Migliora il tuo marketing digitale con R: un'introduzione al tuo toolkit R

Pubblicato: 2022-07-14

L'automazione dei processi all'interno dell'universo del marketing digitale sta diventando sempre più popolare. Tuttavia, non tutti i processi di marketing hanno software specializzato progettato per aiutarti. Anche se tale software esiste, scommetti che costerà molto.

Sebbene la codifica possa sembrare leggermente opprimente all'inizio, alcuni codici molto semplici possono farti risparmiare ore di lavoro, consentendoti di dedicare più tempo a compiti più importanti. Dal reporting alla visualizzazione dei dati, dalle previsioni all'apprendimento automatico, nel mondo del marketing digitale sono disponibili numerosi casi d'uso per la codifica. In questo blog tratterò alcuni casi d'uso di R nel marketing digitale, mentre passo passo passo ogni riga di codice.

Perché R invece di Python?

Questa non è una domanda facile a cui rispondere. Mi piace R perché penso che abbia pacchetti superiori per la visualizzazione dei dati e l'analisi statistica. Tuttavia, il motivo principale per cui consiglio di utilizzare R è dovuto alla raccolta di pacchetti di Google esistenti, che ci porta bene al primo caso d'uso di R nel marketing digitale...

Pacchetti Google

Mark Edmondson ha creato un collettivo di pacchetti cross-compatibili che utilizzano googleAuthR per l'autenticazione back-end. Questi pacchetti ti consentono di connetterti e interagire direttamente con strumenti come Google Analytics, Big Query, Search Console, Tag Manager e Google Cloud Project.

Statistiche di Google -

Il pacchetto Google Analytics (GA) è estremamente utile per gli esperti di marketing in quanto ti consente di accedere ai tuoi dati al di fuori della piattaforma. In questo blog, non entrerò troppo nel dettaglio di questo pacchetto poiché abbiamo già trattato googleAnalyticsR in altri blog. Vedi quelli su un'introduzione a googleAnalyticsR e sull'utilizzo di Google Trends con googleAnalyticsR per ulteriori informazioni.

In molti degli altri casi d'uso mostrati di seguito, utilizzerò i dati GA a cui è stato effettuato l'accesso tramite il pacchetto googleAnalyticsR (ad esempio, vedere il caso d'uso 2 per sommare e raggruppare i dati delle sessioni GA). Ecco come puoi acquisire quei dati per il tuo sito web: imposta semplicemente l'ID di visualizzazione, l'intervallo di date e connettiti al tuo account.

 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)

Console di ricerca –

Il pacchetto searchConsoleR ti consente di ottenere facilmente informazioni su clic, impressioni e classifiche per le parole chiave del tuo sito. Vedere il codice di esempio di seguito su come effettuare la prima query. Il caso d'uso 3 mostra come selezionare i dati di Search Console per un elenco di URL utilizzando regexp.

 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)

Grande domanda –

Il pacchetto bigQueryR è estremamente potente in quanto ti consente di interagire facilmente con la piattaforma. Attualmente sto scrivendo un blog su come caricare e leggere dati da e verso BigQuery: tieni d'occhio il mio LinkedIn dove lo condividerò presto.

Gruppo e Somma

Con il pacchetto dplyr puoi fare molte semplici manipolazioni dei dati. La funzione di somma ti consente di trovare il totale di una metrica specifica all'interno del tuo set di dati. Si supponga di guardare le sessioni giornaliere e di voler trovare il numero totale di sessioni nel set di dati.

I simboli %>% ti stanno essenzialmente dicendo che stai applicando la funzione a destra alla variabile a sinistra.

 data %>% summarise(sum(sessions))

Supponiamo ora di voler identificare la somma per ogni dispositivo. È qui che entra in gioco il gruppo per funzione.

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

Altri casi d'uso per questo sarebbero il calcolo dei totali mensili. Nota come non abbiamo la colonna "mese". Possiamo facilmente crearne uno con la funzione substr mostrata nel codice seguente. Qui prendiamo i primi 7 caratteri dalla data. L'1 ci dice di partire dal primo valore e il 7 ci dice di selezionare i primi 7 valori.

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

Ora possiamo raggruppare il set di dati non solo per categoria di dispositivo ma anche per mese.

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

Regexp

Le stringhe Regexp appaiono frequentemente nel marketing digitale. Sono utili per filtrare set di dati più grandi. Supponiamo che tu disponga di dati sui clic e sulle impressioni di Search Console per ogni URL del tuo sito, ma desideri guardare solo un insieme di pagine di destinazione. In questo caso, ho aggiunto altri 2 blog su "marketing digitale con R" alla stringa regexp per vedere i dati solo per loro.

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

Unisci, unisci e unisci

Con i dati provenienti da varie fonti, gli esperti di marketing devono costantemente unire i dati, sia tramite una funzione VLOOKUP in Excel o JOIN in BigQuery.

L'esempio seguente mostra come unire i dati di GA e Search Console sulle pagine di destinazione per vedere le sessioni totali di GA rispetto ai clic organici di SC, in modo da avere un'indicazione dell'importanza di tale query di ricerca per le pagine di destinazione ' traffico.

Innanzitutto, raggruppiamo per pagina di destinazione per sommare le sessioni GA. Quindi creiamo una nuova colonna nel set di dati SC per sostituire eventuali spazi vuoti con l'URL della home page (in modo che corrisponda al formato dei dati GA per la nostra unione).

Successivamente, applichiamo semplicemente la funzione "unisci" e dettiamo a quale colonna stiamo unendo. Raccomando di leggere queste note di programmazione sul rimodellamento dei dati per una spiegazione completa nei diversi join.

 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')

Formati di data

Niente è più frustrante di un computer che non riconosce una data. Il pacchetto lubrificante fa meraviglie quando si applicano le funzioni di data. Durante la lettura di un set di dati tramite un'API o tramite un csv memorizzato sul tuo computer, dovresti applicare immediatamente una funzione alla colonna della data per assicurarti che sia considerata una data, non un carattere o un fattore, ecc.

Sfortunatamente, sembra che ci siano un numero infinito di modi per visualizzare la data. Il formato più comune in formato digitale tende ad essere aaaa-mm-gg o gg/mm/aaaa. In base al set di dati che stai utilizzando e al modo in cui sta attualmente visualizzando la data, prova la riga di codice pertinente di seguito. R visualizzerà il codice per impostazione predefinita nel formato aaaa-mm-gg.

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

Riepilogo

Dopo aver coperto vari esempi, spero di averti convinto che ci sono una moltitudine di vantaggi nell'usare R per migliorare la tua efficienza di marketing. Il codice di esempio dovrebbe essere sufficiente per iniziare, ma sfrutta la documentazione per tutti i pacchetti utilizzati e i forum online. Per qualsiasi domanda sui contenuti trattati, non esitare a metterti in contatto con me stesso e con il team di Analytics.