怎么样用 Google Analytics 区分 Google Shopping 页的流量

我们知道 Google Shopping 收费以来,Google Search 页的 PLA 广告和 Google Shopping 页的流量归在了付费搜索(Medium 是 CPC)流量里面了(收费以前从 Google Shopping 页和 Google Search 页自然结果里产品信息到达网站的流量都归于自然流量,Medium 是 Organic),因此,现在我们要想评估这2个渠道产品广告流量效果数据就比较难,可能也一直困扰着大家。今天一朋友突然问我这个问题,怎么样用 Google Analytics 区分 Google Shooping 页到达网站的流量,就突想到很久以前网上流传的用 Google Analytics 自定义过滤器跟踪 Google 自然搜索关键字排名的方法;下面我将详细分解各个步骤。

 

 
解决思路

解决思路是使用 Google Analytics 过滤器通过提取 Google Shopping 搜索结果页面 Referral URL 固有的参数来区分 Google Shooping 页的流量。如下图我在 http://www.google.co.uk/shopping 做了一个小的测试,搜索了4个关键字,分别是 wedding dresses online、car dvd player、ainol novo 7、nike air max。具体效果如下图:

 

Google Shopping Referral URL

注意观察上图红色部分,当访问者在 Google Shopping 页面搜索相关关键字时候,每个 Referral URL 中都带有参数 tbm=shop,这给我们区分 Google Shopping 页流量提供了参数。

 
Google Analytics 自定义过滤器设置

主要是通过 Referral URL里面的特定参数来区分数据,如果在访客搜索的 Referral URL 里面带有参数 tbm=shop ,并且 Google Shopping 页流量来源 Medium 是 CPC (通过 utmz 查询得知,Google Shopping 页面到达网站的流量 Medium 属于 CPC,如下图),只要符合这2个条件,流量 Source 将会被过滤器改变为 Google Shopping。Google Analytics 过滤器设置方法如下图:

 

Google Shopping utmz

Google Shopping utmz

Google Shopping 流量过滤器

Google Shopping 流量过滤器

设置的路径:Filter Information – Filter Type:Custom Filter – Advanced

Field A -> Extract A: Campaign Medium – cpc
Field B -> Extract B: Referral – (\?|&)tbm=shop
Output To -> Constructor: Campaign Source – Google Shopping

Field A Required:Yes
Field B Required:Yes
Override Output Field:Yes
Case Sensitive:No

过滤器这样设置好之后,第二天就有数据了,还有就是真正从 Google Shopping 页到达网站的搜索流量远低于 Google Search 页的 PLA 广告的流量。另外,你还可以根据你的需要设置 Google 的其他产品,只要你找到 Google 其他产品搜索 Referral URL 的特殊参数就可以,我搜集了几个 Google 产品的特殊参数。如下:

 

Google 产品参数
Google Image isch
Google News nws
Google Blogblg

 

其实跟踪 Google Shopping 里具体产品数据的方法才是最重要的,这个也可以根据很多方法实现,比如 Google Build URL 构建、GA里面多渠道路径提取、Adwords 编辑器批量设置等等;总之,希望我的这些小技巧能够在工作中帮到你,如有好的想法,一起讨论。

备注:这种方法的区分 Google Shopping 页的流量的前提条件是要在 Adwords  后台启用自动标记功能。

 

转载注明出处《尉聊子的外贸网络营销博客》
原链接:http://www.hurencai.com/archives/724

本项目采用C++编程语言结合ROS框架构建了完整的双机械臂控制系统,实现了Gazebo仿真环境下的协同运动模拟,并完成了两台实体UR10工业机器人的联动控制。该毕业设计在答辩环节获得98分的优异成绩,所有程序代码均通过系统性调试验证,保证可直接部署运行。 系统架构包含三个核心模块:基于ROS通信架构的双臂协调控制器、Gazebo物理引擎下的动力学仿真环境、以及真实UR10机器人的硬件接口层。在仿真验证阶段,开发了双臂碰撞检测算法轨迹规划模块,通过ROS控制包实现了末端执行器的同步轨迹跟踪。硬件集成方面,建立了基于TCP/IP协议的实时通信链路,解决了双机数据同步运动指令分发等关键技术问题。 本资源适用于自动化、机械电子、人工智能等专业方向的课程实践,可作为高年级课程设计、毕业课题的重要参考案例。系统采用模块化设计理念,控制核心与硬件接口分离架构便于功能扩展,具备工程实践能力的学习者可在现有框架基础上进行二次开发,例如集成视觉感知模块或优化运动规划算法。 项目文档详细记录了环境配置流程、参数调试方法实验验证数据,特别说明了双机协同作业时的时序同步解决方案。所有功能模块均提供完整的API接口说明,便于使用者快速理解系统架构并进行定制化修改。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
【微电网】【创新点】基于非支配排序的蜣螂优化算法NSDBO求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文围绕基于非支配排序的蜣螂优化算法(NSDBO)在微电网多目标优化调度中的应用展开研究,提出了一种改进的智能优化算法以解决微电网系统中经济性、环保性能源效率等多重目标之间的权衡问题。通过引入非支配排序机制,NSDBO能够有效处理多目标优化中的帕累托前沿搜索,提升解的多样性收敛性,并结合Matlab代码实现仿真验证,展示了该算法在微电网调度中的优越性能实际可行性。研究涵盖了微电网典型结构建模、目标函数构建及约束条件处理,实现了对风、光、储能及传统机组的协同优化调度。; 适合人群:具备一定电力系统基础知识Matlab编程能力的研究生、科研人员及从事微电网、智能优化算法应用的工程技术人员;熟悉优化算法与能源系统调度的高年级本科生亦可参考。; 使用场景及目标:①应用于微电网多目标优化调度问题的研究与仿真,如成本最小化、碳排放最低与供电可靠性最高之间的平衡;②为新型智能优化算法(如蜣螂优化算法及其改进版本)的设计与验证提供实践案例,推动其在能源系统中的推广应用;③服务于学术论文复现、课题研究或毕业设计中的算法对比与性能测试。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注NSDBO算法的核心实现步骤与微电网模型的构建逻辑,同时可对比其他多目标算法(如NSGA-II、MOPSO)以深入理解其优势与局限,进一步开展算法改进或应用场景拓展。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值