sem的账户层级

SEM账户结构大致分为四个层级：账户、推广计划、推广单元、关键词与创意。

1、账户状态

正常生效：推广信息可以正常展现的状态

其他。

2、账户预算

账户预算的作用是设置当日/周的最大消费额度，如果账户消费到达所设置的预算，则账户会下线。

3、推广地域

设置推广信息能在哪些地方展现，精确到直辖市和省及省以下的二级城市。

4、关键词/创意激活时长

当推广顾问给企业提交关键词或创意时，需要企业激活，可设置立即激活、24小时、72小时，在激活时长到期时，系统将自动激活这些关键词/创意。

5、精确匹配扩展

a、高级精确匹配功能：使广告主获得与精确匹配关键词意图高度一致的流量，如“鲜花价格”匹配到“鲜花价钱”。

b、启用精确匹配扩展功能：功能启用后，设置的关键词中包含地域词时，位于该地域（按IP地址来判断）的网民搜索除去地域词以外的部分，也可能展现推广结果。例如，设置了“厦门英语培训”（精确匹配），启用此功能后，位于厦门的网民搜索“英语培训”时也会看到推广结果。

6、动态创意设置

动态创意有多种样式：子链、标签子链、热点直达、动态标题、推荐标题列表、推荐标题摘要。这些样式是系统从推广网站中抓取与网民意图相关的信息自动生成，简而言之，如果你在搜索自己广告时发现陌生的创意内容，如果未设置闪投样式的话，就是动态创意影响的。

如果对动态创意的设置做了更改，切记点击“更新动态创意”，更改才会生效。

7、搜索合作网络

当用户在百度的搜索合作伙伴的网页上产生主动检索的行为时，客户的推广结果将有机会展现。相当于百度的扩展广告位。

出价设置有两种方式：系统推荐（默认）和自定义出价比例。自定义出价比例的范围是0.7-10，搜索合作网络的最终出价=关键词出价*自定义出价比例。

通常建议将系数设置为最低的0.7。

8、目标客户追投

系统会自动识别出目标客户群体，并针对该群体通过扩匹配模式来获取流量。目前此功能只对短语匹配关键词生效。换言之，就是当系统根据网民的搜索行为，认定网民是该推广账户的潜在客户，当该网民搜索与账户设置关键词相关度不高的词时，也会展现该账户的广告。出价以关键词自身出价为准。

9、好词快投

这个产品的逻辑是，先通过你现有的关键词和创意，来判断你是什么行业、有什么业务，然后给你生成一个动态词包。动态词包里就包含了同行投放的词，从你网站上挖掘的词，以及你做SEO布局的词等。

然后你可以对这个动态词包设置出价以及消费上限，词包里的词就会以你的出价为依据去进行正常的竞价展现，相当于新建立了一条由系统自动选择关键词的计划。

SEM账户结构大致分为四个层级：账户、推广计划、推广单元、关键词与创意。本文账户结构以百度推广为例，其他推广渠道在命名上略有区别，但每个层级的功能大体相似。

1、计划状态

有效：表示推广计划当前可正常推广

暂停推广：表示推广计划设置了暂停，此时推广计划内的关键词和创意不会再搜索结果中出现。

处于暂停时段：表示推广计划设置了“推广时段管理”且当前处于暂停推广时段之内，此时推广计划内的关键词和创意不会再搜索结果中展现

账户预算不足：表示账户当日已达到预算。

推广计划预算不足：表示推广计划在当日的消费已经达到了预算。

2、预算

推广计划也可以设定预算，与账户预算不同的是，推广计划的预算是只管该计划的，可设置也可不设置。

如果推广账户和推广计划同时设置了预算，那么以数值小的优先。举个栗子，账户预算设置为200，计划A预算设置为100，那么计划A的消费达到100元后，计划A就会下线，计划A中的物料当天不会再展现（除非提高计划A的预算）；如果账户预算设置为100，计划A设置为200，而账户消耗达到100以后，整个账户，包括计划A，都会下线。

3、设备

如今推广账户的主要流量战场都转移到了移动端，大部分企业是PC端与移动端同时推广，有的企业甚至仅推广移动端。

百度推出了两种后台，一种是PC和移动广告都可以投放的，一种是仅投移动广告。

此处我们用第一种后台作为讲解，更具有普适性，这种后台中关键词出价都是针对PC端的，移动端的出价要通过移动出价比例来控制。移动设备出价=关键词出价×其他出价系数/比例×移动设备出价比例，如果仅推PC端，可将移动出价比例调节成最低的0.1 。

另外，建立计划时可以建立仅移动计划，仅移动计划中，移动出价比例设置不生效。

4、推广地域

计划地域可以使用账户地域设置，也可以单独设置

5、推广时段

推广时段的设置可以规定推广信息在一天之内“哪些时段可以展现，哪些时段暂停推广”，也可以设置一周内哪几天推广。

推广时段的设置是以“小时”为单位，也就是说可以设置8-12点投放，但不能设置8：30-12点投放。

推广时段处还有一个设置是溢价系数，可以为高峰时段设置大于1的溢价系数，空闲时段设置小于1的溢价系数，更加灵活地控制关键词出价。

6、否定关键词

否定关键词，顾名思义，当网民的搜索词包括否定关键词时，不会出现企业的推广信息。其中分为两类：否定关键词与精确否定关键词。否定关键词是指当网民搜索词中包括这个词时，推广信息不展现，而精确否定关键词是指，网民的搜索词和这个词一模一样的时候，推广信息不展现。

每个账户中，添加否定关键词的数量有限，具体数量可看下图：

7、创意展现方式

分优选和轮替两种。优选就是系统根据创意点击情况，选择质量更高的创意进行展现，轮替则是所有创意的展现几率一样。通常建议在账户建立初期阶段，或者创意刚更新过的时候，采用轮替，等数据积累一段时间，再切换为优选。

8、个性化推荐

系统会根据浏览行为及人群属性来分析网民的个性化需求，为其推荐相关推广结果。如果你购买了与其需求相关的关键词， 你的推广内容将有机会获得展现。

这个功能建议关闭，实践结果表明，个性化推荐的流量质量不高。

1、单元状态

有效：表示推广单元当前可以推广

2、单元出价

如果对某个单元进行出价，而单元内的关键词没有进行出价，则关键词竞价时的出价以单元出价为准，如果关键词有单独设置出价，则以关键词出价为准。

当账户规模较大时，在长尾词或人群词单元，常常直接使用单元出价，便于管理。

单元出价不得低于0 。

3、否定关键词

同计划层级的否定关键词，只是单元层级的否定关键词仅作用于本单元内的关键词，而计划层级的否定关键词会作用于整个计划，包括该计划下的所有单元。

如果计划层级已经添加了否定关键词，就不需要再在单元中添加了。

单元层级否定关键词需利用起来，以防止“串词”现象，即网民搜索的明明是单元A中的关键词“厦门英语培训机构”，却匹配到了单元B中的关键词“英语培训”，大家都知道，“英语培训”属于通用词，出价很高，而“厦门英语培训机构”出价相对较低，上述情况直接导致了成本的上升，此时在单元B中添加否定词“机构”，可以有效避免这种情况。

4、分匹配模式出价系数

以原关键词出价分别乘以各匹配模式 （精确、短语、广泛） 下的系数，作为该关键词在各匹配模式下的最终出价，方便精准控制流量和转化成本。

建议尝试使用，配合否定关键词，可在有效拓宽流量的基础上保持广告精准度，控制推广成本。

例如，关键词出价为1元。精确、短语、广泛三种系数分别设置为：3、2、0.5，则当搜索词以广泛匹配模式匹配到关键词时，关键词出价位0.5元，以精确匹配模式触发关键词时，关键词出价为3元。

如果各匹配模式下的出价超过999.99，则系统自动使用999.99。

5、移动出价比例

与计划层级相同，单元层级可以单独设置移动出价比例。

6、电话追踪

即百度离线宝产品，是一款网民通过百度推广进入企业着陆页后，与企业建立咨询的一款工具，这种工具能让网民免除通信费，且有较完善的追踪功能。后期会详细为大家讲解。

－End—

内容参考：百度营销中心，艾奇sem,徐洁东说营销等资料整理

深圳徐洁东（潮汕东东厂）商业思维＋营销工具

“徐洁东说营销”作者，集中输出营销，媒体，品牌的知识沉淀

出价系数分为三类：排名倾向，排名胜出，点击最大化。

简单点总结就是：

1、排名倾向：自己使用出价系数，希望关键词达到自己期望的排名。

2、排名胜出：设置对手后使用出价系数，与对手竞争排名。风险与收益各半。

3、点击最大化：针对部分（新增或潜力）的关键词或整个账户关键词使用，尽可能获取更多优质点击。

你也可以选择第三方工具帮助优化工作， SEM方面九枝兰的系统做的就不错。

在用户研究工作中，如何让自己的数据和结论更有说服力，是很重要的问题。最近将自己积累的用研信度和效度的笔记整理一下，罗列在文中，希望对大家有所帮助。

一、调查的质量取决于调查的信度和效度。

信度主要指测量结果的一致性、稳定性。也就是说结论和数据是否反映了用户最真实稳定的想法。用户在回答问题的时候，往往会受到环境、时间、当时当地的情绪影响，而作出并不真实的想法，即会有随机误差。信度就是衡量这种随机误差对用户想法的影响大小。

效度是指多大程度上测量了你想要测量的东西。

对某个产品用研，我们现在用得最多是用户访谈、问卷调查和可用性测试。而在这几个过程中都会涉及信度和效度的问题。

二、用户访谈中的效度和信度

1. 访谈不能仅仅局限于用户

任何一个产品项目都会受到市场环境、公司战略、技术力量、平台规范和流行趋势等各个方面的影响。对某一产品的需求，可能来自用户、产品、技术、交互以及视觉。不同岗位人员看待产品的角度不一样，侧重点也不一样，找多个角色有助于把需求找全，不遗漏，所以必须提前了解他们的需求。这样才能使我们的研究更有针对性、全面性、有用性。有用程度、全面程度是效度的重要组成部分。

2. 巧妙的选择访谈用户

通常，前期深度访谈的用户数量不会太多，所以用户条件一定要把握适当。反馈的问题才能全面、合理、有用。

比如是做Android平台上的某一软件。

首先Android新手用户和熟练用户都是必须的，熟练用户更能反映android用户习惯性操作方式、平台特点、以及长期使用过程中积累的意见和建议；而新手用户可以更好的反映该平台哪些地方存在学习困难，从而通过我们的设计帮助用户去降低学习成本。

其次非Android平台用户也是必须的，可以从侧面了解他们不用Android的原因。从而帮助产品挖掘更多潜在用户提供方向。

人口学信息（学历、职业、性别、年龄）要覆盖全面。不同属性的用户看重地方会存在差异。需求也会不一样。

包含竞品用户。通过了解用户对竞品的评价，可以提炼出竞品的优劣势，从而为增强产品竞争力提供方向。

3. 一定要有专家

专家是重要的信息携带者。李乐山教授说专家有三类，用户专家、制造专家、市场销售专家，他指出判断某人是否是专家的标准是：（1）能够熟练使用一种产品；（2）能够比较同类产品；（3）有关的新知识容易整合到自己的知识结构中；（4）具有10年专业经验；（5）积累大量经验并且在使用经验方面具有绝招；（6）了解有关的历史（该产品设计史、技术发展史等）；（7）关注产品发展趋势（8）知识链或者思维链比较长，提起任何一个有关话题，他们都能够谈出大量的有关信息；（9）能够提出改进或创新的建议，他们的创新或改进方案，其高水平体现在采用简单方法解决复杂问题。

对于互联网，专家应该指的是用户专家、开发专家、设计专家以及产品专家；他们凭借丰富的经验，系统全面的掌握行业同类产品、开发及设计模式、历史及发展趋势、专业水平极高。他们可以为我们提供很多我们始料未及的建议。这是保证用研过程，特别是对于后期问卷结构效度有很大的作用。

三、问卷调查与分析中的信度与效度

为了提高工作效率，问卷调查往往采用网络调查的方法，信度效度问题出现的可能性就更大。

最近看到一些满意度调查是采用量表加结构方程模型（SEM）的方式。我们看看哪些地方可能会出现信度和效度的问题。

1. 理论模型支持

由于SEM进行的是验证性因子分析，是检验而不是探索新的模型，因此，整个因果关系的假设必须有强有力的理论支持和严密的逻辑框架。包括模型中变量关系的假定、指标的选取、甚至测度项的表达方式等。如果最终输出的模型和理论模型结构不符，那么该模型是没有任何说服力的。比如用ACSI模型作为满意度的理论模型时，是否真的按照感知质量、感知价值、顾客期望这几个层面去设计问卷？

2. 保证份量

普通抽样调查中原则上是越多越好，但遇到目标用户较少的情况，只要保证一定的条件就ok的，样本量受到置信区间、抽样误差范围的影响，可根据实际的况测算出最小样本量。常用的公式是：

14N=Z2蟽2d2′<</span>（N为样本量、Z为置信区间、d为抽样误差范围、 14蟽’<为标准差，常取0.5）

但对于结构方程模型大样本是必须的，SEM中涉及的变量众多，变量间的关系很复杂交错，小样本量会导致模型不稳定，收敛失败进而影响模型中参数。朱远程等[1]在文献中指出，当样本低于100时，几乎所有的结构方程模型分析都是不稳定的，大于200以上的样本，才称得上一个中型样本。若要得到稳定的结构方程模型结构，低于200的样本数量是不鼓励的。有些学者将最低样本量与模型变量结合在一起，建议样本数至少应为变量的十倍，这一规则经常被引用。模型中变量越多，对大样本的要求就越高。

3. 变量需遵循原则

a. SEM模型中各变量的函数关系要是线性的，否则是不能用回归计算路径系数的。

b. 在使用最大似然估计法时，变量一定要是多元正态分布的，这就要求指标要呈正态分布，否则就要对指标进行正态处理才行。

c. 变量间的多重共线性程度要低，否则路径系数会有很大误差。

d. SEM建立的过程中会不断的修正才能得到比较完美的模型，比如因子分析时，若发现某一测度项对应的因子载荷过小，就会人为的将该测度项删除，但是若模型建立之后，一些变量对应了4~5个测度项，一些变量只剩下1~2个测度项，那么我们就需要思考只有两个测度项的变量是否被完全解释，这仅有的两个测度项就全面真实的反映该变量么？如果是这样，就算KMO、Bartlett、因子载荷都通过了，效度也是难以保证的。所以问卷前期需要反复的预调研，不断的对问题进行修正，而不是随意的人为删除。我学生时代对淘宝满意度进行调查时，就犯了类似的错误，模型中的“互动性”片段，互动性由四个变量衡量，其中“双向沟通性”一开始设计的时候由5个测度项支持，但是因子分析检验通不过，就直接将因子载荷比较小的客服、论坛、淘江湖三者去掉了，最后虽然在数据上通过了信度效度检验，但是只有阿里旺旺、留言板这两个测度项支持是绝对不能解释“双向沟通性”的。

4. 数据质量是根源

要使模型结构稳定有效，首先要保证数据质量，反复检验问卷的信度。

a. 不同时间的一致性。

在设计问卷时，可以将同样的问题对同一个人重复测试，如果这两道题得到的答案是不一致的，相关系数（Pearson r）小于0.7，那么这份问卷的稳定信度就值得考量。

假如问卷样本足够大，可以一分为二（每一个样本也要保证足够样本量），分别建立两个模型；通过对比两个模型中参数的差异，便可以检验该模型的稳定性和适用性。如果两者差异太大，就说明模型本身是有问题的。

b. 不同形式的一致性

用内容等效但表达方式不同的两份问卷调查，检测两者的等效信度，比如Gamma系数。

c. 内在一致性

问卷中相关的问题为同样的目标服务，他们在逻辑一致，也就是同质的。首先要测量每个测度项与总体的相关性（item-total correlation），然后再测量同一变量下相关问题间的同质性，而对于不同的提问方式选择对应的方法：比如,对于李克特量表方法，就用Chronbach系数检验；在基础研究中，信度至少应达到 0.80 才可接受，在探索性研究中，0.70 可接受，0.70－0.98 为高信度,小于0.35 为低信度。对于是非题则采用kuder-Richardson系数检验。在进行内在一致性检验时，要看题目选项是否反序，如果两道题都是问“对该产品是否满意”，一道7代表满意，1代表不满意；另一道1代表满意，7代表不满意，这样就会影响信度。遇到这种情况要提前人为调整过来。

5. 看得更远一点

问卷结论不仅要解决当前的问题和需求，还有具有一定的预测作用，市场是变化的，当前的目标用户不一定就是未来的（或者下一个版本的）目标用户，比如目标用户的收入可能有增加的趋势，某一平台的使用率在快速提高，当前的满意度模型可能在一个月之后就不适用了（比如新功能点的出现）。

假设我们要对QQ影音进行满意度调查，现在建立了一个满意度模型，但若下个月QQ影音中多了一个重要的功能，对整个满意度的提升产生了很大作用，那么，模型中各项的路径系数会不会产生变化？该模型在下个月可能就不适用了，造成的后果就是当前的满意度值与下个月的满意度值没有可比性了，很多工作也就白费了。所以，诸如满意度模型这样的研究，是需要反复调查，长期对该满意度模型进行监控和修正，以求得到最稳定的模型，就可以让模型会具有很预测和比对作用啦。

6.关注细节

a. 问卷设计中题项表述不能出现歧义、避免太专业词汇以及诱导词汇

b. 选项间要有明确的区分（互斥）

c. 避免遗漏，“其他”选项是必须的，而且最好配有输入框，记忆中，每次问卷调查中都能从“其他”选项中获取大量信息。

d. 一般题项不能太多，设置问题选项的时候，尽可能的让选项随机显示，特别是在选项较多的情况下。

e. 数据处理过程中删除重复项矛盾项之外，最好能统计到用户填写问卷的时间差。如果整个填写的时间极短，完全可以判定用户没有认真填写。

f. 极端的、离群的选项可以考虑将其删除。

四、可用性测试中的信度与效度

首先保证，主持人的态度亲切、测试前随意聊聊彼此熟悉、测试提纲清晰全面。另外，以下几点也对保证测试的信度和效度很重要。

1. 不要忽略异想天开

脑暴中要求彼此不能批评，在进行访谈或测试中，也不能对用户某些操作做出评论，否则用户很有可能隐藏内心真实的感受。关注并记录用户出错，但是用户出错时态度要中立。

通常，用户在体验的真实的原型后，会产生很多看似异想天开的诉求，有些虽然在当前不能实现，但是会为未来发展提供很多思路和方向。所以，我们要积极鼓励用户进行思维发散。

2. 前后验证、竞品比对

在测试完成后，可以加上一个总体调查问卷，一者让用户对自己体验的各个功能点有一个回顾和比较，同样也可以验证用户体验过程的态度和最终的态度是否具有一致性。如果存在不一致，应该进一步追问理由，确定用户的真实想法。

测试时，让用户体验竞品，并作出比较，也是发现有效信息的途径。

3. 敏锐观察

测试中，除了按照已定的提纲进行问答之外，过程中还要敏锐的观察用户一些细微的表情、停留、思考。不但要了解用户对个功能点如何评价的，还要知道用户做某一任务过程中，是怎么思考、计划、实施的，用户的第一反应、习惯性的操作、思维路线的作用远远大于单纯的评价。用户任务完成之后，要追问用户如此操作的原因。

4. 记录原话并习惯性确认

测试结论要有用户的原话支持，不能轻易的改变用户的表述。和用户交流过程中，要习惯性的问：“请问你的意思是……?”“我这样理解你的意思，你看对么……?”以保证测试结论的效度。

5. 必要时进行入户调查

首先，入户调查会大大减少外界环境的影响，用户在自己的空间中，会更真实的反映常见的问题。其次，入户调查一般是在用户画像提取出来之后，按照用户画像描述的属性，有意识有针对性去挑选具有某些典型属性的对象进行深入、全面、系统调查（典型调查），比如某一产品的目标用户，他们反映的问题，代表性强，往往有以一当十的功效，避免了非目标用户信息造成的干扰。

6. 用户条件与数量

参与测试用户根据目标用户特征选择。

一般衡量测试是否需要继续进行的方法是：看是否发现新的问题，如果有新的问题，就应该继续，反之，可以结束。

Neilson研究结果表明，5名用户的测试可以发现85%的可用性问题。而在我们在以往的可用性测试经验中，用户数一般定为6个，基本上能发现全部问题。当然任何数字都只是一个参考，用户数量最好根据具体的测试情况（衡量时间、资源、投入产出比）而定。总之，关键在于是否有新的问题出现。

---