Usando o Google Analytics e a API do Google Trends para acompanhar o desempenho com R

Por que os dados do Google Trends são poderosos?

Todos sabemos que o Google captura uma quantidade assustadora de dados sobre nós. Com bilhões de pesquisas por dia, o Google pode entender muito mais sobre nossa sociedade e o sentimento das populações do que os governos. Por exemplo, os dados de tendências de pesquisa podem reconhecer surtos de doenças muito antes de serem anunciados pela mídia, observando aumentos nas consultas de pesquisa relacionadas a sintomas específicos. Sem surpresa, estudos foram realizados para prever o aumento dos casos de COVID-19 por região.

Atualmente, o Google é essencialmente o barômetro de sentimentos do mundo e a melhor coisa sobre os dados de tendências de pesquisa do Google? É grátis.

Por que usar a API do Google Trends?

O Google Trends é um recurso fundamental do kit de ferramentas de muitos profissionais de marketing digital. A popularidade das consultas de pesquisa ao longo do tempo pode ser analisada para mostrar o conhecimento do mercado. A sobreposição desses dados com os de outras fontes pode fornecer insights que, de outra forma, seriam perdidos.

Este blog fornece um exemplo mostrando como você pode sobrepor os dados do Google Trends com o tráfego orgânico do seu site – isso pode ser usado para entender o desempenho de SEO. Se o seu tráfego orgânico está começando a cair, isso se deve a uma queda no interesse do mercado ou porque você não está tão bem classificado para suas principais consultas de pesquisa?

Existem pacotes R disponíveis para o Google Trends e o Google Analytics que são muito fáceis de usar para aqueles com um entendimento básico de programação. Para o Google Trends, usaremos o pacote gtrendsR e, em seguida, para o Google Analytics, usaremos o pacote googleAnalyticsR, que abordamos em nosso artigo anterior – Usando a API do Google Analytics com R. O código de exemplo fornecido deve ser simples de copiar/colar e adaptar para atender às suas necessidades.

Usaremos o exemplo de uma empresa que vende refrigerantes e está querendo entender a popularidade dos produtos que vende ao longo do tempo.

API do Google Trends – Como extrair dados de tendências de pesquisa

Esses dados são os mais fáceis de obter, principalmente porque não são necessárias chaves de API. Para começar, basta instalar o pacote com install.packages(“gtrendsR”) e carregar a biblioteca com library(gtrendsR) . Selecionar as palavras-chave desejadas pode ser difícil – recomendamos examinar os principais termos sem marca no Search Console ordenados por impressões.

 # 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

Conforme mostrado no código acima, variáveis ​​adicionais podem ser incluídas em sua solicitação: gprop, geo e time:

• Gprop representa as propriedades do Google, ou seja, notícias, imagens e YouTube - no entanto, se for deixado em branco, o padrão será web.
• Geo representa o país com base em seu código ISO de dois dígitos - no entanto, se deixado em branco, o padrão será mundial.
• A hora representa a data de início e término da solicitação.

O pacote gtrendsR tem um limite de 5 palavras-chave por vez, portanto, se você quiser executar várias consultas, poderá usar um loop conforme mostrado abaixo. Aconselhamos fazer isso se você estiver avaliando a popularidade geral de um coletivo de termos de pesquisa, pois esse loop executa cada palavra-chave separadamente antes de agregar cada uma de suas alterações semanais. Portanto, a mudança na popularidade de um não tem impacto direto na de outro.

 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)

Uma coisa a notar é que o Google Trends fornece dados semanais, mas as semanas começam em um domingo. Portanto, precisaremos agregar nossos dados do Google Analytics no nível da semana a partir de um domingo – há um pacote útil para nos ajudar a fazer isso que abordaremos mais tarde.

API do Google Analytics – Como atrair tráfego orgânico

Recomendamos ler nosso artigo anterior para entender o pacote googleAnalyticsR com mais detalhes. Este artigo mostra como você pode filtrar seu tráfego orgânico para páginas de destino específicas. Isso pode ser útil se sua empresa estiver em vários mercados. Ou seja, se você vende refrigerantes e barras de chocolate, não deve incluir o tráfego orgânico nas páginas de barras de chocolate ao avaliar o interesse do mercado de refrigerantes.

Caso contrário, o código abaixo permite que você acesse todo o tráfego orgânico do seu site usando este pacote com R.

Aconselhamos a execução de cada linha de um código de cada vez para que você possa identificar facilmente quaisquer erros.

Para uma forma de autenticação mais 'profissional', que ajuda na automação de scripts, dê uma olhada nesta explicação mais detalhada.

O código abaixo puxa o tráfego orgânico por dia. A função floor_date é então usada para agregar o tráfego por semana a partir de domingo, a fim de corresponder aos dados do Search Console (que são limitados aos dados semanais Sun-Sat).

 # 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)

Mesclando os conjuntos de dados e obtendo insights

Em nossa linha final de código acima, mesclamos os conjuntos de dados em 3 colunas: data de início da semana, sessões orgânicas e tendência de pesquisa relativa. Agora, esses dois conjuntos de dados podem ser facilmente sobrepostos em um gráfico para análise (veja o gráfico abaixo, por exemplo).

A agregação dos dados de tendências de pesquisa significa que podemos ver a popularidade relativa em todas as consultas de pesquisa ao longo do tempo, fornecendo uma visão das mudanças no interesse do mercado.

Recomendamos sobrepor os dados de tendências de pesquisa e o tráfego orgânico em um gráfico ao longo do tempo usando um eixo direito e esquerdo para avaliar a tendência. O que você provavelmente verá é uma correlação positiva entre eles, com o tráfego aumentando à medida que a popularidade da pesquisa aumenta. Pode haver pontos em que as linhas se desviam de outras, indicando uma mudança na classificação das palavras-chave. Parece que você está subindo ou descendo a página de resultados de pesquisa do Google?

O gráfico abaixo mostra dados de exemplo com o tráfego orgânico no eixo esquerdo e as tendências de pesquisa no eixo direito. No gráfico abaixo, há uma clara divergência entre as duas métricas na semana 24. Apesar do tráfego orgânico cair significativamente, as tendências de pesquisa permanecem relativamente consistentes, indicando uma queda nas classificações de palavras-chave para as páginas que geram alto volume de tráfego - essas classificações então pegar na semana 33.

Este é apenas um caso de uso da API Search Console. Ele tem vários outros papéis a desempenhar no espaço de marketing, como gerar relatórios de tendências de termos de pesquisa ao vivo que podem ser usados ​​para histórias de relações públicas digitais reativas ou observar a popularidade da marca dos concorrentes ao longo do tempo.

Ficou com vontade de saber mais? Contacte-nos para falar com alguém da nossa equipa de análise avançada da web!