选题库怎么建：把客服对话变成选题
判断一个选题好不好，有一个比"搜索量"更准的指标：问过这个问题的客户，后来买了吗。
这个指标只有客服对话里有。搜索量告诉你多少人想找这类信息，客服对话告诉你问这类信息的人里有多少会付钱。后者才是内容该服务的目标。
下面是把客服对话变成选题库的完整方法，包括一个 100 条对话的算例。
一、为什么是客服对话，而不是搜索工具
搜索工具的数据有三个局限：
其一，它记录的是搜索词，不是问题。 搜索词是被修剪过的（"新风 安装"），问题才是完整的（"老房子空心砖墙能不能装新风"）。能直接变成选题的是完整问题。
其二，它不区分意图阶段。 "新风价格"这个搜索词，可能来自准备买的人，也可能来自随便看看的人。搜索工具不区分，客服对话区分——因为对话里的人已经联系你了。
其三，也是最关键的：客服对话自带结果标签。 一条对话的发起人最后有没有成交，系统里有记录。这个标签让"需求频次"能升级成"需求价值"。
所以客服对话不是搜索数据的替代品，它是能把搜索数据校准一遍的东西。
二、原始对话不能直接用，先过三道处理
原始对话里有三类噪音，不清掉，分析结果就是错的。
噪音一：同一个问题被反复问。 一百条对话可能只包含六十几个独立问题。不去重，高频问题会被放大。
噪音二：情绪表达被当成需求。 "你们也太慢了"不是需求，它是情绪。对应的需求句应该是"从下单到发货需要多久"。处理规则：把情绪句改写成事实句，改不出来就丢弃。
噪音三：把偶发当趋势。 一条对话里出现的问题，可能是特例。只有出现两次以上的问题，才进入编码。
三道处理之后，得到一份"问题句清单"。这一步的产出形态很重要——必须是疑问句，不能是名词短语。
"售后"是名词，没法变成选题。"保修期内滤芯坏了算不算免费更换"是疑问句，直接就能改写成标题。能不能保留疑问句的完整形态，决定了后面能不能省事。
三、二级编码：类型 + 成交相关性
清单出来之后，做两级编码。
第一级：问题类型。 一般六到八类就够。以家居类商品为例：
价格与优惠 / 交期与物流 / 安装与使用 / 售后与保修 / 适配与选型 / 资质与合规 / 其他
第二级：发起人后续是否成交。 这一级是这套方法的核心，也是最容易被跳过的一步。
编码完成后，得到这样一张表（以 100 条对话、去重后 62 个问题为例，数字为示例）：
| 问题类型 | 问题数 | 提问者成交率 | 每类带来的成交 |
|---|---|---|---|
| 价格与优惠 | 18 | 6% | 1.1 |
| 交期与物流 | 14 | 21% | 2.9 |
| 安装与使用 | 12 | 58% | 7.0 |
| 售后与保修 | 9 | 33% | 3.0 |
| 适配与选型 | 6 | 67% | 4.0 |
| 资质与合规 | 2 | 50% | 1.0 |
| 其他 | 1 | 0% | 0 |
（"每类带来的成交"= 问题数 × 成交率，用来同时反映频次和转化。）
四、这张表会推翻你的直觉
直觉是"写最高频的问题"。表上最高频的是价格与优惠，18 个问题，但它的成交率只有 6%。
为什么？因为问价格的人里，很大一部分是比价和询底的，他们本来就没打算在这单成交。而这类问题在内容上的转化能力也最低——愿意花钱买的人，不会因为在文章里看到价格就下单。
看第二行和第五行。适配与选型只有 6 个问题，成交率 67%，是价格类的十一倍。
逻辑也成立：问"我家空心砖墙能不能装"的人，已经在确认自己能不能用，他在做的是购买前的最后一个判断。这类问题的提问者是最接近决策的人，而这类信息在市面上恰恰最少。
安装与使用这一类频次高、成交率也高，但它有一个特点——提问者多数已经成交了。这一类的价值不在获客，在减少售后咨询和退货。它应该出内容，但用的不是获客的 KPI。
所以按"每篇内容能带来多少成交"排序，结论是：
适配与选型 > 交期与物流 > 售后与保修 > 安装与使用（获客口径）> 价格与优惠 > 资质与合规
这个排序和频次排序几乎相反。 这就是为什么"从客服对话挖需求"不能只统计词频。
五、从问题句到选题，三条改写规则
拿到高频高转化的疑问句之后，改写选题有三条规则。
规则一：保留场景条件。 "墙能不能装"是模糊的，"老房子空心砖墙能不能装新风"才是选题。场景条件就是长尾，去掉条件就等于把自己扔回红海。
规则二：标题里的对象用客户的叫法。 客户说"滤芯"，标题就写"滤芯"，不要写成"高效过滤组件"。客户的用词决定了这句话会不会被搜到、被引用。
规则三：一篇讲一个问题。 一个疑问句对应一篇。把"能不能装"和"装完多久能用"合成一篇，两个问题都会讲不透，而且两边的搜索意图都匹配不准。
按这三条改写，上面那张表能直接产出二十个以上的选题。关键是从高转化的那一类开始写，不是从最多的那一类开始写。
六、二阶后果：选题库会变成负担
这是很少被提到的一环。选题库建起来之后，通常会有两个反向问题。
问题一：选题过剩。 一次客服分析会产出几十个选题，但你能稳定产出的内容量是有限的。结果是清单越攒越长，越看越焦虑。
所以选题库必须配一条废弃规则：超过 90 天没有被使用的选题，重新评估一次；评估后仍然排在后面的，删除。
不删除的选题库，最后会变成一个没人看的清单。 它的价值取决于最短的那一侧——你能产出多少，而不是你收集了多少。
问题二：过度贴近现有客户。 客服对话样本有一个结构性偏斜：它只包含已经联系过你的人。 那些从来没联系你、在别处解决问题的人，不在这个样本里。
所以客服选题库要和另外两个来源配合：搜索数据（覆盖没联系过你的人）、竞品内容（覆盖别人在讲什么）。三者交叉，才能减少盲区。
客服数据告诉你"来了的人关心什么"，搜索数据告诉你"没来的人关心什么"，竞品内容告诉你"别人认为他们关心什么"。 三者不一致的地方，往往是最值得写的位置。
七、这套方法的边界
第一，样本量下限。 少于 50 条去重后的问题，成交率的百分比会被单条数据左右。这种情况下只看类型分布，不看成交率。
第二，它依赖成交记录能被关联。 如果客服对话和订单系统不打通，成交率这一列填不出来，整套方法就退化成词频统计——而词频统计得出的结论，如上所示，往往是反的。
第三，它不适合冷启动的新品类。 没有历史对话就没有样本。这种情况下的替代方案是从竞品内容的评论区收集真实提问，那些提问的性质和客服对话接近。
第四，成交率不是唯一目标。 有一部分内容的作用是建立权威和信任，不是直接带来成交。这类内容不该用成交率来排序，但也不该挤占高转化类别的产出配额。
八、两周能做完的最小版本
不需要一次做完整的客服分析。最小可用版本是这样：
- 把最近一个季度所有售前咨询导出，先不用全量，取 100 条
- 逐条改写成疑问句，丢弃改不出来的
- 去重，统计每一类的问题数
- 按发起人是否成交，给每类算一个成交率
- 按"问题数 × 成交率"排序，从最高的那一类开始写
第五步之后你会得到一份和预期不同的排序。先写那批你原本没打算写的选题。
两个常被追问的问题
问：能不能用 AI 直接读对话出选题？
可以，而且建议用它做第一步。让模型把对话压成疑问句、做初步分类，人工只需要校正分类和补成交标签。但成交率这一列必须自己算，因为它来自订单系统，不在对话文本里。
问：多久做一次？
每季度一次完整分析。中间的月度只需要把新增对话按已有分类贴进去，看各类占比有没有变化。分类体系不要频繁改，改了就没法做趋势对比。
相关阅读
延伸阅读：电商上新提速：把商品资料变成可上架交付包的实操路径、不监测等于白做：把 "AI 提及率" 纳入内容周报的完整方法、五平台引用偏好怎么测：一套能出结论的实验设计。
三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。