ปรับปรุงการตลาดดิจิทัลของคุณด้วย R – ข้อมูลเบื้องต้นเกี่ยวกับชุดเครื่องมือ R ของคุณ

ระบบอัตโนมัติของกระบวนการภายในจักรวาลการตลาดดิจิทัลกำลังเป็นที่นิยมมากขึ้น อย่างไรก็ตาม ไม่ใช่ว่าทุกกระบวนการทางการตลาดจะมีซอฟต์แวร์พิเศษที่ออกแบบมาเพื่อช่วยเหลือคุณ แม้ว่าจะมีซอฟต์แวร์ดังกล่าวอยู่ แต่คุณก็พนันได้เลยว่าจะต้องเสียค่าใช้จ่ายเป็นจำนวนมาก

แม้ว่าการเขียนโค้ดอาจดูล้นหลามเล็กน้อยในตอนแรก แต่โค้ดที่ตรงไปตรงมาบางโค้ดสามารถช่วยคุณประหยัดเวลาในการทำงานได้ ทำให้คุณอุทิศเวลาให้กับงานที่สำคัญกว่าได้ ตั้งแต่การรายงานไปจนถึงการแสดงข้อมูล การคาดการณ์ไปจนถึงการเรียนรู้ของเครื่อง มีกรณีการใช้งานมากมายสำหรับการเข้ารหัสในโลกการตลาดดิจิทัล ในบล็อกนี้ ผมจะกล่าวถึงกรณีการใช้งาน R ในการตลาดดิจิทัล ในขณะที่อธิบายแต่ละบรรทัดของโค้ดทีละขั้นตอน

ทำไมต้อง R แทน Python

นี่ไม่ใช่คำถามที่ตอบง่าย ฉันชอบ R เพราะฉันคิดว่ามันมีแพ็คเกจที่เหนือกว่าสำหรับการแสดงข้อมูลและการวิเคราะห์ทางสถิติ อย่างไรก็ตาม เหตุผลหลักที่ฉันแนะนำให้ใช้ R นั้นมาจากการรวบรวมแพ็คเกจของ Google ที่มีอยู่ ซึ่งนำเราไปสู่กรณีการใช้งาน R ครั้งแรกในการตลาดดิจิทัล...

1. แพ็คเกจของ Google

Mark Edmondson ได้สร้างกลุ่มของแพ็คเกจที่ใช้งานร่วมกันได้ซึ่งใช้ googleAuthR สำหรับการตรวจสอบสิทธิ์แบ็กเอนด์ แพ็คเกจเหล่านี้ช่วยให้คุณเชื่อมต่อและโต้ตอบโดยตรงกับเครื่องมือต่างๆ เช่น Google Analytics, Big Query, Search Console, Tag Manager และ Google Cloud Project

Google Analytics –

แพ็คเกจ Google Analytics (GA) มีประโยชน์อย่างมากสำหรับนักการตลาด เนื่องจากช่วยให้คุณเข้าถึงข้อมูลของคุณนอกแพลตฟอร์มได้ ในบล็อกนี้ ฉันจะไม่ลงรายละเอียดเกี่ยวกับแพ็คเกจนี้มากเกินไป เนื่องจากเราได้กล่าวถึง googleAnalyticsR ในบล็อกอื่นๆ แล้ว ดูคำแนะนำเกี่ยวกับ googleAnalyticsR และการใช้ Google Trends กับ googleAnalyticsR สำหรับข้อมูลเพิ่มเติม

ในกรณีการใช้งานอื่นๆ ที่แสดงด้านล่าง ฉันจะใช้ข้อมูล GA ซึ่งเข้าถึงได้ผ่านแพ็คเกจ googleAnalyticsR (เช่น ดูกรณีการใช้งาน 2 เพื่อรวมและจัดกลุ่มข้อมูลเซสชัน GA ของคุณ) นี่คือวิธีที่คุณสามารถดึงข้อมูลนั้นสำหรับเว็บไซต์ของคุณได้ เพียงแค่ตั้งค่า View ID ช่วงวันที่ และเชื่อมต่อกับบัญชีของคุณ

 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)

คอนโซลการค้นหา –

แพ็คเกจ searchConsoleR ช่วยให้คุณดึงข้อมูลเกี่ยวกับการคลิก การแสดงผล และการจัดอันดับสำหรับคำหลักของเว็บไซต์ของคุณได้อย่างง่ายดาย ดูตัวอย่างโค้ดด้านล่างเกี่ยวกับวิธีสร้างข้อความค้นหาแรกของคุณ กรณีการใช้งาน 3 แสดงวิธีที่คุณสามารถเลือกข้อมูล Search Console สำหรับรายการ URL โดยใช้ 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) 

คำถามใหญ่ –

แพ็คเกจ bigQueryR นั้นทรงพลังอย่างยิ่งเพราะช่วยให้คุณโต้ตอบกับแพลตฟอร์มได้อย่างง่ายดาย ฉันกำลังเขียนบล็อกเกี่ยวกับวิธีอัปโหลดและอ่านข้อมูลไปและกลับจาก BigQuery คอยดู LinkedIn ของฉันซึ่งฉันจะแชร์ในเร็วๆ นี้

2. กลุ่มและรวม

ด้วยแพ็คเกจ dplyr คุณสามารถจัดการข้อมูลได้อย่างง่ายดายมากมาย ฟังก์ชันผลรวมช่วยให้คุณค้นหาผลรวมของตัวชี้วัดเฉพาะภายในชุดข้อมูลของคุณ สมมติว่าคุณกำลังดูเซสชันรายวันและต้องการค้นหาจำนวนเซสชันทั้งหมดในชุดข้อมูล

สัญลักษณ์ %>% กำลังบอกคุณว่าคุณกำลังใช้ฟังก์ชันทางด้านขวากับตัวแปรทางด้านซ้าย

 data %>% summarise(sum(sessions))

ตอนนี้ สมมติว่าคุณต้องการระบุผลรวมสำหรับแต่ละอุปกรณ์ นี่คือที่มาของการจัดกลุ่มตามฟังก์ชัน

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

กรณีการใช้งานอื่นๆ สำหรับสิ่งนี้จะเป็นการคำนวณยอดรวมรายเดือน สังเกตว่าเราไม่มีคอลัมน์ 'เดือน' เราสามารถสร้างได้อย่างง่ายดายด้วยฟังก์ชัน substr ที่แสดงในโค้ดด้านล่าง ที่นี่เราใช้อักขระ 7 ตัวแรกจากวันที่ 1 บอกเราว่าเราเริ่มจากค่าแรกและ 7 บอกให้เราเลือกค่า 7 ค่าแรก

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

ตอนนี้ เราสามารถจัดกลุ่มชุดข้อมูลตามหมวดหมู่อุปกรณ์ไม่เพียงเท่านั้น แต่ยังรวมถึงเดือนด้วย

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

3. Regexp

สตริง Regexp มักปรากฏในการตลาดดิจิทัล มีประโยชน์สำหรับการกรองชุดข้อมูลขนาดใหญ่ สมมติว่าคุณมีข้อมูลการคลิกและการแสดงผลของ Search Console สำหรับทุก URL ในเว็บไซต์ของคุณ แต่คุณต้องการดูเฉพาะชุดของหน้า Landing Page ในกรณีนี้ ฉันได้เพิ่มบล็อกอื่นอีก 2 บล็อกใน 'การตลาดดิจิทัลด้วย R' ในสตริง regexp เพื่อดูข้อมูลสำหรับพวกเขาเท่านั้น

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

4. ผสาน rbind และ cbind

ด้วยข้อมูลที่มาจากแหล่งต่างๆ นักการตลาดจึงต้องผสานข้อมูลอยู่ตลอดเวลา ไม่ว่าจะผ่าน VLOOKUP ใน Excel หรือฟังก์ชัน JOIN ใน BigQuery

ตัวอย่างด้านล่างแสดงวิธีรวมข้อมูล GA และ Search Console ในหน้า Landing Page เพื่อดูเซสชันทั้งหมดจาก GA เทียบกับการคลิกทั่วไปจาก SC เพื่อให้เราทราบถึงความสำคัญของคำค้นหาดังกล่าวต่อหน้า Landing Page ' การจราจร.

อันดับแรก เราจัดกลุ่มตามหน้า Landing Page เพื่อรวมเซสชัน GA จากนั้นเราสร้างคอลัมน์ใหม่ในชุดข้อมูล SC เพื่อแทนที่ช่องว่างด้วย URL หน้าแรก (เพื่อให้ตรงกับรูปแบบของข้อมูล GA สำหรับการผสานของเรา)

ต่อไป เราเพียงแค่ใช้ฟังก์ชัน 'ผสาน' และกำหนดว่าเราจะเข้าร่วมคอลัมน์ใด ฉันแนะนำให้อ่านบันทึกการเขียนโปรแกรมเหล่านี้เกี่ยวกับการปรับรูปร่างข้อมูลใหม่เพื่อดูคำอธิบายโดยละเอียดเกี่ยวกับการรวมต่างๆ

 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')

5. รูปแบบวันที่

ไม่มีอะไรน่าผิดหวังไปกว่าคอมพิวเตอร์ที่ไม่รู้จักวันที่ แพ็คเกจสารหล่อลื่นทำสิ่งมหัศจรรย์อย่างยิ่งเมื่อใช้ฟังก์ชันวันที่ เมื่ออ่านในชุดข้อมูลผ่าน API หรือผ่าน csv ที่จัดเก็บไว้ในเครื่องของคุณ คุณควรใช้ฟังก์ชันกับคอลัมน์วันที่ทันทีเพื่อให้แน่ใจว่าเป็นวันที่ ไม่ใช่อักขระหรือปัจจัย ฯลฯ

น่าเสียดาย ดูเหมือนว่ามีวิธีแสดงวันที่มากมายนับไม่ถ้วน รูปแบบดิจิทัลที่เห็นได้ทั่วไปมักจะเป็น ปปปป-ดด-วว หรือ วว/ดด/ปปปป ตามชุดข้อมูลที่คุณใช้และวิธีการแสดงวันที่ในปัจจุบัน ให้ลองใช้บรรทัดโค้ดที่เกี่ยวข้องด้านล่าง R จะตั้งค่าเริ่มต้นเพื่อแสดงรหัสของคุณในรูปแบบ ปปปป-ดด-วว

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

สรุป

หลังจากครอบคลุมตัวอย่างต่างๆ แล้ว ฉันหวังว่าจะได้โน้มน้าวคุณว่าการใช้ R มีประโยชน์มากมายในการปรับปรุงประสิทธิภาพทางการตลาดของคุณ โค้ดตัวอย่างควรจะเพียงพอสำหรับการเริ่มต้นใช้งาน แต่ให้ใช้ประโยชน์จากเอกสารประกอบสำหรับแพ็คเกจทั้งหมดที่ใช้และฟอรัมออนไลน์ โปรดติดต่อฉันและทีม Analytics หากคุณมีคำถามใดๆ เกี่ยวกับเนื้อหาที่ครอบคลุม