Melhore seu marketing digital com R – Uma introdução ao seu kit de ferramentas R

Publicados: 2022-07-14

A automação de processos dentro do universo do marketing digital está se tornando cada vez mais popular. No entanto, nem todo processo de marketing possui software especializado projetado para ajudá-lo. Mesmo que esse software exista, pode apostar que vai custar muito caro.

Embora a codificação possa parecer um pouco esmagadora no início, alguns códigos muito simples podem economizar horas de trabalho, permitindo que você dedique mais tempo a tarefas mais importantes. De relatórios a visualização de dados, previsão a aprendizado de máquina, há uma abundância de casos de uso para codificação no mundo do marketing digital. Neste blog, abordarei alguns casos de uso do R em marketing digital, enquanto passo por cada linha de código passo a passo.

Por que R em vez de Python?

Esta não é uma pergunta fácil de responder. Gosto do R porque acho que tem pacotes superiores para visualização de dados e análise estatística. No entanto, a principal razão pela qual eu recomendo o uso do R é devido à coleção de pacotes do Google que existem, o que nos leva ao primeiro caso de uso do R no marketing digital…

  1. Pacotes do Google

Mark Edmondson criou um coletivo de pacotes de compatibilidade cruzada que usam googleAuthR para autenticação de back-end. Esses pacotes permitem que você se conecte e interaja diretamente com ferramentas como Google Analytics, Big Query, Search Console, Tag Manager e Google Cloud Project.

Google Analytics –

O pacote Google Analytics (GA) é extremamente útil para profissionais de marketing, pois permite acessar seus dados fora da plataforma. Neste blog, não entrarei em muitos detalhes sobre este pacote, pois já abordamos o googleAnalyticsR em outros blogs. Consulte as informações sobre uma introdução ao googleAnalyticsR e como usar o Google Trends com o googleAnalyticsR para obter mais informações.

Em muitos dos outros casos de uso mostrados abaixo, usarei dados do GA que foram acessados ​​por meio do pacote googleAnalyticsR (ou seja, veja o caso de uso 2 para somar e agrupar seus dados de sessões do GA). Veja como você pode obter esses dados para o seu site - basta definir o ID da visualização, o intervalo de datas e conectar-se à sua conta.

 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 Pesquisa -

O pacote searchConsoleR permite que você obtenha facilmente informações sobre cliques, impressões e classificações para as palavras-chave do seu site. Veja o código de exemplo abaixo sobre como fazer sua primeira consulta. O caso de uso 3 mostra como você pode selecionar dados do Search Console para uma lista de URLs usando 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 consulta -

O pacote bigQueryR é extremamente poderoso, pois permite interagir facilmente com a plataforma. No momento, estou escrevendo um blog sobre como fazer upload e ler dados de e para o BigQuery – fique de olho no meu LinkedIn, onde compartilharei em breve.

  1. Grupo e Soma

Com o pacote dplyr você pode fazer muita manipulação de dados fácil. A função soma permite que você encontre o total de uma métrica específica em seu conjunto de dados. Suponha que você esteja analisando sessões diárias e queira encontrar o número total de sessões no conjunto de dados.

Os símbolos %>% estão essencialmente dizendo que você está aplicando a função à direita à variável à esquerda.

 data %>% summarise(sum(sessions))

Agora suponha que você queira identificar a soma para cada dispositivo. É aqui que entra o agrupamento por função.

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

Outros casos de uso para isso seriam o cálculo de totais mensais. Observe como não temos coluna 'mês'. Podemos facilmente criar um com a função substr mostrada no código abaixo. Aqui pegamos os primeiros 7 caracteres da data. O 1 nos diz que começamos do primeiro valor e o 7 nos diz para selecionar os primeiros 7 valores.

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

Agora podemos agrupar o conjunto de dados não apenas pela categoria do dispositivo, mas também pelo mês.

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

As strings Regexp aparecem com frequência no marketing digital. Eles são úteis para filtrar conjuntos de dados maiores. Suponha que você tenha dados de cliques e impressões do Search Console para cada URL em seu site, mas deseja ver apenas um conjunto de páginas de destino. Nesse caso, adicionei 2 outros blogs sobre 'marketing digital com R' à string regexp para ver dados apenas deles.

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

Com dados provenientes de várias fontes, os profissionais de marketing precisam mesclar dados constantemente, seja por meio de um VLOOKUP no Excel ou de funções JOIN no BigQuery.

O exemplo abaixo mostra como você pode mesclar os dados do GA e do Search Console nas páginas de destino para ver o total de sessões do GA em comparação com os cliques orgânicos do SC, para que tenhamos uma indicação da importância dessa consulta de pesquisa para as páginas de destino ' tráfego.

Primeiro, agrupamos por página de destino para somar as sessões do GA. Em seguida, criamos uma nova coluna no conjunto de dados SC para substituir quaisquer espaços em branco pelo URL da página inicial (para corresponder ao formato dos dados do GA para nossa mesclagem).

Em seguida, simplesmente aplicamos a função 'merge' e ditamos em qual coluna estamos unindo. Eu recomendo ler estas notas de programação sobre remodelação de dados para obter uma explicação completa sobre as diferentes junções.

 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. Formatos de data

Nada é mais frustrante do que um computador não reconhecer uma data. O pacote lubridate faz maravilhas absolutas ao aplicar funções de data. Ao ler um conjunto de dados por meio de uma API ou de um csv armazenado em sua máquina, você deve aplicar instantaneamente uma função à coluna de data para garantir que ela seja considerada uma data, não um caractere ou fator etc.

Infelizmente, parece que há um número infinito de maneiras de exibir a data. O mais comumente visto em formato digital tende a ser aaaa-mm-dd ou dd/mm/aaaa. Com base no conjunto de dados que você está usando e como ele está exibindo a data no momento, tente a linha de código relevante abaixo. R irá então exibir seu código como padrão no formato aaaa-mm-dd.

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

Resumo

Depois de cobrir vários exemplos, espero tê-lo convencido de que há uma infinidade de benefícios em usar R para melhorar sua eficiência de marketing. O código de exemplo deve ser suficiente para você começar, mas aproveite a documentação de todos os pacotes usados ​​e fóruns online. Sinta-se à vontade para entrar em contato comigo e com a equipe do Analytics se tiver alguma dúvida sobre o conteúdo abordado.