搜尋成效資料詞彙

GSC 或 GA4 資料能夠說明什麼、不能說明什麼的明確範圍。把相關性誤讀為因果是搜尋資料分析最常見的錯誤；每個分析結論都應附上歸因邊界說明，標注哪些條件在資料範圍之外。

用於比較的歷史參考窗口，需明確定義日期範圍、排除異常週，並說明為何這段期間具有代表性。基準期選錯，後續所有比較結論都會系統性偏移。

SERP 功能區塊（精選摘要、AI Overview、購物廣告）吸收了原本流向自然結果的點擊，導致排名未變但流量下降的現象。這是我從 2019 年起在追蹤精選摘要擴張時首次系統性描述的效應。

點擊除以曝光的比率。它能提示搜尋結果呈現或 query／頁面承諾是否值得檢查，但不能單獨證明標題、排名或內容品質的原因。

用來比較的兩段期間。要同時交代日期長度、時區與篩選條件；不一致的窗口不應直接導出變化結論。

隨著 SERP 功能區塊擴張，自然排名相同位置能獲得的點擊比例持續下降的長期趨勢。我記錄各查詢類型的 CTR 衰退曲線，作為評估自然流量預測可靠性的校正係數。

搜尋平台記錄頁面在結果中被呈現的次數。它說明可見度訊號，不等同於讀者完整看見、理解或採取行動。

讀者由搜尋結果進入的頁面。判讀時要把它和實際 query、頁面承諾、裝置與地區放在同一個比較範圍。

一份資料沒有涵蓋的條件，例如季節性、SERP 版面、追蹤設定或索引狀態。把邊界寫出來，才能避免把相關變成因果。

觸發結果的搜尋字詞或字詞組。單一 query 可能代表不同讀者任務，不能只依字面把它分配給某一頁。

使用者透過自動完成、相關搜尋、PAA 延伸原始查詢的行為模式。查詢擴增會改變一個主題的搜尋生態邊界，是我評估關鍵字矩陣完整性的觀察點——忽略它會低估實際搜尋需求的覆蓋範圍。

以固定時間窗口計算移動平均值的平滑技術，用於抑制週期性噪音、突顯趨勢方向。分析搜尋量走勢時，滾動平均能區分真實趨勢與週末效應或假日波動，我通常使用四週窗口作為標準設定。

可用來查看 query、頁面、曝光、點擊與 CTR 的資料來源之一。欄位與篩選方式仍需要在每次比較時說清楚。

讀者當下想理解、比較或解決的任務。它是以 SERP、query 與頁面內容交叉檢查的工作假設，不是只靠一個詞就能確定的標籤。

查詢量在固定週期（每年、每週）呈現規律起伏的行為，需與真實趨勢漲跌分開計算。我使用前三年同期資料建立基準，避免把年週期的高點誤判為需求實質成長。

特定 query、地區、裝置與時間下的搜尋結果版面。人工抽樣時應保留條件，因為版面與候選頁會隨情境改變。

排名位置與點擊率之間的關係，且它因查詢類型、裝置與 SERP 版面組成而顯著不同。用單一 CTR 曲線套用所有查詢，是流量預測中最常見的系統性誤差來源。

搜尋量方向發生明確改變的具體時間節點，需以統計方法確認而非目視判斷。找到轉折點後，下一步是對照 SERP 版面變化、外部事件與演算法更新，找出觸發機制。

以標準差衡量某週期數值偏離歷史均值程度的統計指標。我用 Z-score 偵測搜尋量異常事件——Z-score 絕對值超過 2 的週，會進入手動複查流程，確認是真實趨勢還是資料異常。