本文由三个部分构成:
1 Slickdeal网站介绍
2 如何发帖
3 如何把Deal做到首页
Part I: Slickdeals.com网站介绍
介绍: Slickdeals是目前美国区最大的一个Deal平台,月流量接近6500万,最适合3C电子及日常服饰类产品。平台审核非常严格。
推广方式: SD进行推广的方式有2种,一种是自己发帖,包括自己养号注册以及自己联系发帖服务外包的人来发帖,另一种则是跟官方合作进行advertisement cooperation,后者很贵,因此大部分情况下说到做SD,都是采取第一种方式。(目前我们采用的是跟发帖人合作)
网站模式: 参考链接: https://help.slickdeals.net/hc/en-us/articles/115004693573-Understanding-Slickdeals-Forums-Threads-and-Posts
网站主要板块分为: -Deals-Stores-Forum-Deal Alert
1) Deals区域又包含:-Frontpage Deal(FP Deal)-Popular Deal(Pop Deal)-普通Deal
2) Stores则主要是通过平台来筛选deal,比如专门针对walmart的deal,专门针对Amazon的deal等。
3) Forum则是最基础的发帖板块了,在Deals区域展示的所有deal信息都是来自Forum中的帖子。
4) Deal Alert就是用于创建某个品牌或者某个品类的deal提醒。
Deal类型: Deal主要分成三种:-Frontpage Deal(FP Deal)-Popular Deal(Pop Deal)-普通Deal
可以用选秀机制来理解这三种Deal:
普通deal就是最基本的帖子,没有专门的展示页面,只有一个类似产品详情页的发布页面。发布后会跟其他很多deal一样被放入到hot deal这个板块中,这个板块里面有来自各个用户发布的deal,这个板块的目的就是将用户发布的海量Deal进行筛选,并选出其中表现好的deal进入到Popular Deal中。一般选择的标准就是Deal的点赞数量。
Forum Post,普通Deal贴
Popular deal会有专门的展示页面,这个页面下会展示来自各个品类的表现好的deal,在Deal页面也会有专门的标记显示。
Popular Deal入口
Popular Deal - 热门贴
当Deal进入Popular Deal后就等于进入了一个更高的舞台,这里有更大的展示空间,会有更多的用户进行投票,选择他们 认为对他们有利的Deal来点赞 ,在这个环节(pop deal)里,deal的浏览量会得到很大的提升,同时deal也会开始获得更严格的审核,因为用户和编辑会在pop deal中进行投票,方式就是Vote up, Vote down. 就是点赞和点踩。 赞的越多,帖子的排序会越靠前,同时也越能引起编辑和用户的注意。被踩或者被举报则非常容易导致帖子被删,因为SD完全是以用户为中心。
这里特意提一下,SD对“自我营销”是采取0容忍的,也就是一旦发现商家在上面自己发帖自己顶或者自己评论吸引关注,只要被人举报或者被编辑发现,帖子会被立马删除,如果一个品牌出现多次自我营销,甚至会被封品牌,也就是后续你这个品牌的产品只要上SD就会被删。
如果在pop deal这个环节下,你的deal依旧表现不错,那么编辑就会考虑将其加入到frontpage deal中。也就是最大的舞台,首页Deal。 简单算一下,SD月流量6500万,日均大概是220万。假设首页的流量占全站的60%,也就是说SD的首页每天的流量大概是132万。 也就是说你的Deal会被展现到132万人中(按1天算)假设点击率1%,大概是1万左右的浏览量,停留越久浏览量越高。
傲基键盘 - FPD 首页帖
Anker蓝牙耳机 - FPD 首页帖
小结:
李思婷流量哪里找
Slickdeals有妙招
先上流行(POP)再主页(FP)
引爆订单在今夜!
Part II: 如何发帖呢?
1. 发帖方式
1)自己养号发布 ,耗时很长且一旦出问题前面的积累都白费。不推荐。
2)找人代发 ,分两种,1种是跟专门的发deal的外包合作,1种是自己搜集deal站的用户,主动联系跟对方合作让对方发帖。两种都需要付费,价格一般是合作的越久越好谈。推荐。
3)官方合作 ,通过slickdeals网站页脚的advertise跟官方联系取得合作,价格比较贵,目前还没尝试过,效果未知。不推荐。
2. 发帖技巧
1)标题, 最好的方式就是学习FP或者Pop Deal的标题写法,一般是:品牌+产品主关键词+颜色/size+价格+运输
举例:TCL 4K UHD Roku Smart HDTV's: 55" 55R617 $499, 49" 49S405 $268 + Free Shipping
2)内容, Deal内容一般以用户的角度来介绍产品是最好的,因为deal都是用户发的,如果内容过于官方很容易被认为是自我营销然后被删帖。
举例:Zapals.com has Raspberry Pi 3 Model B+ 3.5" LCD ABS Case w/ Cooling Fan for Free w/ coupon code FREE0118ALL02. Shipping is $2.99.
Note, you must be logged into your account in order to apply the coupon. Raspberry Pi Board &3.5" LCD is not included. Regular shipping takes 15 - 30 business days.
Colors available: BlackGray
Includes : 1x ABS Case1x Set of 4 Assembly Screws &4 Nuts1x Cooling Fan
这个例子里面产品是一个散热器,内容主要就是介绍了可选的颜色,包装内包含哪些东西以及需要注意的问题。
3)推广, 发帖后这个deal只是一个普通的deal,浏览量不会特别高,要进入到POP或者FP就要有用户点赞,这个一般的deal外包服务人都会提供上Pop的服务,价格不等,一般在160-250 USD之间。上贴后让外包发帖人慢慢点赞,一般点赞5-10个左右就能进入Pop Deal了。 期间不要做任何的自我营销的举动,包括自己注册账号点赞,用自己账户去回答别人留的comment,自己刷浏览量等自杀式的行为。
4)如何衡量效果, Deal衡量效果很简单,做deal的时候需要用到CODE,创建一个单一型,多人多次可用的CODE就可以了。deal上线后记录一次时间,上线到pop后记录一次时间,deal expire之后(或Deal发布2天后)将订单全部导出,查找出订单中使用该CODE的订单量即可知道本次deal推广的效果。
如何把Deal推广到FPD?
Part III: 如何把Deal做到Slickdeal的Frontpage呢?
正常流程: Deals在发布后被用户点赞vote up之后,会由专门的Deal编辑进行审核和验证,通过后就会显示到Frontpage,也就是常说的首页帖,首页帖流量巨大。一般来说上FPD起码是上万的交易额。
其他办法: 联系编辑上贴,SD的编辑都是阅品无数的人,如果你的产品能够通过编辑去提交,那么上pop甚至FPD的概率比普通人发帖要高很多。
附:FPD参考指标:
1. 历史价格
2. 用户评价
3. 专家评价
4. 可用性/可选择性
5. 库存情况
参考链接: https://help.slickdeals.net/hc/en-us/articles/115004710094-How-Does-a-Deal-Make-it-to-the-Frontpage-
原文链接: http://www.bighuan.com/how-to-promote-on-slickdeals/
SD是标准偏差,反映的是样本变量值的离散程度。SEM是标准误差,反映的是样本均数之间的变异。
SD为样本标准差 ,根据标准差SD能反映变量值的离散程度 。正负值就是在计算好的SD上加个正负号, 表示在这个范围内波动;在平均值上加上或者减去这个数字,都认为在正常范围内 。
标准差的统计学常用符号为s,医学期刊常用SD表示。标准差是一个极为重要的离散度指标,常用于表示变量分布的离散程度 。对于一组变量,只用平均数来描写其集中趋势是不全面的,还需要用标准差来描写其离散趋势。标准差用公式表示为:s= ∑(x-ˉx) 2 n-1由上式可见,标准差的基本内容是离均差,即(x-ˉx)。它说明一组变量值(x)与其算术均数(ˉx)的距离,故能描述变异大小。s小表示个体间变异小,即变量值分布较集中、整齐s大表示个体间变异大,即各变量值分布较分散。
SEM是样品标准差,即样本均数的标准差,是描述均数抽样分布的离散程度及衡量均数抽样误差大小的尺度,反映的是样本均数之间的变异。标准误用来衡量抽样误差。标准误越小,表明样本统计量与总体参数的值越接近,样本对总体越有代表性,用样本统计量推断总体参数的可靠度越大。因此,标准误是统计推断可靠性的指标。
拓展资料
生物统计学是生物数学中最早形成的一大分支,它是在用统计学的原理和方法研究生物学的客观现象及问题的过程中形成的,生物学中的问题又促使生物统计学中大部分基本方法进一步发展。生物统计学是应用统计学的分支,它将统计方法应用到医学及生物学领域,在此,数理统计学和应用统计学有些重叠。
参考资料百度百科—生物统计学
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)