它们都设置为“完全匹配”，因为我们不希望我们的广告出现在诸如出售廉价汽车玩具之类的查询中...... :) 为了尽可能用最热门的自然列表复制此实验，我们希望将出价策略设置为“目标搜索页面位置”，以便在前几个结果中出现首屏的机会更高。5 0.67% 65% 2.3 二手车 345 8 2.32% 45% 3.1 廉价汽车出售 443 7 1.58% 27% 4.0 二手 SUV 出售 450 15 3.33% 32% 3.8 我们知道自然搜索结果中排名第一的位置的平均点击率估计在 18% 到 36% 之间。
使用 Google Search Console，我们可以根据排名靠前的类似查询来估算这些关键字的 CTR。在查看我们的 Google Search Console 数据后，我们发现我们的 CTR 大约为 22% 的信息查询和 20% 的交易查询。 使用这些数据，我们现在可以预测所有这些关 客户名单 键字的自然流量和转化，如下所示： 估计的自然流量和转化次数： 关键词 搜索量 网络流量 兑换率 转换 二手车经销商 74,000 16,280 (22% 点击率) 0.67% 109.1 二手车 4,400 968（点击率 22%） 2.32% 22.5 廉价汽车出售 49,500 9,900（点击率 20%） 1.58% 156.4 二手 SUV 出售 12,100 2,420 (20% 点击率) 3.33% 80.6 我们可以看到，尽管“二手 SUV 待售”似乎具有更高的转化率，但由于搜索量高，“待售廉价汽车”关键字将为我们带来最高的转化率。
我们有所有的实验结果。但现在的问题是，如果我们决定在有机方面更大规模地追踪它们，这些关键词效果指标的准确度到底有多高？此类实验的结果通常会受到所谓的采样误差、随机噪声、波动、机会等的影响。毕竟，我们从如此庞大的搜索池中只有一小部分样本子集。现在的挑战是从信号中分离噪声以获得更可靠和有效的预测。 但首先，我必须警告你：从现在开始，这只是数学。 如果您只是碰巧直接（或间接）参与了分析，这些测试可能会给您一些学校的令人讨厌的回忆。 别担心，我已经包含了一个电子表格，它将为您计算所有这些计算。您需要做的就是为其提供数据。