Ulepsz swój marketing cyfrowy dzięki R — wprowadzenie do zestawu narzędzi R

Opublikowany: 2022-07-14

Automatyzacja procesów w uniwersum marketingu cyfrowego staje się coraz bardziej popularna. Jednak nie każdy proces marketingowy ma wyspecjalizowane oprogramowanie zaprojektowane, aby Ci pomóc. Nawet jeśli takie oprogramowanie istnieje, założysz się, że będzie ono dużo kosztować.

Chociaż kodowanie może początkowo wydawać się nieco przytłaczające, niektóre bardzo proste kody mogą zaoszczędzić godziny pracy, umożliwiając poświęcenie więcej czasu na ważniejsze zadania. Od raportowania po wizualizację danych, od prognozowania po uczenie maszynowe — istnieje mnóstwo przypadków użycia kodowania w świecie marketingu cyfrowego. W tym blogu omówię kilka przypadków użycia języka R w marketingu cyfrowym, przechodząc krok po kroku przez każdy wiersz kodu.

Dlaczego R zamiast Pythona?

To nie jest łatwe pytanie. Lubię R, ponieważ uważam, że ma lepsze pakiety do wizualizacji danych i analizy statystycznej. Jednak głównym powodem, dla którego polecam używanie R, jest kolekcja istniejących pakietów Google, co ładnie prowadzi nas do pierwszego przypadku użycia R w marketingu cyfrowym…

  1. Pakiety Google

Mark Edmondson stworzył zbiór wzajemnie kompatybilnych pakietów, które używają googleAuthR do uwierzytelniania zaplecza. Pakiety te umożliwiają bezpośrednie połączenie i interakcję z takimi narzędziami, jak Google Analytics, Big Query, Search Console, Tag Manager i Google Cloud Project.

Google Analytics -

Pakiet Google Analytics (GA) jest niezwykle przydatny dla marketerów, ponieważ umożliwia dostęp do danych poza platformą. W tym blogu nie będę zagłębiał się zbyt szczegółowo w ten pakiet, ponieważ omówiliśmy już googleAnalyticsR w innych blogach. Więcej informacji znajdziesz we wprowadzeniu do googleAnalyticsR i korzystaniu z Trendów Google z googleAnalyticsR.

W wielu innych przypadkach użycia pokazanych poniżej użyję danych GA, do których uzyskano dostęp za pośrednictwem pakietu googleAnalyticsR (np. zobacz przypadek użycia 2, aby zsumować i pogrupować dane sesji GA). Oto, w jaki sposób możesz pobrać te dane dla swojej witryny — wystarczy ustawić identyfikator widoku, zakres dat i połączyć się ze swoim kontem.

 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)

Konsola wyszukiwania –

Pakiet searchConsoleR umożliwia łatwe pobieranie informacji o kliknięciach, wyświetleniach i rankingach słów kluczowych Twojej witryny. Zobacz przykładowy kod poniżej, aby dowiedzieć się, jak wykonać pierwsze zapytanie. Przypadek użycia 3 pokazuje, jak wybrać dane Search Console dla listy adresów URL za pomocą wyrażenia regularnego.

 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)

Wielkie zapytanie –

Pakiet bigQueryR jest niezwykle wydajny, ponieważ umożliwia łatwą interakcję z platformą. Obecnie piszę blog o tym, jak przesyłać i odczytywać dane do i z BigQuery – obserwuj mój LinkedIn, gdzie wkrótce się nimi podzielę.

  1. Grupa i Suma

Dzięki pakietowi dplyr możesz łatwo manipulować danymi. Funkcja sum pozwala znaleźć sumę określonej metryki w zestawie danych. Załóżmy, że patrzysz na sesje dzienne i chcesz znaleźć łączną liczbę sesji w zbiorze danych.

Symbole %>% zasadniczo mówią, że stosujesz funkcję po prawej stronie do zmiennej po lewej stronie.

 data %>% summarise(sum(sessions))

Załóżmy teraz, że chcesz określić sumę dla każdego urządzenia. Tutaj wkracza grupowanie według funkcji.

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

Inne przypadki użycia to obliczanie sum miesięcznych. Zwróć uwagę, że nie mamy kolumny „miesiąc”. Możemy je łatwo utworzyć za pomocą funkcji substr pokazanej w poniższym kodzie. Tutaj bierzemy pierwsze 7 znaków od daty. 1 mówi nam, że zaczynamy od pierwszej wartości, a 7 mówi nam, abyśmy wybrali pierwsze 7 wartości.

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

Teraz możemy pogrupować zestaw danych nie tylko według kategorii urządzenia, ale także miesiąca.

 data %>% group_by(c(monthYear, deviceCategory) %>% summarise(sum(sessions))
  1. Wyrażenie regularne

Ciągi Regexp często pojawiają się w marketingu cyfrowym. Są przydatne do filtrowania większych zbiorów danych. Załóżmy, że masz w Search Console dane o kliknięciach i wyświetleniach dla każdego adresu URL w swojej witrynie, ale chcesz przeglądać tylko zestaw stron docelowych. W tym przypadku dodałem 2 inne blogi na temat „marketingu cyfrowego z R” do ciągu regexp, aby zobaczyć dane tylko dla nich.

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

Ponieważ dane pochodzą z różnych źródeł, marketerzy muszą stale łączyć dane, czy to za pomocą funkcji WYSZUKAJ.PIONOWO w programie Excel, czy funkcji JOIN w BigQuery.

Poniższy przykład pokazuje, w jaki sposób można połączyć dane z GA i Search Console na stronach docelowych, aby zobaczyć łączną liczbę sesji z GA w porównaniu z bezpłatnymi kliknięciami z SC, dzięki czemu mamy wskazówkę, jak ważne jest dane wyszukiwane hasło dla stron docelowych ' ruch drogowy.

Najpierw grupujemy według strony docelowej, aby zsumować sesje GA. Następnie tworzymy nową kolumnę w zbiorze danych SC, aby zastąpić puste pola adresem URL strony głównej (aby dopasować format danych GA dla naszego scalania).

Następnie po prostu stosujemy funkcję „scal” i dyktujemy, do której kolumny dołączamy. Polecam przeczytać te uwagi dotyczące programowania dotyczące przekształcania danych, aby uzyskać pełne wyjaśnienie różnych złączeń.

 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')
  1. Formaty daty

Nie ma nic bardziej frustrującego niż komputer, który nie rozpoznaje daty. Pakiet lubridate robi absolutne cuda podczas stosowania funkcji daty. Podczas odczytywania zbioru danych za pośrednictwem interfejsu API lub pliku csv przechowywanego na komputerze należy natychmiast zastosować funkcję do kolumny daty, aby upewnić się, że jest ona traktowana jako data, a nie znak lub czynnik itp.

Niestety wydaje się, że istnieje nieskończona liczba sposobów wyświetlania daty. Najczęściej spotykanym formatem cyfrowym jest zwykle rrrr-mm-dd lub dd/mm/rrrr. Na podstawie zestawu danych, którego używasz i sposobu, w jaki obecnie wyświetla datę, wypróbuj odpowiedni wiersz kodu poniżej. R domyślnie wyświetla twój kod w formacie rrrr-mm-dd.

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

Streszczenie

Po omówieniu różnych przykładów mam nadzieję, że przekonałem Cię, że istnieje wiele korzyści z używania R w celu poprawy skuteczności marketingu. Przykładowy kod powinien wystarczyć na początek, ale skorzystaj z dokumentacji wszystkich używanych pakietów i forów internetowych. Jeśli masz jakiekolwiek pytania dotyczące omawianych treści, skontaktuj się ze mną i zespołem Analytics.