Создание кривой CTR вашего сайта

1. Часть 1. Извлечение данных из консоли поиска
2. Шаг 1. Установите дополнение Sheets
3. Шаг 2. Сделайте запрос API
4. Шаг 3: Экспорт данных
5. Что измеряет показатель CTR поисковой консоли?
6. Часть 2. Создание кривой CTR
7. Шаг 2: добавление линии тренда
8. Часть 3: Рассчитать невязки, чтобы найти выбросы
9. Шаг 2: Создайте точечный график для проверки ваших расчетов
10. Шаг 3: выявить и проанализировать выбросы
11. Часть 4: Проект Влияние изменений рейтинга
12. Шаг 1: округлите позиции до ближайшего целого
13. Шаг 2: агрегирование данных с использованием сводной таблицы
14. Шаг 3: подготовьте результаты
15. Шаг 4: Прогноз влияния изменений рейтинга
16. Часть 5: Измерьте эффект от внедрения SEO
17. Резюме

В этом руководстве подробно описано, как создавать пользовательские кривые рейтинга кликов (CTR), используя данные из Google Search Console. При этом мы сможем:

• Определите выбросы, чтобы найти запросы, которые приводят к необычно высоким и низким показателям кликов для вашего сайта.
• Делайте персонализированные прогнозы влияния изменения рейтинга.
• Измерьте эффект улучшений, сделанных в тегах заголовков, метаописаниях и богатых результатах.

Мы будем использовать надстройку Google Sheets для доступа к API консоли поиска и извлечения данных, а затем продолжим анализ в Excel.

Если вы на борту, тогда войдите в свою учетную запись Google Search Console и выполните следующие шаги, чтобы извлечь данные через API!

Если вам нужно немного убедить, рассмотрите следующий пример сайта электронной коммерции, чтобы проиллюстрировать потенциальную полезность этого анализа.

• После построения кривой CTR вы видите страницы с необычно низким CTR. Вы замечаете, что на этих страницах плохое метаописание и нет разметки.
• Чтобы сформулировать экономическое обоснование для реализации улучшенных мета-описаний и расширенной разметки, вы прогнозируете увеличение числа кликов по этим страницам. Используя пользовательскую кривую CTR сайта (а не общие или устаревшие данные кривой кликов, например, AOL), вы можете максимизировать точность этого прогноза.
• Ваши предлагаемые изменения в конечном итоге будут реализованы. Проходит несколько месяцев, и вы хотите увидеть эффект. Генерируя новую кривую CTR для оптимизированных страниц, вы видите заметное улучшение по сравнению с предыдущим. Ваша работа окупилась, и у вас есть данные, чтобы доказать это.

Часть 1. Извлечение данных из консоли поиска

Во-первых, нам нужно выпустить данные из границ Search Console, задачи, которая легко решается с помощью надстройки Search Analytics для листов Google.

Если он уже установлен, откройте новый лист и перейдите к шагу 2. В противном случае перейдите к шагу 1.

Шаг 1. Установите дополнение Sheets

После входа в Консоль поиска открой Дополнение Search Analytics Sheets и нажмите поле «+», чтобы интегрировать его с вашей учетной записью Google. Вы должны увидеть новый открытый лист и появится следующее диалоговое окно:

После проверки подлинности надстройки к ней можно получить доступ с любого нового листа через панель инструментов.

Шаг 2. Сделайте запрос API

Теперь вы готовы запрашивать данные через API консоли поиска. Выберите свой сайт и желаемый диапазон дат, фильтры и размеры для группировки. В этом случае я выбрал максимально допустимый диапазон дат в 90 дней и сгруппировал по запросу (ключевое слово), а также по странице. В целях просмотра CTR (то есть этого сообщения в блоге) я бы не предлагал группировать по дате; таким образом, каждая комбинация запросов и страниц будет представлена ​​только одной точкой на точечных диаграммах, которые мы генерируем в частях 2 и 3. Наконец, здесь можно применить фильтры для таких вещей, как удаление фирменных терминов и сегментов для данного типа устройства или страны.

Когда вы будете довольны выбором, нажмите «Запросить данные» и позвольте листу заполниться вашими сладкими сладкими данными. Если вы не группировали по дате (то есть, если следите за мной), вы должны смотреть на клики, показы, CTR и позицию, агрегированные по Query и Page.

Шаг 3: Экспорт данных

На данный момент, вы можете попытаться продолжить анализ в листах, однако я считаю, что Excel гораздо лучше для того, что мы собираемся сделать. Экспортируйте таблицу в формате csv (или xlsx), чтобы мы могли открыть ее локально в Excel.

Что измеряет показатель CTR поисковой консоли?

На первый взгляд может показаться, что это число кликов за поиск, однако это не так. CTR просто определяется как количество кликов, деленное на количество показов. Различие очень важно и сильно влияет на нашу интерпретацию следующих результатов.

Часть 2. Создание кривой CTR

Шаг 1: Создайте точечный график

Мы собираемся сделать точечный график, показывающий CTR как функцию Position. Делайте это так, как считаете нужным для вашей версии Excel; Я считаю, что проще всего вырезать и вставлять данные CTR справа от данных положения (позволяя осям выходить вправо), а затем выбрать оба столбца и нажать «Рекомендованные диаграммы» -> «Разброс» на вкладке «Вставка».

После маркировки и выбора вашего любимого стиля у вас должно остаться что-то вроде этого:

Увеличение прозрачности маркера позволяет получить эффект тепловой карты.

Шаг 2: добавление линии тренда

Простой способ получить кривую CTR - добавить линию тренда. На вкладке Chart Design мы можем выбрать Add Chart Element -> Trendline -> More Trendline Options, а затем выбрать линию тренда Power.

Параметр «Питание» может быть недоступен, что происходит, когда значения CTR равны 0. В этом случае вы можете отфильтровать их: выберите все данные, нажмите «Фильтр» на вкладке «Данные» и выберите «CTR> 0». Вы можете найти приличную посадку из логарифмической опции, которая не будет выделена серым цветом.

Как и было обещано, мы рассчитали кривую CTR вашего сайта! Если это не удовлетворительный результат для вас, не волнуйтесь; мы возьмем другой подход к проблеме и создадим новую кривую позже в руководстве. Однако, если вы, по крайней мере, слегка довольны этим результатом, продолжайте, поскольку мы определяем планировщиков, чтобы найти наиболее эффективные и наиболее эффективные страницы вашего сайта с точки зрения CTR.

Часть 3: Рассчитать невязки, чтобы найти выбросы

Шаг 1: сделать расчет

Остаточные значения определяются как \ (\, r_i = y_i - \ hat {y} _i \, \), где \ (\, y \, \) - фактический CTR, \ (\, \ hat {y} \, \) является прогнозируемым CTR, а \ (\, i \, \) идентифицирует точку данных. Для моей линии тренда Power Excel рассчитал прогнозируемый CTR как

\ (\ hat {y} = 0,1966x ^ {- 0,735} \)

где \ (\, x \, \) - позиция. Имея это в виду, мы можем вычислить невязки для каждой строки по формуле Excel «= [CTR] - (0.1966 * [Position] ^ (- 0.735))», где [CTR] и [Position] должны быть изменены на соответствующие клетки в каждом ряду. Обязательно используйте коэффициенты для вашей линии тренда вместо моей.

Шаг 2: Создайте точечный график для проверки ваших расчетов

При построении графика остатков как функции позиции вы должны увидеть что-то вроде этого:

Шаг 3: выявить и проанализировать выбросы

Остатки количественно определяют, насколько хорошо каждая точка данных соответствует линии тренда. Для набора данных с идеальной подгонкой каждое остаточное значение будет равно нулю. В нашем случае, когда целевой переменной является CTR, остатки можно интерпретировать следующим образом:

• Большой положительный остаток = более высокий CTR, чем прогнозировалось, страница показала хорошие результаты для заданного поискового запроса
• Большой отрицательный остаток = более низкий CTR, чем прогнозировалось, страница работает плохо для данного поискового запроса

Теперь мы можем выследить выбросы. Добавьте новый рассчитанный столбец остатков в фильтр, выбрав все данные и нажав кнопку «Фильтр» на вкладке «Данные».

Теперь мы можем сортировать по столбцу Остаточный, чтобы найти хорошо работающие страницы (высокие положительные значения) и плохо работающие страницы (высокие отрицательные значения). Мы можем сосредоточиться на самых важных страницах, отфильтровывая определенное количество показов и сузив наши результаты до конкретных позиций, если это необходимо. Например, отфильтруйте по комбинациям запросов и страниц более 100 показов, которые ранжируются на странице 2 в списках поисковой выдачи (позиции 11–20).

Часть 4: Проект Влияние изменений рейтинга

Может быть желательно сообщить о прогнозируемом влиянии SEO на основе изменения рейтинга ключевых слов. Это может включать в себя прогнозирование того, сколько еще кликов получит комбинация «Запрос» и «Страница», если Позиция увеличивается на определенную величину. В этой ситуации заманчиво отложить устаревшие данные CTR, такие как Утечка AOL в 2006 году :

Или еще лучше, что-то вроде этого , Однако я предпочитаю основывать свои прогнозы на данных, поступающих непосредственно с сайта, используя мои собственные расчеты. Если вы зашли так далеко, то это действительно не очень сложно.

Шаг 1: округлите позиции до ближайшего целого

Во-первых, нам нужно дискретизировать данные о местоположении; давайте добавим для этого новый столбец, используя формулу «= ROUND ([Position], 0)», где [Position] следует заменить соответствующей ячейкой для каждой строки.

Шаг 2: агрегирование данных с использованием сводной таблицы

Далее мы собираемся использовать сводную таблицу для расчета среднего CTR для каждой отдельной позиции. Выделите все данные и нажмите «Сводная таблица» на вкладке «Вставка» (сначала можно отфильтровать строки под некоторым пороговым значением для показов). Нажмите «ОК» во всплывающем диалоговом окне, чтобы добавить сводную таблицу на новую вкладку. Вам будет представлен новый диалог, в котором метрики и измерения можно перетаскивать в разные поля. Я сделал это, как показано ниже, перетащив поле CTR три раза в поле «Значения» и изменив тип агрегации для каждого, щелкнув по круговой букве «я».

Шаг 3: подготовьте результаты

Включая стандартное отклонение, мы видим, насколько хорошо следует доверять среднему CTR для каждой позиции. Используя эти значения стандартных отклонений для установки пользовательских полос ошибок, моя дискретная кривая CTR выглядит следующим образом:

Для этих данных, как можно видеть, запросы позиции 1 усредняют CTR около 37%, а столбцы ошибок говорят нам, что 68% этих запросов имеют CTR от примерно 10% до 63%. CTR для других позиций должен интерпретироваться аналогично.

Шаг 4: Прогноз влияния изменений рейтинга

Есть два подхода, которые я использовал в прошлом, в каждом случае цель состоит в том, чтобы оценить количество кликов для ключевого слова с учетом его прогнозируемой позиции. В любом случае есть элемент догадки. Метод Impressions работает следующим образом:

1. Получить количество показов для ключевого слова в его текущей позиции.
2. Спроектируйте количество показов в прогнозируемом Позитоне.
3. Используйте средний рейтинг кликов в прогнозируемой позиции вместе с прогнозируемым количеством показов, чтобы прогнозировать количество кликов.

Другой метод связан с объемами поиска, которые оцениваются для широкого спектра запросов такими службами, как SEMrush. Этот метод работает следующим образом:

1. Получите приблизительный объем поиска по ключевому слову.
2. Преобразуйте CTR из кликов / показов (как показано выше) в клики / объем поиска. Это может быть сделано с использованием специального коэффициента демпфирования, как показано ниже.
3. Используйте только что рассчитанные клики / CTR поиска вместе с прогнозируемым ключевым словом Position для прогнозирования количества кликов.

Для обоих методов второй шаг предполагает ручную догадку. Для метода «Впечатления» это означает создание алгоритма, который может оценить, как будут изменяться показы при переходе от положения А к положению В. Хотя это далеко не идеально, полезно начать с фактического количества показов, измеренного Google.

Метод «Объем поиска» более прост, но страдает от необходимости полагаться (во многих случаях плохо) на оценочный объем поиска. Например, чтобы рассчитать клики / поиск для первой страницы результатов поиска, мы могли бы оценить, что каждый поиск приводит к среднему значению:

• 1 Впечатление для позиций 1-4
• 1/2 показа для позиций 5-7
• 1/4 показа для позиции 8-10

Используя эти специальные оценки в качестве фактора демпфирования, средние клики / поиск по запросам первой страницы в моем наборе данных выглядит следующим образом:

Здесь мы сравниваем фирменные и небрендированные запросы. В этом случае мы видим, что фирменные запросы не оказывают существенного влияния на CTR, кроме как для позиции 1.

Часть 5: Измерьте эффект от внедрения SEO

Обсудив прогнозируемое влияние SEO, давайте теперь посмотрим, как CTR может использоваться для визуализации фактического воздействия этих изменений. Это особенно актуально для изменений, влияющих на внешний вид вашего сайта в поисковой выдаче, то есть тегов заголовков, метаописаний и расширенной разметки.

Может быть трудно увидеть изменения количества показов, кликов или позиций в результате изменения внешнего вида вашего сайта в поисковой выдаче. Кроме того, при условии, что вы реализуете несколько SEO-решений параллельно, не стоит приписывать изменения в поисковой аналитике какому-либо одному решению. При этом, поскольку CTR будет в значительной степени зависеть от появления сайта в поисковой выдаче, эти данные могут предложить способ выделить эти эффекты.

Предлагаемый нами метод включает в себя приведенный выше анализ двух наборов данных, один из которых берется из временного диапазона перед внедрением изменений в теги заголовков, мета-описания и / или расширенные фрагменты, а другой - из временного диапазона после изменений.

Получить эти данные легко благодаря надстройке Sheets, в которой есть опция фильтра даты. Однако, поскольку консоль поиска сохраняет эти данные только в течение 90 дней, набор данных «До» должен быть сохранен до внесения изменений в сайт. Затем, после того как Google предоставит время для индексации изменений, набор данных «После» может содержать до трех месяцев пользовательских данных.

Улучшенный внешний вид сайта в поисковой выдаче должен привести к заметному увеличению CTR во всех позициях. Рациональность проста: больше людей, которые регистрируют показ, перейдут на страницу. Если изменяются только определенные страницы, лучше сосредоточиться на них, отфильтровывая данные при выполнении запроса API. Таким образом вы минимизируете количество шума в результатах.

Резюме

В попытке найти содержательные выводы из данных CTR Google Search Console мы провели анализ высокого уровня в Excel. Мы начали со сбора данных с помощью API консоли поиска и расчета простой кривой CTR. Мы использовали эту кривую для определения остатков, которые были использованы для сопоставления страниц с лучшими и худшими показателями с точки зрения CTR. Затем мы дискретизировали данные позиции и рассчитали средний CTR для каждой позиции, включая стандартное отклонение в качестве меры ошибки для каждой позиции. Наконец, мы применили коэффициент демпфирования для преобразования CTR для 10 лучших позиций из кликов / показов в клики / поиск.

Спасибо за подписку! Если вы примените этот анализ к своему собственному сайту, мы будем рады узнать об этом. Твитни нам свою историю @ayima ,

Если вы хотите помочь с использованием таких данных для формирования SEO стратегии вашей компании, то связаться !

Похожие

Комментарии