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。
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。
SEM竞价推广的数据分析，分为3部分数据：第一部分：基础推广数据，即账户后台每日的展现量、点击量、消费这个数据的跌涨情况；
第二部分：网站访客基础数据：PV、UV、IP、跳出率及平均访问时间等网站数据统计；
第三部分：行业推广平均数据对比；
第一部分是基础，只有第一部分数据点击量有效，第二部分访客质量才会提升，那么SEM竞价推广效果会有保障，第三部分数据是及时优化调整第一部分数据的有效参考。
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）