Verbessern Sie Ihr digitales Marketing mit R – Eine Einführung in Ihr R-Toolkit

Veröffentlicht: 2022-07-14

Die Automatisierung von Prozessen innerhalb des digitalen Marketinguniversums wird immer beliebter. Allerdings verfügt nicht jeder Marketingprozess über eine spezielle Software, die Ihnen dabei helfen soll. Selbst wenn diese Software existiert, wetten Sie, dass sie viel kosten wird.

Während das Programmieren auf den ersten Blick etwas überwältigend erscheinen mag, kann Ihnen ein sehr einfacher Code Stunden Arbeit ersparen, sodass Sie mehr Zeit für wichtigere Aufgaben haben. Von Berichten über Datenvisualisierung, Prognosen bis hin zu maschinellem Lernen gibt es eine Fülle von Anwendungsfällen für die Codierung in der Welt des digitalen Marketings. In diesem Blog werde ich einige Anwendungsfälle für R im digitalen Marketing behandeln und dabei Schritt für Schritt durch jede Codezeile gehen.

Warum R statt Python?

Diese Frage ist nicht leicht zu beantworten. Ich mag R, weil ich denke, dass es überlegene Pakete für die Datenvisualisierung und statistische Analyse hat. Der Hauptgrund, warum ich die Verwendung von R empfehle, liegt jedoch in der Sammlung vorhandener Google-Pakete, was uns schön zum ersten Anwendungsfall von R im digitalen Marketing bringt…

Google-Pakete

Mark Edmondson hat ein Kollektiv kompatibler Pakete erstellt, die googleAuthR für die Backend-Authentifizierung verwenden. Diese Pakete ermöglichen Ihnen die direkte Verbindung und Interaktion mit Tools wie Google Analytics, Big Query, Search Console, Tag Manager und Google Cloud Project.

Google Analytics -

Das Google Analytics (GA)-Paket ist für Vermarkter äußerst nützlich, da es Ihnen den Zugriff auf Ihre Daten außerhalb der Plattform ermöglicht. In diesem Blog gehe ich nicht zu sehr ins Detail auf dieses Paket, da wir googleAnalyticsR bereits in anderen Blogs behandelt haben. Weitere Informationen finden Sie unter Einführung in googleAnalyticsR und Verwendung von Google Trends mit googleAnalyticsR.

In vielen der anderen unten gezeigten Anwendungsfälle verwende ich GA-Daten, auf die über das googleAnalyticsR-Paket zugegriffen wurde (dh siehe Anwendungsfall 2, um Ihre GA-Sitzungsdaten zu summieren und zu gruppieren). So können Sie diese Daten für Ihre Website abrufen – legen Sie einfach die Ansichts-ID und den Datumsbereich fest und verbinden Sie sich mit Ihrem Konto.

 set_view_ID <- #Enter GA View ID# Date1 <- #Set start date in YYYY-MM-DD format# Date2 <- #Set end date in YYYY-MM-DD format# set_date_range <- c(date1, date2) data <- google_analytics (set_view_ID, date_range = set_date_range, metrics = c("sessions","bounces"), dimensions = c("date","deviceCategory","source"), anti_sample = TRUE)

Suchkonsole –

Mit dem searchConsoleR-Paket können Sie ganz einfach Informationen zu Klicks, Impressionen und Rankings für die Keywords Ihrer Website abrufen. Sehen Sie sich den Beispielcode unten an, um zu erfahren, wie Sie Ihre erste Abfrage erstellen. Anwendungsfall 3 zeigt, wie Sie Search Console-Daten für eine Liste von URLs mithilfe von Regexp auswählen können.

 sc_data <- search_analytics("https://www.semetrical.com", "2021-01-01", "2021-12-31", c("query", "page"), dimensionFilterExp = c("device==DESKTOP","country==GBR"), searchType="web", rowLimit = 100)

Große Abfrage –

Das bigQueryR-Paket ist extrem leistungsfähig, da es Ihnen eine einfache Interaktion mit der Plattform ermöglicht. Ich schreibe gerade einen Blog darüber, wie man Daten zu und von BigQuery hochlädt und liest – behalten Sie mein LinkedIn im Auge, wo ich es bald teilen werde.

Gruppe und Summe

Mit dem dplyr-Paket können Sie viele einfache Datenmanipulationen durchführen. Mit der Summenfunktion können Sie die Summe einer bestimmten Metrik in Ihrem Datensatz ermitteln. Angenommen, Sie sehen sich tägliche Sitzungen an und möchten die Gesamtzahl der Sitzungen im gesamten Datensatz ermitteln.

Die %>% -Symbole sagen Ihnen im Wesentlichen, dass Sie die rechte Funktion auf die linke Variable anwenden.

 data %>% summarise(sum(sessions))

Angenommen, Sie möchten die Summe für jedes Gerät ermitteln. Hier kommt die Gruppieren-nach-Funktion ins Spiel.

 data %>% group_by(deviceCategory) %>% summarise(sum(sessions))

Andere Anwendungsfälle hierfür wären die Berechnung monatlicher Gesamtsummen. Beachten Sie, dass wir keine Spalte „Monat“ haben. Wir können ganz einfach eine mit der substr-Funktion erstellen, die im folgenden Code gezeigt wird. Hier nehmen wir die ersten 7 Zeichen vom Datum. Die 1 sagt uns, dass wir mit dem ersten Wert beginnen und die 7 sagt uns, dass wir die ersten 7 Werte auswählen sollen.

 data$monthYear <- substr(data$date, 1, 7)

Jetzt können wir den Datensatz nicht nur nach der Gerätekategorie, sondern auch nach dem Monat gruppieren.

 data %>% group_by(c(monthYear, deviceCategory) %>% summarise(sum(sessions))

Regexp

Regexp-Strings kommen im digitalen Marketing häufig vor. Sie sind nützlich, um größere Datensätze zu filtern. Angenommen, Sie haben Daten zu Klicks und Impressionen in der Search Console für jede URL auf Ihrer Website, möchten aber nur eine Reihe von Zielseiten anzeigen. In diesem Fall habe ich der Regexp-Zeichenfolge zwei weitere Blogs zum Thema „Digitales Marketing mit R“ hinzugefügt, um nur Daten für sie anzuzeigen.

 regexpString<- c("/using-google-analytics-api-with-r/|/using-ga-google-trends-api-with-r/") filteredData <- sc_data[grepl(regexpString,sc_data$page),]

Merge, rbind und cbind

Da Daten aus verschiedenen Quellen stammen, müssen Vermarkter ständig Daten zusammenführen, sei es über SVERWEIS in Excel oder JOIN-Funktionen in BigQuery.

Das folgende Beispiel zeigt Ihnen, wie Sie GA- und Search Console-Daten auf den Zielseiten zusammenführen können, um die Gesamtsitzungen von GA im Vergleich zu den organischen Klicks von SC anzuzeigen, sodass wir einen Hinweis auf die Bedeutung dieser Suchanfrage für die Zielseiten haben ' Verkehr.

Zuerst gruppieren wir nach Zielseite, um die GA-Sitzungen zusammenzufassen. Dann erstellen wir eine neue Spalte im SC-Datensatz, um alle Leerzeichen durch die Homepage-URL zu ersetzen (um dem Format der GA-Daten für unsere Zusammenführung zu entsprechen).

Als nächstes wenden wir einfach die 'Merge'-Funktion an und diktieren, welche Spalte wir verbinden. Ich empfehle, diese Programmierhinweise zur Datenumformung zu lesen, um eine vollständige Erklärung der verschiedenen Joins zu erhalten.

 ga_landingPages <- data %>% group_by(landingPagePath) %>% summarise(sum(sessions)) sc_data$landingPagePath <- gsub("https://www.semetrical.com","",sc_data$page) merged_data <- merge(sc_data, ga_landingPages, by = 'landingPagePath')

Datumsformate

Nichts ist frustrierender als ein Computer, der ein Datum nicht erkennt. Das Lubridate-Paket bewirkt absolute Wunder bei der Anwendung von Datumsfunktionen. Wenn Sie einen Datensatz über eine API oder über eine auf Ihrem Computer gespeicherte CSV-Datei einlesen, sollten Sie sofort eine Funktion auf die Datumsspalte anwenden, um sicherzustellen, dass es sich um ein Datum handelt, nicht um ein Zeichen oder einen Faktor usw.

Leider scheint es unendlich viele Möglichkeiten zu geben, das Datum anzuzeigen. Das am häufigsten verwendete digitale Format ist entweder JJJJ-MM-TT oder TT/MM/JJJJ. Probieren Sie basierend auf dem von Ihnen verwendeten Datensatz und der aktuellen Anzeige des Datums die entsprechende Codezeile unten aus. R zeigt Ihren Code dann standardmäßig im Format jjjj-mm-tt an.

 data$date <- as.Date(data$date, format = '%Y-%m-%d') data$date <- as.Date(data$date, format = '%d/%m/%Y')

Zusammenfassung

Nachdem ich verschiedene Beispiele behandelt habe, hoffe ich, Sie davon überzeugt zu haben, dass die Verwendung von R eine Vielzahl von Vorteilen bietet, um Ihre Marketingeffizienz zu verbessern. Der Beispielcode sollte ausreichen, um Ihnen den Einstieg zu erleichtern, aber nutzen Sie die Dokumentation für alle verwendeten Pakete und Online-Foren. Bitte zögern Sie nicht, sich mit mir und dem Analytics-Team in Verbindung zu setzen, wenn Sie Fragen zu den behandelten Inhalten haben.