В SEO-индустрии сейчас много энтузиазма по поводу Python.

Это сравнительно простой язык программирования для изучения, и он стал доступен для SEO-сообщества через руководства и блоги.

Но если вы хотите изучить новый язык для анализа и визуализации данных поиска, рассмотрите возможность изучения R.

В этой статье рассматриваются основы того, как вы можете создавать прогнозы временных рядов в RStudio на основе данных о кликах в Google Search Console.

Но сначала, что такое R?

R — это «язык и среда для статистических вычислений и графики». Проект R для статистических вычислений.

R не нов и существует с 1993 года. Тем не менее, изучение некоторых основ R, в том числе способов взаимодействия с различными API Google, может быть полезным для SEO-специалистов.

Если вы хотите изучить R как новый язык, хорошими курсами для изучения являются:

Но если вы понимаете основы и хотите изучить основы визуализации данных в R, я рекомендую пошаговый проект Coursera, Применение анализа данных в бизнесе с программированием на R.

И тогда вам также необходимо установить:

Ниже приведены шаги по созданию моделей прогнозирования трафика в RStudio с использованием данных о кликах.

Шаг 1. Подготовьте данные

Первый шаг — экспортировать данные из Google Search Console. Вы можете сделать это через пользовательский интерфейс и экспортировать данные в формате CSV:

Или, если вы хотите получить свои данные через RStudio непосредственно из API Google Search Console, я рекомендую вам следовать это руководство от JC Chouinard.

Если вы сделаете это через интерфейс, вы загрузите zip-файл с различными CSV-файлами, из которых вам нужна рабочая книга с именем «Даты»:

Ваш диапазон дат может быть от квартала, шести месяцев или 12 месяцев — все, что имеет значение, это то, что у вас есть значения в хронологическом порядке, который легко выдает этот экспорт. (Вам просто нужно отсортировать столбец A, чтобы самые старые значения были вверху.)

---

---

Шаг 2. Нанесите данные временного ряда в RStudio.

Теперь нам нужно импортировать и построить наши данные. Для этого мы должны сначала установить четыре пакета, а затем загрузить их.

Первая команда для запуска:

## Install packages
install.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")

С последующим:

## Load packages
library("tidyverse")
library("tsibble")
library("fabletools")
library("bsts")

Затем вы хотите импортировать свои данные. Единственное изменение, которое вам нужно внести в приведенную ниже команду, — это имя типа файла (с сохранением расширения CSV), выделенное красным цветом:

## Read data
mdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))

Затем последние две команды при построении ваших данных должны сделать временной ряд объектом, а затем построить сам график:

## Make time series object
ts_data <- mdat %>%
as_tsibble(index = "Date")

С последующим:

## Make plot
autoplot(ts_data) +
labs(x = "Date", subtitle = "Time series plot")

И в вашем интерфейсе RStudio у вас появится график временных рядов:

Шаг 3. Смоделируйте и спрогнозируйте данные в RStudio

На данном этапе важно признать, что прогнозирование не является точной наукой и опирается на несколько истин и предположений. Это:

• Предположения о том, что исторические тенденции и закономерности будут повторяться с разной степенью в течение долгого времени.
• Прогнозирование будет содержать ошибки и аномалии, потому что ваш набор данных (ваши реальные данные о кликах) будет содержать аномалии, которые могут быть истолкованы как ошибки.
• Прогнозы обычно основаны на среднем значении, что делает групповые прогнозы более надежными, чем серию микропрогнозов.
• Краткосрочные прогнозы обычно более точны, чем долгосрочные.

После этого мы можем начать моделировать и прогнозировать данные о трафике.

В этой статье я буду визуализировать наши данные в виде прогноза байесовского структурного временного ряда (BSTS), одного из пакетов, которые мы установили ранее. Этот график используется большинством методов прогнозирования.

Большинство маркетологов видели или, по крайней мере, знакомы с этой моделью, поскольку она широко используется во многих отраслях для целей прогнозирования.

Первая команда, которую нам нужно выполнить, — это привести наши данные в соответствие с моделью BSTS:

ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)

А затем постройте компоненты модели:

plot(model1, "comp")

И теперь мы можем визуализировать прогнозы на один и два года.

Возвращаясь к ранее упомянутым общим правилам прогнозирования, чем дальше в будущее вы прогнозируете, тем менее точным он становится. Таким образом, я придерживаюсь двух лет, когда делаю это.

И поскольку BSTS рассматривает верхнюю и нижнюю границы, после определенного момента это также становится довольно бессмысленным.

Приведенная ниже команда создаст прогноз BSTS на один год для ваших данных:

# 1-year
pred1 <- predict(model1, horizon = 365)
plot(pred1, plot.original = 200)

И вы вернете такой график:

Чтобы создать график прогнозирования на два года из ваших данных, вы хотите запустить следующую команду:

pred2 <- predict(model1, horizon = 365*2)
plot(pred2, plot.original = 365)

И это создаст такой график:

Как видите, верхняя и нижняя границы в годовом прогнозе были в диапазоне от -50 до +150, тогда как в двухлетнем прогнозе — от -200 до +600.

Чем дальше в будущее вы прогнозируете, тем больше становится этот диапазон и, на мой взгляд, тем менее полезным становится прогноз.

---

Мнения, выраженные в этой статье, принадлежат приглашенному автору, а не обязательно поисковой системе. Штатные авторы перечислены здесь.

---