SEM如何深入挖掘用户痛点

深入挖掘用户搜索需求，不仅仅是对于SEO从业者而言是一个必备的技能，对于sem从业者来说，更是非常重要，由于本人做过SEO和SEM相关的工作，所以对于关键词挖掘这块，同时有着比较深入的理解。

当我们进行百度凤巢系统进行精准营销的时候(注意这里是精准匹配，而非广泛匹配)，我们所匹配到的关键词大部分都是同义词，如我们确立的核心关键词是酒店，这个时候我们匹配出的关键词有：XXX酒店，酒店XXX，XXX酒店预订等相近的词语，那么，如果我们在进行精准营销的时候，关键词挖掘会出现一定的瓶颈，我们需要怎么做来解决这类问题从而尽可能的挖掘能够引发用户痛点的关键词呢?

这个时候，我们可以尝试着从用户需求的初始阶段，来延伸用户可能的基础需求，通过这些基础需求，来拓展我们的关键词聚类。

我们以SEO培训行业为例，如果需要查找对于有SEO需求的客户，我们可以对于客户来源做一个分类，在购买SEO培训产品的用户中，刚毕业有工作需求，或者工作不满半年的从事SEO行业的占据70%的业务量，而且报名的客户咨询转化率非常高，所以我们就把这部分客户作为我们的核心用户群体。

为了了解我们的客户群体，实现一个精准的搜索定位，我们做了一定的调查以及得到了一个绝对性的结论：

1、 大学中专业课成绩不好，谋求一个与专业挂钩，却没那么专业的工作，而与SEO专业相关的恰恰是计算机专业，这个时候我们可以把人群定位进一步缩小到一些大学院校的计算机专业(需求)

2、 应届生和往届生的比例达到5比5

3、 喜欢玩电脑，在寝室中大部分时间都在电脑旁度过(兴趣)

通过这样的分析我们不难看出大部分的客户都是被学业所迫或大学毕业不甘心就这样回老家，不得不找得这样的工作。下面展开具体分析，那些整体打游戏，泡妹子的大学生们，想要找到他们真的比登天还难，而少数能够主动联系我们做培训的简直少之又少，那么他们经常会去的场所有哪些呢：答案是Inetnet。只要他们泡在网络上，而如今对于BAT这么强大的数据分析能力，肯定是跑不掉的。

既然如此那就好办了，下面我们制定具体的计划争取一举拿下这块市场。

为了保证用较低的成本获取较高的产出，简称ROI,我们避免了高成本的百度竞价而选择了成本较低的网盟作为实验场所，其次，我们采取针对性的广告创意，对于着陆的页面进行统计追踪。

一周后的效果显示：平均转化成本，即CPA为8元每个人，而之前的CPA达到了35每人。

既然有效果，那我们可以放心的尽可能的铺开，竞价端也不能放松，竞价毕竟不同于网盟，网盟面对的是整个互联网系统的网页，而竞价只是针对的搜索引擎，对于这帮喜欢打游戏的孩子会主动使用搜索引擎么，这里我们几乎可以不用考虑这个问题，因为我们所能操作的，只要能留住这部分停留在搜索引擎上的客户就可以了，所以，广泛匹配发挥了很大的作用，举个例子，我们可以将LOL SEO培训，作为广泛匹配的词进行投放，最终的效果，也在控制之中。

快速复制这种低成本的用户需求方法，我们迅速扩大了战果，获得了一个很好的收益。

没有用过该软件做聚类分析，不太清楚，下面是该软件部分特色介绍，希望对题主有帮助！

该软件集生物统计、曲线拟合和科技绘图于一体，可用于Windows和Mac电脑，结合科学作图、综合曲线拟合（非线性回归），可用于理解统计和数据组织。被各种生物学家以及社会和物理科学家广泛使用。使用者依靠PRISM来分析、绘制和展示他们的科学数据。拥有ROC曲线分析、Bland-Altman分析功能以及GraphPad Prism的线性/非线性拟合等多种功能。能帮助医学人员轻松绘制图表。

主要特色：

1、统计比较

配对或非配对t检验。报告p值和置信区间。

非参数Mann-Whitney检验，包括差中位数置信区间。

Kolmogorov Smirnov试验比较两组。

与中值区间Wilcoxon秩和检验。

执行许多T检验一次，使用虚假的发现率（或Bonferroni多重比较）选择哪个比较发现对进一步研究。

普通或重复测量方差分析由杜克，Newman Keuls，Dunnett，Bonferroni或霍尔姆通富多重比较检验，趋势后的测试，或Fisher最小显著性检验。

许多多重比较测试伴随着置信区间和多重调整P值。

Greenhouse-Geisser校正，重复测量的方差分析，没有假设球形。选择这一点时，多重比较测试也不假设球形。

Kruskal Wallis和弗里德曼的非参数方差分析和邓恩的测试后。

Fisher精确检验或卡方检验。用置信区间计算相对风险和比值比。

双向方差分析，即使缺失值与一些后测试。

双因素方差分析，在一个或两个因素中重复测量。图基，Newman Keuls，Dunnett，Holm Sidak，或bonferron，渔民LSD多重比较检验主要和简单的效果。

三因素方差分析（限于两个因素中的两个水平，第三个数量级）。

Kaplan Meier生存分析。将曲线与log测试进行比较（包括趋势测试）。

2、列统计信息

计算最小，最大，四分位数，意味着，SD、CI、SEM、CV。

置信区间均值或几何平均。

频率分布（bin到直方图），包括累积直方图。

三种方法的正态性检验。

单样本t检验或Wilcoxon检验来比较列均值（或平均）与理论值。

偏度和峰度。

采用Grubbs法识别异常值或击溃。

3、线性回归与相关

用置信区间计算斜率和截距。

强制回归线通过指定的点。

适合复制y值或表示Y.

用游程检验测试线性度。

计算残差图。

比较两条或多条回归线的斜率和截距。

在标准曲线上插入新点。

皮尔森或Spearman（非参数）的相关性。

分析一堆P值，使用Bonferroni多重比较、FDR的方式来确定“重大”的发现或发明。

4、非线性回归

适合我们的105个内置方程之一，或者输入你自己的。

输入微分方程或隐式方程。

为不同的数据集输入不同的方程。

全局非线性回归-数据集之间的共享参数。

稳健非线性回归。

异常值自动识别或消除。

采用F检验或AICC额外平方和比较模型。

比较数据集参数。

应用约束。

用几种方法区分重量点，并评估你的称重方法是如何工作的。

接受自动初始估计值或输入自己的。

在指定的x值范围内自动绘制曲线。

拟合参数与SE或CI的量化精度。

置信区间可以是对称的（如传统），也可以是不对称的（更准确）。

量化与Hougaard的偏度不精确对称。

情节的信心或预测带。

残差检验正态性。

运行或复制模型的充分性检验。

报告协方差矩阵或依赖集。

从最佳拟合曲线中方便地插入点。

5、临床（诊断）实验室统计

接收算子特征（ROC）曲线。

戴明回归（LL型线性回归）。

6、模拟

模拟XY、列或列联表。

模拟数据重复分析为蒙特卡洛分析。

从您选择或输入的方程和您选择的参数值中绘图函数。

7、其他的计算

曲线下面积与置信区间。

转换数据。

规范。

识别异常值。

正态性检验。

转置表。

减去基线（和组合列）。

将每个值作为其行、列或总计的一部分计算。

问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。

在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。

但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：

传统上所谈的因素分析）factor analysis)指的是探索性因素分析）exploratory factor analysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。

随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor analysis，EFA)及验证性因素分析）confirmatory factor analysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解释资料变项间的共变关系。探索性因素分析需考虑的步骤包括:估计共通值） communalities)，决定因素的数目，估计因素负荷量，对因素做转轴）rotation)以得最好的结果，最后则为对结果作解释。验证性因素分 析则需考虑对因素结构关系之确立）model specification)，是否能对参数找出单一组解）identification)，参数的估计法）estimation)，检验资料与假设模式 之间的适合度）evaluation)。比较二者，EFA算是探索可能的因素结构之一种方法，而CFA则是验证假设因素结构存在的方法，因此CFA较 EFA对模式使用了较多的假设，也多了模式检验的过程。除了以上这两类的分析外，读者可能还听过结构方程模式）structural equation modeling，SEM)，其所常使用的分析软体包括:LISREL，EQS，AMOS，Mplus等。结构方程模式是用在对因素间之关系更明确时，其 模式中可含有许多潜在变项及观察变项，研究者对各变项间之关系有一定程度之了解及假设，并可经由检验此假设模式并经过模式之修正及再检验后，确立最后可解 释资料的模式，以了解资料变项间之关系。

---