Использование Google Analytics и Google Trends API для отслеживания производительности с помощью R

Почему данные Google Trends эффективны?

Мы все знаем, что Google собирает пугающее количество данных о нас. С миллиардами поисковых запросов каждый день Google может понять гораздо больше о нашем обществе и настроениях населения, чем правительства. Например, данные тенденций поиска могут распознавать вспышки заболеваний задолго до того, как о них будет объявлено в средствах массовой информации, за счет увеличения количества поисковых запросов, связанных с конкретными симптомами. Неудивительно, что были проведены исследования для прогнозирования роста случаев заболевания COVID-19 по регионам.

В наши дни Google, по сути, является мировым барометром настроений, и что самое лучшее в данных поисковых трендов Google? Это бесплатно.

Зачем использовать Google Trends API?

Google Trends — ключевая функция многих инструментов цифрового маркетинга. Популярность поисковых запросов с течением времени можно проанализировать, чтобы показать осведомленность рынка. Наложение этих данных на данные из других источников может дать понимание, которое в противном случае было бы упущено.

Этот блог предоставляет такой пример, показывая, как вы можете накладывать данные Google Trends на органический трафик вашего веб-сайта — это можно использовать для понимания эффективности SEO. Если ваш органический трафик начинает снижаться, связано ли это с падением интереса со стороны рынка или с тем, что вы не так высоко ранжируете свои популярные поисковые запросы?

Существуют пакеты R, доступные как для Google Trends, так и для Google Analytics, которые довольно просты в использовании для тех, кто имеет базовые знания в области программирования. Для Google Trends мы будем использовать пакет gtrendsR, а затем для Google Analytics мы будем использовать пакет googleAnalyticsR, который мы рассмотрели в нашей предыдущей статье — Использование API Google Analytics с R. Предоставленный пример кода должен быть простым для копирования/вставки и адаптации. в соответствии с вашими потребностями.

Мы возьмем пример компании, которая продает безалкогольные напитки и хочет понять популярность продуктов, которые они продают, с течением времени.

Google Trends API – как получить данные поисковых трендов

Эти данные получить проще всего, в основном потому, что ключи API не требуются. Для начала просто установите пакет с помощью install.packages("gtrendsR") и загрузите библиотеку с помощью library(gtrendsR) . Выбор нужных ключевых слов может быть сложным — мы рекомендуем просмотреть в Search Console самые популярные термины, не относящиеся к брендам, отсортированные по показам.

 # 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

Как показано в приведенном выше коде, в ваш запрос могут быть включены дополнительные переменные: gprop, geo и time:

• Gprop представляет свойства Google, а именно новости, изображения и YouTube — однако, если оставить это поле пустым, по умолчанию будет веб.
• Geo представляет страну на основе их двухзначного кода ISO, однако, если оставить это поле пустым, по умолчанию будет использоваться значение для всего мира.
• Время представляет дату начала и окончания запроса.

Пакет gtrendsR имеет ограничение в 5 ключевых слов за раз, поэтому, если вы хотите запустить несколько запросов, вы можете использовать цикл, как показано ниже. Мы советуем делать это, если вы оцениваете общую популярность коллектива поисковых запросов, так как этот цикл запускает каждое ключевое слово отдельно перед агрегированием всех их еженедельных изменений. Следовательно, изменение популярности одного не оказывает прямого влияния на популярность другого.

 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)

Следует отметить, что Google Trends предоставляет еженедельные данные, но недели начинаются в воскресенье. Поэтому нам нужно будет агрегировать наши данные Google Analytics на уровне недели, начиная с воскресенья — есть полезный пакет, который поможет нам сделать это, и мы рассмотрим его позже.

API Google Analytics — как получить органический трафик

Мы рекомендуем прочитать нашу предыдущую статью, чтобы более подробно разобраться в пакете googleAnalyticsR. В этой статье показано, как можно отфильтровать органический трафик на определенные целевые страницы. Это может быть полезно, если ваша компания работает на нескольких рынках. т.е. если вы продаете газированные напитки и шоколадные батончики, вам не следует включать органический трафик на страницы шоколадных батончиков при оценке рыночного интереса к газированным напиткам.

В противном случае приведенный ниже код позволяет вам получить доступ ко всему органическому трафику вашего сайта с помощью этого пакета с R.

Мы рекомендуем запускать каждую строку кода за раз, чтобы вы могли легко обнаружить любые ошибки.

Чтобы узнать о более «профессиональном» способе аутентификации, который помогает с автоматизацией сценариев, ознакомьтесь с этим более подробным объяснением.

Код ниже привлекает органический трафик по дням. Затем функция floor_date используется для агрегирования трафика по неделям, начиная с воскресенья, чтобы сопоставить данные Search Console (которые ограничены недельными данными с воскресенья по субботу).

 # 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)

Объединение наборов данных и получение информации

В нашей последней строке кода выше мы объединили наборы данных в 3 столбца: дата начала недели, органические сеансы и относительная тенденция поиска. Теперь эти два набора данных можно легко наложить на график для анализа (см., например, график ниже).

Агрегирование данных Search Trends означает, что мы можем видеть относительную популярность всех поисковых запросов с течением времени, что дает представление об изменениях интереса рынка.

Мы рекомендуем наложить данные тенденций поиска и органического трафика на график с течением времени, используя правую и левую оси, чтобы оценить тенденцию. Скорее всего, вы увидите положительную корреляцию между ними, при этом трафик будет увеличиваться по мере увеличения популярности поиска. Могут быть точки, где линии отклоняются от других, что указывает на изменение рейтинга ключевых слов. Вам кажется, что вы перемещаетесь вверх или вниз по странице результатов поиска Google?

На приведенном ниже графике показаны примеры данных с органическим трафиком на левой оси и тенденциями поиска на правой оси. На приведенном ниже графике видно явное расхождение между двумя показателями на 24-й неделе. Несмотря на значительное снижение органического трафика, тенденции поиска остаются относительно постоянными, что указывает на снижение рейтинга ключевых слов до страниц, которые привлекают большой объем трафика — эти рейтинги затем подобрать к 33 неделе.

Это всего лишь один из вариантов использования API Search Console. У него есть множество других ролей в маркетинговом пространстве, например, создание отчетов о тенденциях поисковых запросов в реальном времени, которые можно использовать для реактивных цифровых PR-историй, или наблюдение за популярностью бренда конкурентов в течение долгого времени.

Хотите узнать больше? Свяжитесь с нами, чтобы поговорить с кем-нибудь из нашей команды продвинутых веб-аналитиков!