一部分并直接进入统计模型。 我们会将我们的样本转化率与基准转化率进行比较,以预测如果我们决定继续使用特定关键字进行 SEO,它将超过基准的概率。 对于书呆子:我们可以使用二项式比例的 Z 检验来做到这一点。如果我们有足够大的样本量,则此测试是合格的。没有什么神奇的数字可以确定这一点,但经验法则是至少五次成功和五次失败。这个公式是: z=(p1-p)/sqrt(p(1-p)n) P1 = 观察到的转化率,p = 基准转化率,n = 样本量(访问或点击次数)。
因此,例如,如果我们想将“待售廉价汽车”的样本转化率与 1% 的基准进行比较,我们会将实验中的值插入电子表格计算器中,这将使我们的置信 客户名单 水平为 89 %。这意味着大约 10 次中的 9 次,“待售廉价汽车:”的转化率将超过 1%。我们知道这个词的 1% 转化率等于 99 次转化 (0.01 * 9900)。 我们可以反过来使用 Excel 中的“目标搜索”工具找到 95% 置信区间的基准率。只需下载电子表格,打开“目标搜索”工具并按原样输入这些值。 化)。
这是一个相当高的概率,只有 20 次中有 1 次可能是错误的。现在,如果我们知道每次转化的平均收入,我们也可以估算来自关键字的收入!假设我们每个关键字的平均收入为 1,500 美元,这意味着在 95% 的情况下,我们可以预期从“待售廉价汽车”关键字中获得至少 127,500 美元(85 * 1,500 美元),点击率为 20%,搜索量为每月 49,500 次. 现在,对于奖励积分,我们还可以计算基于概率的转换范围,如果我们从所有四个关键字中获得自然网络流量,该范围将以 95% 的准确率预测实际值所在的位置。 我们将对二项式比例使用调整后的 Wald 置信区间公式,因为它对小样本和大样本都更有效。