在 SEO 数据和报告系列的上一篇文章中，我们导出了 Google Search Console 数据，并在 Google 表格中进行了测试，以找出过去 28 天与之前 28 天相比，哪些搜索查询表现更好，哪些查询表现更差。这有助于我们了解哪些查询带来了更多点击，以及哪些查询导致点击量下降。
现在，我想找出那些有意向访问我品牌网站的自然访客的模式。以“Woorank”品牌为例，我会查看具体提到该品牌名称的搜索查询：
- 伍兰克
- 如何使用 Woorank？
- Woorank 定价
- Woorank vs X
但这只是故事的一部分。人类并非完美，可能会打错或读错你的品牌名：
- 吴排名
- Whorank
- 沃兰克
在分析搜索意图和提取品牌搜索时，捕捉这些搜索查询也尤为重要。更进一步，如果发现品牌名称的特定拼写错误经常出现，您可能需要针对特定内容片段进行定位。毕竟，您的品牌是您最宝贵的资产，品牌搜索通常更有可能转化为未来的购买。
模糊匹配
因为没有简单且确定的方法来提取包含所有 电话号码收集 变体和组合的品牌搜索词。我们希望能够将我们的品牌名称“Woorank”与大致相似但不完全匹配的搜索查询进行匹配。网上有很多资料会解释如何使用过滤器或正则表达式，但有一种更好的方法：人工智能。通过应用机器学习，更具体地说是“模糊匹配”算法，我们将能够自动捕获品牌搜索词及其变体。
我们将重点介绍Levenshtein算法，我将省略数学部分，简而言之，该算法以两个单词作为输入，然后检查需要插入、删除或替换多少个单字符才能将一个单词更改为第二个单词，并返回总数（也称为“距离”）作为输出。“Wordle”游戏听起来熟悉吗？
举几个例子：
有几种 资源对该算法进行了更详细的 解释，因此我们没有理由重新讨论这些资源，但这里有一些值得考虑的要点：
- 两个单词之间的 Levenshtein 距离越小，这两个单词看起来就越相似
- 它被称为“模糊匹配”是有原因的，因此它 计算可以使用以下公式 很可能产生假阳性或假阴性结果。请仔细审查您的结果。
从 Search Console 中提取品牌搜索
理论讲得够多了，让我们开始吧！在上一篇文章中，我们提供了可以复制/粘贴到空白表格中的公式，但考虑到区域和公式的数量较多，我们将从一个可以复制并试用的模板开始。
在本文中，“BRANDED”工作表是要选择的工作表，但鉴于此模板使用示例数据，我们邀请您在“GSC – Queries”工作表中复制您自己的 Search Console 导出的查询数据。
然后填写您的品牌名称。Search Console 数据 电话线索 中匹配的搜索查询将显示在下方，位于“品牌查询”旁边。有几个因素会影响编辑算法的有效性，例如您的品牌名称的长度，因此在某些情况下，调整敏感度可能会有所帮助（这是允许两个单词被视为相等的最大编辑距离，如上所述）。