SEM常用的4种数据分析方法，你用过几种

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。

1、放大率：

与普通光学显微镜不同，在SEM中，是通过控制扫描区域的大小来控制放大率的。如果需要更高的放大率，只需要扫描更小的一块面积就可以了。放大率由屏幕/照片面积除以扫描面积得到。

所以，SEM中，透镜与放大率无关。

2、场深：

在SEM中，位于焦平面上下的一小层区域内的样品点都可以得到良好的会焦而成象。这一小层的厚度称为场深，通常为几纳米厚，所以，SEM可以用于纳米级样品的三维成像。

3、作用体积：

电子束不仅仅与样品表层原子发生作用，它实际上与一定厚度范围内的样品原子发生作用，所以存在一个作用“体积”。

4、工作距离：

工作距离指从物镜到样品最高点的垂直距离。

如果增加工作距离，可以在其他条件不变的情况下获得更大的场深。如果减少工作距离，则可以在其他条件不变的情况下获得更高的分辨率。通常使用的工作距离在5毫米到10毫米之间。

5、成象：

次级电子和背散射电子可以用于成象，但后者不如前者，所以通常使用次级电子。

6、表面分析：

欧革电子、特征X射线、背散射电子的产生过程均与样品原子性质有关，所以可以用于成分分析。但由于电子束只能穿透样品表面很浅的一层（参见作用体积），所以只能用于表面分析。

表面分析以特征X射线分析最常用，所用到的探测器有两种：能谱分析仪与波谱分析仪。前者速度快但精度不高，后者非常精确，可以检测到“痕迹元素”的存在但耗时太长。

观察方法：

如果图像是规则的（具螺旋对称的活体高分子物质或结晶），则将电镜像放在光衍射计上可容易地观察图像的平行周期性。

尤其用光过滤法，即只留衍射像上有周期性的衍射斑，将其他部分遮蔽使重新衍射，则会得到背景干扰少的鲜明图像。

扩展资料：

SEM扫描电镜图的分析方法：

从干扰严重的电镜照片中找出真实图像的方法。在电镜照片中，有时因为背景干扰严重，只用肉眼观察不能判断出目的物的图像。

图像与其衍射像之间存在着数学的傅立叶变换关系，所以将电镜像用光度计扫描，使各点的浓淡数值化，将之进行傅立叶变换，便可求出衍射像〔衍射斑的强度（振幅的2乘）和其相位〕。

将其相位与从电子衍射或X射线衍射强度所得的振幅组合起来进行傅立叶变换，则会得到更鲜明的图像。此法对属于活体膜之一的紫膜等一些由二维结晶所成的材料特别适用。

扫描电镜从原理上讲就是利用聚焦得非常细的高能电子束在试样上扫描，激发出各种物理信息。通过对这些信息的接受、放大和显示成像，获得测试试样表面形貌的观察。

参考资料：百度百科-扫描电子显微镜

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。

---