小白怎么自学php

1、小白怎么自学php，如何学习数据分析？

想要成为数据分析师，给大家分享一份初级的入门指南！

它包含Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。

这七part 的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。

第一part：Excel

每一位数据分析师都脱离不开Excel。

它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。

Excel的学习分为两个部分。

掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。

在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。

在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。

清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text

关联匹配类：lookup、vlookup、index、match、row、column、offset

逻辑运算类：if、and、or、is系列

计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round

时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif

搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。

第二部分是Excel中的工具。

在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。

在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。

Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。

除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。

了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。

了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。

了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。

了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。

第二part：数据可视化

数据分析界有一句经典名言，字不如表，表不如图。

数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：

Excel的图表可以100%绘制上面的图形，但这只是基础。

在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。

数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。

Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。

Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。

图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。

上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。

BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。

另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。

在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。

BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。

后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。

第三part：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。

在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。

分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。

既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。

麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。

这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。

除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。

现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。

下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。

不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。

数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。

数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。

这家商场的人流量是多少？怎么预估？

上海地区的共享单车投放量是多少？怎么预估？

街边口的水果店，每天的销量和利润是多少？怎么预估？

这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。

优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。

第四part：数据库

Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。

即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。

很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。

教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。

新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。

SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。

数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。

想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。

join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。

如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。

第五part：统计学

很多数据分析师并不注重统计学基础。

比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？

比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。

不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。

统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。

在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。

箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。

第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。

直方图和箱线图一样，将会是长久伴随分析师的利器。

统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。

包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。

其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。

何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。

产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。

「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。

统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。

第六part：业务

对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。

一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。

而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。

产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。

市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。

流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。

电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。

用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。

除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。

在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。

业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。

在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。

第七part：Python/R

第七周是最后的学习环节。

是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。

Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。

这里的教程以Python为主。

「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。

Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。

「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。

「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。

能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。

包、模块和类的概念属于进阶知识，不学也不要紧。

「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。

array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。

「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。

最后一篇教程，将结合以往的知识点，包括业务指标，可视化，描述统计学等内容。「用Python分析用户消费行为」，完成它，不说登堂入室，但也是一位合格的数据分析师了。

它使用某网站的用户消费数据，计算各类常见指标：用户的客单价、人均购买量、回购率、复购率、留存率、平均生命周期等，真正做到融会贯通。用一份数据报告作为毕业作品，也是七周系列最好的结业证书了。

对于没有技术基础的同学，第七part最吃力，但已经完成到这一步，不妨让自己咬咬牙学习下去。

最后

如果能够看完到这里的同学，相信你是对数据分析真正感兴趣的。

2、非专业的学生如何系统地学习一些计算机方面的知识？

直接送你无敌教程：https://github.com/ossu/computer-science

想要自学成才，打造计算机科学坚实的基础？这是从核心知识到进阶应用所必须的课程，它们都是顶级高校在 Coursera 等平台上开放的课程，所以放心大胆地学起来吧。

计算机科学一直是近年来高考报考的热门专业，是一门研究计算机相关规律的学科。近年来，随着开源社区的蓬勃发展，以及人工智能对各行各业的影响，很多人希望能够通过系统全面地学习计算机科学领域的知识。最近，在 Github 上有一个自学计算机科学的教程，总结了从零开始成为计算机大牛的学习之路。

项目地址：https://github.com/ossu/computer-science

这是什么样的计算机科学课程

这个计算机科学课程是来自一个名为 OSSU 组织整理的课程，所有的内容都是网络课程，基本上是免费的。课程面向的是大学本科生（计算机专业或计算机辅修），或从大学非计算机科学专业毕业的人们。当然，学习者只需要有高中数学基础即可开始。

考虑到计算机科学本身的难度，项目作者提到，参与学习的人需要每周拿出 18 到 22 小时的时间，花大约两年完成这项课程。

当然，有一些课程因为需要为作业项目打分而收取费用（基本上是后期高级课程），项目作者也强调说学习者可以通过申请补助或选择性跳过的方式来自主决定。

本项目的课程主要分为两部分，即 CS 核心知识与 CS 进阶知识。CS 核心知识需要我们具备高中水平的理科知识，包括几何、代数、简要微积分等等。当然，如果我们还记得大学学过的高数，那么背景知识就已经非常充足了。对于 CS 进阶知识，我们应该首先掌握整个 CS 的核心知识体系，从而进一步选择想要进修的子领域。

当然，在进入核心知识体系前，我们可以通过一个课程先看看计算机科学与编程到底是什么。

CS 核心知识

掌握 CS 核心知识需要学习以下所有课程。

核心编程

核心数学

核心系统

核心理论

核心应用

CS 进阶

完成 CS 各种必修课后，我们应该从进阶课程中选择一些。虽然并不是每个子领域的课程都需要学习，但我们应该特别关注某个子领域的所有课程。进阶课程最终应该以某个特定领域的高级应用为结束，我们最终需要通过一个 Final Project 来实战所学到的知识。

进阶编程

进阶数学

进阶系统

进阶理论

进阶应用

这些专业课程最终要落实到机器人、数据挖掘、大数据、物联网、云计算、全栈 web 开发、数据科学和 Scala 函数式编程等实际应用中，并且有的需要提前掌握线性代数、编程、机器学习、数据库等相关预备课程。

完成上面这些课程，差不多我们就有最坚实的 CS 本科知识了。最后，该项目还提供了一些关于 Final Project、专项课程和社区的建议与资源，它们可以帮助我们快速融入 CS 这个大家庭，并持续提升相关知识水平。

3、如何自学前端？

谢谢邀请，想学好前端，还是很容易的，几年前的前端叫切图仔，最近几年随着技术的发展，前端工程师有着很大的变化，那就是要学的很多，总感觉时间不够用呢

不管学习什么，都要有个规划，渐进的去学习，不能上来就会跑，那是不行的

前端俗称客户端，PC电脑打开的浏览器页面和应用APP界面，移动手机打开APP 小程序 H5网页 等总称为前端

首先前端入门阶段学习HTML ，HTML是用来显示网页的超文本标记语言，html5最近流行的html5代版本，新增了很多标签，每个语言第一句输出都是hello world 学习下去你就了解了这计算机的世界段子了，来看怎么书写呢

<html>

<body>

<h1>hello world ，我的前端基础入门语言</h1>

</body>

</html>

是不是看着很简单，html就是规范标签固有的，所有网页内容做好在<body>标签里写

便于规范

学会了搭建工程的骨架结构了，就像你盖房子，是不是主体完工了，开始装修了，外皮刷涂料，内部开始装修，喜欢什么款式花钱装修就可以了，前端也是同一个道理的，CSS就是干这件事情的，美化前端的网页客户端的，你所想象的基本都可以排版出来

JS 是脚本语言 全拼是javascript 它是干什么的呢 ，前端的很重要的部分就是交互，当你在你装修好的房子里开灯，你是不是用手去按灯的开关按钮，等就亮了起来，这样就完成了一次交互，前端里的交互远远比这个复杂的多了

熟练了以上的三门的语言就可以入门前端了，建议最好是自学，一方面可以节约你的钱包，省下来的钱吃几顿火锅烤肉买衣服 不香吗！随着深入的学习，你会很快的去学习，一点一点，一步一步，去完成实战的项目，少走弯路

成功的背后是辛苦--金木看看

感谢阅读

4、有哪些软件可以做思维导图？

1.制作简单、美观、实用的思维导图，用Xmind

还可以制作特别的鱼骨图：

风格多样：

典雅沉稳的树状图：

该软件操作极其简单：

支持导出各种格式：

思维导图就是几条线，亿图表示非常不认可。它的所有要素都可以随意组合编辑，直到你受不了它的复制。

思维导图：

除了思维导图的千变万化。其他的功能更是惊喜之作：

比如组织结构图：

比如流程图：

比如网络图：

3.复杂思维导图：mindmaster

以上三款软件是主流软件，其他的比如幕布更适合做笔记，生成导图。便宜一点的迅捷思维导图，可以参考使用。这些软件建议购买正版，需要试用的话前期可以使用河蟹版本。

最后分享几张思维导图，汇聚了各个场景的软件：

建议：点赞+留言+私信，关键词：思维导图软件。

5、做跨境电商哪个平台合适？

我是Dora，从事谷歌SEO超过10年时间，为7-Eleven、微软、腾讯等集团提供Google SEO营销顾问服务。点头像关注，有需要直接留言即可，感谢。

外贸的推广和国内的推广虽然在道理上类似，不过因为市场环境和渠道特点不一样，还是有些区别。

为了好理解，没必要从细枝末节的渠道上划分，直接看大的推广方式就好了。

分开来一个一个说。

这不单纯指谷歌Ads广告，而是以谷歌广告为主的一系列按点击付费广告。只是谷歌的份额是最大的，推广的重头戏也肯定是在谷歌上。

这类广告简单理解，就是花钱赚钱，要先投入广告成本，拉来流量，然后转化成单。

具体的运作原理就是通过广告开户，设置账户里面你要推广的关键词，然后通过给关键词出价，获得在谷歌上的搜索排名，然后有人点击，询盘再到成单。

你的广告费用是按照用户搜索点击付费的，点击一次，你就要付对应的钱给谷歌。

这类广告的特点是见效快、流量更精准且消费完全可控。

意思就是只要你开始投广告，马上就会有流量进来，这个流量是通过你选择的关键词来的，所以比较精准。

再一个就是这类广告的投放和不投放，完全在你的控制之下。打开就开始，关闭就停止，可控性很强。

当然，这对账户操盘的考验就比较大，毕竟每一次点击都要花钱，如果投放的关键词不对，或者预算分配没做好，那一天几次无效的点击你就要花很多冤枉钱。

所以如果想做这类广告，建议还是自己招一个比较有经验的竞价人员来做，不要随便把账户交给外行，那钱基本就打水漂了，水花都看不到一个。

之前也见过开了户这么干的，结果每天几百美元花出去什么都没有，这就划不来了。

先解释seo，seo就是通过技术、内容、关键词等方式对你自己的网站做优化，提升网站在谷歌里搜索的排名，也能获得流量。

国内现在网站seo的效果不是很理想，但是国外和我们的习惯不一样。老外们还是能接受到网站买东西的，所以只要有排名和流量，订单肯定是有的。

特点是seo需要一定的时间你才能看到效果，比如同样的一个关键词，通过谷歌Ads广告你可能但是就能获得排名，但是通过seo至少需要3-6个月甚至更长时间。

好处就是seo排名你只要做上去了，那不管被人点击1次还是一万次，你都不需要为这些点击单独付钱，从某种意义上讲，这些流量对你都是免费的。

seo的主要成本在于网站的开发、维护以及seo人员的工资开支。

另一个就是seo的流量有很强的可持续性，排名做上去了，哪怕一段时间你不再继续做seo，这个排名还在，流量也还在。

不过seo不适合那种短期的需求，比如你想做一个短期活动，或者你就想做三两个月这个生意，那就不要选seo，活动都结束了排名可能还没上来，那就没必要了。

这是个泛称，国内的社交媒体比如今日、抖音这些都是。国外的话facebook、youtube、tiktok这些也都是。

以前这类媒体是不大有人花大精力去做的，觉得投入产出不对等，犯不上。不过最近这些年情况出现了很大的逆转。

主要是两个原因，一个是社交媒体本身的商业化做得越来越成熟，让那些想通过社交媒体卖货的人不必再像贼一样偷偷发小广告夹带私货了，而是有了成熟的广告投放、大v带货、甚至内容植入可以选择，完全可以光明正大的去在上面做生意。

另一个是手机和移动网络的发展，把人们大量的精力和兴趣从PC时代拉到了移动时代。有人玩移动媒体，就有人产出内容，内容越多，平台越活跃，成了良性循环。

不管是国内的数据还是国外的数据，主流消费群体对移动端社交媒体的使用量都高得惊人。这并不难理解，看看我们身边多少人整天抱着手机不撒手就知道了。

用户在哪，生意就在哪，这个道理太简单了。所以现在不管是做外贸还是做国内生意，这块一定要重视起来。

做这一块建议也是组合打法：广告投放+自产内容+网红带货

社交媒体的广告基本都是信息流广告，和上面说的谷歌Ads类广告有点区别，这类广告更多的是主动展示给客户的。

也就是说，通过在广告后台设置好广告素材、目标人群、出价之后，平台会根据你的设置把广告主动推给这些人看。

那这和关键词搜索广告就完全不一样，关键词搜索一定是为了类似的需求采取搜索，目的性很强。

但是这类广告不是，是我在刷短视频，然后广告发出来被我看到。看似简单的区别，里面的打法差别就很大。

人们刷短视频是为了娱乐，而不是想买一件衣服，这个广告出来要想成交，就一定要解决两个问题。

一个是为什么别人要点击进去看，一个是点击了为啥要买？

先解决看的问题，广告的素材就一定要通俗易懂且能够快速地调动用户的点击欲望。比如卖衣服，一定要清晰地在有限的几秒钟之内告诉用户你卖的是啥衣服，有啥特点，是不是有折扣。

点击进去之后，详情页要给用户一个购买的理由。这个很关键，比如手机，我为什么要买一个新的手机呢？

那详情页就要告诉我，这个新的手机玩游戏速度更快、不掉帧、不发热、或者拍照更清晰更适合给女朋友拍出好看的照片。

手机的这些功能但凡是用过手机的人其实都知道，但是在这里你需要给他强化具像化的好处，让他觉得他已经拥有了这部手机，且拥有了这些好处（这句话是重点）。

社交媒体推广的另一块就是大v带货，这个国内虽然也有，但是价格一般都蛮贵，坑位费动不动几十万的大有人在。

这个就不讨论了，说国外，国外的网红市场环境比国内还是要好一些，基本都能接受纯佣带货模式，这对商家来说其实风险不大，完全是CPS合作，卖出去多少给你结算多少钱，对等交易。这个钱就当是拿去做广告了。

关于自营内容，这个还是有必要做的。虽然广告、大v能帮你快速获得销量，但是这毕竟都是要花钱的。自己做内容获得的流量和订单不管到什么时候都是你自己的，而且不用给佣金和广告费。

不要觉得自己做内容很难，不是所有内容都要做成“李子柒”的，况且老外的思维其实和我们不太一样，他们的文化环境决定了他们的思维模式很简单，非此即彼。

拍不出特别精美的，就拍你产品的展示，你厂房的环境多正规，总能找到那些喜欢你调调的用户。

对社交类的渠道来说，真实是一切存在的基础逻辑。这就和交朋友一样，一个人长得虽然不好看，但是很真诚，还是很受欢迎的。当然，要是长得好看还真诚，当然交朋友的速度会更快一些，颜值可以影响社交这是肯定的。

1、不定期分享海外推广流量市场走势、出海推广操盘方法，关注我或私信都可；

2、偶尔会写一些SEO职业发展问题，避免走弯路，让SEO新人同学可以活得很好的一些建议；