Пошаговая аннотация по расчету конверсии для ключевиков в Power BI | Статьи SEOnews

Пошаговая аннотация по расчету конверсии для ключевиков в Power BI | Статьи SEOnews
Алексей Жарий Старший спец по контекстной рекламе i-Media Прогноз коэффициента конверсии можнож рассчитать даже в том случае, ежели у вас не хватает статистики. В предшествующей статье мы на приятных образцах проявили, как получить прогнозные значения для ключевиков, которые набрали совершенно малюсенько кликов и конверсий. Сейчас мы поведаем, как с поддержкою тех же формул получить прогноз конверсии в Power BI.

Методика и формула расчета

Прогнозные значения CR (коэффициента конверсии) мы получаем с поддержкою многоуровневого пулинга. Благодаря этому способу можнож не переживать из-за изъяна статистики: ежели данных по некий сущности (ключевому слову, объявлению, кампании, аккаунту) не хватает, то в расчет берутся характеристики для сущности уровнем выше. К образцу, когда недостаточно статистики по ключевикам при расчете употребляются данные подходящей группы объявлений.

Напомним формулу расчета предсказуемого CR для сущностей, по которым нет достаточного размера данных. В нее врубаются клики и конверсии для текущей сущности, CR для сущности уровнем выше и ступень пулинга, которая в нашем случае равняется к единице.

Еноты опять в деле

Как и в первой статье, мы будем рассчитывать прогноз CR на образце интернет-магазина мягеньких игрушек. В нашем придумываемом магазине продаются лишь плюшевые слоны и еноты, потому семантическое ядро включает 16 ключевых фраз, распределенных по кампаниям «Слоны» и «Еноты». Чтоб рассчитать прогноз для каждого ключевого слова, нам придется поначалу найти CR для наиболее больших сущностей: аккаунта, кампаний и групп признаков.

Главные функции Power Query

Предполагается, что читатель желая бы поверхностно знаком с интерфейсом Power BI, языком M для Power Query и языком Dax. Для тех, кто пока не может похвалиться таковыми познаниями, мы подготовили описание функций Power Query, нужных для обработки данных и расчета прогноза. Другие могут неустрашимо пропустить эту часть.

До этого всего отметим, что в Power Query нельзя редактировать отдельные ячейки по координатам (X,Y) , как в Excel. Преображение происходит на уровне столбцов. А вот функции, которые нам понадобятся:

1. Use first row as headers. 1-ая строчка загруженной таблицы будет употребляться в качестве источника заголовков.

2. Выбор типа данных в столбцах.

Вот главные типы данных (про другие можнож выяснить в официальной справке Power BI) :

  • Decimal Number (числовые данные с «плавающей» запятой) .
  • Fixed Decimal Number (числовые данные с фиксированной запятой) . Традиционно этот формат употребляется в столбцах, которые содержат значения в какой-нибудь валюте (CPC, CPA, расход, доход и т.д.) .
  • Whole Number (целое число) . Этот тип данных предназначен для столбцов с показателями, которые могут выражаться лишь целыми числами (клики, конверсии, показы) .
  • Text (текстовые данные) . Формат подходит для столбцов с наименованиями кампаний, ключевиками, разными статусами, признаками, значениями геотаргетинга и т. п.

Тип данных можнож задавать и для нескольких столбцов сходу. При нажатой клавише CTRL выделите нужные столбцы, потом нажмите правую клавишу мыши и выберите в меню Change Type.

Время от времени при смене типа данных в столбце возникают оплошности. Почаще всего это происходит при работе с показателями из Яндекс.Метрики и Яндекс.Директа, связанными с валютными единицами (расходом, заработком и иными) . В данном варианте необходимо открыть перечень с типами данных и выбрать пункт Using Locale. Во всплывающем окне задайте тип данных, в нижнем перечне English (United States) .

3. Переименование столбцов. Функция доступна опосля двойного клика по заголовку столбца. Задавайте краткие и обыкновенные заглавия, которые светло обрисовывают данные в столбце.

4. Округление числовых данных с «плавающей» запятой до подходящего разряда. Наведите курсор на столбец, нажмите правую клавишу мыши и выберите Transform — Round — Round. Опосля этого задайте необходимое число символов опосля запятой.

5. Прибавление новейшего столбца по данному правилу. Откройте вкладку Add Column и нажмите на клавишу Custom Column.

В загрузившемся окне задайте заглавие столбца и верховодило, в согласовании с которым будут формироваться значения в новеньком столбце. В поле Available Columns отображается перечень теснее имеющихся столбцов. Двойной клик по столбцу прибавляет его верховодило.

В нашем образце новейший столбец «Кампания-Ключ» будет содержать данные из столбцов «Кампания» и «Ключевое слово», разделенные дефисом.

6. Разбивка данных в столбце по делителю. Функция употребляется повсеместно, к образцу, при отделении минус-слов от ключевой фразы. Давайте для образца разделим столбец «Кампания-Ключ», который мы лишь что создали, на два новейших. Наводим курсор на столбец, давим правую клавишу мыши и избираем Split Column — By Delimiter.

В загрузившемся окне избираем Custom и прописываем делитель (в нашем случае — дефис) . Потом избираем Left-most delimiter («Разделять по самому левому делителю», другими словами по первому дефису, который обнаружится в столбце при чтении слева направо) . Раскрываем перечень Advanced Options и задаем None в поле Quote Character. В неприятном случае кавычки (к образцу, вокруг ключевиков) просто исчезнут опосля разделения. Обратите внимание, что сам делитель при разбивке на столбцы исчезает.

7. Удаление столбца. Наводим курсор на столбец, давим правую клавишу мыши и избираем Remove.

8. Дублирование столбца со всеми его значениями. Наводим курсор на столбец, давим правую клавишу мыши и избираем Duplicate.

9. Прибавление условного столбца. Функция дозволяет прибавлять столбцы, значения в каких определяются на базе значений из иных столбцов. К образцу, можнож добавить столбец со значениями «еноты-пилоты» (для ключей, содержащих слово «енот») и «слоники-электроники» (для всех других) . Раскрываем вкладку Add Column и давим клавишу Conditional Column. В загрузившемся окне:

  • задаем заглавие новейшего столбца;
  • в поле Column Name избираем столбец, данные которого станут основой для верховодил;
  • в поле Operator избираем Contains («Содержит») ;
  • в поле Value задаем верховодило для отбора («енот») ;
  • в поле Output задаем значение, которое будет отображаться в новеньком столбце при соблюдении верховодила («еноты-пилоты») ;
  • в поле Otherwise задаем значение, которое будет отображаться в новеньком столбце при несоблюдении верховодила («слоники-электроники») .

10. Прибавление столбца с одновременным исполнением арифметических операций со значениями из иных столбцов. К образцу, мы можем создать столбец, в каком будут суммироваться значения столбцов «Клики» и «Конверсии» (на практике таковой столбец, окончательно, никому не пригодится, но нас интересует, как работает функция) . При нажатой клавише CTRL выделите нужные столбцы. Потом откройте вкладку Add Column, нажмите клавишу Standard и выберите подходящую операцию. Обратите внимание, что при дроблении и вычитании главен порядок выделения столбцов. Тип данных во всех столбцах обязан быть числовым.

Творение главной таблицы данных в Power Query

[h4][/h4]

Для начала нам необходимо импортировать статистику по запросам из Excel:

1. Раскрываем Power BI, создаем новейший файл в формате pbix и давим в загрузившемся на клавишу Get Data.

2. Потом избираем подходящий источник данных (Excel) и загружаем файл в формате.xlsx или.csv (в Power BI можнож импортировать данные из множества различных источников, но начинают все традиционно с этого) .

3. В окне Navigator отмечаем лист, на котором находятся данные, и давим клавишу Edit.

4. Наша таблица раскроется в Power Query — приборе для загрузки и преображения данных. Сейчас необходимо задать верный тип данных для каждого из столбцов. Опосля этого давим клавишу Close and Apply и переходим из Power Query в Power Pivot.

Расчет фактического CR в Power Pivot

Начнем с маленьких объяснений для тех, кто не знаком с интерфейсом Power BI. На скриншоте ниже отмечены:

  1. Загруженные данные с указанием столбцов.
  2. Перечень доступных визуализаций.
  3. Значения, которые употребляются в выбранной визуализации.
  4. Клавиша форматирования визуализаций.
  5. Клавиша перехода в интерфейс Power Query.

В левой доли интефейса находятся клавиши Report, Data и Model. Report — это и есть наш отчет, в каком мы выводим и визуализируем данные. Data — данные, загруженные из Power Query. Model — вкладка, на которой можнож связывать таблицы друг с ином (в нашем случае она не пригодится) .

Сейчас подготовим таблицу для последующей работы:

1. Избираем визуализацию Table и перетаскиваем нужные столбцы в Values (или отмечаем подходящие чек-боксы) .

2. Расставляем столбцы в таблице в правильном порядке, перемещая их наименования снутри Values.

3. Чтоб добавить в таблицу фактический CR, раскрываем вкладку Modeling и давим клавишу New Measure.

4. Загрузится строчка для ввода формулы. Это поле лучше развернуть, так как почаще всего формула состоит из нескольких строчек.

5. Задаем формулу для расчета CR:

6. Результаты расчетов покажутся в перечне загруженных данных (на первом месте, так как заглавие меры мы прописали с нижнего подчеркивания) . Чтоб добавить столбец с фактическим CR в таблицу, перетащим его в Values.

7. Чтоб фактический CR отображался в процентном формате, выделим меру (вокруг нее обязана показаться желтоватая рамка) , откроем вкладку Modeling и нажмем клавишу %.

Загрузка данных о признаках ключевиков в Power Query

Чтоб получить прогноз CR для отдельных ключевиков, нам необходимо рассчитать этот показатель для групп, включающих фразы с определенным комплектом признаков. Напомню, что мы разделили все ключевики по двум признакам: указанию на цвет («Цвет») и энтузиазму к покупке («Коммерц») . Сейчас нам необходимо:

1. Надавить на клавишу Edit Queries, чтоб возвратиться в Power Query, и загрузить файл с разбивкой ключевых фраз по признакам.

2. В меню Queries отобразятся две таблицы: одна с данными по кликам и конверсиям для каждой из фраз («data») и 2-ая, содержащая признаки ключевиков («Priznaki») .

3. Чтоб добавить признаки в «data», выберем эту таблицу в меню Queries, откроем вкладку Home и нажмем клавишу Merge queries.

4. В окне Merge избираем связуемые столбцы в обеих таблицах («Ключевое слово») и давим клавишу ОК.

5. В таблице с данными о кликах и конверсиях возник новейший столбец «Priznaki». Давим клавишу рядом с его заглавием и избираем столбцы, которые необходимо добавить из таблицы «Priznaki» в таблицу «data».

6. В «data» возникли столбцы «Цвет» и «Коммерц», которые сейчас необходимо объединить в столбец «Все признаки». Раскрываем вкладку Add Column и давим клавишу Custom Column. Потом задаем заглавие новейшего столбца и верховодило, по которому в нем будут формироваться значения. Чтоб задать верховодило, избираем в поле Available columns столбец «Коммерц», прописываем &” “&, избираем столбец «Цвет» и давим ОК.

7. В таблице возникает столбец «Все признаки». Столбцы «Цвет» и «Коммерц» можнож удалить.

8. Сейчас необходимо сделать так, чтоб запрос «Priznaki» не подгружался, ведь данные по признакам мы теснее подтянули и никакой необходимости во 2-м запросе нет (но устранять его нельзя, так как данные из «Priznaki» употребляются в главной таблице «data») . Чтоб отключить загрузку, в перечне Queries выберите «Priznaki», нажмите правую клавишу мыши и снимите галочку с Enable Load.

9. Наконец-то все готово!Давим клавишу Close and Apply, выходим из Power Query и возвращаемся в Power Pivot.

Расчет прогнозных значений CR в Power Pivot

Итак, мы вышли на финишную прямую:

1. В перечне загруженных данных сейчас отображается столбец «Все признаки». Добавим его в нашу таблицу, а заодно удалим столбцы «Ключевое слово» и «Кампания». Таблица станет меньше, статистика кликов и конверсиям агрегируется для каждой группы признаков.

2. Откроем меню Data и добавим в таблицу столбцы «@Клики (аккаунт) », «@Конверсии (аккаунт) », «@Клики (кампания) », «@Конверсии (кампания) », «@Клики (признаки) » и «@Конверсии (признаки) ». Чтоб добавить новейший столбец, раскрываем вкладку Modeling, давим клавишу New Column и вводим подходящую формулу.

3. В таблице отобразится суммарное количество кликов и конверсий для каждой из сущностей (аккаунт, кампания, признаки) , к которой принадлежит конкретное ключевое слово.

4. Чтоб рассчитать прогноз CR по схеме, которая описана в прошлой статье, прибавляем в таблицу столбцы «@Прогн. CR (аккаунт ? кампания) », «@Прогн. CR (кампания -> признаки) », «@Прогн. CR (признаки -> ключевое слово) » и задаем подходящие формулы.

5. Заключительная формула дозволяет нам получить свещенные характеристики — прогнозы коэффициента конверсии для каждого ключевого слова. Чтоб корректно оформить приобретенные результаты, вернемся в Reports и выберем посреди вариантов визуализации таблицу.

6. Добавим в таблицу нужные нам столбцы: «Ключевое слово», «Клики», «Конверсии», «_CR» и «@Прогн. CR (признаки -> ключевое слово) ».

7. Чтоб прогноз CR отображался в процентном формате, выделим заглавие столбца, откроем вкладку Modeling и нажмем клавишу %.

8. Сейчас уберем сумму значений из столбца «@Прогн. CR (признаки -> ключевое слово) ». 

Заместо заключения

Мы получили таблицу с прогнозом CR для каждого ключевого слова в семантическом ядре. В том числе для фраз, у каких фактический CR нерепрезентативен из-за изъяна статистики или вообщем отсутствует, так как нет ни одной конверсии. Сейчас мы можем улучшить наши кампании: уменьшить расходы на запросы, у каких прогнозируется маленький CR, и прирастить ставки для фраз, сулящих превосходную конверсию.

Статьи

Похожие новости

Добавить комментарий

Нам важно знать ваше мнение. Оставьте свой отзыв или ответ

Комментариев 0