“漏斗原理”其实在很多领域都有涉及和应用，比如销售行业的销售漏斗。在SEM中，漏斗模型是最重要的一个模型，也是日常分析问题最主要的思路。SEM的漏斗模型主要以用户浏览或使用过程划分，对应搜索营销的各个环节，构成要素分为以下：
1、展现量
展现量即关键词展现在用户前的次数，是漏斗原理的第一层。
影响展现量的因素主要分为3个：账户整体设置、关键词、网民搜索量。在账户整体设置方面，账户的投放地域、时段对展现影响较大。投放地域多、全天投放，账户的展现自然就高；在关键词方面，影响最大的是关键词的匹配模式。在百度搜索推广中，匹配模式主要分为广泛、短语-核心、短语-同义、短语-精确、精确5中，匹配模式越宽，展现越大；此外就是关键词的排名和数量。
2、点击量
点击即网民看到搜索推广后的点击次数。
影响因素主要分为2个：关键词、创意。关键词的排名是影响点击量的主要因素，此外，关键词的展示样式也是很大的一个因素，如闪投的点击率一般会高于普通创意（可见颜值的重要性）。创意方面，流畅影响链接对网民的吸引程度。创意还与账户的结构有关，因为创意以单元为单位，账户结构越合理，单元的关键词越相像，创意也就越流畅。
3、访问量
访问量即网民到达网页的次数，此时已经脱离SEM范围，主要与网页的网文时差、UI有关。
4、咨询量（注册量）
对于一些行业来说，这一层为咨询量，如教育行业的访问咨询，其他对于搜索推广的目的是用户注册的公司来说，这一层级即为注册量。
影响网民注册的因素主要有：loading page。其他如网页的访问时长等已经脱离了SEM的范围，而loading page是SEM所需要优化的。
5、订单量
订单量靠的是产品或者销售了。
以上是SEM中的漏斗原理，用户随着漏斗的层级一层一层流失，为了最后的订单量（或者注册量、咨询量）足够多，需要把从展现开始的每个层级尽可能做大，并且减小流失率。
在操作账户过程中，总会遇到各种各样的问题，这些问题很大一部分都需要用漏斗原理来思考和解决，因此对漏斗原理的一些过程指标以及他们到底对应我们日常数据中的哪一项、最终的影响结果是什么都需要掌握，这样在账户有问题时，才不至于无从下手纸上谈兵。
按照漏斗原理（这里以app注册推广为例），在转化过程中需关注的过程指标有：点击率、点击注册率、买单率，在推广的结果中需关注：ACP、注册成本、人均付费。
1、点击率
点击率=点击/展现
影响点击率的因素即为影响点击与展现的因素。主要分为关键词排名、创意质量度。关键词排名越高，点击越多；创意质量度越高，越吸引用户点击。
落实到优化措施中，提高关键词排名则需要调整关键词的质量度和出价；提高创意质量度则通过修改创意，让创意中的通配符与单元里的关键词更加吻合。
2、点击注册率=注册/点击
点击注册率是考量投放效果好坏的一个重要指标。影响的因素主要有关键词匹配方式、loading page、网页访问速度。其中网页访问速度不是投放人员所能控制，因此先不说；关键词的匹配方式影响所带来的搜索词，匹配方式越宽泛，带来的搜索词越多越杂，引起了无效点击；loading page的UI和内容是否能引导用户进行下一步的动作，对点击注册率也有很大的影响。
落实到优化措施中，通过查看搜索词报告和关键词报告，来进一步优化关键词的匹配方式，让流量更精准的流入到各个关键词中；对于loading page，则通过A/B test来测试不同页面的注册率，优选注册率高的。
3、买单率
买单率=买单人数/注册人数
买单率其实代表投放的准确度和用户质量的高低，投放越精准，带来的用户质量越高（即为目标用户），则买单率自然不会低。所以我个人觉得这是一个衡量投放整体情况的指标。当买单率较低时，因为搜索账户目前没有定向方式，因此可以看注册用户的用户属性，通过调整用户属性来优化投放。
4、ACP
ACP就是平均点击价格，ACP=消费/点击次数
当ACP提高时，不可避免的注册成本就会提高，因此ACP可以说是注册成本的另一种形式的表达。如果账户中ACP提高，但注册成本并没有多大变化，那么账户中一定有注册成本很小的词存在。这也给投放优化带来了一点难度。
ACP的影响因素有：关键词出价、其他竞争对手的关键词出价、关键词质量度。在百度搜索推广中，关键词的点击成本有一个计算公式，公式里包含的因素即为上面罗列的这三个。
5、注册成本
注册成本=消费/注册
注册成本是搜索推广中非常重要的一个指标，成本的高低直接影响最后的账户回本。注册成本的影响因素比较多，也比较复杂，因为注册成本是一个综合性的指标。
影响注册成本的原因可能有：ACP、点击注册率。因此可根据ACP与点击注册率的影响因素进行调整。
在投放过程中，最主要的是有一个思考的逻辑，发现问题，接着一步一步分析问题，找出影响因素后，再对应到数据指标中，由数据指标最后对应到优化操作。
R包lavaan可以做
https://www.codetd.com/article/916129
软件AMOS可以做
https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098738&idx=1&sn=319fcc4198fbcd36fc30fd1329e27bf0&chksm=beb6289f89c1a189115d96bb0f9bc3114a752f9bf1fed4c9979b2e965322d8e38c60844316de&scene=21#wechat_redirect
https://mp.weixin.qq.com/s?__biz=MjM5MTI5MDgxOA==&mid=2650098759&idx=1&sn=0099b81e77a2f8b6324e88a5b49773ed&chksm=beb628ea89c1a1fcdb4c068466e6f099e0bd1af0909bbc538aca4247477978b4b52b3b9aa036&scene=21#wechat_redirect
https://www.jianshu.com/p/d698dc099dec
https://www.jianshu.com/p/e0938fb35c45
https://blog.csdn.net/yjj20007665/article/details/66967966
χ2 卡方拟合指数 检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该不显著。
RMR 是残差均方根。RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。RMR应该小于0.08，RMR越小，拟合越好。
RMSEA 是近似误差均方根 RMSEA应该小于0.06，越小越好。
GFI 是拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按照约定，要接受模型，GFI 应该等于或大于0.90。
CFI 是比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受,越接近1越好。
同时要求样本和指标之间有一个最低数量比例
结构方程模型SEM是一种多元数据分析方法，其包括 测量模型 和 结构模型 ，类似如下图：
上图中红框即为测量模型，Factor1是A1~A4共4项表示；类似还有Factor2，Factor3和Factor4。而结构模型是指影响关系情况，比如模型中Factor1和Factor2影响Factor3；Factor3影响Factor4。
如果说只研究测量模型，那么通常是指验证性因子分析CFA；如果说只研究结构模型，则称作路径分析path analysis。验证性因子分析和路径分析均是结构方程模型的特殊形式。
结构方程模型由测量模型和结构模型构成，如果进行结构方程模型构建时想达到良好的模型效果。那么就需要保证测量模型和结构模型均有着良好的拟合性，否则最终结构方程模型拟合效果都不会太好。
同时，结构方程模型有着非常多的拟合指标，比如卡方自由度比，RMSEA,CFA,RMR等几十种，但在实际研究中会发现基本上很难所有指标均达标，而且很多指标都不达标。那怎么办呢？
接下来针对结构方程模型的拟合指标、拟合效果不好时的3种解决办法等分别进行说明，期许得到最佳模型。
结构方程模型拟合时，会有非常多的指标。SPSSAU默认提供常用的15类指标，说明如下：
在已有文献中，还会出现各类拟合指标，但基本上都是上述拟合指标的一种变型而已。一般来说，模型拟合效果越好，各类指标越容易达标，但即使模型已经拟合非常好，也不能保证所有的参数均在标准范围内。
为什么会出现这种情况呢，比如卡方自由度值使用较多，但是该指标容易受到样本量的影响，样本量越大时，该指标越可能更小，有的指标在标准范围内，那么对应有的指标就可能不在标准范围内，没有一个指标可以完全性地确定模型的好或坏。也就是说不同的拟合指标并不能完全的测量模型的拟合效果，而应该综合着分析模型效果水平。
SPSSAU提供了各类常用的拟合指标共计15个，但现在研究中，使用最为常见的指标RMSEA, CFI, NNFI, AGFI，RMR，TLI，卡方自由度比等。如果研究时发现最常用的几个指标在标准范围内（或者多数指标基本均接近或明显在标准范围内），而有其它一些指标并不在标准范围内，相信模型拟合也是较好的，因此不用完全考虑所有的拟合指标均达标，几乎也不可能所有的指标均达标。
特别说明一点即：卡方自由度比值是卡方值除以自由度值，卡方值容易受到样本量的影响，样本越大时该值越可能更小，所以小样本时卡方自由度比值容易偏大。另外，如果是饱和模型则自由度为0，此时模型无法得到卡方自由度值，这是正常现象，如果自由度值为0，SPSSAU默认会以“-”标识出卡方自由度值。除此之外，很多时候还会出现拟合指标数值为1.000的现象，这也是正常现象。
如果说模型拟合出现大面积的不达标，而且明显偏离标准范围内，那么这种模型需要进行调整才行。接下来从3个方面进行说明，第1点是梳理建模流程，用于解决掉测量模型不好的问题；第2点是调整模型，可用于降低卡方自由度值，并同时对其它拟合指标有一定帮助；第3点是换用模型，如果说无论如何模型均不达标，那么此时可换用模型，比如改为路径分析Path analysis，线性回归等。
如果出现模型拟合大面积不达标时，首先应该从模型本身找原因。结构方程模型包括测量模型和结构模型，而我们正常情况下只会关注于结构模型即影响关系等，而完全忽略掉还有测量模型。如果说测量模型不好，那拟合指标肯定不会好。但是测量模型是我们容易忽视的地方。因而第一点是查看测量模型是否有问题。
如何查看呢，一是查看载荷系数值，是否有出现标准化载荷系数值较低（比如小于0.7），也或者出现共线性问题（此时标准化载荷系数值会大于1）。如果有出现此类问题，那么就会影响到最终的拟合效果。
出现此种问题时如何解决呢，SPSSAU建议从头开始，按照测量模型的规范进行。先进行探索性因子分析（SPSSAU->进阶方法），然后再做验证性因子分析(SPSSAU->问卷研究里面的验证性因子分析)。探索性因子分析做了再做验证性因子分析，保证删除掉不合理的项，保证最终的测量模型良好。也只有这样才能保证模型拟合达到预期。如果在结构方程模型分析前已经进行了探索性因子分析和验证性因子分析等，也可以直接查看标准化载荷系数，并且对不合理的项进行删除处理等。
特别提示在于，通常不是直接开始就进行结构方程模型，而是在之前做很多的准备工作，即包括探索性因子和验证性因子分析等。
还有一种情况即，一个变量仅由一项表示，此种情况相当于直接没有测量模型，建议此种情况可考虑进行路径分析，即结构方程模型的特殊形式（不带测量关系）的模型。
如果出现模型大面积不达标，相信通过梳理建模流程，删除不合理项之后，可以让很多指标均正常。本小节说明第二种调整模型的方式，即调整模型。调整模型包括两种，一是 MI指数调整 和 手工模型调整 。
MI指数调整一般是为了解决卡方自由度比值而存在，根据MI指标调整是指建立各类协方差关系，以减少模型的卡方值，同时也会减少自由度值，MI调整一般会对卡方自由度值指标有着明显的影响，但对于其它指标的影响相对会较小。实际研究中，可能需要手工的调整，SPSSAU默认提供自动调整方式，可以按照MI大于20，MI大于10，或者MI>5这三种方式进行批量调整，比如批量将MI值大于5时，建立协方差关系（即相关关系）。但特别提示一点，此种方式非常便捷，但并不精细，很可能一次性建立了很多协方差关系。
除了让SPSSAU进行批量式的模型调整（使用MI指标值建立协方差关系）外，还可以手工模型调整。
手工模型调整是指结合自身专业知识情况对模型进行调整，包括2种情况。分别是模型的拆分和模型的优化。一般来说，模型越简单，此时模型越容易达标。那么是否可以把模型拆分成几个呢，把一个复杂的结构方程模型拆分成几个，分别进行建模。如果是这样相信拟合效果会明显更好。以及模型是否可以进行删减呢，复杂的模型关系中，是否有个别关系可以进行删减，也或者尝试性地进行删减，以拟合出更优的模型。手工模型调整是一个多次尝试对比的过程，非绝对模式化的调整方式，但此种调整方式在很大程度上均能解决掉模型拟合不好的效果。
如果说经过上述的处理后，依旧无法让模型达标。说明模型确实拟合效果不好，也或者基于当前样本下时模型拟合不佳。那么建议换用模型方法，包括使用路径分析和线性回归模型。
路径分析是结构方程模型的特殊形式，它完全不涉及测量模型，因此模型变得非常简洁，而且完全不考虑测量模型。因此在实际研究中，它很容易比结构方程模型拟合的更好。
如果路径分析显示拟合效果依旧不好，说明当前设定的模型很可能有问题，也或者样本量太少（比如小于100），这种情况时，最好使用稳健性更好且最为经典的线性回归模型，SPSSAU通用方法里面直接使用即可。如果说研究的因变量Y有很多个，此时重复进行多次线性回归模型即可。
以上就是本次分享的内容，登录spssau了解更多。
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）