SEM推广项目一周年总结——汽车后市场行业

2015年9月正式接手公司的SEM推广项目，距今已有一年时间，从前期的业务生疏、流量不多，到现在的业务熟练、大量精准流量的获取，可以说推广业务取得了一定的成功。

文章是想从复盘总结的角度，客观的分析在这一年推广过程中，哪些操作和策略有效，哪些操作和策略中存在问题，这些行为产生了什么样的后果以及如何改正和不断的完善。让推广方案和自己不断的成长。

下面直接进入SEM推广一年复盘总结主题

月有效对话从15年9月到16年8月变化如下图

忽略2月左右春节和7月账户问题的影响，月有效对话量的变化基本可以看成是一个不断增长的过程。

其中主要增长月份有11月份和5月份。那么主要增长原因有哪些？

15年11月份增长分析：

1、15年10月末，深入业务，大量有效精准关键词的拓展投放。

2、2015年10月末，借助快站建设的移动推广网站上线推广，提升了移动端的用户体验，进而提高了有效对话量。（下边分设备有效对话量的对比，我们可以更加清晰的看到变化情况。9月到10月移动有效对话小幅增长，10月到11月移动有效对话增幅加大）

16年5月份增长分析：

1、账户结构整体调整与优化，涉及关键词的进一步拓展、优化，创意、着陆页、投放地域、投放时间、项目投放结构、设备投放结构等进一步的优化调整。

2、移动站点的进一步优化，新建手机站的推广使用。（同样，在下边分设备对话对比图表中，我们可以更为明显的看到移动端有效对话的显著增长）

3、5月份，客服人员的增加，推广时间延长，线上及时的接待和客服主动邀请对话次数有了很大提高。

看推广消费和有效对话变化情况，可以具体看出我们对话和消费的变化情况。

消费/有效对话=有效对话成本，获得下面月有效对话成本变化表，可以更加直观的看到，有效对话成本的不断减少。最为显著的月份是 11月、5月、6月、8月。

那么有效对话成本的减少主要出现在什么设备端呢？通过移动和电脑端的分类消费和有效的对话统计图表，下面我们进一步的分析。

上图可以看出，移动消费一直大于电脑端消费。移动端波动较大，电脑端消费相对稳定。结合下面分设备有效对话，除5、6月份外，几乎都是电脑端有效对话量较大。（5月移动消费几乎为电脑端的一倍）

消费/有效对话=有效对话成本，得出分设备有效对话成本。

从上图可以看出，电脑端有效对话成本较低，并且从15年10月到16年8月基本是有效对话成本的不断降低中，可以看出电脑端几乎已经接近对话成本降低的优化极限。移动端成本降低幅度较大，有效对话成本相对电脑端依然较高，后期还有很大的优化空间。

关于15年9月和10月份较高的有效对话成本，这是因为前期没有做推广网站的移动端，导致体验差，对话率极低。发现这个问题，11月份做了专门的移动推广网站，对话成本才得到了较好的控制。

有效对话客户终端分布如下面

结合上面2图以及前面的分析，可以分析出：

1、移动有效对话量虽然有了很大的提高，但电脑端有效对话依然占据约60%。

2、在手机端的设备使用占比中我们可以看出，我们的客户苹果用户居多。这也与我们网站cnzz统计中用户分析一致，即客户多为高富帅和果粉。辅以百度统计和百度指数，基本可以锁定我们的客户人群，这也为我们后续的RTB类精准广告投放做了铺垫。

对话访客访问页面数图表

从图中我们可以看出，客户在访问少于等于3个页面就开始咨询的比例非常大，这也从数据量化的角度进一步让我认识到着陆页以及相关页面的重要性。

上图是有效对话客户所在城市分布，因为市场大小和投放力度的不同，北京客户占据了绝大多数。

以上就是针对几个维度，对推广项目一年的简要分析，更是我本身对于这个项目一年投放经历的简单总结。当然以上的分析只是对于广告投放一年内几个关键点的分析，最终推广效果的提升是与工作中每一步的精细化推广优化和各个部门的配合与努力分不开的。

最后，根据以上分析，明确下后续投放策略和注意点：

1、重视电脑端的投放，进一步优化移动端的用户体验，提高移动端对话率。控制好投放设备消费结构。

2、着陆页等推广细节优化，包括关键词、创意、投放时间、投放设备价格比等，进一步精细化运作。

3、推广渠道的多样化，推广地域的多样化，进而提高优化对话量，和实现有效对话成本的降低。

4、投放项目比例结构的优化，改装项目与其他项目的投放占比优化。

（备注：数据均经处理，非实际数据，仅供研究分析用）

SEM简单介绍，以下资料来源

因果关系：SEM一般用于建立因果关系模型，但是本身却并不能阐明模型的因果关系。

一般应用于：测量错误、错漏的数据、中介模型（mediation model）、差异分析。

历史：SEM 包括了 回归分析，路径分析（wright, 1921）,验证性因子分析（confirmatory factor analysis）（Joreskog, 1969）.

SEM也被称为 协方差结构模型（covariance structure modelling），协方差结构分析和因果模型。

因果关系：

究竟哪一个是“真的”？ 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子： 吃糖果导致蛀牙。这里涉及2个变量，“吃糖果”和“蛀牙”，前者是因，后者是果。 如果上一个因果关系成立，那将会形成一个因果机制，也许会出现这样的结构：

3. 这时还有可能出现更多的潜在变量：

这里我又举另外一个例子，回归模型

在这里，回归模型并不能很好的描述出因果次序，而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型（conditional relationships），上图中的模型是一种调解型模型或者中介模型，在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下：

回归分析简单的说就是：X真的影响Y 吗？

路径分析：为什么/如何 X 会影响Y？ 是通过其他潜在变量Z 来达到的吗？例子：刷牙（X）减少蛀牙（Y）通过减少细菌的方法（Z）。------测量和测试中介变量（例如上图中的Z变量）可以帮助评估因果假设。

在这里要提一下因素模型（factor model）

在这个模型当中，各个变量有可能由于受到未被观察到的变量所影响，变得相互有内在的联系，一般来说那些变量都很复杂、混乱，而且很多变量是不能直接被观察到的。

举个例子：“保龄球俱乐部的会员卡”和“本地报纸阅读”，是被观察到的变量，而“社会资产”则是未被观察到的变量。另一个例子：“房屋立法”和“异族通婚”是被观察到的变量，而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致，而是由于那些潜在的变量而导致。

这些被观察到变量（y1--y4）也有可能由一个潜在的变量（F）所影响。

---