“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。
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。
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。
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）