做SEM关键词投放需要分析哪些重要指标

SEM已成为互联网市场主流的营销模式，其中搜索推广也是目前B2C企业最受欢迎最广泛的营销手段。随着搜索引擎市场变化及需求，百度搜索，360搜索，搜狗搜索等运营商逐渐完善投放系统，根据广告主的需求，针对各个重要环节角度出发，提供了衡量投放关键词效果的重要数据指标。然而，目前大多数B2C企业在初尝试SEM关键词投放时，往往仅仅关注“展现量，点击量”等最为基础的指标来衡量。鉴于现状，投放系统针对性提炼出了9个重要指标，而如何利用这些关键性指标来提高转化效果才是关键。

1、关键词有效率

何为关键词有效率，即有展现的关键词数量/账户有效关键词数量。关键词有效率，这个指标直接关系到账户内的关键词质量。若想要提高关键词有效率，必须从这两方面出发。对于B2C企业而言，数以万计的SKU，如何提高关键词有效率?我们可以根据企业商品的销售量以及知名度针对性进行拓词创建，提高关键词的展现几率，同时结合创意关键词匹配模式，多运用广泛匹配，短语匹配，精准匹配。尤其可以加强短语匹配，短语匹配细分三种匹配模式，精准性不断提高的同时也不会大大降低展现量，对关键词有效率提高有极大帮助。

另外结合大数据平台数据参考，目前平台电商的关键词有效率保持在15%左右，而作为知名垂直品牌电商则保持在30%以上，基于这样的数据作为对照参考，可自我进行评估，自身B2C企业的关键词有效率是否处于正常水平，且水平具体是多少。

2、点击成本

作为一个B2C企业，投放SEM过程中会拓展成千上万的关键词，控制点击成本直接较大影响到后续的投入产出比，他是众多成本指标中最为基础，但也最为重要的一个，如果该上游没有控制得当，那么直接回影响到下游的转化能力。

据目前互联网市场行情而言，关键词的点击成本逐年增加，其源头是B2C企业越来越重视SEM投放，导致竞争越来越激烈。虽然目前点击成本在增加，但是依然搜索市场可观，且点击成本也最容易进行优化调整。调整点击成本策略重要方向是：

A、针对仅宽泛流量型关键词降低出价，甚至可以删除关键词。另外对于出现的不相关关键词，可阶段性进行否词，防止出现无效点击。

B、若针对重点关键词排名时，可以先进行保守出价，再根据需要进行逐步调整排名。反则，关键词出价居高不下，很难调整到以往点击单价。

C、根据转化率：品牌词>竞品词>通用词>产品词>活动词，这类递减层级进行出价策略，这样可有效的控制点击成本。

3、订单转化率

订单转化率，即订单量/点击量，对于B2C企业而言，最终的转化落地是订单量。订单转化率越高，则表示该企业网站运营能力越强。想要提高订单转化率，首先我们可以从反面进行思考：用户为什么不订单?

A、据有关数据显示，50%以上的用户表示过长的网页加载速度是他们放弃购物的主要原因之一。由此可见，作为B2C电商网站而言，首要任务是提高网页加载速度，PC和移动端提高是当务之急。

B、有50%人表示由于找不到想要的商品而放弃此次购物行为。找不到想要的商品，除了需要做好关键词精准之外，还需要做好站内导航功能，导航是能够引导用户行为的工具，切不可掉以轻心。

C、购物的步骤太多，数据显示有40%的人会放弃。购物过程中若涉及到表单栏目，尽量简化设置，降低用户购物环节，提供更多的支付接口等。

当然，这里仅仅是SEM关键词投放过程中最为重要的3个指标，在未来的SEM投放过程中，精细化管理以及数据分析非常重要，需要针对关键词投放过程中各个指标进行分析，逐一进行调整以及优化才能够使最终的转化效果提高，最终获得理想的ROI数据。

网络营销包括了seo（优化）\sem（竞价） 微信和自媒体，就目前来看，从目前的形式来看优化基本没什么用，竞价经过百度的而打压也不好做，但是目前新起的微信自媒体总的来说比较有前景。未来的网络营销发展会受到国家的很多限制，这是市场不规范恶化的导致。

其实应该说是最大似然法和最小二乘法的区别吧。

采用OLS的回归分析方法存在几方面的限制：

（1）不允许有多个因变量或输出变量

（2）中间变量不能包含在与预测因子一样的单一模型中

（3）预测因子假设为没有测量误差

（4）预测因子间的多重共线性会妨碍结果解释

（5）结构方程模型不受这些方面的限制

SEM的优点：

（1）SEM程序同时提供总体模型检验和独立参数估计检验；

（2）回归系数，均值和方差同时被比较，即使多个组间交叉；

（3）验证性因子分析模型能净化误差，使得潜变量间的关联估计较少地被测量误差污染；

（4）拟合非标准模型的能力，包括灵活处理追踪数据，带自相关误差结构的数据库（时间序列分析），和带非正态分布变量和缺失数据的数据库。

构方程模型最为显著的两个特点是：

（1）评价多维的和相互关联的关系；

（2）能够发现这些关系中没有察觉到的概念关系，而且能够在评价的过程中解释测量误差。

1、最小二乘法的典型应用是求解一套x和y的成对数据对应的曲线（或者直线）方程。

其思想是：设y和x之间的关系可以用一个公式在表示，但其系数为待定系数。然后，将各个点的实测数据与计算求得的数据相减，得到“误差”或者不符值（有正有负，但其平方都是正的），将这些不符值的平方相加，得到总的“误差”。通过调整公式中的各个系数，使得误差平方和最小，那么就确定了y和x之间的方程的最好结果。求解最小二乘问题的过程中没有提及概率问题。

2、而极大似然估计值，是用于概率领域的一种方法，和最小二乘法是两个领域的。这种方法是应用求极大值的方法，让某一个公式求导值为0，再根据情况判断该极值是否是合乎要求。极大似然估计法可以用于正态分布中 μ, σ2的极大似然估计。极大似然估计法就是要选取类似的数值作为参数的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

---