Mejore su marketing digital con R: una introducción a su kit de herramientas R

La automatización de procesos dentro del universo del marketing digital es cada vez más popular. Sin embargo, no todos los procesos de marketing tienen un software especializado diseñado para ayudarte. Incluso si dicho software existe, apuesto a que va a costar mucho.

Si bien la codificación puede parecer un poco abrumadora al principio, un código muy sencillo puede ahorrarle horas de trabajo, permitiéndole dedicar más tiempo a tareas más importantes. Desde informes hasta visualización de datos, pronósticos y aprendizaje automático, hay una gran cantidad de casos de uso para la codificación en el mundo del marketing digital. En este blog, cubriré algunos casos de uso de R en marketing digital, mientras analizo cada línea de código paso a paso.

¿Por qué R en lugar de Python?

Esta no es una pregunta fácil de responder. Me gusta R porque creo que tiene paquetes superiores para visualización de datos y análisis estadístico. Sin embargo, la razón principal por la que recomiendo usar R se debe a la colección de paquetes de Google que existen, lo que nos lleva al primer caso de uso de R en marketing digital...

1. paquetes de Google

Mark Edmondson ha creado un colectivo de paquetes de compatibilidad cruzada que utilizan googleAuthR para la autenticación de back-end. Estos paquetes le permiten conectarse e interactuar directamente con herramientas como Google Analytics, Big Query, Search Console, Tag Manager y Google Cloud Project.

Google analitico -

El paquete Google Analytics (GA) es enormemente útil para los especialistas en marketing, ya que les permite acceder a sus datos fuera de la plataforma. En este blog, no entraré en demasiados detalles sobre este paquete, ya que ya hemos cubierto googleAnalyticsR en otros blogs. Véalos en una introducción a googleAnalyticsR y el uso de Google Trends con googleAnalyticsR para obtener más información.

En muchos de los otros casos de uso que se muestran a continuación, usaré datos de GA a los que se accedió a través del paquete googleAnalyticsR (es decir, consulte el caso de uso 2 para sumar y agrupar los datos de sus sesiones de GA). Así es como puede obtener esos datos para su sitio web: simplemente configure la ID de vista, el rango de fechas y conéctese a su cuenta.

 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)

Consola de búsqueda –

El paquete searchConsoleR le permite obtener fácilmente información sobre clics, impresiones y clasificaciones para las palabras clave de su sitio. Vea el código de ejemplo a continuación sobre cómo hacer su primera consulta. El caso de uso 3 muestra cómo puede seleccionar los datos de Search Console para obtener una lista de URL mediante expresiones regulares.

 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) 

Gran consulta -

El paquete bigQueryR es extremadamente poderoso ya que le permite interactuar fácilmente con la plataforma. Actualmente estoy escribiendo un blog sobre cómo cargar y leer datos hacia y desde BigQuery; esté atento a mi LinkedIn, donde lo compartiré pronto.

2. Grupo y Suma

Con el paquete dplyr puede manipular fácilmente muchos datos. La función de suma le permite encontrar el total de una métrica específica dentro de su conjunto de datos. Suponga que está viendo sesiones diarias y desea encontrar el número total de sesiones en el conjunto de datos.

Los símbolos %>% esencialmente te dicen que estás aplicando la función de la derecha a la variable de la izquierda.

 data %>% summarise(sum(sessions))

Ahora suponga que desea identificar la suma para cada dispositivo. Aquí es donde entra en juego el grupo por función.

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

Otros casos de uso para esto serían calcular totales mensuales. Observe cómo no tenemos la columna 'mes'. Podemos crear uno fácilmente con la función substr que se muestra en el código a continuación. Aquí tomamos los primeros 7 caracteres de la fecha. El 1 nos dice que empecemos desde el primer valor y el 7 nos dice que seleccionemos los primeros 7 valores.

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

Ahora podemos agrupar el conjunto de datos no solo por categoría de dispositivo sino también por mes.

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

3. expresión regular

Las cadenas Regexp aparecen con frecuencia en el marketing digital. Son útiles para filtrar conjuntos de datos más grandes. Supongamos que tiene datos de clics e impresiones de Search Console para cada URL en su sitio, pero solo desea ver un conjunto de páginas de destino. En este caso, he agregado otros 2 blogs sobre 'marketing digital con R' a la cadena regexp para ver datos solo para ellos.

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

4. Combinar, enlazar y enlazar

Dado que los datos provienen de varias fuentes, los especialistas en marketing tienen que fusionar datos constantemente, ya sea a través de VLOOKUP en Excel o funciones JOIN en BigQuery.

El siguiente ejemplo muestra cómo puede combinar los datos de GA y Search Console en las páginas de destino para ver el total de sesiones de GA en comparación con los clics orgánicos de SC, de modo que tengamos una indicación de la importancia de dicha consulta de búsqueda para las páginas de destino. ' tráfico.

Primero, agrupamos por página de destino para sumar las sesiones de GA. Luego, creamos una nueva columna en el conjunto de datos de SC para reemplazar los espacios en blanco con la URL de la página de inicio (para que coincida con el formato de los datos de GA para nuestra combinación).

A continuación, simplemente aplicamos la función 'combinar' y dictamos en qué columna nos estamos uniendo. Recomiendo leer estas notas de programación sobre la remodelación de datos para obtener una explicación completa de las diferentes uniones.

 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')

5. Formatos de fecha

Nada es más frustrante que una computadora que no reconoce una fecha. El paquete lubridate hace maravillas absolutas al aplicar funciones de fecha. Al leer un conjunto de datos a través de una API o a través de un csv almacenado en su máquina, debe aplicar instantáneamente una función a la columna de fecha para asegurarse de que se considere una fecha, no un carácter o factor, etc.

Desafortunadamente, parece que hay un número infinito de formas de mostrar la fecha. El más comúnmente visto en formato digital tiende a ser yyyy-mm-dd o dd/mm/yyyy. Según el conjunto de datos que está utilizando y cómo se muestra actualmente la fecha, intente con la línea de código correspondiente a continuación. R entonces mostrará por defecto su código en formato aaaa-mm-dd.

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

Resumen

Después de cubrir varios ejemplos, espero haberlo convencido de que hay una multitud de beneficios al usar R para mejorar su eficiencia de marketing. El código de ejemplo debería ser suficiente para comenzar, pero aproveche la documentación de todos los paquetes utilizados y los foros en línea. No dude en ponerse en contacto conmigo y con el equipo de Analytics si tiene alguna pregunta sobre el contenido cubierto.