CTR点击率简介

简介:

点击率

简介

搜索引擎(百度、谷歌)中输入关键词后进行搜索,然后按竞价等因素把相关的网页按顺序进行排列出来,然后用户会选择自己感兴趣的网站点击进去;把一个网站所有搜索出来的次数作为总次数,把用户点击并进入网站的次数占总次数的比例叫点击率。较低的点击率意味着,不管您的网站排名如何靠前,用户都不会点击它。这可能说明,他们不认为您的网站会满足他们的需求,或其他网站看起来更好些。提高点击率的方式之一是,查看一下您的网站标题和网页摘要在Google搜索结果中的显示效果:它们是令人信服的吗?它们能准确地代表每个URL的内容吗?能够吸引搜索者点击它们吗?这里有一些旨在改善您的网页摘要的建议;网站管理员工具中的HTML建议部分也可以为您指出可能需要帮助的网页。再一次,请记住,如果搜索者并不想点击它,那么,您的网站排名即使再靠前也没什么用

计算方法

互联网 广告常用的术语,是Click Through Rate的英文缩写,指网页的广告 点击率。CTR是衡量互联网广告效果的一项重要指标。
计算公式为CTR=点击量/展示量,即 Click / Show content。
CTR:点击率,Click-Through-Rate (点击通过比率)

2CTR的用法

[1] 随着投放数据的进行,可以点击率(CTR)以及平均点击价格(CPC)为主要效果评判指标,筛选出效果不好的关键词,分析原因并给出提高CTR降低CPC的方案。下面是针对一些常见情况给出的建议。
点击量过小时,是由两种原因造成的,展现量过小,或点击率偏低。
1、展现量低,进而点击数也小。展现量过低说明潜在受众搜索需求发生的较少,也即推广结果展现在潜在受众前的机会较少,推广商户可以通过拓展关键词来提高展现量,即提高推广信息展现的机会。
2、展现量高,但是点击率(CTR)偏低,造成点击数小。
点击率(CTR)的偏低说明可能关键词与文案的相关性不高,所以无法满足潜在受众的需求,进而点击数小。您可以通过改善文案写作,提高关键词与文案的相关性来提高点击率(CTR)。
点击率(CTR)的偏低也说明可能推广结果的平均排名较低,不具有竞争力。可以通过调高平均点击价格(CPC)来提高排名。
点击率(CTR)的偏低还可能说明关键词匹配模式的问题。例如,推广商户购买了“葡萄”等相关关键词,用户在搜索“葡萄牙”时商户的推广结果也可能会出现,这时推广结果就是无效展现,即为推广结果信息没有展现在潜在受众前。此种情况就需通过“否定匹配”模式来解决,将“葡萄牙”设置为否定匹配,即为用户在搜索“葡萄牙”时,推广商户的推广结果不会展现,降低了无效展现的风险。


本文转自茄子_2008博客园博客,原文链接:http://www.cnblogs.com/xd502djj/p/3343299.html ,如需转载请自行联系原作者。


目录
相关文章
|
机器学习/深度学习 自然语言处理 搜索推荐
文本点击率预估挑战赛-冠亚季军方案总结(上)
文本点击率预估挑战赛-冠亚季军方案总结(上)
369 0
文本点击率预估挑战赛-冠亚季军方案总结(上)
|
分布式计算 数据可视化 大数据
用Spark分析Amazon的8000万商品评价(内含数据集、代码、论文)
尽管数据科学家经常通过分布式云计算来处理数据,但是即使在一般的笔记本电脑上,只要给出足够的内存,Spark也可以工作正常(在这篇文章中,我使用2016年MacBook Pro / 16GB内存,分配给Spark 8GB内存)。
19429 0
|
7月前
|
机器学习/深度学习 搜索推荐 算法
课时2:基于GBDT算法的CTR预估
课时2:基于GBDT算法的CTR预估
182 0
|
机器学习/深度学习 搜索推荐 UED
推荐系统专题 | MiNet:跨域CTR预测
推荐系统专题 | MiNet:跨域CTR预测
203 0
推荐系统专题 | MiNet:跨域CTR预测
|
10月前
|
机器学习/深度学习 存储 人工智能
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
|
机器学习/深度学习 搜索推荐 算法
《基于深度学习的广告CTR预估算法》电子版地址
基于深度学习的广告CTR预估算法
65 0
《基于深度学习的广告CTR预估算法》电子版地址
|
机器学习/深度学习 搜索推荐 JavaScript
Coggle 30 Days of ML【打卡】广告-信息流跨域ctr预估
Coggle 30 Days of ML【打卡】广告-信息流跨域ctr预估
Coggle 30 Days of ML【打卡】广告-信息流跨域ctr预估
|
机器学习/深度学习 搜索推荐 算法
推荐系统专题 | CTR预测跨域处理的解决方案
推荐系统专题 | CTR预测跨域处理的解决方案
161 0
推荐系统专题 | CTR预测跨域处理的解决方案
|
机器学习/深度学习 数据采集 搜索推荐
技术解读 | 智能开放搜索CTR预估模型
本文介绍开放搜索CTR预估模型在个性化排序中的应用与实践
2215 2
|
机器学习/深度学习 算法
文本点击率预估挑战赛-冠亚季军方案总结(下)
文本点击率预估挑战赛-冠亚季军方案总结(下)
172 0
文本点击率预估挑战赛-冠亚季军方案总结(下)