Содержание

Массовая проверка частотности запросов: 20 сервисов +12 лайфхаков

Занять топовые позиции в поисковой выдаче получится, если seo-специалист предвидит объем трафика на сайт. Для этого нужна информация о частотности запросов.

Искать вручную частотность у нескольких десятков, а то и сотней ключевиков – обесценивать время и свой труд. К решению можно подойти комплексно и проверить частоту запросов массово. В статье расскажу, как это сделать, какие инструменты использовать и поделюсь лайфхаками.

ТОП-20 сервисов

Если уже владеете терминами и знаниями о частотности и знаете, как ей пользоваться в работе, то просто ловите сервисы, в которых Вы сможете массово проверить частотность запросов. Почти во всех есть бесплатный доступ, пробуйте и выбирайте удобный для себя. Первые три – лидеры по нашему субъективному рейтингу.

СервисСтоимостьБесплатный доступДоступные поисковые системыГлубина сбора позицийВозможность снимать мобильную выдачу
Serankingот 350 руб/мес14 дней– Яндекс;
– Mail;
– Google;
– Bing;
– Yahoo;
– Youtube.
до 200Есть
Serpstat По промокоду (“In_scale” скидка до
-25%)
от 6 325 руб/месНет– Яндекс;
– Google.
до 100Есть
Seoplaneот 225 руб/5 000 проверок500 проверок– Яндекс;
– Google.
до 100Нет
Rush-analyticsот 500 руб/мес14 дней– Яндекс;
– Google.
до 100Есть
Allpositions1 монета/проверка позиции сайта1 000 монет– Яндекс;
– Mail;
– Google;
– Rambler.
до 100Нет
pr-cy0,025 руб/проверка7 дней– Яндекс;
– Google.
до 100Есть
Seolibот 0,05 руб/проверкаНет– Яндекс;
– Mail;
– Google;
– Вконтакте.
до 500Есть
Megaindexот 1 490 руб/месБесплатный тариф– Яндекс;
– Google.
до 100Нет
Spyserpот 490 руб/1 000 проверокБесплатный тариф– Google;
– Yandex;
– Bing;
– Yahoo;
– Seznam.
до 100Есть
Tools.pixelplusот 950 руб/месНет– Яндекс;
– Google.
до 100Есть
Sitepositionот 0,35 руб/запросНет– Яндекс;
– Mail;
– Google;
– Bing;
– Yahoo;
– Gogo;
– Rambler.
до 300Нет
Serphuntот 490 руб/мес500 позиций– Яндекс;
– Google.
до 100Есть
Topvisorот 999 руб/мес200 запросов– Яндекс;
– Mail;
– Google;
– Bing;
– Yahoo;
– Sputnik;
– Seznam.
до 1 000Есть
Ahrefs7 735 рубНет– Google.до 105Есть
Semrushот 7 735 руб/месБесплатный тариф– Google;
– Baidu.
до 200Есть

Кстати, все эти сервисы показывают частоту по запросу, так что если Вам эта функция важна, имейте в виду.

Как проверить частотность

Все упомянутые сервисы имеют похожий принцип работы. Чтобы понять его, мы рассмотрим функционал на примере проверенного сервиса – SE ranking.

Шаг 1. Опускаем стандартные моменты про регистрацию и переходим к главному. Для начала нажмите на вкладку “Еще”, далее “Инструменты” и выберите инструмент “Определение частотности”.

Шаг 2. Когда откроется вкладка, выберите базу данных с помощью чего будет определяться частотность: Google Keyword Planner или Яндекс Wordstat.

Помимо этого из выпадающего меню выберите страну для поиска частотности. Введите ключевые слова по одному на строку. Когда все данные введены, нажмите “Начать сбор”. Имейте в виду, что сбор информации может занять некоторое время. Это зависит от количества ключевиков и загруженности системы.

Шаг 3. Результаты поиска появятся в одноименной вкладке. Там можно ознакомиться с историей частотности по последним 100 запросам. Напротив каждой задачи есть значок, который позволит узнать число показов по ключевикам.

лайфхаки по проверке

Чтобы Ваша работа над массовой проверкой частоты запросов проходила эффективнее, собрала список лайфхаков, изучайте и пользуйтесь.

  1. Затраты. При формировании бюджета учитывайте частотность и конкурентность, нишу и регион продвижения. Цены на seo сильно варьируются по стране. Чем шире ниша продвижения, тем больше потребуется средств. Ведь нужно не только качественно составить семантику, но и обойти конкурентов;
  2. Пересечение. Следите, чтобы на landing page не пересекались коммерческие и информационные запросы. Совместить их – значит понизить конверсию, увеличить частотность, как правило, такие страницы не оптимизируются. Если цели у запросов противоположные, рациональнее сделать отдельные посадочные страницы и вести трафик на них;
  3. Геозависимость. В полном объеме укажите данные на странице “Контакты”, добавьте продвигаемый сайт в Яндекс.Вебмастер, в том числе и филиалы компании. Помните, что для каждого региона должна быть создана собственная страница;
  4. Смысл. Формируйте запросы, отталкиваясь от цели поиска у пользователя и ставьте на первое место смысл его запроса, а не удобное содержание для клиента или поисковика;
  5. Поиск. Используйте различные сочетания частотности запросов в работе. Готовых схем запросов по конкурентности и частотности не существует. Пробуйте и ищите те, которые дают трафик при минимальных затратах;
  6. Проверка. Периодически актуализируйте частотность ключевых фраз, лучше раз в полгода. В компаниях постоянно обновляются или убираются категории товаров, добавляются новые позиции, услуги, соответственно, часть семантики требует переброски. Кроме того, при редизайне или существенных внутренних изменениях сайта тоже нужно пересматривать частотность ключевиков;
  7. Глубина. Она имеет большое значение. Смотреть ключи нужно после 200 позиции, потому что так будет собрано максимум ключевых слов. А значит тщательнее будут оптимизированы тексты, от которых зависят позиции сайта в поисковиках;
  8. Формирование. Проверяйте все ключи, но отсеивайте их при помощи “стоп-слов”. Сформированный список – это и есть семантическое ядро – основа, которая будет продавать товар или услугу;
  9. Сезонность. Отслеживайте её, если у ниши имеется привязка ко времени года. Не переживайте из-за высокой амплитуды частотности запросов, но своевременно обновляйте весь список. Такие сезонные всплески можно спрогнозировать, а значить спланировать маркетинговую деятельность;
  10. Скачки. Проверяйте частотность запросов, если позиции сайта скачут. Скорее всего у высокочастотного запроса изменяется позиция, поэтому он то в топе и видимость высокая, то скатывается и это сразу отражается на падение позиций сайта;
  11. Информационные запросы. Не списывайте их со счетов. У образовательного контента не важна привязка к геопозиции, и если компания работает по всей стране, то полезная информация будет добавлять узнаваемости и работать на бренд;
  12. Варианты. Используйте частотность ключевых слов не только в текстах на сайте, а также в title, description, заголовках h2-h6 и анкорных ссылках, грамотно компануя между собой виды частотностей.

коротко о главном

Частотность запросов – основной показатель при составлении семантического ядра, который никак нельзя игнорировать. Определение числа запросов на ключевые фразы поможет сформировать интерес пользователей на товар или услугу и повысить посещаемость сайта.

Чтобы максимально автоматизировать работу по сбору данных, воспользуйтесь массовой проверкой запросов. Сервисов для этого много, но мы рекомендуем эту тройку:

По теме:
Комбинатор ключевых слов: 10 сервисов + алгоритм
ТОП-70 СЕО-инструментов (по категориям) + рейтинг от эксперта
SEO-продвижение лендинга: инструкция + 2 кейса
SEO маркетинг: 3 примера + тест на потенциал
SEO-копирайтинг: как писать + 9 примеров

Автор

Анна Пискун

Понравилось?
Расскажите друзьям:

Нашли ошибку в тексте? Выделите
фрагмент и нажмите ctrl+enter

Частотность поисковых запросов — сервис для определения частотности

Частотность (частота) является общим количеством показов конкретного ключевого запроса пользователя в течение одного месяца.

Частота ключевых слов и SEO

Если вы пытаетесь занять место по ключевому слову органически , важно знать частоту ваших ключевых слов. Если частота ваших ключевых слов слишком низкая, у вас возникнут проблемы с рейтингом по этому ключевому слову, если только уровень конкуренции не будет очень низким. Поисковые системы, такие как Google, должны видеть «доказательство» в виде ключевых слов, что ваш контент действительно соответствует запросу.

Однако, если частота вашего ключевого слова слишком высока, это посылает негативный сигнал поисковым системам. Избегайте черных методов, известного как «наполнение ключевыми словами», когда частота ваших ключевых слов неестественно высока и отвлекает пользователей.

 

Как определить частотность

Веб-мастер и SEO-специалист определяет частотность запроса при помощи специализированных сервисов. Например, в Яндексе это Вордстат (читайте, как это сделать в нашей статье). Если воспользоваться кавычками, перед запросом и после него, то в итоге система выдает данные о частоте, учитывая необходимую последовательность слов. Для получения точных данных по частоте с имеющейся морфологией, перед словом следует ставить «!».

 

Какая частота ключевых слов считается хорошей?

Новички в SEO и платном поиске часто спрашивают, какая частота ключевых слов «хорошая» или какие рекомендации им следует соблюдать, когда дело доходит до определения правильной плотности ключевых слов. К сожалению, как и в случае со многими элементами SEO и интернет-рекламы, существует несколько настоящих «правил» относительно частоты ключевых слов. Однако есть некоторые общепринятые передовые методы, которым вы, возможно, захотите следовать.

Вообще говоря, многие профессионалы SEO согласны с тем, что ключевое слово не должно появляться чаще одного раза на 200 слов текста. Это означает, что из каждых 200 слов текста на веб-странице данное ключевое слово не должно появляться более одного раза.

Сюда входят близкие варианты ключевого слова. Например, «подержанные автомобили» — это вариант ключевого слова «подержанные автомобили». Хотя эти два термина различны, они тесно связаны семантически; их значения идентичны, и только их формулировка отличает их друг от друга. Это означает, что вам следует попытаться разделить варианты ключевых слов, как если бы вы использовали несколько экземпляров одного и того же ключевого слова.

 

Насколько важна частота ключевых слов?

Хотя частота ключевых слов может повлиять на степень обнаружения сайта или веб-страницы, это лишь один из многих таких факторов.

В прошлом многие сайты обходились без «наполнения ключевыми словами» — практики запихивания как можно большего количества ключевых слов и вариантов на одной веб-странице в попытке манипулировать рейтингом страницы. Однако сегодня алгоритмы поиска значительно сложнее, что делает такие методы в значительной степени бесполезными и потенциально даже вредными.

 

Частота ключевых слов и пользовательский опыт

Возможно, было бы более эффективно думать о частоте ключевых слов не в контексте внутреннего SEO, а скорее в контексте пользовательского опыта.

Независимо от того, какой тип контента содержит веб-страница — список продуктов, сообщение в блоге, целевая страница, страница с благодарностью — всегда учитывайте взаимодействие с пользователем. Все тексты должны читаться легко и естественно, а включение вынужденных, неудобных ключевых слов — один из самых быстрых способов испортить впечатление вашей аудитории.

 

Заблуждения, связанные с частотностью

Миф первый. Частотность по Wordstat соответствует частоте запросов в поисковой системе Яндекс

Число, которое размещенное напротив определенного запроса, является только предварительным прогнозным значением показов в течение месяца. Точная информация может быть получена исключительно по факту. Для этого необходимо выбрать запрос как ключ и проверить статистику на основании отчетного промежутка времени.

Для получения более точного прогнозного значения необходимо помнить о специализированных операторах – восклицательный знак и кавычки. Также можно указывать регион и использовать прочий инструментарий, предлагаемый сервисом.

Миф второй. Трафик можно предсказывать с помощью информации из Wordstat Результаты экспериментов, которые проводили оптимизаторы, продемонстрировали, что если сайт находится в ТОП-10 по высокочастотному запросу, то это не гарантирует ему трафик.

Миф третий. Информация о частоте запросов из Вордстат позволяет составить семантическое ядро

Информация, предлагаемая данным сервисом, не может считаться полноценным источником формирования семантического ядра для продвижения. Конкурентным и целевым может считаться менее частотный запрос. С помощью таких запросов удается увеличить не только прирост трафика, но и увеличение продаж. Даже если напротив запроса указана цифра 9, то это еще не значит, что данный запрос никто не вводит в строку поиска. Высокочастотный запрос иногда не имеет соответствующего частоте трафикового потенциала. Анализ рынка и опыт специалиста является залогом успеха.

Что такое частотность запроса и как ее определить?


Частотность запросов – это количество обращений пользователя с конкретным словом или фразой к поисковику за месяц. Выделяют три основных вида: высокочастотные (ВЧ), низкочастотные (НЧ) и среднечастотные (СЧ). Однако самих видов больше:

  • Сверхчастотные – самые популярные слова или фразы, т.е. их запрашивают в конкретной тематике чаще всего. Обычно сВЧ-запросы — однословные, например, «смартфон» или «одежда». Они являются самыми конкурентными, т.к. по ним продвигаются многие компании в конкретных областях. Частота показов – от 100000 в месяц и выше. Продвижение по ним подходит далеко не каждому бизнесу, так как из-за отсутствия уточняющих фраз в запросе релевантность страниц, подобранных поисковиком, может размываться. Обычно при таких запросах поисковик старается показать как можно больше информации с искомым словом, к примеру при поиске слова «замок» Яндекс покажет как строения, так и механические устройства для запирания дверей.
  • Высокочастотные. Отличаются от сверхчастотных тем, что в них может указываться дополнительное слово, но это не делает запрос менее частотным. К примеру, запрос «квартира москва» (620 000 показов по МСК) остается высокочастотным, несмотря на то, что содержит уточняющее слово. Он не такой общий по сравнению с запросом «квартира» (5 250 000 показов по МСК). Частотность подобных запросов – от 10000.  На профессиональном жаргоне ВЧ-запросы называют «жирными». Их грамотное продвижение помогает приводить на сайт максимальное число пользователей. Но по ВЧ-запросам продвигаются многие сайты, что рождает большую конкуренцию. Именно поэтому продвижение по ВЧ-запросам довольно затратно в финансовом и временном планах.
  • Среднечастотные – как правило, состоят из нескольких слов со средней частотой показов от 500 до 5000-10000. СЧ-запросы задают пользователи, знакомые с интересующей их областью, либо знающие, как им нужно уточнить исходный общий высокочастотный запрос.
  • Низкочастотные – самый конкретный вид запросов, имеют узкую направленность. Пример: «купить телевизор Samsung в Санкт-Петербурге». Частота показов – от 50-100 до 500 в месяц.
  • Микрочастотные – могут иметь частотность от 1 до 50. Запросы мНЧ считаются самыми неконкурентными, так как содержат длинный уточняющий «хвост» в запросе. Пример: «как положить деньги на расчётный счёт ооо». 


Важно заметить, что частота одного и того же запроса сильно варьируется в различных поисковиках.


Яндекс намеренно замедляет продвижение веб-ресурсов по высококонкурентным позициям, комментируя это тем, что сначала сайт должен стать известным, заработать репутацию и отличаться стабильностью развития. И только после того, как он зарекомендует себя, поисковик даст ему возможность тягаться с топовыми конкурентами.


СЧ- и НЧ-запросы хоть и не требуют больших финансовых вложений, но также способны предоставить стабильное увеличение трафика на сайт и охватить большое число пользователей.


На основе анализа о запрашиваемых фразах SEO-оптимизатор составляет выборку самых популярных запросов и продвигает по ним проект.


Если вам необходимо проверить частотность запросов, можно воспользоваться специальными сервисами:

  • Яндекс.Вордстат – инструмент, помогающий определять частотность нужных запросов в поисковой системе Яндекс. Недостаток сервиса – в том, что поверять запросы приходится вручную и по одному.

  • Google Adwords
    – сервис поисковой статистики от Google. Дает всю необходимую информацию по запросам, есть возможность задать язык и регион, предоставляются синонимы. Внимание, если в аккаунте Adwords нет активных рекламных кампаний, то показания в сервисе могут быть очень приблизительными и не точными. 

что такое, виды и как узнать?

 

Что такое частотность запроса в Яндексе?

 

Частотность запроса в Яндексе — количество конкретных поисковых фраз, которые пишут пользователи за единицу времени. Как правило, в качестве отчетного периода используется один месяц.

 

Как проверить частотность запросов?

 

Для проверки частотности запроса онлайн в Яндексе, в первую очередь, используется Yandex Wordstat. Для этого нужно ввести ключевое слово и нажать кнопку подобрать.

Каждая поисковая система ведет собственный учет запросов. Одна и та же фраза может быть низко- или среднечастотной в разных системах. Например, Яндекс аккумулирует большую часть коммерческого трафика, Гугл — информационного.

 

Как проверить массово?

 

 

Для массовой проверки частности запросов специалисты используют – Кей Коллектор или онлайн сервисы, например Rush Analytics, Пиксель Тулс, Арсенкин Тулс. Нужно отметить, что скорость сервисов по сбору частотности выше, чем у программ на ПК. Для быстрого сбора частотности следует указать – какую именно парсить онлайн : базовую ( W ), точную ( «» W ) или уточненная ( «!» WS  ). Далее выгрузка отчета происходит в формате эксель. В файле можно просмотреть все данные указанные для сбора.

 

На что обратить внимание?

 

Частотность запросов зависит от:

 

  • Географии. Согласитесь, информацию о кафе, барах и ресторанах Петербурга ищут преимущественно жители северной столицы, а данные о речных трамвайчиках Владивостока — население Дальнего Востока. Необходимо выбрать регион поиска.

 

  • Сезонности. Например, запросы о 8 марта взлетают весной, а о Новом годе — зимой. Нужно учитывать при проверки частотности запроса. В период “горячего” сезона – частность ключевого слова может быть в несколько раз выше.

 

  • Других факторах, которые зависят от тематики.

 

Полезная информация: частотность информационных и коммерческих запросов рассматривается отдельно. Коммерческие запросы — такие, в которых присутствуют слова «купить», «заказать» и тому подобные выражения, прямо говорящие о желании пользователя приобрести товар или услугу. Информационные запросы — такие, в которых пользователь хочет получить конкретные сведения.

 

Как узнать частотность ключевых запросов? Рассмотрим основные виды и определения.

 

Определение частотности по видам: частотность и конкурентность запроса

 

Высокочастотные (ВЧ)

 

Высокочастотные запросы, которые также называются ВЧ-запросы — такие поисковые слова и фразы, которые часто ищут люди. Единого определения у ВЧ-запросов не существует. Каждый веб-мастер определяет частотность запроса самостоятельно исходя из конкретных условий тематики.

 

Если информационный ресурс посвящен компьютерной технике, тогда высокочастотные запросы может искать больше сотни тысяч людей в месяц. Коммерческий сайт, продающий яхты может ориентироваться на высокочастотные запросы, которые делает примерно тысяча человек в месяц.

 

Полезная информация: в большинстве случаев под высокочастотными запросами понимаются такие, которые ищет больше тысячи людей в месяц.

 

У высокочастотников есть ряд особенностей:

 

  • Не подходят для продвижения молодых сайтов, чей возраст составляет менее одного года. Лучше подождать еще больше.

 

  • Максимальная частотность равняется нескольким десяткам тысяч, согласно статистике.

 

  • Самые конкурентные. Высокочастотные запросы приносят значительно больше трафика в сравнении со средне- или низкочастотными запросами.

 

Начинающие веб-мастера могут ориентироваться на ВЧ-запросы. Подход не всегда оправдан, если смотреть с точки зрения конверсии.

Полезная информация: конверсия — процент пользователей, которые сделали нужные веб-мастеру действия среди общего количества посетителей.

 

В интернет магазине показатель конверсии рассчитывается исходя из процента заказов среди общего числа посетителей. Информационный ресурс может рассчитывать показатель конверсии исходя из количества кликов по рекламе среди общего числа пользователей.

 

Высокочастотные запросы могут быть представлены всего одним словом. Например, запрос «телевизоры» может значить как желание купить телевизор, узнать принцип его действия, посетить тематический форум и многое другое.

 

Попав на первое места в выдаче поисковых систем по таким однословным высокочастотным запросам веб-мастер столкнется с большим количеством отказов. Лучше ориентироваться на менее сложные запросы для продвижения и привлечь на ресурс исключительно тематический трафик чтобы посетители совершали нужные действия для веб-мастера.

 

Среднечастотные (СЧ)

 

Более конкретные среднечастотные запросы подходят для практически любых сайтов. Как правило, содержат два или три слова. Среднечастотные запросы ищут от 500 до 1 000 человек в месяц, но это средний уровень.

 

Как в предыдущем случае, точное количество зависит от тематики ресурса. У среднечастотных запросов есть следующие особенности:

 

  • Золотая середина между слишком узкой или слишком широкой тематикой. Как правило, среднечастотные запросы делают люди, которые имеют общее представление о том, что хочется в итоге получить, но полных сведений не хватает. Информация с сайта должна помочь человеку сделать правильный выбор.

 

  • Основа продвижения сайтов. Среднечастотные запросы могут привлечь достаточное количество трафика. Средняя конкуренция среди веб-мастеров дает возможность продвинуть сайт по запросам по относительно доступной цене.

 

Низкочастотные (НЧ)

 

Низкочастотные запросы ищет меньше 500 человек в месяц и состоят из нескольких слов. Как правило, продвигать сайт по таким запросам можно бесплатно или практически бесплатно.

 

Качественные информационные материалы сами собой содержат тематические низкочастотные запросы. Конкуренция по ним очень маленькая. По некоторым запросам сайт может попасть в ТОП выдачи поисковых систем практически случайно. Для других потребуются небольшие вложения.

 

К таким запросам можно отнести фразу «заказать телефон самсунг галакси 9». Запрос содержит полную информацию относительно конечной цели человека. К основным особенностям низкочастотных запросов относят:

 

  • Маленький уровень конкуренции. Низкочастотников очень много. Невозможно сфокусироваться на продвижении всех НЧ-запросов. Поэтому на каждый выделяется относительно небольшой процент свободных ресурсов.

 

  • Максимальная конверсия. Низкочастотники приводят на сайт большое количество тематического трафика. Опытные веб-мастера могут концентрироваться на привлечении преимущественно низкочастотного трафика на свои ресурсы.

 

Полезная информация: продвижение по низкочастотникам можно сочетать с раскруткой сайта по СЧ-запросам. Например, поисковая фраза «купить зубную щетку Филипс в Москве недорого» содержит в себе среднечастотник «купить зубную щетку».

 

Как посмотреть частотность запросов в Яндекс?

 

Чтобы проверить и посмотреть частотность запросов в Яндексе следует посетить страничку https://wordstat.yandex.ru/. Это сервис помощи веб-мастерам, который предлагает всем желающим проверить количество тех или иных запросов в месяц.

 

Сервис не может показать точное количество запросов, обычно используется в качестве механизма довольно грубого округления.

 

Полезная информация: если указать запрос без дополнительных операторов, система покажет число, которое содержит в себе поисковую фразу с любыми дополнительными словами. Например, по фразе «купить слона» будет представлено число, включающее в себя «купить слона недорого», «купить слона элитного», «купить белого слона». Чтобы узнать количество запроса «купить слона» применяются дополнительные операторы.

 

Среди них:

  • Восклицательный знак делает неизменным окончание слова. Если в запросе больше двух слов ставится перед каждым в отдельности.

 

  • Кавычки ограничивает запрос только указанными словами, но окончания меняются.

 

Существуют другие операторы.

 

 

Что такое базовая частотность запроса?

 

Базовая частотность в Яндексе — это количество показов в месяц введенного ключевого запроса в Вордстате с любым другими словами в любом падеже/склонение/числе и т.п. Базовая частотность — неточная.

 

Как посмотреть базовую частотность?

 

Чтобы посмотреть базовую частотность – нужно ввести запрос без дополнительных операторов. Такая информация считается наименее точной и обычно используется в качестве получения первоначальных сведений или исключительно из-за исследовательского интереса.

 

Пример: слово “купить куклу”. Общая частотность: 332 848. При выборе региона – Россия.

 

 

Слово «купить куклу» и любые другие словосочетания с запросом «купить куклу» в итоге будут равняться 332 848 показов в месяц, а словосочетание «кукла лол купить» и все словосочетания 36 288.

 

Базовая частотность отражает популярность не только конкретного слова, но и всех его словоформ. В целом таким образом можно оценить предварительно нишу, просмотреть основные словосочетания, направление – на количество информационных и коммерческих запросов. Далее рекомендуем определиться с запросами и более подробнее просмотреть вглубь для сбора семантического ядра.

 

Что такое точная частотность запроса?

 

Точная частотность запроса показывает, сколько раз пользователи в поиске Яндекс реально задавали запросы с содержанием лишь указанных во фразе слов.

 

Как посмотреть точную частотность?

 

Для просмотра точной частотности в Вордстате необходимо вводить фразу в кавычках, например “купить куклу”. При этом будут учитываться другие словоформы, в нашем примере: “купить куклы”.

 

Точная частотность запроса купить куклу в кавычках “” равняется 1957. Кавычки отсекают другие слова, которые могут входить в запрос и показывают конкретное число показов в месяц по фразе в кавычках.

 

 

Важно, не брать запросы, где базовая частота большая, но точная равна 0 или имеет мало число показов (1 или 5 показов в месяц). Исключение – сайты с узкой тематикой, где семантическое ядро будет сильно ограниченно количеством запросов в данной нише.

 

Достаточно точная информация, которой хватает для создания семантического ядра. Современные веб-мастера используют точную частотность для определения примерного количества трафика, на которое может рассчитывать ресурс.

 

Как посмотреть уточненную частотность?

 

Фиксирует словоформу ключевого запроса. Для просмотра уточненной статистики необходимо взять запрос в кавычки и перед каждым словом поставить восклицательный знак «!». Например, “!купить !куклу”. Уточненная частотность 1092 показов в месяц. Точная частотность позволяет узнать в каком падеже, числе и склонение люди набирают определенные запросы.

 

Веб-мастера используют уточненную частотность чтобы увидеть точные сведения относительно возможного будущего трафика.

 

 

Сезонность запросов

 

Ряд запросов меняет частотность в зависимости от текущего сезона. Такие тематики как Новый год, 1 сентября, 8 марта или 23 февраля имеют сезонный характер. Это значит, что количество запросов повышается с наступлением определенных дат и снижается после завершения сезона.

 

Снижение количества ежемесячных запросов не всегда означает понижение уровня конкурентности. Большинство веб-мастеров все равно поддерживают свои ресурсы в приемлемом состоянии с целью дополнительного привлечения трафика.

 

В то же время, сезонность может означать снижение конверсии. Если ресурс получает тематический новогодний трафик в середине лета, вероятность оформления заказа существенно снижается.

 

Геозависимость

 

Геозависимость означает, что запросы преимущественно совершают жители определенного региона. В большинстве случаев это относится к коммерческим запросам. Чаще всего пользователь ищет организации, которые работают именно в его регионе чтобы обратиться для оформления услуги, либо заказа товара.

 

Поисковые системы дают возможность веб-мастеру указать для пользователей какого именно региона работает конкретный сайт. Если компания имеет представительства в нескольких городах, можно указать больше одного региона, либо выбрать всю Россию.

 

Полезная информация: информационные запросы рекомендуется продвигать по всей России. Нередко пользователи ищут информацию о достопримечательностях или особенностях других городов.

 

Как проверить частотность запросов в Google

 

Для определения частотности запросов в Гугле существует дополнительный сервис планировщик Google AdWords. Работает практически также, как аналогичный сервис от Яндекса. Сервис помогает прежде всего спрогнозировать трафик и расходы в контекстной рекламе Google AdWords.

 

Планировщик Google

 

 

Для получения статистики нам необходимо задать ключевые слова, выбрать регион, а также необходимый период.

 

 

 

Google Trends

 

Google Trends — удобный сервис для анализа популярности и сезонности поисковых запросов. С помощью данного инструмента можно:

  1. Изучить популярность темы и существующие тренды.
  2. Провести анализ сезонности.
  3. Оценить популярность в регионах на основе географических данных.

 

 

Полезная информация: Гугл выдает информацию в виде графика, что более удобно для восприятия большинством пользователей. 

 

Что необходимо учитывать при определении частотности?

 

  1. Для определения супер точной частотности следует добавить квадратные скобки (фиксируют порядок слов), например “[!купить !куклу]”.
  2. Регион. Если у вас интернет-магазин в Екатеринбурге (доставка только по городу), то стоит выбрать данный регион в Вордстате. Если доставка по всей территории РФ, то можно выбрать регион Россия. Для информационных запросов оставляем регион Россия.
  3. Обратить внимание на нулевые запросы-пустышки при заключении ключевого запроса в “”. Такие запросы лучше не добавлять в семантику.
  4. Сезонность. Следует учитывать сезонность бизнеса. Елочные игрушки или велосипеды пользователи ищут в разное время года. Следует воспользоваться историей запросов для определения низкого и высокого сезона. Продвижение “сезонных” запросов следует начинать в низкий сезон.
  5. Для парсинга запросов определенной частотности следует воспользоваться специальными программами, например Key Collector или онлайн сервисами. Работа по сбору ключевых слов значительно облегчается.
  6. Для предварительно сбора небольшого числа запросов в ручную можно использовать расширение Wordstat Assistant.

Дмитрий

Профессиональный интернет-маркетолог. Имею богатый опыт работы над крупными и небольшими проектами. Полностью понимаю задачи клиентов и потребности целевой аудитории для проведения эффективной работы над проектом и достижения максимального результата. Являюсь сертифицированным специалистом Яндекс и Google. Работаю и развиваюсь в интернет-маркетинге более 8 лет. Всегда знаю о всех нововведениях в своей сфере. Постоянно повышаю квалификацию.

 

 

 

 

 

 

 

➤ Частотность поисковых запросов

 

Содержание страницы:


— Виды частотности
— Определение частотности

 


 

При раскрутке сайта нужно изучить частотность поисковых запросов, чтобы продвигаться успешно и не сливать бюджет. При составлении семантического ядра мы берем ключевики разной частотности. Разберемся, что же это такое и как правильно их использовать для достижения цели.

Частотность – это количество запросов пользователей в поисковых системах за определенный промежуток времени.

Алгоритм работы поисковиков настроен на учет использования ключевых фраз. Чем больше ищут конкретное слово, тем выше его частотность.

 

Виды частотности

 

Существует несколько видов частотности в зависимости от использования дополнительных символов вместе с ключевыми фразами.

1. Базовая. Считается не очень точной, так как показывает все сочетания слов из запроса со всеми склонениями и изменениями в словах. Этот запрос полезен для пользователей, которых интересует тематика в общем.

2. Точная. В таком случае запрос помещают в кавычки, чтобы исключить из выдачи фразы, где присутствуют другие слова. Мы увидим список сайтов по нашей фразе в разных словоформах.

3. Уточненная. Это самая точная частотность. При вводе фразы мы добавляем восклицательный знак перед словом, тем самым давая понять поисковым роботам, чтобы они искали точную форму слова без изменений. Если нам необходимо получить весь запрос в неизменном виде, то ставить восклицательный знак нужно перед каждым словом, а всю фразу заключить в кавычки.

 

Чтобы развивать сайт, нужно знать, как определить частотность поискового запроса. Так как от правильно выбранной частотности зависит успех продвижения ресурса.

1. Высокочастотные запросы. Свыше 1000 показов в месяц. Содержат, как правило, общую информацию и охватывают широкий диапазон тем. Но для каждого сайта частотность запросов рассматривается по отдельности. Например, фразы ниже хоть и различаются, но по количеству показов все равно являются высокочастотными.

2. Среднечастотные запросы. До 1000 показов в месяц. Это более конкретные запросы. Они могут быть с уточнением региона или действия: «купить смартфон», «ремонт планшета в Вологде», «памятники победы в Крыму» и т. д.

3. Низкочастотные запросы. До 100 показов в месяц. Конкретизированные запросы с несколькими уточнениями.

Важно понимать, что для каждой ниши будут свои особенности. Для сферы Apple большинство запросов будут высокочастотными, так как это очень популярная область. Для каллиграфии же почти все ключевики находятся в диапазоне низкочастотных и среднечастотных запросов.

 

Перед составлением семантического ядра для вашего сайта необходимо провести анализ частотности поисковых запросов для выбранной области. Если ресурс молодой, то лучше не продвигаться по высокочастотным запросам, а использовать низко и среднечастотные. Чем больше низкочастотных ключевых фраз в начале работы с сайтом, тем больше трафика он привлечет.

Несколько советов при работе с запросами различной частоты:

— Используйте запросы даже с одним показом в месяц.

— Низкочастотные запросы требуют только соответствующий контент и максимальное раскрытие ответа на пользовательский вопрос.

— Трафик по низкочастотным запросам растет медленно, но стабильно. Поэтому чем больше таких запросов, тем лучше результат.

— Если сайт только начинает свою работу, то берите по максимуму низкочастотных запросов и добавляйте среднечастотные.

— Если работа ресурса уже оптимизирована под эти запросы, то можно брать высокочастотные.

— В случае развития спроса на всю область, вы можете продвигать сайт по высокочастотным фразам.

— Если нужны целевые посетители для компании, то делайте упор на среднечастотные ключевики.

— А если нужно увеличить конверсию и продажи, то берите низкочастотные.

 

Определение частотности

 

У каждой поисковой системы есть свой сервис для определения частотности поисковых запросов. У Яндекс это Вордстат, у Google AdWords. Также есть GoogleTrends, который показывает условную статистику с разделением по регионам. У Поиск Mail.Ru есть своя «Статистика».

Помимо этого существует масса программ для подсчета частотности запросов. Среди самых популярных Key Collector и Rush Analytics. Это платные инструменты со схожими функциями, которые дополняют базовые возможности Яндекс.Вордстат.

Сервисы анализа частотности поисковых запросов помогают более точно составить семантическое ядро сайта и подобрать ключевики с низкой и средней частотностью, которые привлекут максимальный трафик на ваш сайт с минимальными вложениями. Но для старта работы с ключевыми запросами вполне подойдет и инструмент Яндекса.

 

Проверим частотность поисковых запросов на Вордстат. Открываем сервис и вбиваем в поисковую строку ключевую фразу.

Цифра, выделенная красным, показывает общее количество запросов в месяц с вхождением слов «купить замок» и является суммой всех нижестоящих запросов. Это высокочастотный запрос.

Но что если нам необходимо узнать частотность строго по конкретному запросу из нашей ниши. Например, нам нужно количество показов по фразе «купить замок» (для двери). Для этого существует 6 уточняющих символов.

1. Восклицательный знак. Поставив ! перед словом, вы зафиксируете словоформу и увидите только точное слово в выдаче. Например, «купить замок в !Воронеже» покажет в выдаче и «купить замок в Воронеже» и «купить дверной замок в Воронеже», но не покажет «купить замок Воронеж».

2. Кавычки. Фиксируют всю фразу. Например, «купить замок» и «замок купить» — это одно и то же. А вот «купить замок в Воронеже» уже в списке не появится.

3. Плюс. Добавляет в запрос все скрытые по умолчанию частицы и предлоги. Например, «купить замок +на дверь» и «купить замок на входную дверь» будут в выдаче, а «купить замок для двери» уже нет.

4. Минус. Наоборот, удаляет ненужные слова из запроса. Например, «купить замок -автомобиля» уберет из выдачи все запросы, где встречается слово автомобиль.

5. Квадратные скобки. Устанавливают порядок слов. Например, «купить [дверной замок]» равняется и «где купить дверной замок», и «дверные замки купить в Самаре», но исключает «купить замок дверной».

6. Вертикальная черта и круглые скобки. Используются в составлении сложных запросов. Например, «купить замок (недорого|дверной)». В выдаче может оказаться «купить дверной замок» и «замки купить недорого», но не будет «купить дверной замок недорого».

Эти дополнительные операторы можно совмещать друг с другом, что для сео-специалиста станет отличным инструментом, как для составления качественного семантического ядра, так и для сбора точной статистики.

Яндекс.Вордстат позволяет проверить частотность поисковых запросов online. Кроме того, инструмент можно настраивать под конкретные задачи:

— Выбор региона.

— Определенные платформы и устройства.

— Сегментация по месяцам для сбора сезонной статистики.

Говоря о продвижении сайта, все веб-мастера упоминают составление семантического ядра. Но мало кто понимает, что это не просто составление списка ключевых слов, а скрупулезная работа над формированием уникального инструмента, подходящего не просто к вашей нише бизнеса, но и исключительно только для вашей компании и вашего сайта. Знать частотность поисковых запросов и уметь правильно ее определять – важный навык для специалиста, занимающегося оптимизацией интернет-ресурсов. В статье мы рассказали о видах частотности, сборе статистики и дополнительных символах, которые помогут получить более точные данные, а значит, напрямую повлиять на продвижение сайта.

Обзор сервиса Словоеб | Блог YAGLA

Сервис Словоеб известен как бесплатный аналог Key Collector. Тот же принцип работы, практически тот же интерфейс. Естественно, есть и ограничения. Однако функционала Словоеба вполне достаточно для небольших проектов, и в отличие от ручного сбора семантики здесь за вас всю работу сделает программа.

 

В этой статье вы увидите, как настраивать Словоеб и пользоваться им.

Ограничения программы

Первое ограничение – количество источников, по которым происходит парсинг. К ним относятся:

 

  • Левая и правая колонки сервиса Wordstat
  • Rambler.Adstat
  • Поисковые подсказки Яндекса и Google.

 

В Key Collector, для сравнения, помимо этих поддерживаются также Google Ads, подсказки Mail, Wordstat полностью и системы аналитики, установленные на сайте.

 

Второе ограничение – Словоеб проверяет частоту запросов исключительно по Яндекс Wordstat, в то время как Key Collector – по Yandex Direct, Google Ads, LiveInternet, Rambler Adstat, APIShop.com.

 

И третье ограничение – оценка конкурентоспособности запросов для Яндекс и Google. В Key Collector есть 4 формулы оценки KEI, которые можно менять вручную.

 

Таким образом, Словоеб собирает ключи только из Вордстата и поисковых подсказок и работает только для Яндекса. Если нужна семантика для других рекламных систем, придется платить за Key Collector.

 

В целом, Словоеб делает всю ту же самую работу, что и вы, когда собираете семантику в сервисе Yandex Wordstat, но делает это автоматически, за вас, освобождая вам время на выполнение других задач.

 

И, разумеется, при автоматическом парсинге вы получаете результаты за считанные минуты: несколько тысяч ключей – за 10-15 минут, десятки тысяч – от силы за полчаса. При ручном сборе могут уйти и недели, впрочем, всё зависит от объема семантики и знания темы.

С чего начать

1) Зайдите на официальный сайт программы по ссылке. Здесь можно её скачать в один клик.

 

 

2) Запустите скачанный файл, чтобы установить программу на компьютер. Обновите до новой версии, если выходит такое окно:

 

Далее переходим к настройке программы Словоеб.

 

3) Зайдите в «Настройки» в левом верхнем меню, которое появляется при нажатии значка программы:

 

 

4) В разделе «Парсинг» задайте его параметры. Уберите значок «+» из поля «Фильтрация символов». Остальное оставьте, как задано по умолчанию.

 

 

Не забудьте сохранить изменения (далее сохраняйте их отдельно на каждой вкладке).

 

5) Настройте аккаунты Яндекс.Директа специально для сбора семантики.

 

Обратите особое внимание на следующее.

 

Использовать нужно специально созданные под парсинг аккаунты, проще говоря – «фейковые». Пусть вас это не пугает: Яндекс лоялен к парсерам, так как с помощью них рекламодатели могут настроить более качественные рекламные объявления, что на руку самой системе – ведь она на этом тоже зарабатывает. Это с одной стороны.

 

С другой – рабочий аккаунт, в котором ведется реклама, использовать ни в коем случае нельзя. Яндекс может его забанить за нарушение правил пользования сервисом. В этом случае лучше рискнуть потерять доступ к «фейковому» аккаунту, а не к настоящему.

 

Итак, далее придется выполнить небольшую рутинную работу по регистрации почтовых ящиков аккаунтов в Яндексе.

 

Важно! Несмотря на то, что аккаунты «фейковые», задавайте им читабельные имена пользователей, чтобы впредь процесс не тормозили капчи Яндекса, и работа продвигалась быстрее.

 

Затем перейдите на вкладку «Yandex.Direct» и в поле «Настройки аккаунтов Yandex» задайте их, а здесь введите их логины и пароли в любом из форматов. Чем больше, тем лучше, но достаточно и 3-5 аккаунтов.

 

 

В поле «Количество потоков» впишите количество созданных аккаунтов:

 

 

6) Ту же самую цифру задайте на вкладке «Yandex.Wordstat»:

 

 

7) В разделе «Интерфейс» на вкладке «Экспорт» выберите, в каком формате будете экспортировать результаты парсинга:

 

 

Дополнительно можете подключить автораспознавание капчи, чтобы она вас не преследовала. Особенно если вы планируете парсить большие объемы ключей. Стоимость сервисов по автоматическому распознаванию символическая, актуальные цифры смотрите в разделе «Антикапча» по ссылкам:

 

 

На этом основные настройки парсинга готовы, Словоеб готов к сбору данных. Переходим к самому процессу.

Запуск парсинга в Словоебе

1) Создайте новый проект. Для этого на начальном странице есть специальная кнопка:

 

Задайте имя проекту и сохраните его в нужную папку на компьютере:

 

 

2) Укажите регионы для парсинга.

 

Например:

 

 

3) В блоке «Управление группами» для удобства можете создать разные группы, по которым можно будет распределять готовые маски ключевых слов.

 

Задайте группам названия, чтобы лучше ориентироваться в их содержимом.

 

Например, по разным тематикам, товарам, услугам и т.д.

 

Для добавления новой группы нажмите черный знак плюса, для сортировки по алфавиту – символ рядом с ним.

 

Наконец переходим к ключевым фразам, точнее – к базисам, по которым будем парсить более глубокую семантику. Предварительно вам нужно составить список базисов либо в блокноте, откуда удобно будет скопировать в программу.

 

Здесь ничего сложного: элементарно впишите варианты названий вашего продукта, по которым могут вас искать целевые пользователи, типа:

 

  • пластиковые окна купить
  • пластиковые окна пермь
  • заказать пластиковые окна
  • установка пластиковых окон

4) Добавьте список фраз, по которым программа Словоеб будет парсить новые маски ключевых фраз. На вкладке «Данные» кликните «Добавить фразы»:

 

 

Откроется такое окно:

 

 

В этом окне впишите все изначальные фразы и нажмите «Добавить в таблицу», либо загрузите из локального файла готовый список. Каждая новая фраза – с новой строки.

 

Отметьте, в какую группу добавлять фразы – в текущую активную или другие, созданные в блоке «Управление группами».

 

Также можно поставить галочку над полем с ключами, чтобы автоматически не добавлялись фразы, которые уже есть в выгружаемом списке.

 

Для примера добавим такие фразы:

 

5) Дополнительно вы можете добавить список стоп-слов, если он у вас уже сформирован. Программа сразу будет фильтровать запросы с этими словами и не включать их в результаты парсинга.

 

Выберите опцию «Стоп-слова» в верхнем меню:

 

 

Скопируйте минус-слова по одному или сразу добавьте списком из файла:

 

 

Внизу настройте, как алгоритм будет учитывать ваши минус-слова по вхождению и другим параметрам.

 

 

6) Начните сбор семантики. Он состоит из двух этапов – непосредственно парсинг ключей из Вордстата и сбор частотностей.

Парсинг по Яндекс Вордстату

На вкладке «Сбор данных» выберите способ – пакетный сбор слов из левой колонки Вордстата (вместе со значениями частотностей).

 

 

Если вы настроили несколько аккаунтов под парсинг, для каждого из них Словоеб подберет одинаковую долю слов для анализа, чтобы затем обработать в классическом линейном режиме.

 

Чтобы активировать сбор, нажмите снова на список исходных ключей и нажмите в окне «Начать сбор»:

 

 

Когда процесс запущен, вы сможете им управлять – остановить полностью или приостановить на время, – кликнув по одной из иконок:

 

 

В нижнем блоке программы в журнале событий (вторая вкладка) вы увидите всю информацию о шагах парсинга по секундам – на каком этапе сейчас, какие ошибки когда возникали и т.д.

 

В процессе вы можете исправить все ошибки.

 

Если вы заметите, что программа «подвисает», нажмите на кнопку обновления:

 

Где смотреть результаты?

 

Когда парсинг завершится, вы увидите в журнале событий такую запись: «Процесс сбора левой колонки Yandex.Wordstat для фразы <…> завершен корректно. Опции «Остановка» и «Приостановка процессов» станут недоступными.

 

Результаты парсинга отобразятся в таблице программы Словоеб. Выглядит это примерно так (в примере тематика – доставка пиццы):

 

 

Обратите внимание: это пока предварительные результаты, так как в них вы видите только базовую частотность – то есть общая сумма запросов ключа + по его низкочастотному «хвосту». Для дальнейшей работы нужна точная цифра по запросам в месяц по каждому базису. Иначе как спрогнозировать, сколько трафика мы будем получать с каждого ключевика?

 

В помощь – сбор частотностей из сервиса Yandex.Wordstat.

Сбор частотностей из Вордстата

Он нужен, чтобы узнать точное количество запросов по ключам.

 

Нажмите кнопку с таким значком:

 

 

Программа предлагает разные варианты – собрать:

 

  • Все виды частотностей
  • Базовые виды частотности
  • Частотности фраз в кавычках (то есть в фразовом соответствии)
  • Частотности фраз в точном соответствии (конкретно по данном словоформе).

 

Выберите последний вариант и дождитесь окончания сбора данных. Результат будет выглядеть примерно так (на том же примере с пиццей):

 

 

Далее вы можете сразу очистить результаты от явно нецелевых запросов прямо в программе Словоеб, или оставить это на потом – удалить мусорные фразы из экспортированного Excel-файла.

 

Итак, сбор семантики завершен. Результаты парсинга можно сохранить на свой компьютер для дальнейшего использования в рекламных кампаниях.

 

Кликните кнопку экспорта:

 

 

Допустим, вы в самом начале настройки выбрали для экспорта формат csv – на выходе получаете CSV-файл с семантикой.

 

Если вы распределяли ключи по группам, в этом файле каждый лист соответствует отдельной группе.

 

Вот и всё, что нужно знать про Словоеб и как с ним работать.

Стоит ли использовать оператор [ ] для определения частотности: отвечают эксперты

Момент №1. Благодаря оператору, и без того глючный Вордстат, стал глючить еще больше. Самая большая проблема – это дубли запросов: 

Момент №2. Оператор, который призван находить правильный порядок слов в запросе, по идее должен привести нас к правильным запросам, т.е. правильной словоформе. Но огромный пласт запросов идет из подсказок.

Давайте опять же на примере:

Т.е. правильный порядок слов в запросе именно «телевизор купить воронеж». А теперь давайте поговорим немного про текстовый анализ. Расскажите мне, когда вы в последний раз в коммерческих нишах видели много прямых вхождений по запросу «телевизор купить воронеж». Вот и я особо не видел, я вижу прямые вхождения по запросу «купить телевизор», непрямые по «телевизор в воронеже», но никак не «телевизор купить воронеж» – это самая настоящая спамная вставка, с которыми призван бороться алгоритм Баден-Баден.

А теперь момент №3. Вся эта история работала бы в идеальном мире, где Вордстат отдавал бы данные, которые не накручиваются SEO-шниками.

Выводы:

1. Куча дублей по запросам, которые осложняют жизнь при работе с семядром.

2. Правильная форма та, которая идет из подсказок, которые накручивают SEO-шники.

И теперь вы думаете: «Ну и что убрали запросы, да и бог с ними». Господа, а как же полнота семантики? Или при работе с контентом сайтов мы не пользуемся LSI, не считаем прямые, непрямые, уникальные вхождения во фрагментах, метатегах, заголовках, ссылках? Или мы уже победили все агрегаторы, а по недвижимости мы наблюдаем одни коммерческие сайты агентств? Реальность такова, что без полной семантики, которую прекрасно режет данный оператор, мы теряем те самые запросы, по которым двигаться не только можно, но и нужно.

Именно поэтому мы не используем при сборе семантических ядер оператор [].

33 Статистика онлайн-покупок Розничные торговцы должны знать в 2021 году

Статистика интернет-покупок показывает, что, хотя обычные покупки по-прежнему составляют большую часть потребительских расходов, онлайн-покупки неуклонно растут. Кроме того, в связи с усилением пандемии COVID-19 в магазинах многие традиционные традиционные сети изо всех сил пытаются оставаться открытыми. Между тем, множество новых малых предприятий, розничных продавцов, работающих напрямую с потребителями, и стартапов в области электронной коммерции набирают популярность среди покупателей.

Мы собрали более 30 статистических данных о покупках в Интернете, а также их основные выводы, разбитые на девять категорий:

Сколько людей делают покупки в Интернете

1. Многие взрослые американцы (31%) «почти постоянно» находятся в сети

Более четверти взрослого населения США сообщают, что находятся в сети «почти постоянно», а 48% взрослых выходят в Интернет «несколько раз в день». Молодые люди с большей вероятностью будут постоянно подключены к Интернету, поскольку 48% американцев в возрасте от 18 до 29 лет «почти постоянно» находятся в сети.

2. Удивительно, но 7% взрослого населения США не пользуются Интернетом

В 2000 году 48% взрослых американцев вообще не пользовались Интернетом. Сегодня это число снизилось до 7% благодаря государственным и социальным программам. Однако это все еще 7% населения, которое делает покупки только в обычных магазинах.

3. Более 255 миллионов американских потребителей делают покупки в Интернете

По данным Statista, в 2020 году в США было около 256 миллионов покупателей цифровых услуг, что составляет примерно 88% взрослого населения.Прогнозируется, что это число вырастет еще больше и достигнет ожидаемых 263,01 миллиона в 2021 году и 278,3 миллиона в 2024 году.

4. Только 14% всех долларов за покупки тратятся в Интернете

Несмотря на то, что все больше и больше людей совершают покупки в Интернете и все чаще, большая часть их расходов по-прежнему приходится на магазины. В 2020 году 14% всех потребительских расходов в США приходилось на Интернет, что всего на 3% больше, чем в 2019 году.

5. Ожидается, что объем розничных продаж в электронной торговле достигнет почти 5 триллионов долларов

Ожидается, что глобальные продажи через Интернет достигнут примерно 4 долларов США.9 триллионов долларов в 2021 году. Это больше по сравнению с 4,28 триллиона долларов в 2020 году. Согласно будущим оценкам, общая сумма составит более 6 триллионов долларов в 2024 году.

6. Большинство потребителей (63%) предпочитают удобство покупок в Интернете

Потребителей в первую очередь привлекают онлайн-покупки из-за удобства онлайн-оформления заказа и возврата. Фактически, как сообщается, 33% онлайн-покупателей привлекает электронная торговля из-за легкости возврата, в то время как 30% привлекает быстрый и простой процесс онлайн-оплаты.

Примечательно, однако, что 53% людей сообщают о покупках в Интернете из-за бесплатной доставки, демонстрируя, что это важное предложение для интернет-магазинов.

7. Более 50% молодых потребителей хотят варианты финансирования покупок в Интернете

Решения

, которые позволяют клиентам покупать сейчас и платить позже (например, Klarna, Affirm, Splitit и Sezzle), помогают увеличить продажи в Интернете. Около 70% бэби-бумеров сообщают, что наличие возможности финансирования не влияет на то, чтобы они совершили покупку, о которой они в противном случае не стали бы думать. Поколение Z и представители поколения миллениума покупают больше товаров или более дорогие товары, когда доступно клиентское финансирование.

Вывод о количестве людей, совершающих покупки в Интернете:

  • Уже недостаточно быть обычным розничным продавцом. Есть несколько способов добавить компонент электронной торговли. Это также позволяет вам охватить более широкую клиентскую базу, чем в обычном розничном магазине.
  • По-прежнему существует потребность в личном общении как для клиентов, которые не пользуются Интернетом, так и для тех, кто им пользуется. Исследуйте события, рынки, всплывающие магазины и другие виды розничной торговли лично, чтобы привлечь внимание всех групп.
  • Ваш постоянный розничный магазин по-прежнему важен. Сосредоточьтесь на создании опыта в магазине, который является синонимом и основывается на опыте работы в Интернете, выступая в качестве центра обслуживания клиентов, которые покупают в Интернете и забирают товары в магазине.

Устройства и технологии

8. Ожидается, что на мобильные магазины придется почти 73% электронной торговли

Прогнозируется, что в 2021 году на мобильную электронную торговлю будет приходиться 72,9% мировой электронной торговли. В США эта цифра меньше, но все же впечатляет — 53.Ожидается, что 9% онлайн-продаж будет произведено через мобильные устройства в 2021 году.

В 2018 году в США совершение покупок через Интернет с помощью мобильных устройств составило примерно 207 миллиардов долларов США. Ожидается, что в 2020 году объем продаж, осуществленных напрямую через смартфоны, немного превысит 338 миллиардов долларов США.

9. Средняя стоимость заказа на настольном компьютере на 42% выше, чем через мобильный

Хотя многие покупатели обращаются к мобильным покупкам или мобильной торговле, они по-прежнему тратят больше, когда делают покупки на традиционных устройствах, таких как настольные компьютеры.Фактически, в третьем квартале 2020 года средняя стоимость заказа, размещенного на настольном компьютере, была на 42% выше, чем средняя стоимость заказа на мобильный телефон. Для этого есть много возможных причин, но 19,6% покупателей затрудняются просматривать описания продуктов на маленьком экране мобильного устройства.

10. Почти 65% покупателей Amazon предпочитают настольные компьютеры

Также кажется, что опыт работы с настольными компьютерами по-прежнему важен, в частности, для покупателей Amazon. Почти 65% клиентов Amazon делают покупки через сайт платформы для настольных компьютеров, и их всего 16.6% и 13,6% используют мобильный сайт и мобильное приложение соответственно.

11. Более половины (61%) потребителей предпочитают магазины с возможностями дополненной реальности

Дополненная и виртуальная реальность может повысить доверие покупателей, облегчая представление деталей продукта. В конечном итоге это может привести к повышению лояльности к бренду и увеличению продаж. Фактически, 40% потребителей сообщают, что они заплатили бы больше за продукт, который они могли бы просматривать и настраивать с помощью AR. Точно так же 71% потребителей говорят, что они бы делали больше покупок, если бы могли использовать AR для ознакомления с товарами.

Интернет-магазины техники на вынос:

  • Сайт для настольных ПК так же важен, как и сайт для мобильных устройств. Использование такой платформы, как BigCommerce или Shopify, упрощает создание адаптивного, оптимизированного для мобильных устройств опыта для онлайн-покупателей.
  • Используйте технологии для расширения возможностей электронной коммерции. Визуальный поиск облегчает покупателям поиск вашего продукта, а технология AR / VR позволяет им получить более глубокое представление о продукте — одна из вещей, которых не хватает в электронной торговле.Вы также можете создать виртуальный тур по своему магазину, чтобы побудить покупателей посетить его.

Социальная коммерция

12. Почти половина (48%) пользователей Интернета в возрасте от 18 до 34 лет сделали покупки через социальные сети

По состоянию на октябрь 2020 года 35% взрослого населения США сообщили о совершении покупки через социальные сети (на 8% больше, чем в апреле 2020 года). Пожилые покупатели менее заинтересованы в платформе — 60% из тех, кому 55 лет и старше, сообщают, что не заинтересованы в покупках через социальные сети. Однако социальные сети невероятно важны для охвата молодых покупателей.Сообщается, что 48% взрослых в возрасте от 18 до 34 лет покупали через социальные сети, а 11% делают это регулярно.

13. Более четверти (31%) потребителей в США используют социальные сети для поиска товаров

Согласно рейтингу Shopper Experience Index от Bazaarvoice к 2021 году, более четверти потребителей в Соединенных Штатах полагаются на социальные сети, чтобы узнавать о новых продуктах. Неудивительно, что процент покупателей еще выше — 43% в возрасте от 18 до 24 лет и 47% среди покупателей от 25 до 34 лет.Обратитесь к этим покупателям, создав магазин Facebook и используя его для создания страницы в Instagram, где можно делать покупки.

Выводы по социальной коммерции:

  • Facebook и Instagram имеют множество инструментов для листинга продуктов, создания рекламы и создания «социального магазина» для стимулирования продаж через социальные сети.
  • Смешайте свой социальный контент с привлечением и рекламными сообщениями Вы не хотите, чтобы ваша аудитория чувствовала себя подавленной из-за слишком большого количества маркетинга и рекламы.

Отгрузка и исполнение

14.Объем продаж в США в 2020 году превысил 58 миллиардов долларов

Нажми и забери или купи онлайн и забери в магазине (BOPIS), набирает популярность среди покупателей, причем более девяти из 10 покупателей считают этот вариант удобным. Это связано с тем, что модель позволяет потребителям просматривать и сравнивать товары, не выходя из дома, и сразу же забирать товар, не дожидаясь и не платя за доставку. В 2020 году eMarketer сообщил о 58,52 миллиардах долларов США по кликам и сбору продаж в США, и, по прогнозам, эта сумма достигнет 74 долларов.24 миллиарда к 2022 году.

Поскольку BOPIS и «щелкни и забери» — это такие большие тенденции, многие POS-системы теперь поставляются со встроенными возможностями выполнения заказов, а также с дополнительными инструментами омниканальных продаж.

15. Большинство онлайн-покупателей предпочитают доставку в течение двух-трех дней

Согласно ежегодному отчету Shippo о состоянии доставки, наиболее популярное окно доставки для онлайн-покупателей составляет два-три дня — его предпочитают 46,2% потребителей и 40,7% продавцов. Кроме того, 15,1% потребителей хотят доставить товар в тот же день или на следующий день.Возможно, удивительно, что 34% продавцов сообщили, что не предоставляют потребителям возможности выбора времени доставки.

16. Только 19,4% покупателей не заботятся о стоимости доставки

По данным Shippo, 40,5% потребителей предпочитают магазины, предлагающие бесплатную доставку. Из опрошенных 24,9% будут покупать только в Интернете с бесплатной доставкой, а 15,2% выберут другой магазин, который предлагает бесплатную доставку. Только 19,4% опрошенных покупателей заявили, что их совсем не заботит стоимость доставки.

Несмотря на ценность бесплатной доставки для многих потребителей, только 33% продавцов всегда предлагают бесплатные покупки. Это число увеличивается, если вы включаете тех, кто время от времени предлагает бесплатную доставку или предлагает ее более чем в половине случаев.

17. Многие (41,2%) интернет-покупатели больше всего заботятся о бесплатной доставке при возврате

Потребители в США говорят, что они редко (65%) или никогда (26%) не возвращают онлайн-покупки. Тем не менее, 41,2% онлайн-покупателей в США говорят, что бесплатная доставка является наиболее важным фактором при возврате покупки.Напротив, 28,1% покупателей больше всего заботятся о простоте оформления возврата; 19,6% вообще не заботятся о возвратах.

Отгрузка и отгрузка:

  • Если посещаемость низкая или ваш розничный магазин закрыт, рассмотрите возможность использования его в качестве складского помещения. Внедряйте новые процессы, такие как самовывоз у обочины, местная доставка или BOPIS, чтобы стимулировать рост продаж.
  • Совершайте покупки у разных перевозчиков, чтобы найти наиболее экономичный вариант для вас.Не забудьте сбалансировать бюджет и время доставки. Вы также можете рассмотреть возможность предоставления клиенту возможности выбора из различных вариантов доставки.

Оставление корзины

18. Почти 70% тележек онлайн-покупок брошены

Для небольших интернет-магазинов может потребоваться много рекламы, чтобы привлечь новых клиентов на ваш веб-сайт. Однако привлечение покупателей на ваш сайт — это лишь небольшой шаг к превращению их в платежеспособных клиентов. Вам нужно, чтобы они добавили ваши продукты в свою корзину и завершили процесс оформления заказа.Но в среднем более 69% всех тележек для покупок в Интернете заброшены.

19. Для писем о брошенных корзинах коэффициент конверсии составляет 18%.

Электронные письма о брошенной корзине

легко настроить и автоматизировать, и это может быть простой возможностью заключить сделку. Согласно одному исследованию, проведенному Barilliance, в среднем коэффициент конверсии писем о брошенных корзинах составляет 18,54%. Эти электронные письма также имеют средний рейтинг кликов в 15,11% на 2020 год, что выше, чем средний рейтинг кликов в 8,1% электронных писем с вершиной воронки.

Брошенная корзина на вынос:

  • Не забудьте настроить оформление заказа при создании интернет-магазина. Создайте как можно меньше шагов, чтобы покупателям было проще совершить покупку.
  • Включите автоматические электронные письма о брошенных корзинах в свою стратегию. После того, как вы его настроите, электронное письмо будет автоматически отправляться без ручного запуска последующей кампании каждый раз. Это один из самых простых и пассивных способов увеличения продаж в Интернете.
  • См. Наше полное руководство по статистике оставления корзины покупок для получения дополнительной информации о том, как снизить уровень отказа.

Как люди делают покупки в Интернете

20. Около половины молодых потребителей склонны покупать в Интернете

Из миллионов американцев, делавших покупки в Интернете в 2018 году, 49% людей в возрасте от 18 до 24 лет сделали импульсивную покупку. Фактически, молодые потребители совершают гораздо больше незапланированных покупок, чем средний покупатель — только 35% из тех, кто в возрасте 65 лет и старше, совершают импульсивные покупки в Интернете.

21. Онлайн-продажи одежды и обуви увеличились на 27,2% в 2020 году

Общеизвестно, что одежда и обувь являются одними из самых популярных товаров для покупки в Интернете. Что еще более впечатляет, так это рост покупок онлайн-одежды и обуви в 2020 году. Исследование, проведенное Coresight Research, показывает, что продажи выросли на 27,2% в 2020 году, достигнув 121,5 миллиарда долларов в онлайн-продажах одежды и обуви. Ритейлеры, которые не успевают за тенденциями онлайн-покупок, испытывают наибольшие трудности.

22. Пьяные американцы потратили более 21 миллиарда долларов в Интернете в 2020 году

Согласно опросу Finder’s Drunk Shopping, проведенному в сентябре 2020 года, 21,4% американцев сообщают о покупках в состоянии алкогольного опьянения. В 2020 году средний потребитель в США потратил 768,58 долларов на онлайн-покупки после употребления алкоголя, а пьяные американцы тратят 30 миллиардов долларов в год в Интернете.

Выводы о том, что люди покупают в Интернете:

  • Всегда не забывайте адаптировать онлайн-опыт к вашему конкретному продукту или предложению.Тем, кто покупает футболку с графическим рисунком, вероятно, нужно меньше фотографий и спецификаций продукта, чем тем, кто ищет новый горный велосипед.
  • Учитывайте контекст при продвижении своих продуктов в Интернете. Что происходит в жизни ваших клиентов и в мире вокруг них, и как это влияет на их покупательские потребности? Чем больше вы сможете предугадывать потребности своих клиентов, тем лучше. Вы можете интегрировать свою POS-систему со своим сайтом электронной торговли и использовать отчеты прогнозной аналитики для прогнозирования возможностей и спроса.

Торговые привычки на Amazon

23. Почти половина (47%) всех онлайн-покупателей начинают с Amazon

.

Интернет-покупатели чаще обращаются к Amazon, чем к Google. При желании приобрести товар в Интернете 47% онлайн-покупателей сразу же обращаются к Amazon, тогда как 24% покупателей начинают с поиска в Google. Около 14% покупателей начинают где-то еще, например, в конкретном интернет-магазине, таком как Target или Walmart.

24. Большинство (89%) покупателей с большей вероятностью совершат покупку на Amazon, чем где-либо еще

Мало того, что около половины потребителей посещают Amazon хотя бы несколько раз в неделю, покупатели также чрезвычайно лояльны к платформе.Опрос 2019 года показал, что 89% респондентов с большей вероятностью купят продукты у Amazon, чем у другого поставщика электронной коммерции. Более того, почти четверть потребителей совершают покупки на Amazon каждые несколько недель, а 5% совершают покупки на Amazon ежедневно или почти каждый день.

25. Большинство интернет-пользователей делают покупки на Amazon из-за быстрой бесплатной доставки

Потребители сообщают о ряде причин, по которым они совершают покупки на Amazon при совершении покупок в Интернете. Однако наиболее поразительным является то, что 79,8% интернет-пользователей делают покупки на Amazon из-за быстрой и бесплатной доставки.Точно так же 68,9% выбирают Amazon из-за широкого выбора платформы; 65,7% покупателей выбирают Amazon, потому что они являются членами Prime.

Амазонка, привычка делать покупки на вынос:

  • Хотя Amazon может и не быть основной частью вашей стратегии, это полезный инструмент для стимулирования продаж в Интернете и повышения узнаваемости бренда / продукта. У Amazon уже есть узнаваемость и доверие к бренду, поэтому покупатели, которые не знакомы с вашим брендом, с большей вероятностью будут доверять покупке через Amazon, чем напрямую от вас.
  • Подумайте о продаже только нескольких избранных продуктов на Amazon, а остальные оставьте эксклюзивными для вашего магазина и веб-сайта. Включите дополнительные преимущества для покупок напрямую, такие как реферальные коды, вознаграждения клиентов и скидки.

Влияние пандемии COVID-19 на электронную торговлю

26. В 2020 году мировой доход от электронной торговли вырос на 10%

Из-за воздействия пандемии COVID-19 на покупки в магазинах доходы от глобальной электронной торговли выросли на 10% в 2020 году. Ожидается, что этот впечатляющий рост продолжится в 2021 году, при этом выручка от глобальной электронной торговли достигнет примерно 2 долларов США.7 трлн.

27. Во время пандемии COVID-19 продажи продуктов в Интернете резко выросли

Онлайн-заказ продуктов был изобретен 30 лет назад вместе с Peapod, но в 2019 году только 3,4% всех продаж продуктов приходилось на онлайн. Однако это число резко выросло в ответ на пандемию COVID-19. Поскольку покупатели все больше опасаются личного посещения продуктовых магазинов, процент онлайн-продаж продуктов питания увеличился до 10,2% в 2020 году. Ожидается, что этот процент будет продолжать расти и, по прогнозам, достигнет более 21% в 2025 году.

28. Более половины (52%) потребителей сообщили, что избегают розничных магазинов из-за пандемии COVID-19

Более половины потребителей предприняли шаги, чтобы избежать обычных магазинов из-за пандемии коронавируса. Фактически, более трети покупателей разделяли намерение полностью избегать розничных магазинов, пока не будет разработана вакцина.

29. Почти все покупатели (91%) заявили, что вернутся в магазины, когда вакцина станет доступной

По состоянию на начало 2021 года 23% потребителей в США заявили, что не будут делать покупки в закрытом торговом центре, пока не получат вакцину от COVID-19.Воспринимаемый риск снижается для таких действий, как поход в торговый центр, входящий извне (13% заявили, что они подождут), поход в отдельный розничный магазин (4%) и поход в продуктовый магазин (4%). Другое исследование показало, что 91% потребителей сообщили, что после вакцинации им комфортно совершать покупки в магазине.

Выводы о влиянии пандемии COVID-19 на покупки в Интернете:

  • Хотя пандемия коронавируса нанесла серьезный ущерб розничной торговле, она также открыла новые возможности для обычных магазинов и сайтов электронной коммерции.
  • Одно из преимуществ малого бизнеса состоит в том, что вы более ловкие, чем розничные продавцы с большими коробками. Вы можете быстрее адаптироваться к новым тенденциям, рекомендациям, ограничениям и поведению клиентов.
  • Теперь, когда доступна вакцина от COVID-19, популярность покупок в магазинах может возрасти — по крайней мере, в краткосрочной перспективе.

Будущее интернет-магазинов

30. Покупки в социальных сетях становятся все более распространенными

Молодое поколение уже делает онлайн-покупки через социальные сети, и похоже, что эта тенденция сохранится.Согласно исследованию eMarketer, опубликованному в 2020 году, количество социальных покупателей в США, как ожидается, увеличится с 53,3 миллиона в 2018 году до 94,3 миллиона в 2022 году — более чем на 75% всего за несколько лет.

31. В 2025 году выручка от розничной торговли через Интернет превысит 550 миллиардов долларов

В период с 2017 по 2019 год выручка от розничной электронной торговли в США увеличилась с почти 286 миллиардов долларов до чуть более 360 миллиардов долларов. И хотя в 2020 году произошел огромный скачок до 431,6 миллиарда долларов — в основном из-за пандемии COVID-19, — эти цифры будут продолжать расти в 2025 году.Ожидается, что выручка от розничной торговли через Интернет превысит 500 миллиардов долларов в 2022 году и достигнет более 560 миллиардов долларов в 2025 году.

32. Ожидается, что в 2021 году почти 26 миллионов потребителей в США будут делать покупки с помощью умных динамиков

По состоянию на 2018 год около 28% домохозяйств в США имели хотя бы один умный динамик. В том же году количество интернет-пользователей, совершивших покупки с помощью умных динамиков, достигло 15,9 миллиона. Ожидается, что в 2021 году количество покупателей, совершающих покупки через умную колонку, достигнет 26 миллионов.

Чтобы охватить эту демографическую группу, компании вкладывают средства в голосовой маркетинг. В 2019 году 35% малых и средних предприятий США сообщили об увеличении своего маркетингового бюджета для инвестиций в голосовой маркетинг.

33. Тенденции местных покупок сохраняются, поскольку потребители покупают на сайтах малого бизнеса 70%

Intuit опросила 1500 потребителей и обнаружила, что 70% поддерживают местный бизнес, совершая покупки только в Интернете или одновременно в Интернете и в магазине. Многие покупатели (57%) покупают местные товары, чтобы сохранить деньги в своих местных сообществах, в то время как некоторым другим нравится поддерживать местных авторов (38%) и местные некоммерческие организации (19%).Некоторые потребители также выбирают товары малого бизнеса для лучшего обслуживания клиентов (28%).

Выводы о будущем покупок в Интернете:

  • Если у вас еще нет сильного присутствия в социальных сетях, возможно, пришло время, особенно если ваш бизнес ориентирован на миллениалов и поколение Z.
  • Интернет-магазины, возможно, пережили всплеск из-за пандемии COVID-19, но они никуда не денутся.

Статистика онлайн-покупок по отраслям

В то время как покупки модной одежды в Интернете приносят больше доходов, чем в любой другой отрасли, покупки продуктов питания и предметов личной гигиены растут более быстрыми темпами.В целом, достижения в технологии персонализации (включая 3D-печать и дополненную / виртуальную реальность) и повышение скорости процессов заказа, производства, распределения и выполнения помогают стимулировать рост онлайн-покупок во всех отраслях.

Итог

Статистика онлайн-покупок показывает, что присутствие в цифровом формате критически важно для предприятий розничной торговли. Это больше, чем просто место для продажи ваших продуктов — потребители также используют розничные веб-сайты и социальные сети, чтобы находить продукты, читать отзывы и сравнивать цены, прежде чем совершать покупку в Интернете или офлайн.

Чтобы узнать больше о том, как клиенты любят покупать и что нужно, чтобы превратить пассивный браузер в активного клиента, прочтите наш полный отчет о тенденциях платежной индустрии для малого бизнеса.

Вам также может понравиться…

веб-сайтов — Интернет-маркетолог ищет значимых краткосрочных отношений — только серьезные запросы (часть 2): статья

MarketingProfs

Ловкость на примере (продолжение)

Алгоритм cc работает, вычисляя шансы того, что данная единица будет отображена, как мера частоты ее прошлого успеха, деленная на сумму частот успеха для всех кандидатов — частоту частот для нормализации значений производительности независимо от того, как с данным кандидатом произошло много разоблачений.Он пытается определить частоту отображения любого заданного сообщения кандидата a следующим образом:

частота отображения a = (ƒ a * w a ) 5 / ∑ i = 1 ,…, n (ƒ i * w i ) 5

где:

a = данный кандидат в наборе всех кандидатов
ƒ x = отношение оценок успеха к показателям для кандидата x
w x = весовой балл кандидата x
n = количество всех кандидатов

После того, как частота отображения рассчитана для всех кандидатов, эти частоты объединяются для создания совокупного набора частот, который можно использовать для дифференциального выбора будущих кандидатов на основе их прошлой производительности, используя случайное десятичное значение от 0 до 1.

В приведенной выше формуле есть два компонента, которые заслуживают особого упоминания — использование весового параметра w и взятие взвешенных частотных оценок в степени 5.

Весовой параметр

Использование весового параметра позволяет алгоритму cc оценивать кандидатов по-разному, так что если успех с выполнением a оценивается маркетологом вдвое больше, чем успех с выполнением b, , то выполнение b должно выполняться дважды. а также выполнение и , чтобы иметь ту же частоту отображения.Это позволяет формуле оптимизировать для общей ценности (реальной или предполагаемой), а не только для простого успеха ответа.

Взвешенное значение для каждого кандидата по умолчанию равно 1, но может быть установлено на любое рациональное положительное значение, чтобы изменить поведение алгоритма.

Сила 5

Использование степени 5 в алгоритме c-c, разработанном как средство повышения агрессивности этого алгоритма при поиске оптимального состояния усиления. Это конкретное значение мощности было установлено после исчерпывающего изучения эффектов различных настроек с использованием серии симуляций Монте-Карло, созданных в виде сценариев в статистической среде SPSS (Статистический пакет для социальных наук).

Моделирование

Монте-Карло было впервые разработано в рамках проекта Манхэттена по созданию первой атомной бомбы и остается одной из наиболее часто используемых методологий моделирования. Это позволяет симулятору исследовать вероятность в сложных моделях, учитывая влияние стохастического поведения. Процесс моделирования работает путем создания обширных пробных прогонов с использованием случайных чисел и набора предопределенных правил, а затем получения статистической информации из анализа совокупных результатов.

Для каждого прогона моделирования алгоритма c-c был создан набор из 2-10 гипотетических кандидатов для обмена сообщениями с заранее определенной частотой успеха для каждого кандидата. Эти успешные частоты были использованы для запуска моделирования из 10 000 экспозиций, которые постоянно оптимизировались алгоритмом.

Все кандидаты начали с равной вероятностью выставления. По мере продвижения симуляции смоделированные успехи и неудачи кандидата изменяли свою частоту отображения с помощью формулы c-c, что, в свою очередь, изменяло общий выигрыш для этого прогона симуляции.

Результирующая производительность (количество успешных попыток на одну экспозицию) для прогонов затем сравнивалась со средней производительностью, полученной при случайном выборе кандидатов, использующих те же частоты успешных попыток за 10 000 экспозиций. Этот процесс повторялся несколько тысяч раз с использованием различных наборов кандидатов и настроек мощности для создания надежного набора данных для анализа.

Конечным результатом моделирования была стабилизация эффективности поиска формулы, начиная со степени 5.В формуле можно использовать более высокую степень, но это было сочтено ненужным и не показало значительного увеличения эффективности на основе работы моделирования. При степени 5 создается достаточное разделение между кандидатами даже при незначительных различиях в производительности, чтобы гарантировать оптимальную агрессивность.

Моделирование также дало некоторые другие важные идеи относительно использования алгоритма. Самым важным из них было то, что модель усиления работала лучше всего, когда было по крайней мере три кандидата, в то время как использование 5-7 кандидатов дало наиболее прибыльные результаты.

Безупречный

Используя алгоритм c-c, можно легко найти чемпионов по обмену сообщениями, определив кандидатов с наибольшей частотой отображения. Не-чемпионы могут быть удалены по усмотрению маркетолога, в то время как новые кандидаты могут быть затем помещены в модель в любое время, используя начальные значения для инициализации их начальной частоты отображения.

Техническая инфраструктура для поддержки этого алгоритма на веб-сайте относительно проста в создании и должна состоять из структур кода для выполнения следующих задач:

  • Выбирать кандидатов для отображения на основе их вычисленных частот отображения.
  • Отслеживайте успешные результаты взаимодействия кандидата с потребителем.
  • Управлять моделью данных, лежащей в основе алгоритма, который может включать код для поддержания устойчивости и изменения поведения модели.

Технология использования этого алгоритма по большей части зависит от маркетолога. Я предпочитаю работать с технологиями Java J2EE, но можно использовать сервер приложений Microsoft.Net, Cold Fusion или PHP, чтобы воплотить эту работу в жизнь на веб-сайте бренда.

Пользовательский поток для веб-сайта с включенным алгоритмом c-c будет выглядеть следующим образом.

Пользователь сначала запросит динамически создаваемую страницу, которая будет иметь блок призыва к действию или выноску в HTML-макете. Сервер приложений при создании этого представления страницы запросит размещение кандидата сообщения в слоте выноски из компонента выбора в приложении. Этот компонент выбора работает, генерируя случайное десятичное значение от 0 до 1, которое он сопоставляет с моделью совокупной частоты отображения для всех потенциальных кандидатов на обмен сообщениями для этого выноски.

Частотная модель такова, что исторически успешные кандидаты будут иметь более высокую вероятность выбора, чем менее эффективные кандидаты на основе алгоритма c-c. В то же время, когда компонент выбора передает выбранного кандидата обратно составителю страницы, он регистрирует воздействие этого кандидата в модель данных, которая будет использоваться для будущей оптимизации производительности.

После того, как данный кандидат будет представлен пользователю (т.е. просмотрен им), приложение начнет цикл отслеживания, ожидая, пока пользователь инициирует заранее определенное успешное событие.Характер этого отслеживания будет варьироваться в зависимости от того, как событие успеха определяется в приложениях. Это два примера:

  • Если событие перехода по клику является событием успеха, то успех можно отследить, создав страницу перенаправления, которая будет записывать успех для данного кандидата при переходе по клику из выноски. После регистрации события страница перенаправит пользователя на желаемое место назначения страницы. Так работают многие рекламные сервисы.
  • Если покупка продукта является успешной, то демонстрация кандидата потребителю приведет в действие механизм отслеживания в рамках сеанса, который зафиксирует успех, если и когда пользователь купит указанный продукт.

Модель естественно пессимистична и предполагает сбой кандидата на обмен сообщениями, пока не будет сказано иное. Это позволяет модели работать в асинхронной среде, где уязвимости и успехи разделены во времени, а сбои часто измеряются как отсутствие успешного поведения. Такой пессимизм хорошо работает в Интернете, поскольку не требует громоздких инструментов отслеживания, чтобы ждать, пока истечет время сеанса, для регистрации неудачного события.

По мере того, как компонент отслеживания собирает новые данные отслеживания поведения (воздействия и успехи), он обновляет модель данных, лежащую в основе алгоритма c-c, чтобы компонент выбора мог оптимизировать будущую производительность обмена сообщениями.Это обновление может происходить с каждым отслеживаемым событием или кэшироваться для периодических обновлений. При каждом обновлении модель будет использовать массив значений для воздействий и успехов для создания новых оценок частоты отображения для кандидатов, каждый раз применяя алгоритм c-c.

Для повышения эффективности рекомендуется управлять этими массивами данных как серией совокупных оценок для каждого кандидата, а не регистрировать каждую транзакцию и агрегировать эти данные с каждым событием обновления. Единственная веская причина для сохранения транзакционных данных в необработанном виде состоит в том, что маркетолог может захотеть включить импульсное поведение в модели, где может быть сохранен прошлый набор из n транзакций, чтобы позволить придать больший вес более недавним или отдаленным транзакциям.

В сегментированном маркетинговом контексте отдельные модели могут быть настроены для каждого потребительского сегмента, просматривающего данный просмотр страницы, так что для каждого сегмента может быть создана индивидуальная модель выгоды; это должно обеспечить улучшение результатов, если ожидается, что разные группы населения будут по-разному реагировать на различных кандидатов для обмена сообщениями.

Завершение

Отступая от детальных деталей оптимизации обмена сообщениями веб-сайта, важно помнить, чего мы надеемся достичь с его помощью.Также важно не забывать о его ограничениях.

Одна проблема с автоматизацией заключается в том, что она незаметна и неуместна. Когда он установлен, о нем легко забыть. Ключ к оптимизации обмена сообщениями — не расслабляться. Важно время от времени пересматривать не только кандидатов, но и всю стратегию оптимизации, чтобы убедиться, что она по-прежнему приносит прибыль. Пусть автоматизация станет способом делать больше с меньшими затратами, но не позволяйте ей стать предлогом для потери прилежания.

Я бы также рекомендовал, чтобы маркетолог был открыт для различных алгоритмов оптимизации, прежде чем останавливаться на одном. Алгоритм c-c является надежным, но он не включает в себя решение всех проблем обмена сообщениями. (Например, алгоритм cc оптимизирует поведение только для одной выноски, но не решает вопрос о том, как различные выноски на одной странице могут быть оптимизированы вместе, чтобы обеспечить оптимальный общий выигрыш для общего просмотра страницы. Я думал, что генетические алгоритмы могут лучше подходить для этого типа высокоуровневой оптимизации.)

При хорошем планировании и старании можно решить вопрос о том, что делать с краткосрочными посетителями с выгодой. Хотя детали этого процесса временами могут показаться ошеломляющими, магия этого подхода заключается в его простоте после того, как он реализован, что дает маркетологу возможность начать обдумывать, что делать дальше со своими посетителями.

Обучение на основе запросов и электронное обучение: как обслуживать людей с высокими и низкими успеваемостями | Интеллектуальная среда обучения

  • Альбертс, Б.(2009). Новое определение естественнонаучного образования. Наука , 323 , 427. https://doi.org/10.1126/science.1170933.

    Артикул

    Google Scholar

  • Андерсон Р. Д. (2002). Реформирование преподавания естественных наук: что исследования говорят о расследовании. Journal of Science Teacher Education , 13 (1), 1–12. https://doi.org/10.1023/A:1015171124982.

    Артикул

    Google Scholar

  • Барроу, Л.Х. (2006). Краткая история расследования: от Дьюи к стандартам. Journal of Science Teacher Education , 17 , 265–278. https://doi.org/10.1007/s10972-006-9008-5.

    Артикул

    Google Scholar

  • Bereiter, C. (2002). Образование и ум в возрасте знаний . Махва: Erlbaum Associates.

  • Берг, К. А., Бергендаль, В. Б., Лундберг, Б. К. С., и Тибелл, Л. Е. (2003).Вы получаете выгоду от открытого эксперимента? Сравнение отношения и результатов разъяснительной и открытой версии одного и того же эксперимента. Международный журнал естественнонаучного образования. , 25 (3), 351–372.

    Артикул

    Google Scholar

  • Блюменфельд, П., Солоуэй, Э., Маркс, Р., Крайчик, Дж., Гуздиал, М., и Палинскар, А. (1991). Мотивация к обучению на основе проектов: поддержка деятельности, поддержка обучения. Психолог-педагог , 26 , 369–398.

    Артикул

    Google Scholar

  • Брейнер, Дж. М., Харкнесс, С. С., Джонсон, К. К., и Келер, К. М. (2012). Что такое STEM? Обсуждение концепций STEM в образовании и партнерстве. Школа естественных наук и математики , 112 (1), 3–11.

    Артикул

    Google Scholar

  • Беррис, Дж.(2012). Это учитель. Наука , 335 , 146. https://doi.org/10.1126/science.1218159.

    Артикул

    Google Scholar

  • Биби Р. (ред.) (2002). Изучение науки и наука об обучении . Арлингтон: NSTA Press. https://doi.org/10.2505/9780873552080.

    Книга

    Google Scholar

  • Чу, К. В. С. (2009). Запросите проектное обучение с участием трех типов учителей и школьного библиотекаря. Журнал Американского общества информационных наук и технологий , 60 (8), 1671–1686.

    Артикул

    Google Scholar

  • Койро Дж., Кастек Дж. И Куинн Д. Дж. (2016). Личный запрос и онлайн-исследование: объединение учащихся такими важными способами. Учитель чтения , 69 (5), 483–492. https://doi.org/10.1002/trtr.1450.

    Артикул

    Google Scholar

  • Купер, М., И Феррейра, Дж. М. М. (2009). Удаленные лаборатории, расширяющие доступ к учебным программам по естествознанию и инженерии. Транзакции IEEE по обучающим технологиям , 2 , 342–353.

    Артикул

    Google Scholar

  • Дэвид Дж. (2008). Что говорят исследования о проектном обучении. Лидерство в образовании , 65 , 80–82.

    Google Scholar

  • Дьюи, Дж.(1997). Как мы думаем . Бостон: D. C. Heath & Co.

    Google Scholar

  • Донован С. и Брансфорд Дж. (Ред.) (2005). Как учатся студенты: наука в классе . Вашингтон, округ Колумбия: National Acad. Нажмите. https://doi.org/10.17226/11102.

    Книга

    Google Scholar

  • Драйвер, Р., Сквайрс, А., Рашворт, П., и Вуд-Робинсон, В.(1994). Осмысление вторичных наук. Исследование детских идей . Нью-Йорк: Рутледж. https://doi.org/10.1187/cbe.05-02-0068.

    Книга

    Google Scholar

  • Европейская комиссия (2015). Научное образование для ответственной гражданственности, Генеральный директорат исследований и инноваций Наука с обществом и для общества . Брюссель: ISBN 978–92–79-43637-6.

  • Фалик, О., Эйлон, Б., & Розенфельд, С. (2008). Мотивация учителей к применению PBL со свободным выбором в науке и технологиях (PBLSAT): эффекты модели профессионального развития. Журнал педагогического образования естественных наук. , 19 , 565–591. https://doi.org/10.1007/s10972-008-9113-8.

    Артикул

    Google Scholar

  • Franke, G., & Bogner, F. X. (2011). Концептуальные изменения в обучении студентов молекулярной биологии: склонность к ветряным мельницам? Журнал исследований в области образования , 104 (1), 7–18.

    Артикул

    Google Scholar

  • Фремери К. и Богнер Ф. X. (2015). Изучение питьевой воды: насколько важны три аспекта знаний, которые могут изменить индивидуальное поведение? Образовательные науки , 4 (4), 213–228. https://doi.org/10.3390/educsci4040213.

    Артикул

    Google Scholar

  • Гиалури, Э., Узуноглу, М., Гаргалакос, М., Сотириу, С., и Богнер, Ф. X. (2011). Преподавание естественных наук в лаборатории завтрашнего дня. ASL (Письма о продвинутой науке) , 4 , 3317–3323.

    Google Scholar

  • Гольдшмидт, М., и Богнер, Ф. X. (2016). Изучение генной инженерии в аутрич-лаборатории: влияние мотивации и пола на когнитивные достижения учащихся. Международный журнал естественнонаучного образования, часть B , 6 (2), 166–187.https://doi.org/10.1080/21548455.2015.1031293.

    Артикул

    Google Scholar

  • Гольдшмидт, М., Шарфенберг, Ф.-Й., и Богнер, Ф. X. (2016). Учебная эффективность различных подходов к обсуждению в аутрич-лаборатории: ориентировано на учителя или ориентировано на ученика. Журнал исследований в области образования , 109 (1), 27–36. https://doi.org/10.1080/00220671.2014.917601.

    Артикул

    Google Scholar

  • Гордин, Д.Н., Полман Дж. Л. и Пи Р. Д. (1994). Визуализатор климата: осмысление через научную визуализацию. Журнал естественно-научного образования и технологий , 3 , 203–226.

    Артикул

    Google Scholar

  • Guàrdia, L., Crisp, G., & Alsina, I. (2017). Тенденции и проблемы электронного оценивания для улучшения обучения студентов высших учебных заведений . Испания: УПЦ. https://doi.org/10.4018/978-1-5225-0531-0.ch003.

    Книга

    Google Scholar

  • Хямяляйнен, Р., & Каттанео, А. (2015). Новые среды TEL для профессионального образования — педагогическая перспектива. Профессии и обучение , 8 , 135–157. https://doi.org/10.1007/s12186-015-9128-1.

    Артикул

    Google Scholar

  • Харлен У. (2010). Принципы и идеи естественнонаучного образования .Хэтфилд: Ассоциация естественнонаучного образования.

    Google Scholar

  • Харлен У. (2013). Научное образование на основе оценок и запросов: вопросы политики и практики . Италия: Программа научного образования (SEP) Глобальной сети академий наук (IAP) .Wynne. Харлен. Оценка.

    Google Scholar

  • Хэтти, Дж. (2009). Видимое обучение .Лондон: Рутледж.

    Google Scholar

  • Келли Р., Леш А. и Бэк Дж. Ю. (2008). Справочник по методам исследования дизайна в образовании: инновации в науке, технологиях, инженерии и обучении и преподавании математики , (стр. 219–245). Лондон: Рутледж.

  • Кесельман, А. (2003). Поддержка исследовательского обучения путем содействия нормативному пониманию многомерной причинности. Журнал исследований в области преподавания естественных наук , 40 , 898–921.https://doi.org/10.1002/tea.10115.

    Артикул

    Google Scholar

  • Кун, Д. (2005). Воспитание мышления . Кембридж: Издательство Гарвардского университета.

    Google Scholar

  • Langheinrich, J., & Bogner, F. X. (2016). Компьютерная самооценка: влияние на когнитивные достижения. Исследования по оценке образования , 50 , 46–52.https://doi.org/10.1016/j.stueduc.

    Артикул

    Google Scholar

  • Леш Р. и Завоевски Дж. С. (2007). Решение проблем и моделирование. В F. Lester (Ed.), Второй справочник исследований по преподаванию и изучению математики , (стр. 763–804). Шарлотта: Инф. Age Publ.

    Google Scholar

  • Либерман А. (1992). Смысл научной деятельности и построения сообщества. Исследователь в области образования , 21 (6), 5–12.

    Артикул

    Google Scholar

  • Линн, М. К. (2000). Проектирование среды интеграции знаний. Международный журнал естественнонаучного образования , 22 (8), 781–796.

    Артикул

    Google Scholar

  • Линн, М. К., Джерард, Л., Риу, К., МакЭлхейни, К., Лю, О. Л., и Рафферти, А.Н. (2014). Компьютерный запрос для улучшения научного обучения. Наука , 344 (6180), 155–156.

    Артикул

    Google Scholar

  • Март, М., и Богнер, Ф. X. (2017). Приносит ли проблема бионики в модуле, ориентированном на студентов, долгосрочные знания. Исследования по оценке образования , 55 , 117–124.

    Артикул

    Google Scholar

  • Мейснер, Б., И Богнер Ф. X. (2012). Преподавание естественных наук на основе теории когнитивной нагрузки: заинтересованные студенты, но с когнитивными недостатками. Исследования по оценке образования , 38 , 127–134. https://doi.org/10.1016/j.stueduc.2012.10.002.

    Артикул

    Google Scholar

  • Mierdel, J., & Bogner, F. X. (2019). Исследования моделистов и наблюдателей моделей в внешкольной лаборатории генных технологий, Research in Science Education (опубликовано в Интернете).http://link.springer.com/article/10.1007/s11165-019-09871-3.

  • Миннер Д. Д., Леви А. Дж. И В. Дж. (2010). Инструктаж по науке, основанный на запросах — что это такое и какое значение имеет? Результаты синтеза исследований 1984–2002 гг. Журнал исследований в области преподавания естественных наук , 47 (4), 474–496. https://doi.org/10.1002/tea.20347.

    Артикул

    Google Scholar

  • Моран, М. Дж. (2007).Совместные исследования действий и проектная работа: многообещающие методы развития совместных исследований среди учителей дошкольного образования. Педагогическое и педагогическое образование , 23 , 418–431.

    Артикул

    Google Scholar

  • ОЭСР (2006 г.). Подумайте о сценариях, переосмыслите образование 904 18. Нью-Йорк. ISBN: 926402364X.

  • ОЭСР (2014). Результаты PISA 2012: творческое решение проблем (Том V): навыки учащихся в решении реальных жизненных проблем .Париж: Издательство ОЭСР. https://doi.org/10.1787/9789264208070-en.

    Книга

    Google Scholar

  • Эрке Б. и Богнер Ф. X. (2010). Пол, возраст и предмет: влияние на экологические ценности учителей. Эколог , 30 (2), 111–122.

    Артикул

    Google Scholar

  • Осборн Дж. И Диллон Дж. (2008). Научное образование в Европе: критические размышления .Лондон: Фонд Наффилда.

  • Пилкингтон Р. М. (2004). Развитие дискуссии для обучения. Журнал компьютерного обучения , 20 , 161–164. https://doi.org/10.1111/j.1365-2729.2004.00080.x.

    Артикул

    Google Scholar

  • PISA (2015). Результаты в фокусе . Париж: ОЭСР.

    Google Scholar

  • Рэндлер, К., И Богнер Ф. X. (2009). Эффективность двух различных методов обучения со сложным экологическим содержанием. Международный журнал естественно-математического образования , 7 (2), 315–337. https://doi.org/10.1007/s10763-007-9117-4.

    Артикул

    Google Scholar

  • Рокард, М., Чермели, П., Йорде, Д., Ленцен, Д., и Вальберг-Хенрикссон, Х. (2007). Научное образование сейчас: обновленная педагогика для будущего Европы .Брюссель: Европейская комиссия.

    Google Scholar

  • Раст, Ф. и Майер, Э. (2006). Яркая сторона: исследования учителей в контексте реформы образования и разработки политики. Учителя и преподаватели: теория и практика , 12 (1), 69–86.

    Артикул

    Google Scholar

  • Schaal, S., & Bogner, F. X. (2005). Зрительное восприятие человека — обучение на рабочих станциях. Журнал биологического образования , 40 (1), 32–37. https://doi.org/10.1080/00219266.2005.9656006.

    Артикул

    Google Scholar

  • Шарфенберг, Ф.-Дж., и Богнер, Ф. X. (2010). Учебная эффективность изменения познавательной нагрузки во внешкольной лаборатории. Международный журнал естественнонаучного образования , 32 (6), 829–844. https://doi.org/10.1080/095006908862.

    Артикул

    Google Scholar

  • Шарфенберг, Ф.-J., И Богнер, Ф. X. (2011). Новый двухэтапный подход к практическому обучению генной технологии: влияние на деятельность учащихся во время экспериментов в лаборатории генных технологий. Исследования в области естественнонаучного образования , 41 (4), 505–523. https://doi.org/10.1007/s11165-010-9177-2.

    Артикул

    Google Scholar

  • Шарфенберг, Ф.-Дж., и Богнер, Ф. Х. ( 2013a ). Учебная эффективность репетиторства в аутрич-лаборатории генных технологий. Исследования в области естественно-научного образования , 43 (3), 1267–1288. https://doi.org/10.1007/s11165-012-9309-y.

    Артикул

    Google Scholar

  • Шарфенберг, Ф.-Дж., и Богнер, Ф. X. (2013b). Обучение генным технологиям в аутрич-лаборатории: присвоенные студентам кластеры когнитивной нагрузки и взаимосвязь кластеров с характеристиками учащегося, лабораторными переменными и когнитивными достижениями. Исследования в области естественнонаучного образования , 43 (1), 141–161.https://doi.org/10.1007/s11165-011-9251-4.

    Артикул

    Google Scholar

  • Шарфенберг, Ф.-Й., и Богнер, Ф. X. (2016). Новый подход с изменением ролей в педагогическом образовании до начала работы для развития знаний педагогического содержания в контексте студенческой аутрич-лаборатории. Исследования в области естественнонаучного образования , 46 (5), 743–766. https://doi.org/10.1007/s11165-015-9478-6.

    Артикул

    Google Scholar

  • Шмид, С., И Богнер Ф. X. (2015). Влияние оценок усилий студентов в структурированном опросном блоке на способность к долгосрочному запоминанию знаний о содержании. Education Research International , (ID статьи 826734. https://doi.org/10.1155/2015/826734.

  • Schwab, JJ (1960). Запрос, учитель естественных наук и педагог. Учитель естествознания , 36, 6–11.

  • Шамос М. (1995) Миф о научной грамотности . Чикаго: Rutgers Univ.Нажмите.

  • Шульман А., Валькарсель Дж. (2012). Научное знание подавляет, но не объясняет прежние интуиции. Познание , 124 , 209–215. https://doi.org/10.1016/j.cognition.2012.04.005.

    Артикул

    Google Scholar

  • Шульман, Л. (2004). Практическая мудрость: Очерки преподавания, изучения и обучения для преподавания . Сан-Франциско: Джосси-Басс.

    Google Scholar

  • Сотириу, С., И Богнер Ф. X. (2005). Путь к высококачественному преподаванию естественных наук . Паллини: ЭПИНОЯ. Номер ISBN: 960-8339-60-X.

  • Сотириу, С., и Богнер, Ф. X. (2008). Визуализация невидимого: дополненная реальность как инновационная схема научного образования. Advanced Science Letters , 1 (1), 114–122.

    Артикул

    Google Scholar

  • Сотириу, С., и Богнер, Ф. X.(2011). Вдохновляющее изучение естественных наук: проектирование научного класса будущего. Advanced Science Letters , 4 , 3304–3309.

    Артикул

    Google Scholar

  • Сотириу, С., Богнер, Ф. X., и Неофотистос, Г. (2011). Количественный анализ использования научно-образовательного портала COSMOS. Журнал научно-технического образования , 20 , 333–346. https://doi.org/10.1007/s10956-010-9256-1.

    Артикул

    Google Scholar

  • Сотириу, С., Байби, Р., и Богнер, Ф. X. (2017). ПУТИ — Пример широкомасштабного внедрения доказательной практики в научное образование, основанное на исследованиях. Международный журнал высшего образования , 6 (2), 8–17. https://doi.org/10.5430/ijhe.v6n2p8.

    Артикул

    Google Scholar

  • Сотириу, С., Ривиу, К., Черувис, С., Челиоти, Э., и Богнер, Ф. X. (2016). Внедрение масштабных инноваций в школах. Журнал технологий, науки и образования , 25 (4), 541–549. https://doi.org/10.1007/s10956-016-9611-y.

    Артикул

    Google Scholar

  • ТАЛИС (2014). Международный взгляд на преподавание и обучение. Брюссель . Париж: Публикация ОЭСР https://doi.org/10.1787/9789264196261.

  • Таузенд, Дж. С., Вилла, Р. А., и Невин, А. И. (2006). Многоликость совместного планирования и обучения. Теория на практике , 45 , 239–248.

    Артикул

    Google Scholar

  • Траутманн, Н. М. (2013). Гражданская наука: 15 уроков, воплощающих биологию в жизнь, 6–12 . Вашингтон, округ Колумбия: NSTA Press.

  • Валанидес, Н., и Анджели, К. (2008).Распределенное познание в шестом классе: попытка преодолеть альтернативные представления о свете и цвете. Журнал исследований технологий в образовании , 40 , 309–336.

    Артикул

    Google Scholar

  • Wecker, C., Kohnlet, C., & Fischer, F. (2007). Компьютерная грамотность и исследовательское обучение: когда вундеркинды учатся меньше. Журнал компьютерного обучения , 23 , 133–144.

    Артикул

    Google Scholar

  • Уайт, Б. Ю., и Фредериксен, Дж. Р. (1998). Исследование, моделирование и метапознание: сделать науку доступной для всех учащихся. Познание и обучение , 16 , 3–118.

    Артикул

    Google Scholar

  • Вильгельм, Дж., Шеррод, С., и Уолтерс, К. (2008). Среда обучения, основанная на проектах: побуждает учителей действовать в данный момент. Журнал исследований в области образования , 101 , 220–233.

    Артикул

    Google Scholar

  • Вильгельм Дж. Г. и Вильгельм П. Дж. (2010). Пытливые умы учатся читать, писать и думать: доступ ко всем учащимся через вопросы. Журнал средней школы , 5 , 39–46.

    Артикул

    Google Scholar

  • Ву, Х. К., Ли, С.W. Y., Chang, H. Y., & Liang, J. C. (2013). Текущее состояние, возможности и проблемы дополненной реальности в образовании. Компьютеры и образование , 62 , 41–49. https://doi.org/10.1016/j.compedu.2012.10.024.

    Артикул

    Google Scholar

  • Натуралистический онлайн-запрос в исследовании управления проектами: направления исследований

    Основные моменты

    Обзор текущего использования качественных данных в исследованиях управления проектами дается, чтобы подчеркнуть, что мы живем в обществе «интервью».’.

    Обсуждаются преимущества и недостатки использования натуралистических онлайн-запросов.

    Натуралистический онлайн-опрос может дополнить существующие методы исследования в управлении проектами.

    Реферат

    Текущие методологии качественного исследования, используемые для исследовательских проектов, в значительной степени зависят от интервью, несмотря на то, что в эту цифровую эпоху данные создаются на различных носителях. Социальные сети, новостные статьи, профили LinkedIn, группы WhatsApp и т. Д.может оказывать влияние на заинтересованные стороны проекта, как внутренние, так и внешние. В этой статье содержится призыв к использованию натуралистических онлайн-запросов для улучшения нашего понимания управления проектами в эту цифровую эпоху, а также обсуждаются преимущества и потенциальные возможности для будущих исследований. Естественно возникающие онлайн-данные гарантируют, что собранные данные лишены какого-либо влияния со стороны участника и исследователя, а также являются беспрепятственными, более глубокими и проиндексированными в цифровом виде, что делает их хорошим источником ретроспективного или лонгитюдного исследования.Обсуждаются также потенциальные ловушки использования онлайн-натуралистических данных, такие как плохая репрезентативность данных, отсутствие руководящих принципов и прослеживаемость данных. Онлайновый натуралистический запрос может дополнить существующие методы исследования управления проектами, предоставляя возможность для изучения координации и инноваций внутри компании или взаимодействия с заинтересованными сторонами и внешнего имиджа проекта. Таким образом, исследования проекта могут получить выгоду, расширив сферу его применения в сторону анализа повседневных ресурсов, генерируемых при взаимодействии проектов в сети.

    Ключевые слова

    Натуралистическое онлайн-исследование

    Качественное исследование

    Наблюдения

    Методы исследования

    Рекомендуемые статьиЦитирующие статьи (0)

    © 2020 Автор (ы). Опубликовано Elsevier Ltd.

    Рекомендуемые статьи

    Цитирующие статьи

    Социальные, когнитивные и обучающие проблемы

    Обзор онлайн-сообщества по расследованию: проблемы социального, когнитивного и обучающего присутствия

    28.Ньюман, Д. Р., Джонсон, К., Кокрейн, К. и Уэбб, Б. Эксперимент в области группового обучения

    Технология

    : оценка критического мышления на очных и компьютерных семинарах.

    Interpersonal Computing and Technology, 4 (1), 57–74, 1996. Получено 30 марта 2005 г. из

    http://www.helsinki.fi/science/optek/1996/n1/newman.txt.

    29. Воган, Н. и Гаррисон, Д. Р. Создание когнитивного присутствия в смешанном сообществе развития преподавателей

    .Интернет и высшее образование, 8, 1-12, 2005.

    30. Арнольд, Н. и Дукейт, Л. Социальное и познавательное сотрудничество будущих учителей иностранных языков в

    онлайн-среде. Language Learning & Technology, 10 (1), 42-66, 2006. Получено

    14 января 2006 г. с http://llt.msu.edu/vol10num1/pdf/arnoldducate.pdf.

    31. Мерфи, Э. Выявление и измерение плохо структурированной формулировки и решения проблемы в онлайн

    асинхронных обсуждениях.Канадский журнал обучения и технологий, 30 (1), 5-20, 2004b.

    32. Такман, Б. В. и Дженсен, М. К. Повторный обзор этапов развития малых групп. Group and

    Organization Studies, 2, 419-427, 1977.

    33. Pawan, F., Paulus, TM, Yalcin, S. и Chang, C.Онлайн-обучение: модели взаимодействия и

    взаимодействия между ин- услуги учителей. Language Learning & Technology, 7 (3), 119-140, 2003.

    34. Гаррисон, Д. Р. и Кливленд-Иннес, М.Содействие когнитивному присутствию в онлайн-обучении:

    Одного взаимодействия недостаточно. American Journal of Distance Education, 19 (3), 133-148, 2005.

    35. Ши, П. Дж., Пикетт, А. М. и Пелц, У. Э. Повышение удовлетворенности студентов через преподавательский состав

    Развитие

    : важность преподавательского присутствия. В: J. Bourne & J. C. Moore (Eds.), Elements of

    quality online education: Into the mainstream, Needham, MA: Sloan Center for Online Education,

    Vol.5, 39-59, 2004.

    36. Варнхаген, С., Уилсон, Д., Крупа, Э., Каспрзак, С. и Хантинг, В. Сравнение опыта студентов

    с различными онлайн-курсами для выпускников по вопросам укрепления здоровья . Канадский журнал

    Обучение и технологии, 31 (1), 99-117, 2005.

    37. Ву, Д. и Хильц, С. Р. Прогнозирование обучения на основе асинхронных онлайн-дискуссий. Журнал

    Асинхронных обучающих сетей, 8 (2), 139-152, 2004.

    38. Гилберт, П. К. и Даббаг, Н. Как структурировать онлайн-дискуссии для значимого дискурса: тематическое исследование

    . Британский журнал образовательных технологий, 36 (1), 5-18, 2005.

    39. Рурк, Л. и Канука, Х. (неопубликованная рукопись). Препятствия на пути к критическому диалогу в сети.

    40. Ши, П. Дж., Фредериксен, Э. Э., Пикет, А. М. и Пелц, В. Э. Предварительное расследование

    «присутствия преподавателей» в обучающей сети SUNY. В: Дж. Борн и Дж.C. Moore (Eds.), Elements

    качественного онлайн-образования: практическое руководство, Needham, MA: Sloan Center for Online Education,

    Vol. 4, 279-312, 2003.

    41. Майлз М. Б. и Хуберман А. М. Качественный анализ данных: расширенный справочник.

    Таузенд-Оукс, Калифорния: Сейдж, 1994.

    42. Рурк, Л. и Андерсон, Т. Достоверность количественного анализа содержания. Образовательные технологии

    Исследования и разработки, 52 (1), 5-18, 2004.

    43. Гунавардена, К., Лоу, К. и Андерсон, Т. Анализ глобальной онлайн-дискуссии и разработка модели анализа взаимодействия

    для изучения социального конструирования знаний в компьютерных конференциях

    . Journal of Educational Computing Research, 17 (4), 379-431, 1997.

    44. Марра, Р.М., Мур, Дж. Л. и Климчак, А. К. Исследования в области образовательных технологий и

    Development, 52 (2), 23-40, 2004 .

    45. Мерфи, Э. и Чишевска-Карр, Дж. Источники различий в надежности: Определение источников

    различий в надежности при контент-анализе асинхронных онлайн-дискуссий. International

    Review of Research in Open and Remote Learning, 6 (2), 2005. Получено 17 января 2006 г. из

    http://www.irrodl.org/content/v6.2/index.html.

    46. Фахи, П. Дж. Решение некоторых общих проблем при анализе стенограммы.Международный обзор

    исследований в области открытого и дистанционного обучения, 1 (2), 2001. Получено 20 июня 2005 г. из

    http://www.irrodl.org/content/v1.2/research.html#Fahy.

    5 Подготовка учителей к обучению на основе запросов | Запрос и национальные стандарты естественнонаучного образования: руководство для преподавания и обучения

    В отчете Стива отражены некоторые опасения, которые часто возникают у учителей на ранних этапах исследования.Первоначально он понимал, что его обучение уже было успешным и что важная часть его роли как учителя естественных наук заключалась в том, чтобы помочь студентам познакомиться с бесчисленным множеством фактов и концепций науки. Однако он также подозревал, что его ученики на самом деле не изучали (и не сохраняли) то, что он хотел, чтобы они знали. И он знал, что пренебрегает необходимостью помочь своим ученикам научиться исследовательским навыкам и понять, как ученые использовали эти навыки для получения знаний.

    Стив пришел к выводу, что переход к обучению на основе запросов означает принятие другой роли учителя.Он создал больше возможностей для своих учеников исследовать идеи в одиночку, с материалами и друг с другом. Он слушал больше, чтобы узнать, что они понимали и неправильно понимали, о чем думали и что изучали. И он научился структурировать свои уроки вокруг «больших идей», а не вокруг фактов и формул, которые он раньше считал центральными для дисциплины физики.

    Размышления Стива демонстрируют многие изменения, которые могут переориентировать обучение на исследование.Он использует исследование всеми тремя способами, указанными в Стандарте , обучая исследовательским способностям, пониманию исследования и предмету науки посредством исследования. Он уделяет больше внимания вопросам студентов и создает для них возможности для сбора доказательств и использования их в качестве основы для объяснений, и он делает это до того, как представит им материал, а не после.

    Размышления Стива также указывают на некоторые важные особенности профессионального развития для обучения, основанного на запросах.Один из них заключается в том, что учителям необходимо выполнить запрос , чтобы узнать его значение, ценность и то, как использовать его, чтобы помочь учащимся учиться. Другой — важность сообщества учителей-учеников, которое отражает научные сообщества. Согласно Стандарту , такие сообщества одновременно бросают вызов и поддерживают развитие знаний учеными, студентами и, в данном случае, учителями.

    Размышления Стива также демонстрируют, что для трансформационных изменений в обучении может потребоваться значительное количество времени.Программа Стива включала шестинедельные летние институты и ежемесячные семинары в течение академического года. По его собственным словам, Стив смог продвинуться вперед в своем пути к обучению, основанному на запросах, но ни в коем случае не достиг конечной цели. Наконец, профессиональное развитие, которым занимался Стив, предоставило ему широкий спектр возможностей для исследования, от полевых исследований до запросов, основанных на литературе, и выяснения его собственного поведения в классе, например, его исследования времени разговора между учителем и учеником.

    Опыт Стива составляет основу

    Сколько баллов снижает ваш кредитный рейтинг в результате расследования?

    Уважаемый Experian,

    На сколько баллов падает ваш кредитный рейтинг, когда кредитор просматривает ваш кредитный отчет?

    — JOE

    Уважаемый JOE,

    Согласно FICO, жесткий запрос от кредитора снизит ваш кредитный рейтинг на пять пунктов или меньше.Если у вас хорошая кредитная история и нет других проблем с кредитом, вы можете обнаружить, что ваши баллы упадут еще меньше. Падение временное. Ваши оценки снова вернутся в норму, обычно в течение нескольких месяцев, если все остальное в вашей кредитной истории останется положительным.

    В чем разница между жестким и мягким запросом?

    Есть два типа запросов по кредитному отчету, которые часто называют «жесткими» и «мягкими»:

    • Жесткие запросы возникают, когда кредитор проверяет ваш кредитный отчет из-за заявки на товары или услуги, поэтому они могут повлиять на ваш кредитный рейтинг.
    • Мягкие запросы обычно инициируются другими лицами, например компаниями, делающими рекламные предложения кредита, или вашим кредитором, проводящим периодические проверки ваших существующих кредитных счетов. Мягкие запросы также возникают, когда вы проверяете свой собственный кредитный отчет или когда вы пользуетесь услугами кредитного мониторинга таких компаний, как Experian. Эти запросы не влияют на ваш кредитный рейтинг.
    Что делать, когда вы покупаете ссуду?

    Когда вы делаете покупки для получения нового кредита, например для дома или автомобиля, ваша информация может быть отправлена ​​нескольким кредиторам, чтобы попытаться найти вам лучшие ставки и условия кредита.В своем кредитном отчете вы увидите отдельный запрос от каждого из этих кредиторов, но ваш кредитный рейтинг не будет оштрафован для каждого из них. Большинство кредитных рейтингов будут считать несколько запросов на ипотеку или автокредитование как один, если они сделаны в течение определенного периода времени (14-30 дней). Некоторые оценки делают то же самое для других типов кредитования.

    Когда вы запрашиваете увеличение кредитного лимита, это тоже сложный запрос?

    Возможно. Это зависит от кредитора и его политики в отношении того, как они обрабатывают этот запрос.Некоторые кредиторы могут рассматривать его как заявку на новый кредит или дополнительный кредит и требовать доступа к новому отчету о кредитных операциях, который затем будет отображаться как сложный запрос. Другие могут утвердить запрос, не извлекая ваш кредитный отчет или выполнив так называемую «проверку учетной записи», которая будет отображаться в вашем отчете как мягкий запрос. Если вы обеспокоены, лучше спросить своего кредитора, прежде чем подавать заявку на более высокий кредитный лимит.

    Улучшение вашего кредитного рейтинга

    В целом, чем сильнее ваша кредитная история и кредитные рейтинги, тем меньше вам нужно беспокоиться о последствиях одного запроса.Если ваши кредитные рейтинги незначительны, и вы хотите их улучшить, вот несколько вещей, которые вы можете сделать:

    • Выполняйте все платежи вовремя. Ваша история платежей — самый важный фактор в ваших кредитных рейтингах. Лучшее, что вы можете сделать для получения баллов, — это следить за тем, чтобы каждый платеж происходил вовремя и чтобы все просроченные счета были текущими.
    • Держите остатки на кредитной карте на низком уровне. Ваш коэффициент использования также является важным фактором в кредитных рейтингах.