Dijital Pazarlamanızı R ile Geliştirin – R araç setinize Giriş

Yayınlanan: 2022-07-14

Dijital pazarlama evrenindeki süreçlerin otomasyonu giderek daha popüler hale geliyor. Ancak, her pazarlama sürecinin size yardımcı olmak için tasarlanmış özel bir yazılımı yoktur. Bahsedilen yazılım mevcut olsa bile, çok pahalıya mal olacağına bahse girersiniz.

Kodlama ilk başta biraz bunaltıcı görünse de, çok basit bazı kodlar sizi saatlerce çalışmadan kurtararak daha önemli görevlere daha fazla zaman ayırmanızı sağlayabilir. Raporlamadan veri görselleştirmeye, tahminden makine öğrenimine kadar, dijital pazarlama dünyasında kodlama için çok sayıda kullanım örneği vardır. Bu blogda, her bir kod satırını adım adım incelerken dijital pazarlamada R'nin bazı kullanım örneklerini ele alacağım.

Neden Python yerine R?

Bu cevaplaması kolay bir soru değil. R'yi seviyorum çünkü veri görselleştirme ve istatistiksel analiz için üstün paketlere sahip olduğunu düşünüyorum. Ancak, R'yi kullanmanızı önermemin asıl nedeni, bizi dijital pazarlamada R'nin ilk kullanım örneğine güzel bir şekilde getiren, mevcut Google paketlerinin toplanmasından kaynaklanıyor…

Google paketleri

Mark Edmondson, arka uç kimlik doğrulaması için googleAuthR kullanan bir dizi çapraz uyumlu paket oluşturmuştur. Bu paketler, Google Analytics, Big Query, Search Console, Etiket Yöneticisi ve Google Cloud Project gibi araçlarla doğrudan bağlantı kurmanıza ve etkileşimde bulunmanıza olanak tanır.

Google Analytics –

Google Analytics (GA) paketi, verilerinize platformun dışında erişmenize izin verdiği için pazarlamacılar için çok faydalıdır. googleAnalyticsR'yi diğer bloglarda zaten ele aldığımız için bu blogda bu paket hakkında çok fazla ayrıntıya girmeyeceğim. Daha fazla bilgi için googleAnalyticsR'ye giriş ve Google Trends'i googleAnalyticsR ile kullanma hakkındakilere bakın.

Aşağıda gösterilen diğer kullanım durumlarının çoğunda, googleAnalyticsR paketi aracılığıyla erişilen GA verilerini kullanacağım (yani, GA oturum verilerinizi toplamak ve gruplandırmak için kullanım örneği 2'ye bakın). Web siteniz için bu verileri nasıl alacağınız aşağıda açıklanmıştır - sadece Görünüm Kimliğini, tarih aralığını ayarlayın ve hesabınıza bağlanın.

 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)

Arama Konsolu –

searchConsoleR paketi, sitenizin anahtar kelimeleri için tıklamalar, gösterimler ve sıralamalar hakkında kolayca bilgi almanızı sağlar. İlk sorgunuzu nasıl yapacağınızla ilgili aşağıdaki örnek koda bakın. Kullanım örneği 3, normal ifade kullanarak bir URL listesi için Search Console verilerini nasıl seçebileceğinizi gösterir.

 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)

Büyük Sorgu –

bigQueryR paketi, platformla kolayca etkileşime geçmenizi sağladığı için son derece güçlüdür. Şu anda BigQuery'ye ve BigQuery'den nasıl veri yüklenip okunacağı hakkında bir blog yazıyorum - yakında paylaşacağım LinkedIn'e göz atın.

Grup ve Toplam

dplyr paketi ile birçok kolay veri işleme yapabilirsiniz. Toplam işlevi, veri kümenizdeki belirli bir metriğin toplamını bulmanızı sağlar. Günlük oturumlara baktığınızı ve veri kümesindeki toplam oturum sayısını bulmak istediğinizi varsayalım.

%>% sembolleri aslında size sağdaki işlevi soldaki değişkene uyguladığınızı söylüyor.

 data %>% summarise(sum(sessions))

Şimdi her cihazın toplamını belirlemek istediğinizi varsayalım. İşleve göre grup burada devreye girer.

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

Bunun için diğer kullanım durumları aylık toplamları hesaplamak olacaktır. Nasıl 'ay' sütunumuz olmadığına dikkat edin. Aşağıdaki kodda gösterilen substr fonksiyonu ile kolayca bir tane oluşturabiliriz. Burada tarihten itibaren ilk 7 karakteri alıyoruz. 1 bize ilk değerden başladığımızı ve 7 ise ilk 7 değeri seçmemizi söyler.

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

Artık veri setini sadece cihaz kategorisine göre değil, aya göre de gruplayabiliriz.

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

normal ifade

Normal ifade dizeleri, dijital pazarlamada sıklıkla görünür. Daha büyük veri kümelerini filtrelemek için kullanışlıdırlar. Sitenizdeki her URL için Search Console tıklama ve gösterim verileriniz olduğunu, ancak yalnızca bir dizi açılış sayfasına bakmak istediğinizi varsayalım. Bu durumda, 'R ile dijital pazarlama' üzerine 2 blog daha ekledim, sadece onlara ait verileri görmek için normal ifade dizesine.

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

Birleştirme, rbind ve cbind

Çeşitli kaynaklardan gelen verilerle, pazarlamacılar, ister Excel'deki DÜŞEYARA, ister BigQuery'deki JOIN işlevleri aracılığıyla, verileri sürekli olarak birleştirmek zorunda kalıyor.

Aşağıdaki örnek, GA'dan gelen toplam oturumları SC'den gelen organik tıklamalara kıyasla görmek için açılış sayfalarındaki GA ve Search Console verilerini nasıl birleştirebileceğinizi gösterir, böylece söz konusu arama sorgusunun açılış sayfaları için önemine dair bir göstergemiz olur. ' trafik.

İlk olarak, GA oturumlarını toplamak için açılış sayfasına göre gruplandırıyoruz. Ardından, boşlukları ana sayfa URL'si ile değiştirmek için SC veri kümesinde yeni bir sütun oluştururuz (birleştirmemiz için GA verilerinin biçimini eşleştirmek için).

Ardından, basitçe 'birleştirme' işlevini uygularız ve hangi sütuna katıldığımızı dikte ederiz. Farklı birleşimlere ilişkin tam bir açıklama için verilerin yeniden şekillendirilmesiyle ilgili bu programlama notlarını okumanızı tavsiye ederim.

 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')

Tarih biçimleri

Hiçbir şey bir bilgisayarın tarihi tanımamasından daha sinir bozucu olamaz. Lubridate paketi, tarih işlevlerini uygularken mutlak harikalar yaratır. Bir API aracılığıyla veya makinenizde depolanan bir csv aracılığıyla bir veri kümesini okurken, bunun bir karakter veya faktör vb. olarak değil bir tarih olarak kabul edildiğinden emin olmak için anında tarih sütununa bir işlev uygulamanız gerekir.

Ne yazık ki, tarihi görüntülemenin sonsuz sayıda yolu var gibi görünüyor. Dijital formatta en yaygın olarak görülenler, yyyy-aa-gg veya gg/aa/yyyy olma eğilimindedir. Kullanmakta olduğunuz veri kümesine ve tarihin şu anda nasıl görüntülendiğine bağlı olarak aşağıdaki ilgili kod satırını deneyin. R, daha sonra kodunuzu yyyy-aa-gg biçiminde görüntülemek için varsayılan olacaktır.

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

Özet

Çeşitli örnekleri ele aldıktan sonra, pazarlama verimliliğinizi artırmak için R kullanmanın çok sayıda faydası olduğuna sizi ikna etmiş olmayı umuyorum. Örnek kod, başlamanız için yeterli olmalıdır, ancak kullanılan tüm paketler ve çevrimiçi forumlar için belgelerden yararlanın. Kapsanan içerikle ilgili herhangi bir sorunuz varsa, lütfen benimle ve Analytics ekibiyle iletişime geçmekten çekinmeyin.