So verwenden Sie RStudio zum Erstellen von Verkehrsprognosemodellen

In dieser SEO-Industriebranche herrscht derzeit viel Wagemut pro Pythonschlange.

Es ist eine vergleichsweise einfacher zu erlernende Programmiersprache und ist dieser SEO-Gemeinschaft durch Leitfäden und Blogs zugänglich geworden.

Wenn Sie jedoch eine neue Sprache zum Aufgliedern und Visualisieren Ihrer Suchdaten lernen möchten, sollten Sie vereinen Blick uff R werfen.

Dieser Begleiter behandelt die Grundlagen, wie Sie Zeitreihenprognosen in RStudio aus Ihren Klickdaten dieser Google Search Console erstellen können.

Handkehrum zuerst, welches ist R?

R ist laut The R Project for Statistical Computing „eine Sprache und Umgebung pro statistische Berechnungen und Grafiken“.

R ist nicht neu und existiert seit dem Zeitpunkt 1993. Obwohl kann es pro SEOs von Vorteil sein, manche dieser Grundlagen von R zu lernen – einschließlich dieser Wechselbeziehung mit den verschiedenen APIs von Google.

Wenn Sie R wie neue Sprache erlernen möchten, sind folgende gute Kurse zum Lernen probat:

Handkehrum wenn Sie die Grundlagen verstehen und die Grundlagen dieser Datenvisualisierung in R lernen möchten, empfehle ich dasjenige geführte Projekt von Coursera, Application of Data Analysis in Business with R Programming.

Und dann zu tun sein Sie unter ferner liefen installieren:

Im Folgenden sind die Schritte zum Erstellen von Traffic-Prognosemodellen in RStudio unter Verwendung von Klickdaten aufgeführt.

Schrittgeschwindigkeit 1: Vorbereiten Sie die Datenmaterial vor

Jener erste Schrittgeschwindigkeit besteht darin, Ihre Google Search Console-Datenmaterial zu exportieren. Sie können dies entweder zusätzlich die Benutzeroberfläche tun und Datenmaterial wie CSV exportieren:

Oder wenn Sie Ihre Datenmaterial zusätzlich RStudio unverändert aus dieser Google Search Console API abrufen möchten, empfehle ich Ihnen, dieser Handbuch von JC Chouinard zu nachstellen.

Wenn Sie dies zusätzlich die Schnittstelle tun, laden Sie eine ZIP-File mit verschiedenen CSVs herunter, aus dieser Sie die Arbeitsmappe mit dem Namen „Datenmaterial“ erhalten möchten:

Ihr Datumsbereich kann ein Quartal, ein halbes Jahr oder 12 Monate zusammenfassen – wichtig ist nur, dass Sie die Werte in chronologischer Reihenfolge nach sich ziehen, welches dieser Export leichtgewichtig ergibt. (Sie zu tun sein nur Spalte A sortieren, damit die ältesten Werte oben stillstehen.)

Schrittgeschwindigkeit 2: Zeichnen Sie die Zeitreihendaten in RStudio

Jetzt zu tun sein wir unsrige Datenmaterial importieren und plotten. Dazu zu tun sein wir zunächst vier Pakete installieren und dann laden.

Jener erste auszuführende Kommando lautet:

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

Gefolgt von:

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

Anschließend möchten Sie Ihre Datenmaterial importieren. Die einzige Umbruch, die Sie am folgenden Kommando vornehmen zu tun sein, ist dieser Dateitypname (unter Einbehaltung dieser CSV-Erweiterung) in Rot:

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

Dann da sein die letzten beiden Befehle beim Zeichnen Ihrer Datenmaterial darin, die Zeitreihe zum Objekt zu zeugen und dann den Graphen selbst zu zeichnen:

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

Gefolgt von:

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

Und in Ihrer RStudio-Oberfläche wird ein Zeitreihendiagramm angezeigt:

Schrittgeschwindigkeit 3: Modellieren und prognostizieren Sie Ihre Datenmaterial in RStudio

An dieser Stelle ist es wichtig anzuerkennen, dass Prognosen keine exakte Wissenschaft sind und uff mehreren Wahrheiten und Annahmen beruhen. Selbige sind:

• Annahmen, dass sich historische Trends und Probe im Laufe dieser Zeit in unterschiedlichem Metrik wiederholen werden.
• Prognosen enthalten Fehler und Anomalien, da Ihr Eintragung (Ihre realen Klickdaten) Anomalien enthält, die wie Fehler ausgelegt werden könnten.
• Prognosen kreisen sich in dieser Regel um den Durchschnitt, wodurch Gruppenprognosen zuverlässiger sind wie eine Warteschlange von Mikroprognosen.
• Prognosen mit kürzerer Reichweite sind in dieser Regel genauer wie Prognosen mit längerer Reichweite.

Nachdem dies aus dem Weg geräumt ist, können wir damit beginnen, unsrige Verkehrsdaten zu modellieren und zu prognostizieren.

Zu Gunsten von diesen Begleiter werde ich unsrige Datenmaterial wie Bayesian Structural Time Series (BSTS)-Vorausschau visualisieren, eines dieser Pakete, die wir zuvor installiert nach sich ziehen. Dieses Diagramm wird von den meisten Prognosemethoden verwendet.

Die meisten Vermarkter werden dasjenige Normal gesehen nach sich ziehen oder zumindest damit vertraut sein, da es in vielen Branchen pro Prognosezwecke verwendet wird.

Jener erste Kommando, den wir elaborieren zu tun sein, besteht darin, unsrige Datenmaterial an dasjenige BSTS-Normal anzupassen:

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

Und dann plotten Sie die Modellkomponenten:

plot(model1, "comp")

Und jetzt können wir Ein- und Zweijahresprognosen visualisieren.

Zurück zu den zuvor erwähnten allgemeinen Prognoseregeln: Je weiter in die Zukunft Sie prognostizieren, umso ungenauer wird sie. Von dort bleibe ich hierbei zwischen zwei Jahren.

Und da BSTS eine Ober- und Untergrenze berücksichtigt, wird es ab einem bestimmten Zähler unter ferner liefen ziemlich sinnlos.

Jener folgende Kommando erstellt eine einjährige Zukunfts-BSTS-Vorausschau pro Ihre Datenmaterial:

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

Und Sie werden ein Diagramm wie dieses zurückgeben:

Um aus Ihren Datenmaterial ein zweijähriges Prognosediagramm zu erstellen, zur Folge haben Sie den folgenden Kommando aus:

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

Und dies wird eine Grafik wie welche erzeugen:

Wie Sie sehen können, lag die Ober- und Untergrenze in dieser Einjahresprognose in einem Skopus von -50 solange bis +150, während die Zweijahresprognose zwischen -200 und +600 liegt.

Je weiter in die Zukunft man prognostiziert, umso größer wird welche Spektrum und umso unbrauchbarer wird die Vorausschau meiner Meinung nachher.

Die in diesem Begleiter geäußerten Meinungen sind die des Gastautors und nicht unbedingt Search Engine Nation. Mitwirkender Autoren sind hier aufgelistet.

Fügen Sie Search Engine Nation zu Ihrem Google News-Feed hinzu.

---

Jenseits den Wortedrechsler

Dan Taylor ist Head of Technical SEO zwischen SALT.agency, einem in Großbritannien ansässigen Spezialisten pro technische SEO und Gewinner des Queens Award 2022. Dan arbeitet mit und leitet ein Team, dasjenige mit Unternehmen zusammenarbeitet, die von Technologie- und SaaS-Unternehmen solange bis hin zu Enterprise elektronischer Geschäftsverkehr reichen.