دانلود ترجمه مقاله گرایشات برند و جستارهای موتور جستجو

1. مقدمه 2. جمع آوری داده ها 3. رابطه بین نگرش برند و جستجو 4. بحث و بررسی

تحقیقات آتی: گام بحرانی و مهم بعدی در توسعه جستجوی برند به عنوان یک معیار، تشخیص جستجوی برند مرتبط با فروشگاه از منابع دیگر جستجوی برند مانند عیب یابی یا جستجو برای برندهای مشابه می باشد (به عنوان مثال، گالگسی، لینکلن، اپل). هو، دو و دامنگیر (2014) یک سری روش های ادهاک را برای محدود سازی داده های گوگل ترند به یک سری جستارها استفاده کردند که مرتبط با فروش بوده و شامل نمایش عباراتی در ارتباط با استفاده از محصول یا عیب یابی بودند و از دسته های گوگل ترند استفاده می کردند. با این حال به منظور ایجاد جستجوی برند روی معیاری مرتبط در بسیاری از دسته ها، ما نیازمند رویکردی سیستماتیک برای تعیین این موضوع هستیم که کدام جستارها مرتبط با خرید هستند. چنین رویکردی می تواند مرتبط با جستارهای مرتبط با خرید و بر مبنای کلمات دیگر دخیل در این دسته باشد که کلیک های کاربران را با نتایج جستجو مرتبط ساخته و اهداف قبل و بعد آنها را پیش بینی می کند. گرچه این موضوع باید با دقت زیادی در راستای حفظ حریم خصوصی کاربران گوگل انجام گیرد، ملاحظات حفظ حریم خصوصی مانع ما از بررسی این گزینه ها در این تحقیق شده است. ما فرض کرده ایم که حجم جستارهای برند مرتبط با خرید ارتباط زیادی با نگرش های برند نسبت به حجم کلی یک جستار دارد و امکان پیش بینی این موضوع را فراهم می کند که چه نگرش هایی در کاربران مبتنی با تاریخچه جستجوهای مبتنی بر خرید می باشد. افرادی که به دنبال ترکیب کلی جستجوهای برندی خاص با مدل های مبتنی بر سری های زمانی هستند با این مشکل مواجه می گردند که برآوردهای آنها از جستجوهای برند به طور بالقوه ای مرتبط با جستارهای مرتبط با غیر خرید بوده و نویز را به مدل آنها اضافه می کند و باعث کاهش دقت می گردد.

Future Research: A critical next step in developing brand search as a metric is to distinguish shopping-related brand search from the other sources of brand search such as troubleshooting or searching for homonyms to the brand (e.g., galaxy, Lincoln, apple). Hu, Du, and Damangir (2014) recommend some ad hoc ways to narrow Google Trends data to queries that are shopping-related, including discounting queries with terms that are clearly related to product use or troubleshooting (e.g., “recall”) and using the Google Trends “Categories” filters. Yet, to make brand search a relevant metric across many categories, we need a systematic approach to inferring which queries are shopping-related. Such an approach might infer which queries are shopping-related based on other words included in the query, which links the users clicked on in the search results and what searches they made before and after the target query. (Although this will have to be done with a lot of care towards the privacy of Google users; privacy considerations prevented us from exploring these options here.) We hypothesize that shopping-related brand query volume will be even more closely associated with brand attitudes than the overall brand query volume, making it possible to predict what attitudes users hold based on their shopping-related search history. Those who seek to incorporate total brand search volume into time-series models today are faced with the problem that their estimates of brand search are potentially “contaminated” by non-shopping related queries, adding noise to their models.