解决方案:如何优化亚马逊关键词词库--亚马逊特征词分析工具应用讲解
优采云 发布时间: 2022-11-01 19:53解决方案:如何优化亚马逊关键词词库--亚马逊特征词分析工具应用讲解
之前分享过一些官方的讲座。文章提到高频词统计和特征词分析,很多朋友问我是怎么得到的,但一直没能给出一个很满意的答案。今天就来统一回答一下~~~(一张表帮你解决)
离家近一点
1.品牌分析(ABA)搜索词报告分析应用
先决条件:
隔壁小王:我想卖个空气炸锅,不知道用哪个关键词写详情页和做广告?
你清楚吗:
消费者使用什么词来搜索这些产品
消费者喜欢的产品功能有哪些
当地语言习惯
那么,你知道什么样的 关键词 好用吗?如何使用它?
好的,重点来了
第 1 步:找到 ABA关键词搜索报告
首先解释一下:
①亚马逊关键词搜索报告:
关键词 消费者在亚马逊上搜索和排名;搜索词对应的点击次数/转化次数分享前三名的产品
②搜索频率排名:
每个消费者的搜索词在全站被搜索的频率排名;
alrpods 的搜索词及其排名
③点击分享 点击分享:
搜索alrpods后,如果一共点击了10000个ASIN;那么55.25%的点击贡献给ASIN1,ASIN1有5525次点击
④转化份额:
如果搜索alrpods后总共转化10000个订单,77.81%的转化贡献给ASIN1,ASIN1有7781个订单
第二步:搜索想要的分类找到相关的关键词并下载
1.部门选择“*
2.搜索需要分析的类别
3.选择日/周/月/季度周期下载
4. 下载格式为 CSV 文件
5.您还可以使用“预定电子邮件”自动发送常规电子邮件
要搜索 关键词 什么?
搜索核心产品词——准确代表产品的词
例如,空气炸锅;定位此类别中最重要的流量
补充同义词 - 产品的其他术语和替代产品词
补充搜索烤箱、烤面包机等可相互替换的产品词,避免丢失流量
您想查看什么时间段的报告?
1、核心是上期和上年同期的报告
上月月报:关注该品类的最新搜索词趋势
上年同期季报(如7月初,取去年Q2,8月中旬,取去年Q3):保底相关性和覆盖面时间段。
2.补充看旺季报告
往年旺季报告(月报或季报):关注本品类旺季热搜词
3、强季节性产品特例:关注旺季报道
上一年旺季的报表(月报或季报):对于季节性较强的产品,可以只关注旺季的报表。
报告(例如羽绒服,见去年Q3Q4报告)
Step 3:合并同一时期不同词的报告,去除不相关的词
PS:搜索词排名低于100w,不做参考
第 1 步:在原创亚马逊搜索词报告中搜索 Air Fryer,下载表格 1
第 2 步:总结 Air Fryer 的同义词/同义词或替代产品词,例如 Oven、Toaster;在原创报告中查找这些
同义词数据,下载表2并与表1合并
第三步:去掉荷兰烤箱等不相关的词,这些是完全不相关的类别;然后进行重复数据删除,例如空气炸锅烤箱
第四步:提取和整理高频词
首先整理表格如下,
序号/搜索词/搜索词排名/次数(填1)/搜索排名倒数(10000/搜索排名或1/搜索词排名*10000)
放入特征词工具表,运行结果如下
第一步:不能直接添加搜索排名。为方便统计,取搜索排名的倒数,乘以10000等常数(别问为什么,做就行,啊哈哈哈)
步骤2:使用提供的Excel工具提取/统计高频词
步骤 3:消除介词连词和完全不相关的词,例如 pot
Step 4:按类别对高频词进行分类,理解其含义,整理出与自己产品高度相关的词进行使用
高频词反映的关键信息
使用 ABA关键词报告分析结果写标题
标题 A:MyBrand 智能台面空气炸锅,6 件 GrilI 组合配件。套装,数字显示,小号,8 夸脱,用于烘焙比萨饼、薯条、鸡翅,包括手套
标题 B : MyBrand 6 Quart Smart Mini Air Fryer with Digital Thermometer
显示和应用程序控制,8 个食谱预设,包括烤架和托盘
标题 A:MyBrand 智能台面空气炸锅,6 件 GrilI 组合配件。套装,数字显示,小号,8 夸脱,用于烘焙比萨饼、薯条、鸡翅,包括手套
总搜索排名倒数:33.6
标题 B : MyBrand 6 Quart Smart Mini Air Fryer with Digital Thermometer
显示和应用程序控制,8 个食谱预设,包括烤架和托盘
总搜索排名倒数:10.4
PS:在ABA中验证标题中的单词。倒数搜索排名之和越大,流量越大,所以A会更好。
应用报告到详细信息页面的 ABA 搜索词的建议
应用ABA关键词报告分析结果放置SP广告
原则上,ABA搜索词报告中的所有词/商品都可以直接放入人工广告中
为了提高转化率,建议对消费者搜索词进行过滤组合
Step 1:在高频词列表中筛选出与自己产品强关联的词
步骤 2:进入原创搜索词报告并搜索匹配项以找到相应的词
比如AIR这个词搜索排名最高,然后去查找所有与Air相关的词组
第 3 步:删除与您自己的产品无关的词语
Step 4:判断相关性(转化期望) 根据不同的词类,设置竞价投放SP
预期转化率高的词放高出价,预期转化率低的词放低出价
第五步:测试投放效果,做进一步优化
ps:前期不要做预测,不要这么认为。. . ,多次测试,所有相关词均可验证优化
转化共享数据可以帮助过滤,产品展示位置也可以
第一步:在上一步整理出来的关键词中,优先选择转化分享占比较低的前三个ASIN
例如小于40%-50%;不同类别之间存在很大差异
Step 2:部分词(主要是品牌词)的转化和分享集中度较高,预期转化可能较低。建议不要放入
第 3 步:前 3 次点击/转化共享的所有 ASIN 均可用于产品展示,除非转化份额过高
根据转化预期为广告词组设置出价
应用 ABA关键词 报表分析结果放置广告
将ABA搜索词报告分析结果应用于产品选择
2、SP广告的选词来源
一个老掉牙的案例:Bike Seat Cushion(这个也在之前的分享中,这里主要分享一些没有提到的问题,其他的请去注释①②③哈)
SP广告的常见误区
词的维度没有完全覆盖!
缺少产品属性、场景、受众等。
省略自行车、座椅、坐垫的同义词
如何处理?
先搜索,后过滤
扩展意义
1、如果对产品了解浅,只用自行车座套准备详情页和广告,很容易错失大量流量,转化未必理想。
2、即使一开始就找到了,但没有完全找到,也会错过其他广泛匹配无法匹配的流量。
词库来源1:采集竞品
1.确定core关键词和对应的分类
2. 采集竞品ASIN的标题和评论数量
3.提取高频词,建立词库
什么是核心关键词?
流行定义 - 感觉就像一个大词来描述我在卖什么
显然,每个人对这个概念的理解都不一样,而“大字”这个概念本身也是模糊的
通用定义 - 为我们带来最多流量和转化的词或短语
说或多或少或多或少是模糊的,但至少不是那么模糊。
严格定义——按销售额排序,占销售额60%-80%的词或词组
太严谨了,不能每次都用来统计,太麻烦了
核心关键词,通常不止一个或几个,而是1-30个左右。对于 关键词 较多的各种类别,可能有数百个
核心关键词的字长,可能是一个字,也可能收录几个,甚至5个以上的字
例如:
核心词:自行车座垫
自行车座套
对应类别:
自行车鞍座 (3404931)
自行车座椅和鞍座 (6389389011)
推荐插件EAR数据(也可以使用keepa、number magic、JS等)
采集每个core下搜索结果页面的前三页关键词
每个子类别 BSR 中的前 100 个 ASIN
然后复制标题和评论数(ear data统计的评论数+评分数=评论数,如果可以单独统计评论数最好,如果不行,我们就用这个总数参考,不影响结果)这两个List to feature word tool table 提取高频词建词库
词库来源 2 和 3 与前面的 文章 重复,这里不再赘述。大家一起来总结一下吧。
零食:搭配方法的应用
不同情况的策略调整——节省成本或扩大流量
不同情况的策略调整-广告小贴士
最后,一些大型数据参考
订单转化率(及格线5%)
美国 1%-20%
德国 1%-16%
英国 1%-21%
日本 1%-12%
ADACOS
美国 9%-62%
英国 9%-52%
德国 6%-49%
日本 5%-62%
广告点击率
美国 0.1%-0.8%
英国 0.1%-0.7%
德国 0.1%-0.8%
日本 0.1%-0.8%
3、广告诊断
参考说明④
下面是一个搜索词报告的特征词分析的主要步骤的例子
1. 获取广告搜索词报告
获取广告报告中近2个月的【自动投放报告】 *特征词分析一般直接使用【总计】值
2. 提取搜索词和关键数据(使用数据透视表)
3. 特征词提取与数据统计
核心方法同标题高频词分析,但需要分别提取五项数据
4.计算CPC、CR、ACOS
每次点击费用 = 费用/点击次数
CR= 7 天总订单/点击
ACOS = 花费/7 天总销售额
分析搜索词报告:统计特征词整体数据
分析搜索词报告:特色词的应用
你有学到什么吗?如果您有任何问题,请与我们分享。
这是一个神奇的表格,可能会不时更新,请看表格说明哈
内容很多,怕是有问题,我也附上原文~
以上,结束~撒花儿,`~~
亚马逊特征词分析工具应用
亚马逊特征词分析工具应用
归纳总结:基于深度学习的表情动作单元识别综述
不难发现,所有受控环境采集的数据集只收录几十或上百张不同身份的人脸,虽然每张人脸可能记录一个或多个场景,导致成千上万的人脸。10,000 个视频帧,但整体样本多样性仍然很低。另*敏*感*词*。这些都是由人工标记AU的高成本造成的。从数据集的演变趋势也可以看出,研究人员已经逐渐从关注可控环境转向非可控环境。由于不受控制的环境中图像的丰富多样性采集,训练深度学习模型需要更*敏*感*词*的数据。标记具有不同多样性的样本也将面临更高的成本。因此,标签稀缺是当前 AU 数据集中的一个常见问题,尤其是在不受控制的情况下。