Verwenden der Google Analytics- und Google Trends-API zum Verfolgen der Leistung mit R

Warum sind Google Trends-Daten leistungsstark?

Wir alle wissen, dass Google eine erschreckende Menge an Daten über uns erfasst. Mit Milliarden von Suchanfragen pro Tag kann Google viel mehr über unsere Gesellschaft und die Stimmung der Bevölkerung verstehen als Regierungen. Beispielsweise können Daten zu Suchtrends Krankheitsausbrüche erkennen, lange bevor sie von den Medien angekündigt werden, indem eine Zunahme von Suchanfragen im Zusammenhang mit bestimmten Symptomen festgestellt wird. Es überrascht nicht, dass Studien durchgeführt wurden, um steigende COVID-19-Fälle nach Regionen zu prognostizieren.

Heutzutage ist Google im Wesentlichen das Stimmungsbarometer der Welt und das Beste an Googles Suchtrenddaten? Es ist kostenlos.

Warum die Google Trends-API verwenden?

Google Trends ist eine Schlüsselfunktion im Toolkit vieler digitaler Vermarkter. Die Popularität von Suchanfragen im Laufe der Zeit kann analysiert werden, um die Marktbekanntheit zu zeigen. Die Überlagerung dieser Daten mit denen anderer Quellen kann Einblicke liefern, die andernfalls übersehen würden.

Dieser Blog bietet ein solches Beispiel, indem er zeigt, wie Sie Google Trends-Daten mit dem organischen Traffic Ihrer Website überlagern können – dies kann verwendet werden, um die SEO-Leistung zu verstehen. Wenn Ihr organischer Traffic zu sinken beginnt, liegt dies an einem Rückgang des Marktinteresses oder daran, dass Sie bei Ihren Top-Suchanfragen nicht so gut ranken?

Sowohl für Google Trends als auch für Google Analytics sind R-Pakete verfügbar, die für diejenigen mit grundlegenden Programmierkenntnissen ziemlich einfach zu verwenden sind. Für Google Trends verwenden wir das gtrendsR-Paket und dann für Google Analytics das googleAnalyticsR-Paket, das wir in unserem vorherigen Artikel – Verwenden der Google Analytics-API mit R – behandelt haben. Der bereitgestellte Beispielcode sollte einfach zu kopieren/einzufügen und anzupassen sein um Ihren Bedürfnissen gerecht zu werden.

Wir werden das Beispiel eines Unternehmens verwenden, das Erfrischungsgetränke verkauft und die Popularität der von ihnen verkauften Produkte im Laufe der Zeit verstehen möchte.

Google Trends API – So ziehen Sie Suchtrenddaten

Diese Daten sind am einfachsten zu erhalten, hauptsächlich weil keine API-Schlüssel erforderlich sind. Installieren Sie zunächst einfach das Paket mit install.packages(“gtrendsR”) und laden Sie die Bibliothek mit library(gtrendsR) hoch . Die Auswahl der gewünschten Keywords kann schwierig sein – wir empfehlen, sich die Top-Non-Brand-Begriffe in der Search Console nach Impressionen sortiert anzusehen.

 # Load Libraries and Set Up Query Conditions # library(gtrendsR) keywords = c(“Soft drinks”, “Fizzy drinks”, “Pepsi”, “Lemonade”, “Fanta”) country = c('GB') time = (“2020-01-01 2021-10-31”) channel = 'web' # Run Query # data1 = gtrends(keywords, gprop = channel, geo = country, time = time) data_trend = data$interest_over_time

Wie im obigen Code gezeigt, können zusätzliche Variablen in Ihre Anfrage aufgenommen werden: gprop, geo und time:

• Gprop stellt die Eigenschaften von Google dar, nämlich Nachrichten, Bilder und YouTube – wenn es jedoch leer gelassen wird, wird standardmäßig das Web verwendet.
• Geo stellt das Land basierend auf seinem zweistelligen ISO-Code dar – wenn es jedoch leer gelassen wird, ist dies standardmäßig weltweit.
• Time repräsentiert das Start- und Enddatum der Anfrage.

Das gtrendsR-Paket hat ein Limit von 5 Schlüsselwörtern gleichzeitig. Wenn Sie also mehrere Abfragen ausführen möchten, können Sie eine Schleife wie unten gezeigt verwenden. Wir empfehlen Ihnen, dies zu tun, wenn Sie die Gesamtpopularität eines Kollektivs von Suchbegriffen bewerten, da diese Schleife jedes Schlüsselwort separat ausführt, bevor jede ihrer wöchentlichen Änderungen aggregiert wird. Daher hat die Änderung der Popularität des einen keinen direkten Einfluss auf die des anderen.

 list1 = list() for (i in 1:length(keywords)){ trends = gtrends(keywords[i], gprop =channel,geo=country, time = time ) time_trend=trends$interest_over_time time_trend$keyword <- keywords[i] list1 [[i]] <- time_trend } data1 <- do.call("rbind", list1)

Zu beachten ist, dass Google Trends wöchentliche Daten liefert, die Wochen jedoch an einem Sonntag beginnen. Daher müssen wir unsere Google Analytics-Daten ab Sonntag auf Wochenebene aggregieren – dazu gibt es ein nützliches Paket, das wir später behandeln werden.

Google Analytics API – So ziehen Sie organischen Traffic

Wir empfehlen, unseren vorherigen Artikel zu lesen, um das googleAnalyticsR-Paket genauer zu verstehen. Dieser Artikel zeigt Ihnen, wie Sie Ihren organischen Traffic auf bestimmte Zielseiten filtern können. Dies kann nützlich sein, wenn Ihr Unternehmen in mehreren Märkten tätig ist. Das heißt, wenn Sie kohlensäurehaltige Getränke und Schokoriegel verkaufen, möchten Sie den organischen Verkehr auf den Seiten mit Schokoladenriegeln nicht einbeziehen, wenn Sie das Marktinteresse an kohlensäurehaltigen Getränken bewerten.

Andernfalls können Sie mit dem folgenden Code auf den gesamten organischen Datenverkehr Ihrer Website zugreifen, indem Sie dieses Paket mit R verwenden.

Wir empfehlen, jede Codezeile einzeln auszuführen, damit Sie Fehler leicht erkennen können.

Für eine „professionellere“ Art der Authentifizierung, die bei der Skriptautomatisierung hilft, werfen Sie einen Blick auf diese ausführlichere Erklärung.

Der folgende Code zieht den organischen Verkehr am Tag. Die floor_date-Funktion wird dann verwendet, um den Datenverkehr nach Woche ab Sonntag zu aggregieren, um ihn mit den Daten der Search Console abzugleichen (die auf wöchentliche Daten von Sonntag bis Samstag beschränkt sind).

 # Load Libraries and Setup Query - make sure to set your View ID # library(googleAnalyticsR) library(dplyr) library(lubridate) ga_auth() set_view_ID <- #ENTER_VIEW_ID# organicTraffic <- dim_filter("channelGrouping", "EXACT", "Organic Search") organicFilter <- filter_clause_ga4(list(organicTraffic),”AND” ) # Run Query, Aggregate Daily Traffic to Weekly Traffic and Rename Columns # data2 <- google_analytics (set_view_ID, date_range = c(“2021-01-01”, ”2021-10-31”), metrics = "sessions", dimensions = "date", dim_filters = organicFilter, anti_sample = TRUE) data2$week <- floor_date(as.Date(data2$date, "%Y-%m-%d"), unit="week") data2 <- data2 %>% group_by(week) %>% summarise(sum(sessions)) names(data2)[1] <- "week" names(data2)[2] <- "sessions" # Merge Search Trends and Organic Traffic # merged_data <- merge(data1, data2)

Datensätze zusammenführen und Erkenntnisse gewinnen

In unserer letzten Codezeile oben haben wir die Datensätze in 3 Spalten zusammengeführt: Startdatum der Woche, organische Sitzungen und relativer Suchtrend. Jetzt können diese beiden Datensätze zur Analyse einfach in einem Diagramm überlagert werden (siehe Diagramm unten zum Beispiel).

Die Aggregation der Suchtrenddaten bedeutet, dass wir die relative Popularität aller Suchanfragen im Laufe der Zeit sehen können, was einen Einblick in die Veränderungen des Marktinteresses gibt.

Wir empfehlen, die Suchtrenddaten und den organischen Traffic in einem Diagramm im Zeitverlauf zu überlagern, indem Sie eine rechte und eine linke Achse verwenden, um den Trend zu beurteilen. Was Sie wahrscheinlich sehen werden, ist eine positive Korrelation zwischen ihnen, wobei der Verkehr mit zunehmender Suchpopularität zunimmt. Es kann Punkte geben, an denen die Linien voneinander abweichen, was auf eine Änderung des Keyword-Rankings hinweist. Sieht es so aus, als würden Sie sich auf der Suchergebnisseite von Google nach oben oder unten bewegen?

Die folgende Grafik zeigt Beispieldaten mit dem organischen Traffic auf der linken Achse und den Suchtrends auf der rechten Achse. In der Grafik unten gibt es eine klare Divergenz zwischen den beiden Metriken in Woche 24. Trotz des deutlichen Rückgangs des organischen Traffics bleiben die Suchtrends relativ konstant, was auf einen Rückgang der Keyword-Rankings für die Seiten mit hohem Traffic-Volumen hindeutet – also diese Rankings Abholung gegen Woche 33.

Dies ist nur ein Anwendungsfall der Search Console API. Es hat zahlreiche andere Rollen im Marketingbereich zu spielen, z. B. die Erstellung von Live-Berichten zu Suchbegrifftrends, die für reaktive digitale PR-Geschichten verwendet werden können, oder die Beobachtung der Markenpopularität von Wettbewerbern im Laufe der Zeit.

Möchten Sie mehr erfahren? Kontaktieren Sie uns, um mit jemandem in unserem Team für fortschrittliche Webanalysen zu sprechen!