Как предсказать органический трафик: два метода

Как предсказать органический трафик — это вопрос, который часто возникает в дебатах, когда консультанты SEO и третьи лица обсуждают запланированную стратегию SEO.

Поскольку SEO не является точной наукой, а из-за отсутствия общих истин, которые применяются ко всем отраслям (количество слов на странице и т. д.) и точных цифр (стоимость за клик и т.д.), SEO по самой своей природе затрудняет математические предсказания.

Зачем прогнозировать свой органический трафик?

Несколько причин может привести к тому, что руководитель компании, руководитель отдела и многие другие лица, принимающие решения, будут запрашивать прогнозы SEO-трафика:

Чтобы быть уверенным в инвестициях. (SEO-это прежде всего инвестиции как маркетинговый канал.)

Чтобы сбалансировать расходы между бюджетом SEO и инвестициями в платный поиск (объявления Google, Покупки и т.д.).

Должны ли вы согласиться предоставить прогнозы?

Это вопрос, на который каждый SEO-консультант должен ответить рано или поздно, когда сталкивается с требовательным менеджером или клиентом.

Это может показаться рискованным, чтобы попытаться предсказать результаты, потому что SEO является неточной наукой.

Иногда человек, с которым вы имеете дело, поймет это и быстро увидит сложности SEO.

Но в других ситуациях предоставление прогноза будет обязательным условием, прежде чем вы сможете получить зеленый свет для любой SEO-стратегии.

Тем не менее, вам необходимо владеть информацией, прежде чем вы сможете начать составлять прогноз:

Ежемесячные органические сессии последних 12 месяцев: это минимальный отрезок времени, который позволяет сглаживать прогнозируемые данные в течение всего года, что в свою очередь позволяет реалистично понять, что стоит за данными.

Ежемесячные сеансы с других каналов за тот же период, чтобы лучше понять полную картину трафика на веб-сайте. Эта информация не будет использоваться в расчетах.

Важные события, которые могут потребовать увеличения инвестиций в платный поиск.

Сезонность (циклы высокой и низкой активности) и ключевые периоды для индустрии сайта.

Эта информация должна быть «хорошим кандидатом» для подготовки реалистичных и уместных прогнозов. Другими словами, стохастические и неполные данные не могут быть использованы.

Как вы можете предсказать органический трафик?

В зависимости от используемых инструментов существует несколько методов прогнозирования трафика.

В этой статьи мы рассмотрим два метода, которые легко использовать и легко объяснить вашим вышестоящим лицам.

1. Метод Холта-Винтерса

Несмотря на то, что это метод экспоненциального сглаживания, метод Холта-Винтерса имеет серьезное преимущество в том, что он учитывает тенденции в ряде данных, а также идею сезонности.

Таким образом, он может создавать реалистичные прогнозы на основе данных, специфичных для веб-сайта, для которого мы хотим создать прогноз.

Чтобы воспользоваться этим методом, вам необходимо будет скачать:

Р: https://cran.rstudio.com/

R Studio: https://www.rstudio.com/products/rstudio/download/

Это верно: мы собираемся использовать язык R для создания проекции (но вам не нужно быть экспертом в R, чтобы сделать это упражнение).

Затем вам нужно будет открыть R Studio и загрузить следующие библиотеки, используя эту команду, но заменив LIBRARY_NAME для каждой из трех библиотек ниже:

install.packages("LIBRARY_NAME")

Highcharter: для создания визуализаций данных.

GoogleAnalyticsR: чтобы получить необходимые данные из Google Analytics.

Прогноз: для создания проекции.

Наконец, вам нужно будет отметить идентификатор представления Google Analytics, который вы хотите использовать для получения данных для органических сеансов.

Теперь, вернувшись в R Studio, вы можете скопировать и вставить следующий код и выполнить его после замены заполнителей своими собственными данными для идентификатора Google Analytics view и для дат, которые будут проанализированы.

Это позволит получить визуализацию проекции, которую мы так долго ждали!

# Load up a few libraries we'll need to retrieve and work with the data
library(highcharter)
library(googleAnalyticsR)
library(forecast)

# Set the view ID that we'll be using. You can get the view ID for a specific view
# that you have access to by logging into the Google Analytics Query Explorer at
# https://ga-dev-tools.appspot.com/query-explorer/. It's the "ids" value.
view_id <- 81416156

# Authorize Google Analytics
ga_auth()

# Get the data from Google Analytics
gadata <- google_analytics_4(view_id,
date_range = c("2013-08-01", "2016-07-31"),
metrics = "sessions",
dimensions = c("yearMonth"),
max = -1)

# Convert the data to be officially "time-series" data
ga_ts <- ts(gadata$sessions, start = c(2013,08), end = c(2016,07), frequency = 12)

# Compute the Holt-Winters filtering for the data
forecast1 <- HoltWinters(ga_ts)

# Generate a forecast for next 12 months of the blog sessions
hchart(forecast(forecast1, h = 12))

Поздравляем! Вы сгенерировали прогноз органического трафика на ближайшие 12 месяцев!

2. Метод CTR с помощью консоли поиска

Этот второй метод имеет более краткосрочный подход в своем анализе, так как он не позволяет сгладить прогноз в течение следующих 12 месяцев.

Тем не менее, оно имеет преимущество в том, что оно нацелено на конкретные страницы на основе дополнительных пользовательских критериев, например, уровня важности, который вы им назначаете.

В этом примере мы собираемся использовать OnCrawl, SEMrush и Search Console, но это упражнение можно выполнить с любым сканером, который может подключаться к другим источникам данных, и любым инструментом, предоставляющим данные ключевых слов.

В нашем примере мы рассмотрим визуализацию данных на основе наших ключевых слов (за исключением названия бренда). Мы также можем применить более узкую сегментацию, чтобы сконцентрироваться, например, на определенной группе страниц.

Прежде чем мы начнем, нам нужно будет экспортировать данные, связанные с органическим поиском из SEMrush для веб-сайта, который мы анализируем:

• URL-АДРЕС
• Ключевое слово
• Текущее положение
• Объем ежемесячных поисков
• Сложность ключевых слов
• Расчетный КПК
• Уровень конкуренции
• Количество результатов в Google
• Ежемесячные тенденции поиска (затем вам нужно будет приписать календарный месяц каждому из этих значений при открытии экспорта в Редакторе электронных таблиц, таком как Excel или LibreOffice).

После ссылки на URL-адреса эти данные будут сопоставлены с данными консоли обхода контента и поиска, чтобы создать следующую визуализацию.

Здесь целью является анализ страниц, которые ранжированы на странице 1 результатов поиска, между позициями 4 и 10, и для которых конкуренция низкая или очень низкая.

Пока будем считать, что этот KPI является фактором успеха наших оптимизационных действий. Кроме того, мы также можем использовать сложность ключевого слова в качестве базового KPI.

В этом примере мы имеем 27 страниц, ранжированных между позициями 4 и 10 и для которых уровень конкуренции низок, и 120 страниц, для которых уровень конкуренции очень низок.

Теперь с помощью следующей таблицы, созданной на основе перекрестного анализа данных Search Console и crawl, мы можем создать проекцию, основанную на текущей средней CTR страниц, ранжированных в 3 лучших позициях в результатах поиска.

Мы также могли бы создавать как положительные, так и отрицательные прогнозы, основываясь на страницах, CTR которых выше или ниже среднего CTR для всего сайта.

Используя сведения для 147 страниц, которые мы нашли ранее, выполните следующие действия:

• Экспортируйте следующие данные из сканера в Excel: позиция, ключевое слово, страница, уровень конкуренции.
• Также включите ежемесячный объем поиска по ключевому слову или в среднем по всем поискам, связанным со страницей.

• В Excel на странице умножьте CTR на средний объем поиска (глобальный объем страницы или объем целевого ключевого слова на странице), чтобы определить ваше потенциальное приобретение в органическом трафике. В приведенном ниже примере столбцы E и F соответствуют потенциальному ежемесячному трафику на основе среднего CTR по соответствующей средней позиции SERP.

Вывод

Вы только что создали два различных типа прогнозов, предсказывающих органический трафик на веб-сайте.

Обратите внимание, что можно создавать различные прогнозы на основе дополнительных данных, касающихся веб-сайтов конкурентов (например, наличие или отсутствие структурированных данных на страницах рейтинга и т. д.).