Wiedza specjalisty i doświadczenie są kluczowymi elementami, które w decydujący sposób wpływają na podejmowane decyzje. Bluerank od lat polegał na wysoce wykwalifikowanych specjalistach, którzy za pomocą nowoczesnych narzędzi są w stanie podnosić wyniki reklamowe i sprzedażowe naszych Partnerów. Wraz z rozwojem technologii i rozwoju świadomości na temat wykorzystania danych w marketingu, rozwijało się również pojęcie Data Science, czyli obszaru odpowiedzialnego za wykorzystanie matematyki w analizie danych. Takie podejście pozwala nam na bycie data-driven. W tym artykule przedstawimy możliwość wykorzystania modelowania szeregów czasowych w celu prognozowania ruchu, czyli tematu zapoczątkowanego przez potrzeby SEO, a którego rozwiązanie opracował nasz zespół Data Science.
Po co?
Prognozowanie jest zadaniem niezwykle trudnym. Większość z nas zapewne nie raz i nie dwa przekładało zaplanowany odpoczynek z powodu złej pogody – a przecież wcześniej prognozy napawały optymizmem. Warto wtedy pamiętać, że na pogodę ma wpływ niezliczona ilość czynników, co powoduje że prognozy długoterminowe są zdecydowanie mniej wiarygodne niż te krótkoterminowe – a te drugie i tak nie są w 100% pewne. Tak jak planujemy urlop, tak też i trzeba zaplanować budżet. Na to zaś wpływ ma również duża, ale na szczęście ograniczona ilość czynników. O ile na niektóre z nich ciężko jest uzyskać odpowiedź w sposób jednoznaczny (na przykład nigdy nie będziemy w stanie idealnie przewidzieć zachowania naszej konkurencji, która również reaguje na nasze działania), tak na inne możemy jej poszukiwać w skuteczny sposób. Odpowiedzią na to w jakie kanały warto inwestować jest atrybucja i optymalizacja mediów (kliknij aby dowiedzieć się więcej o Blueattribution). Odpowiedzią na to jakie kampanie są skuteczne mogą być testy typu Brand Lift (wpływ reklamy na markę) czy Conversion Lift. A jak to wygląda w przypadku SEO? SEO polega w ogromnej części na doświadczeniu specjalisty. W procesie ofertowania osoba odpowiedzialna za działania w tym obszarze jest pytana o zakładane wzrosty. I tutaj albo trafimy blisko celu albo kompletnie przestrzelimy wartości. O wiele łatwiej jest uzyskać bliskie rzeczywistości wyniki, kiedy opieramy się na wynikach ruchu organicznego prognozowanego przez zaawansowany model.
Jak?
Dane rozłożone w czasie nazywamy szeregiem czasowym. W naszej sytuacji szereg zawierać będzie 3 elementy. Sezonowość, trend oraz resztę (czyli czynniki niezależne od pierwszych dwóch składowych). Możemy wyobrażać to sobie jako zwykłe działania arytmetyczne.
Istota problemu polega na rozdzieleniu szeregu na 3 wyżej wymienione części i zaprognozowaniu danych na podstawie sezonowości i trendu. Proste prawda? W teorii tak, w praktyce niekoniecznie.
Istnieje bardzo dużo różnych podejść do problemu prognozowania. Wybranie odpowiedniego determinuje dokładność otrzymanych wyników oraz cały dalszy proces prognozowania – w naszym przypadku za wyniki odpowiada model Holta-Wintersa. Udoskonalany i ulepszany przez wiele lat znajduje idealne zastosowanie w przewidywaniu ruchu organicznego – i robi to z dużą dokładnością, co jest niewspółmiernie dużą wartością dodaną do biznesu.
Nie zapominajmy też o wartości, którą wnosi doświadczenie specjalisty. Zakładamy że prognoza jest dokładna, o ile sytuacja w ogóle się nie zmienia – a przecież może. Jeżeli jest na to przestrzeń, to działania SEO podejmowane dla nowego klienta mogą w bardzo pozytywny sposób wpłynąć na wyniki. Prognoza ruchu organicznego w tym przypadku jest dla specjalisty pomocą, na podstawie której może podejmować dalsze decyzje.
Komentarz:
Mateusz Rzetecki, Head of SEO, Bluerank
W Bluerank od zawsze kładziemy duży nacisk aby estymacje przygotowywane dla naszych Klientów były trafione w punkt. : ) Podczas procesów ofertowych wielokrotnie spotkałem się z pytaniami: czemu te estymacje są tak niskie, inna agencja obiecała nam nawet 400% więcej w tym samym budżecie. Naszym celem nie jest przyciągnięcie Klienta poprzez przygotowanie nierealnych prognoz wzrostów. Proces estymowania ruchu organicznego jest dla nas niezwykle istotny, dlatego oprócz wieloletniego doświadczenia specjalistów posiłkujemy się też modelami dostarczonymi przez nasz zespół Data Science. Dzięki takiemu podejściu jesteśmy w stanie dostarczać naszym Klientom jeszcze lepsze prognozy.
Skąd brać dane?
Algorytm z którego korzystamy i który został zaimplementowany w Blueattribution polega na surowych danych pobranych z Google Analytics. Nic natomiast nie przeszkadza w wykorzystaniu go przy innych danych – o ile zbieramy je dokładnie, systematycznie i mamy zapas historyczny.
Dane na których działa algorytm są prognozowane w systemie tygodniowym – czyli 52 tygodnie na rok. Pozwala to w łatwy sposób skupić się na “grubszej” sezonowości niż tygodniowa oraz zdecydowanie ułatwia wizualizację – wykres jest po prostu bardziej czytelny.
Minimum danych które są wymagane w celu wykonania prognozy to 2 lata. Musimy mieć chociaż po dwie sztuki rocznego trendu, rocznej sezonowości i reszt aby skutecznie wykonać model. Nie oznacza natomiast to, że im więcej danych historycznych posiadamy, tym dokładniejszy model będziemy w stanie stworzyć. Jeżeli w dalszym okresie historycznym serwis uległ kompletnemu przebudowaniu lub zostały podjęte inne działania które miały drastyczny i nagły wpływ na ruch, to z perspektywy modelu jest to już zupełnie inny rodzaj danych – a więc dodanie ich jedynie zaburzy model i nie pozwoli na dokładne prognozowanie.
Chcesz poznać marketing data-driven? Zapraszamy do zapoznania się z naszą bazą wiedzy
Chcesz dowiedzieć się więcej o prowadzeniu działań data-driven? Zapraszamy do kontaktu
