sem怎么分析数据

sem怎么分析数据,第1张

sem做数据分析时要先对比数据,通过对比发现问题,再通过收集数据来找出问题。从计划、单元再到关键词,一步一步细化数据,最后落实到具体操作上,解决问题。

1.日消费数据分析

 这个日消费报表一般有日消费报表,周消费报表,月度消费报表组成。表中包含的内容有展现,点击,点击率,点击价格,对话数,有效对话数,对话率,留档数,留档成本等。

这个表主要是能直观地看到每天的数据变化,任何一个数据的变化都能很直观的看到,这能很好地掌控账户后台数据的变化。

2.计划,单元,关键词转化分析

 这个主要就是看计划,单元,关键词的成本分析了,找到成本最低,数量最高的计划,单元和关键词,作为后期推广在核心部分。

 而另外一部分有消费却没有留档或者成本很高又没有带来订单的,这类就需要减少消费了。

扩展资料:

sem就是基于搜索引擎平台的网络营销,利用人们对搜索引擎的依赖和使用习惯,在人们检索信息的时候将信息传递给目标用户。搜索引擎营销的基本思想是让用户发现信息,并通过点击进入网页,进一步了解所需要的信息。企业通过搜索引擎付费推广,让用户可以直接与公司客服进行交流、了解,实现交易。

搜索引擎营销的基本思想是让用户发现信息,并通过(搜索引擎)搜索点击进入网站/网页进一步了解他所需要的信息。在介绍搜索引擎策略时,一般认为,搜索引擎优化设计主要目标有2个层次:被搜索引擎收录、在搜索结果中排名靠前。这已经是常识问题,简单来说SEM所做的就是以最小的投入在搜索引擎中获最大的访问量并产生商业价值。

比重分析法

指通过计算某个维度所占维度总量的比例,从而去判断投放方向或投放效果。

公式:比重=某维度数值 / 总量 X 100%

倒推法

倒推法,是竞价推广中常用的一种方法,但更多被应用于战略目标的制定。

即:根据历史数据,将成交—线索—对话—点击—展现倒着进行推理的过程。

关键词四象限分析

关键词是竞价推广之根本,那么便可通过对关键词进行系统化分类,从而有针对性地进行优化。

通常,主要分为以下四类:

01 有对话成本低

像这类词,大都集中在品牌词等,且它属于优质词的一类,针对较为优秀的词可以进行放量操作

例如:加词、提价、放匹配等等。

02 有对话成本高

像这类词,主要集中在产品词和行业大词。

点击成本高,往往说明点击流量多且杂,这类情况建议有条件地放量操作,即:获取流量的同时,去控制流量的质量。

主要操作有:

加词、

优化账户结构(使账户流量结构更精准)

优化创意(利用创意筛选部分杂质流量)

03 无对话成本高

这种情况,往往都是没有集中词性,通常可根据以下两点来进行判断下一步的操作:

均价高还是低?

流量大还是小?

若流量很大,均价很低,往往通过优化页面来进行若均价很高,流量一般,便是进行降价操作若是因为流量意向低,建议进行收匹配操作。

04 效果差成本低

像这种情况,大多数都为“只点击一次就产生了对话”,我们就以为是优质词,便进行放量操作,但也有可能是意外。

营销流程表分析

通过每天罗列、收集账户中核心指标数据【消费、展现、点击、抵达、对话、线索、成交】,然后根据核心数据算出一些辅助数据,像【点击率、对话率、点击成本】等,通过将不同周期的数据进行对比,从而发现病种。

单一维度分析

指针对不同维度间的数据进行分析,从而确定优化方向。

单一维度主要可分为:产品维度、时段维度、设备维度、地区维度、关键词维度。

怎样用图表分析数据

本文会给大家讲解:从入门到精通:如何用图表做好数据分析?

随着精益化运营的概念不断深入人心,数据分析已经成为了互联网人的必修课。相比于高深的概率统计、算法模型,简单、直观的图表工具得到了更为广泛的应用。

那么图表都有哪些类型?不同类型的图表又该怎么用?在这篇文章中我们结合互联网产品和运营的业务需求,由浅入深地给大家解答这些问题。

Part 1 | 初阶:维度和指标

初阶的图表简单易懂,能满足简单的数据分析需求,具体包括趋势、频数、比重、表格等类型。图表数据分析的前提就是将自己需要呈现的指标,以一定的维度拆分,在坐标系中以可视化的方式呈现出来。

1. 趋势图

趋势分析是最基础的图表分析,包括线图、柱状图、堆积图等多种形式。

线图可以观察一个或者多个数据指标连续变化的趋势,也可以根据需要与之前的周期进行同比分析。柱状图可以观察某一事件的变化趋势;如果将整体拆分可以做成堆积图,同时观察到部分所占比重及变化趋势。

图 1 - GrowingIO 周期对比线图:

图 2 - GrowingIO (堆积)柱状图:

产品经理和运营人员通过趋势图分析流量的实时走向,如每日 pv、uv、DAU 等基本数量指标以及停留时长、平均访问页面数等质量指标,可以及时把握产品的变化趋势。一旦趋势周期对比发生异常(异常高和异常低),我们需要及时介入排查原因、解决问题。

2. 频数图

根据业务需求对指标按照一定维度拆分,对比不同组别的频数,便于分清轻重缓急。

图 3 - GrowingIO 条形图:

条形图清晰展示了用户在不同类别上的频数,并且按照数量从大到小排序。上图展示的是某产品用户使用浏览器的频数分布,在资源有限的情况下产品可以先适配 Chrome 和 IE 浏览器以提升绝大部分用户体验。

图 4 - GrowingIO 双向条形图:

上面的双向条形图展示了某 B 端产品的客户平均停留时长极端情况(非常高和非常低),企业 1-5 非常活跃,可以让运营人员促进客户增购、续约,而企业 6-10 活跃度非常低,即将流失,需要运营人员立刻介入干预。

3. 比重图

比重分析主要是用来了解不同部分占总体的比例。横向比较,扇形图、环形图可以满足这类需求;纵向比较,百分比堆积图可以显示不同部分所占比例的趋势变化。

图 5 - GrowingIO 访问用户来源环形图:

图 6 - GrowingIO 百分比堆积图:

环形图(图 5)显示了某节点访问用户来源渠道比例,百分比堆积图(图 6)则动态显示了不同渠道比例的变化趋势,市场或者运营人员可以据此动态优化我们的资源投放。

4. 表格

表格信息密集,可以同时分析多维度、多指标数据,适合对数据敏感的人群使用。虽然表格能看到具体的数值,但是不能直观看到趋势、比重。

图 7 - GrowingIO 表格提供三十多个维度供指标拆解:

通过表格(图7)不难发现,移动端访问用户占了非常大的比例,但是跳出率非常高。这样的表格数据启示我们有必要优化移动端产品,提升整体访问深度。

5. 其他图表

下面介绍的是气泡图,气泡图用来展示一个事件与多个维度之间的关系,如分析B端产品客户成单周期与客户活跃度、登录账号数量之间的关系。

图 8 - GrowingIO 「客户温度 - 健康度」气泡图:

除了上述常见的图表,还有散点图、箱线图、股价图、雷达图等图表,在此不一一赘述。

Part 2 | 进阶:用户行为洞察

正如前面所言,初阶图表能满足简单的业务需求。但要想深入洞察用户行为,还需要紧密结合业务实践,用更加专业的图表辅助数据分析。在这里,我和大家分享三个实用的工具:漏斗图、留存图和热(力)图。

1. 漏斗图

漏斗图主要用于转化过程,例如注册流程、商品购买流程,分析用户在不同阶段的转化或者流失情况。

图 9 - GrowingIO 漏斗图:

产品运营应该关注重点转化路径的转化率,对于转化率非常低的环节、或者转化率突然下降的情况,都需要及时排查原因。

2. 留存图

留存是指用户首次访问你的网站,多少天后又重新回访的情况。利用留存曲线可以对留存进行深入分析。

图 10 - GrowingIO 留存曲线:

某问答社区通过留存曲线(图 10)发现,通过搜索引擎来源的新用户(红色)留存度和活跃度远远高于一般新用户(绿色),这启示社区运营者:搜索引擎可能成为社区的下一个增长点。

3. 热(力)图

热图,又称热力图,显示的是用户在你产品页面上的点击、停留偏好。借助热图产品经理可以优化产品页面布局,运营可以优化内容,确实是一个好工具。

图 11 - GrowingIO 热图:

Part 3 | 高阶:用数据驱动增长

随着数据可视化技术的不断发展,图表的类型越来越丰富,我们不可能在一篇文章中将其穷尽。但是图表数据分析的本质不会变,其最终目还是要辅助人们的决策。

1. 搭建属于自己的数据看板

人们的工作在不断细分,需要分析和决策的内容也不太一样。同样都是市场部门的同事,负责内容营销的与负责 SEM 的需要关注的数据差异很大,而这就需要搭建属于自己的数据看板。

图 12 - GrowingIO 数据看板:

例如 SEM 主管根据工作需要搭建数据看板,将广告投放(表格)、访客来源(百分比堆积图)、访问用户量(线图)、登录用户量(柱状图)和注册转化率(漏斗)等重要数据集中在一个看板中。数据看板能帮助我们以合适的方式展示数据,集中精力做好业务决策。

2. 在实践中践行 MVP

用图表做好数据分析并非易事,它绝非一朝一日之功,但也并不是无规律可循。

首先是对业务的理解,能洞察数字背后的商业意义。其次是灵活选择维度拆分指标,在图表坐标系中以合适的形式进行可视化展示。最后一定要从图表数据分析中发现问题,并指导业务决策。在这样不断反复的过程中,不断优化我们的图表数据分析过程,用数据来驱动业务增长。

本文作者:GrowingIO 增长团队,集工程、产品、市场、分析多重角色于一身,负责拉新和用户活跃,用数据驱动业务增长。


欢迎分享,转载请注明来源:夏雨云

原文地址:https://www.xiayuyun.com/zonghe/168156.html

(0)
打赏 微信扫一扫微信扫一扫 支付宝扫一扫支付宝扫一扫
上一篇 2023-03-25
下一篇2023-03-25

发表评论

登录后才能评论

评论列表(0条)

    保存