅度，作为后续解读的参照。
- 决定历史数据是保留为参考、归档，还是只保留切换后的新序列。
这个动作的结果是，曲线不再假装连续，但每一个结论都能追溯到对应的口径。代价是图表变复杂，收益是不会把口径变化误读成排名变化。
退出旧内容、旧系统或旧合作关系时保留什么
数据源切换常和旧内容、旧系统或旧合作关系的退出同时发生。这时要分开处理两类资产：一类是仍然有效的词表、页面和对照记录，另一类是只对旧口径有意义的中间数据。可以保留的部分包括：切换前的关键时间点快照、重叠期的对照取值、词表变更记录。可以退出的部分包括：依赖旧口径才能解释的派生指标、无法复现的中间报表。
判断标准是：这份数据在新口径下是否还能被独立解释。能，就保留；不能，就归档而不是删除，以便日后核对。是否保留还应考虑实际使用频率，而不是一律全留或全清。
一个可执行的核对顺序
把上面的判断落成动作，可以按这个顺序走：先取重叠期样本，再核对指标定义与时间切片，然后决定曲线是拼接还是分段，最后清理不再可解释的派生数据。每一步的结果都会改变下一步：如果重叠期差异很小且口径一致，就可以拼接；如果差异集中在某类词，就先补覆盖范围再谈拼接；如果口径本身不同，就分段并保留对照记录。具体到某个工具当前支持哪些数据源、如何标注切换点，需要以该工具的实际说明为准，不能凭曲线外观推断。
