使用 R 改进您的数字营销 – R 工具包简介

已发表: 2022-07-14

数字营销领域内的流程自动化正变得越来越流行。 但是，并非每个营销流程都有专门为您提供帮助的软件。 即使存在所述软件，您也可以打赌它会花费很多。

虽然一开始编码可能看起来有点不堪重负，但一些非常简单的代码可以节省您的工作时间，使您能够将更多时间用于更重要的任务。 从报告到数据可视化，从预测到机器学习，数字营销领域有大量的编码用例。 在这篇博客中，我将介绍 R 在数字营销中的一些用例，同时逐步介绍每一行代码。

为什么选择 R 而不是 Python？

这不是一个容易回答的问题。 我喜欢 R，因为我认为它具有出色的数据可视化和统计分析软件包。 然而，我推荐使用 R 的主要原因是由于存在的 Google 软件包的集合，这使我们很好地了解了 R 在数字营销中的第一个用例……

  1. 谷歌包

Mark Edmondson 创建了一组使用 googleAuthR 进行后端身份验证的交叉兼容包。 这些软件包允许您直接与 Google Analytics、Big Query、Search Console、Tag Manager 和 Google Cloud Project 等工具进行连接和交互。

谷歌分析 -

Google Analytics (GA) 软件包对营销人员非常有用，因为它允许您在平台之外访问您的数据。 在这篇博客中，我不会详细介绍这个包，因为我们已经在其他博客中介绍了 googleAnalyticsR。 有关更多信息，请参阅 googleAnalyticsR 简介和将 Google 趋势与 googleAnalyticsR 结合使用。

在下面显示的许多其他用例中，我将使用通过 googleAnalyticsR 包访问的 GA 数据（即参见用例 2 来汇总和分组您的 GA 会话数据）。 您可以通过以下方式为您的网站获取这些数据——只需设置查看 ID、日期范围并连接到您的帐户。

 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)

搜索控制台 –

searchConsoleR 软件包可让您轻松获取有关您网站关键字的点击次数、印象数和排名的信息。 请参阅下面的示例代码，了解如何进行第一次查询。 用例 3 展示了如何使用正则表达式为 URL 列表选择 Search Console 数据。

 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)

大查询 –

bigQueryR 包非常强大，因为它可以让您轻松地与平台交互。 我目前正在写一篇关于如何向 BigQuery 上传数据和从 BigQuery 读取数据的博客——请关注我的 LinkedIn，我将很快分享。

  1. 分组和求和

使用 dplyr 包，您可以进行很多简单的数据操作。 sum 函数允许您在数据集中查找特定指标的总数。 假设您正在查看每日会话并希望找到整个数据集中的会话总数。

%>%符号本质上是在告诉您将右侧的函数应用于左侧的变量。

 data %>% summarise(sum(sessions))

现在假设您要确定每个设备的总和。 这就是按功能分组的地方。

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

其他用例是计算每月总计。 注意我们没有“月”列。 我们可以使用下面代码中显示的 substr 函数轻松创建一个。 这里我们取日期的前 7 个字符。 1 告诉我们从第一个值开始，7 告诉我们选择前 7 个值。

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

现在我们不仅可以按设备类别还可以按月份对数据集进行分组。

 data %>% group_by(c(monthYear, deviceCategory) %>% summarise(sum(sessions))
  1. 正则表达式

正则表达式字符串经常出现在数字营销中。 它们对于过滤更大的数据集很有用。 假设您拥有网站上每个 URL 的 Search Console 点击次数和展示次数数据，但您只想查看一组着陆页。 在这种情况下，我在正则表达式字符串中添加了另外 2 个关于“使用 R 进行数字营销”的博客，以便仅查看它们的数据。

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

由于数据来自各种来源，营销人员不得不不断地合并数据，无论是通过 Excel 中的 VLOOKUP 还是 BigQuery 中的 JOIN 函数。

下面的示例向您展示了如何合并登陆页面上的 GA 和 Search Console 数据，以查看来自 GA 的总会话与来自 SC 的自然点击的比较，以便我们了解所述搜索查询对登陆页面的重要性' 交通。

首先，我们按登录页面分组以总结 GA 会话。 然后我们在 SC 数据集中创建一个新列，用主页 URL 替换任何空白（以匹配我们合并的 GA 数据的格式）。

接下来，我们只需应用“合并”功能并指定我们要加入的列。 我建议阅读这些关于数据重塑的编程笔记，以获得对不同连接的完整解释。

 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. 日期格式

没有什么比电脑无法识别日期更令人沮丧的了。 lubridate 包在应用日期函数时绝对是个奇迹。 当通过 API 或存储在计算机上的 csv 读取数据集时，您应该立即将函数应用于日期列，以确保将其视为日期，而不是字符或因素等。

不幸的是，似乎有无数种显示日期的方法。 最常见的数字格式往往是 yyyy-mm-dd 或 dd/mm/yyyy。 根据您使用的数据集及其当前显示日期的方式，尝试下面的相关代码行。 然后，R 将默认以 yyyy-mm-dd 格式显示您的代码。

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

概括

在介绍了各种示例之后，我希望让您相信使用 R 来提高营销效率有很多好处。 示例代码应该足以让您入门，但请利用所有使用的包和在线论坛的文档。 如果您对所涵盖的内容有任何疑问，请随时与我本人和分析团队联系。