返回列表

作者:巨人電商

6個分析方法,教你快速診斷SEM賬戶表現(xiàn)

POST TIME:2021-08-20

你推廣賬戶好不好,只有數(shù)據(jù)知道。

這篇文章給需要快速了解一個賬戶的朋友們使用。這六個方法分別是:“一九”分布、消費(fèi)和轉(zhuǎn)化的四象限、轉(zhuǎn)化分解、核心詞互動度與ROI的氣泡圖分析、單頁推廣的核心詞互動度與ROI對比分析、通用詞與品牌詞的詞間關(guān)聯(lián)分析。 更細(xì)節(jié)的每一個關(guān)鍵詞調(diào)優(yōu)的工作,就不涉及了。 方法一:“一九”分布規(guī)律 ? 長尾模型從詞頻分布的角度描述了一個SEM賬戶內(nèi)的關(guān)鍵詞分布狀況。這世界上的SEM賬戶基本上都符合二八甚至一九分布規(guī)律。例如下面的這個賬戶內(nèi)關(guān)鍵詞的分布: 這個賬戶的前250個詞(只占所有產(chǎn)生流量的詞的6.8%)帶來了88%的流量和86%的轉(zhuǎn)化收入。挺典型的。 另一個賬戶也非常體現(xiàn)出這種規(guī)律(如下圖),所有產(chǎn)生流量的關(guān)鍵詞中,只有頭部的極小部分產(chǎn)生了顯著的流量。

所以,利用這個模型,幫助我們對于關(guān)鍵詞形成聚焦:賬戶優(yōu)化其實很容易,我們搞好這些最能帶來流量的頭部的詞就已經(jīng)抓住了重點(diǎn)部分!把這部分詞跟馬上要提到的四象限模型結(jié)合起來,你的優(yōu)化目標(biāo)就瞬間清晰了很多。 方法二:消費(fèi)和轉(zhuǎn)化的四象限模型 ? 類似這種模型大家一定都看到過,這是互聯(lián)網(wǎng)營銷分析(其實也是所有的經(jīng)營分析)中最常用到的模型。用于通過兩個維度對事物進(jìn)行區(qū)隔。在SEM關(guān)鍵詞的宏觀研究場景下,這是一個非常贊的模型。 這個模型的優(yōu)點(diǎn)在于,非常易懂,對關(guān)鍵詞表現(xiàn)的宏觀把握有很大幫助。 缺點(diǎn)在于,這個模型本來是幫助你對宏觀進(jìn)行把握的,但是為了了解這四個象限背后到底發(fā)生了什么,你又不得不立即進(jìn)入到微觀的詞的細(xì)節(jié)之中去。例如按照上面的四象限所做出的下面的具體的詞的細(xì)分情況:

于是,你看到了很細(xì)節(jié)的很多關(guān)鍵詞的情況,但你仍然不知道我應(yīng)該如何著手優(yōu)化這些詞。因為,從每一個詞自身的詞義看,不同詞之間有著本質(zhì)的差異。有些詞的詞義就決定了它更容易轉(zhuǎn)化(例如,品牌詞、到哪里買、價格如何之類的詞),而另一些詞本身并不容易轉(zhuǎn)化(通用詞之類的)。因此,按照四象限模型的粗淺要求,對那些花費(fèi)高的想辦法降低費(fèi)用,或者對那些轉(zhuǎn)化低的想辦法提高轉(zhuǎn)化,或者對低花費(fèi)高轉(zhuǎn)化的詞進(jìn)行開源拓詞等等,與其說是優(yōu)化策略,不如說更多的是指導(dǎo)思想,而很難幫助你形成具體的行動。所以,作為提醒,你仍然需要進(jìn)入每一個詞的細(xì)節(jié)去考慮為什么它們處于不同的象限。 盡管如此,對你快速了解哪些關(guān)鍵詞不夠好,還是很有作用的,特別是方法一中找出的頭部詞和那些具有核心詞根的詞。 方法三:轉(zhuǎn)化分解 ? 轉(zhuǎn)化分解是最容易(盡管不是很容易能實現(xiàn)數(shù)據(jù)的準(zhǔn)確)操作,但又最容易產(chǎn)生誤導(dǎo)的模型。 我們會把整個SEM賬戶(或者賬戶的計劃、單元等)按照“曝光 -> 點(diǎn)擊 -> 流量 -> 咨詢 -> 有效咨詢 -> 注冊 -> 購買”類似的過程來做每一個轉(zhuǎn)化步驟,從而快速定位哪里出現(xiàn)了問題。 正是因為這個方法,我們很多次的發(fā)現(xiàn),競價效果不好的根本原因,不在于競價本身,而在于競價之后流量在著陸頁、詳情頁、咨詢客服等過程中出現(xiàn)問題。這樣,盲目在賬戶上所做的辛苦優(yōu)化,就必須快速轉(zhuǎn)移到著陸頁或者話術(shù)上來。 這個方法是每一個做SEM分析和優(yōu)化的朋友必然會采用的方法。但從操作上看,要避免兩個主要問題(盡管并非是這個模型本身的問題)。 第一個問題,轉(zhuǎn)化漏斗模型需要全流程的精確數(shù)據(jù),但這些數(shù)據(jù)很難全部準(zhǔn)確的獲取。尤其是對于需要一定轉(zhuǎn)化周期的行業(yè),例如金融、培訓(xùn)、醫(yī)療,消費(fèi)者有相當(dāng)長的決策周期。因此,我們能夠比較實時統(tǒng)計的轉(zhuǎn)化要回退到“有效咨詢”這個層級。 為了解決這個問題,我們的ROI計算很多時候就從: 投放費(fèi)用 -> 最終收入 轉(zhuǎn)變?yōu)椋? 投放費(fèi)用 -> 當(dāng)日最靠后的轉(zhuǎn)化(如有效詢盤) 其次,轉(zhuǎn)化漏斗的形式是幫助我們強(qiáng)化過程觀,但它本身卻恰恰削弱了過程的細(xì)分。這聽起來很矛盾,但并不難理解。能夠被漏斗構(gòu)建的過程,都是大過程,而無法包含用戶更加細(xì)微的行為。但是,正是這些用戶更細(xì)微的過程,反映了,甚至支配了轉(zhuǎn)化的發(fā)生。一個極端但非常常見的例子是單頁推廣。轉(zhuǎn)化漏斗在單頁推廣上幾乎無法發(fā)揮作用。 因此,轉(zhuǎn)化漏斗極為有價值,但是如同我在另外一篇文章《優(yōu)化轉(zhuǎn)化:除了轉(zhuǎn)化漏斗,你的彈藥庫還需要幾種分析武器》所寫的那樣,轉(zhuǎn)化漏斗并不足以支撐全部的轉(zhuǎn)化分析。 不過,我們手中還是有好武器解決這個問題的。在后面的方法中,要具體講到。 方法四:核心詞的互動度與ROI的氣泡分析 ? 這個方法你首先需要把不同的詞根(核心詞)放在不同的單元——即將所有的關(guān)鍵詞按照詞根進(jìn)行細(xì)分。但這是理想狀況,一般情況下,同一個詞根有可能散落在不同單元。 沒關(guān)系,我們有Excel,利用Excel的表格工具,再利用“文本篩選 -> 包含 ”,可以輕松把相關(guān)的詞根篩選出來,如下圖所示。例如,我想找到詞根為“在職”的核心詞,在“文本篩選 -> 包含 ”中輸入“在職”,然后新建一列“核心詞1:在職”,把所有篩選出來的結(jié)果對應(yīng)的C列,填入“在職”。

然后,利用數(shù)據(jù)透視表,你可以將所有的關(guān)鍵詞按照其對應(yīng)的核心詞(詞根)的表現(xiàn)進(jìn)行匯總。

把每一類核心詞的總體表現(xiàn)提取出來,你得到一個核心詞表現(xiàn)列表(CPL是Cost Per Lead,這個值越低越好;整個表格的綠色代表好,紅色代表不好):

現(xiàn)在你能看到不同的詞根在最終效果上的表現(xiàn)有很顯著的差異。Leads/Click和CPL兩列很能說明問題。 還記得我上課時候講的ROI和engagement交互模型嗎(那個氣泡圖)?這個模型其實有很多變體,但是其思想其實很簡單——對比流量的交互行為和它們最終產(chǎn)生的轉(zhuǎn)化的情況。在大部分情況下,好的交互行為(engagement)能夠?qū)?yīng)好的轉(zhuǎn)化(ROI),但凡事總有例外,這些例外情況就成為我們分析和優(yōu)化的突破口。我們現(xiàn)在需要用到這個模型。 這個模型的方法很清晰: 我們利用網(wǎng)站分析工具的細(xì)分方法(這里不再啰嗦了,對GA的使用要熟練,基本功),將各類詞的流量engagement表現(xiàn)也匯總起來,形成一個更全面的數(shù)據(jù)表現(xiàn)數(shù)據(jù),如下表所示: ? 利用上表數(shù)據(jù),我們選取CPL和Bounce Rate制作氣泡圖,如下:

? 一般而言,好的engagement(更低的bounce rate)的流量會有更好的轉(zhuǎn)化能力(CPL更低),但是前面說了,有例外才有機(jī)會。 綠色線是“正常表現(xiàn)”的部分,但綠色線之外,有兩個跳出率相對較低,而CPL卻相對較高,尤其是“學(xué)費(fèi)”這個詞特別如此。與這個詞可以進(jìn)行對比的詞是“金融學(xué)碩士”,它的跳出率其實比學(xué)費(fèi)還高,但是ROI(CPL)卻表現(xiàn)的更好。 這種情況發(fā)生之后,你的策略是什么?基本上你要做下面的事情: 1. 檢查創(chuàng)意是否有誤導(dǎo); 2. 創(chuàng)意沒問題的情況,一定是著陸頁有問題,常見的情況是頁面上有吸引用戶點(diǎn)擊的元素,但用戶點(diǎn)擊之后,卻發(fā)現(xiàn)相關(guān)信息與他們的期望相距甚遠(yuǎn)——比如,價格高于他們的預(yù)期?這個時候,你繼續(xù)看GA之類的工具,看看這個詞背后的人群進(jìn)入著陸頁之后的表現(xiàn)是什么樣的(例如用我課堂上講的next page report) Engagement與ROI的對比分析模型是最方便的分析細(xì)分流量的方法之一。對競價排名的關(guān)鍵詞分析也同樣有用。 方法五:單頁推廣的核心詞互動度與ROI對比分析方法 ? 這個方法是方法四的極端情況,但這一極端情況卻特別常見。比如下面這個圖:

媽蛋的。。。所有關(guān)鍵詞的跳出率都是95%甚至更高,這還讓人活嗎?! 是你的投放完全失效了嗎?在我遇到的案例中,這種情況的發(fā)生,只有一個原因,關(guān)鍵詞所在的著陸頁是單頁推廣!單頁推廣整個著陸頁鏈接不到別的頁面,按照GA對跳出率(bounce rate)的定義,流量來了之后去不了別處,那么肯定都是bounce掉了。所以這種情況就沒有必要看跳出率了。 因此,上面方法四的方法在這種情況下就不適用了,因為GA不能給出有效的engagement的數(shù)據(jù)。不是跳出率接近100%,就是停留時間約等于0…… 那么,當(dāng)我們看到“金融學(xué)碩士”和“學(xué)費(fèi)”兩個核心詞在花費(fèi)相當(dāng)、流量相若的情況下,卻在ROI上有天壤之別的時候,我們還有別的招兒嗎?(再把方法四的這個圖拿出來大家看看)。

? 這個時候我們需要利用熱圖。

例如,使用ptengine,在其中有對比熱圖和細(xì)分熱圖功能。這里要用到流量過濾細(xì)分功能:在過濾條件中,將一個核心詞下的所有詞挑選出來,細(xì)分這些詞的流量。左邊的熱圖顯示所有跟“學(xué)費(fèi)”相關(guān)的核心詞的流量表現(xiàn),右邊顯示所有跟“金融學(xué)碩士”相關(guān)的流量表現(xiàn)。

左邊的“學(xué)費(fèi)”相關(guān)的流量,表現(xiàn)出更多的頁面瀏覽長度(能夠讀到頁面下端的人的比例明顯比右邊的要高),但是他們在頁面上停留的時間卻相對較短(顏色不如右邊的紅)?!皩W(xué)費(fèi)”流量似乎表現(xiàn)出很快速要查找信息的需求(愿意看到頁面底端),但卻缺乏更好的咨詢(leads)轉(zhuǎn)化。 這樣的數(shù)據(jù)意味著,你應(yīng)該認(rèn)真檢查頁面上是否有足夠吸引人的“學(xué)費(fèi)”信息,或者壓根在這個頁面上就缺乏相關(guān)的信息。 這個數(shù)據(jù)和熱圖給我們很重要的提示,這兩個核心詞背后的流量的欲求是有相當(dāng)大差異的。我們必須為這兩個詞建立信息偏重不同的著陸頁面。 方法六:關(guān)鍵詞之間關(guān)聯(lián)分析方法 ? 最后一個方法屬于attribution(歸因)的范疇。最重要的應(yīng)用領(lǐng)域是查看品牌詞的搜索本質(zhì)上是來源于哪些其他詞的搜索。 有很多不知名的品牌,在SEM投放初期,不得已需要擴(kuò)大流量范圍,投放通用詞、競品詞、人群詞等,目的一方面是為了引流(但引流的轉(zhuǎn)化效果一定相當(dāng)弱),另一方面是為了擴(kuò)大品牌的曝光,為未來用戶的轉(zhuǎn)化做準(zhǔn)備。 隨著時間的推移,開始有人搜索品牌詞,你一定想知道,這些品牌詞的搜索,最初是由哪些通用詞帶來的流量,這些流量看到了品牌之后留下了印象,之后才會再搜索你的品牌的。 為了能夠?qū)崿F(xiàn)這一點(diǎn),我們需要配置我們的監(jiān)測工具。以Google Analytics(GA)為例: 為了查看關(guān)鍵詞的歸因,GA在設(shè)置上有兩個前提條件: 1. 網(wǎng)站需要設(shè)置一個目標(biāo),設(shè)置地點(diǎn)如下圖:

2. 對關(guān)鍵詞要使用utm的link tag進(jìn)行準(zhǔn)確追蹤(在我課程中有詳細(xì)說明)。 3. 相關(guān)的數(shù)據(jù)報告則在GA的“轉(zhuǎn)化->多渠道路徑->熱門轉(zhuǎn)化路徑”中可以看到,但請注意一定要選擇如下圖紅框中的“關(guān)鍵詞”那一項。

? 利用GA(或者其他有類似功能的工具),你可以看到同一個人搜索關(guān)鍵詞之間的先后關(guān)聯(lián)——所有的“索”字開頭的,都是品牌詞帶來的流量,它之前的那個詞,是投放的通用詞。在這個表中,某些通用詞投放,在之后帶來了對品牌詞的搜索。因此,你的關(guān)鍵詞優(yōu)化策略,就從僅僅看品牌詞的轉(zhuǎn)化,變?yōu)椴粌H看轉(zhuǎn)化,還應(yīng)該看它們能夠帶來多少品牌詞的搜索。? ?

好了,六個方法講完了。哪些對你有用?哪些有建議?歡迎大家留言討論!

標(biāo)簽:云浮 三亞 新鄉(xiāng) 錫林郭勒盟 肇慶 南昌 南充 中山