ستساعدك المقالة التالية: كتاب تمهيدي لتحسين محركات البحث (SEO) لتعلم أساسيات علوم البيانات
لسنوات، واجه مُحسنو محركات البحث (SEO) مسارات متعددة عندما يتعلق الأمر بخيارات التطوير الوظيفي.
بالنسبة للبعض، سيطرت الخيارات العامة التي تتضمن تطوير الويب أو الأدوار التسويقية التقليدية على المحادثة، مما أدى إلى إهمال البيانات.
في حين أن هناك فائدة كبيرة في إتقان Excel لتحسين محركات البحث، فقد ترغب في استكمال حياتك المهنية الحالية بشيء أكثر تحديًا مثل علم البيانات.
دعنا نتعمق في أساسيات فهم كيفية عمل علم البيانات لسير عمل مسوق البحث وكيف يمكن أن يساعدك استخدام R في مسار تطوير حياتك المهنية.
أول الأشياء أولاً: الأساسيات مهمة دائمًا
إن القدرة على نسخ ولصق التعليمات البرمجية وتشغيل البرامج النصية شيء واحد – فقد بدأ العديد من العظماء حياتهم المهنية بهذه الطريقة من خلال تفكيك العمل الموجود مسبقًا والتعلم على طول الطريق. ولكن من أجل الارتقاء إلى مستوى العظمة في علم البيانات، ستحتاج إلى التركيز على الحزمة بأكملها بمرور الوقت.
سبل الدعم الثلاثة الكبرى التي أوصي بتخصيص الوقت لها تشمل ما يلي، والتي سنناقشها أثناء المضي قدمًا:
- إحصائيات: لماذا لا يتم إنشاء جميع البيانات على قدم المساواة
- التحليلات: كيفية استخدام Google Analytics ومنصات التحليلات العامة.
- الأدوات والدعم: فهم مدى نظافة التعليمات البرمجية والتحكم في الإصدار والقدرة على استكشاف المجتمع الأكبر لأولئك الذين كانوا في منصبك من قبل وطلب المشورة.
تذكر: عندما يتعلق الأمر بتعلم شيء ضخم مثل علم البيانات، خذ خطوة بخطوة واستمتع بالرحلة.
الآن، من أجل البدء في المبادئ الأساسية لعلم البيانات، دعنا نغطي الإرشادات العامة التي ستحتاج إلى إتقانها بمرور الوقت.
فهم كيفية عمل تصور البيانات
تصور البيانات هو بالضبط ما يلي: القدرة على عرض البيانات بطريقة تتحدث عن الكثير بطريقة مرئية.
باستخدام Google Analytics، يستخدم العديد من محترفي تحسين محركات البحث (SEO) المخطط الخطي التقليدي لاستكشاف البيانات للحصول على رؤى وإبلاغ العملاء بالسبب والنتيجة المرتبطة.
ومع ذلك، فإن المخططات الخطية سيئة في إظهار النسب النسبية (على عكس المخططات الدائرية) أو مقارنة البيانات (على عكس المخططات الشريطية). إن معرفة ذلك، بشكل عام، أمر بالغ الأهمية في مجال عملنا.
في كثير من الأحيان، يتحول نقل رسالة بسيطة إلى جهد ضائع في الاضطرار إلى شرح الموقف شفهيًا عندما كان من الممكن أن يقوم الرسم البياني المناسب بذلك في ثوانٍ.
لتصور البيانات في لغة R، أوصي بتثبيت حزمة ggplot2 أولاً. عند تعلم ggplot2، لن تحصل على فائدة العمل باستخدام بناء جملة سليم من الناحية الهيكلية فحسب، بل ستحصل أيضًا على فائدة إضافية تتمثل في تعلم مبادئ التصور ببساطة عن طريق البرمجة.
لماذا يعد تصور البيانات مهمًا لتحسين محركات البحث؟
ببساطة، إذا لم تتمكن من التحدث بصريًا عن أداء الموقع، فكن مستعدًا للتحدث بصوت عالٍ عن الارتباك والاعتراضات.
تصور البيانات ليس بالأمر الجديد بالنسبة لمسوق البحث. على أساس يومي، نتعامل مع المخططات الدائرية، والمخططات الخطية، وفي بعض الأحيان، نطلق تأوهًا جماعيًا عندما نحاول أن نشرح للعميل أو زميل مزايا المخططات المبعثرة.
إن فهم متى تستخدم مخططًا أو رسمًا بيانيًا معينًا يعد أمرًا بسيطًا للغاية بمجرد أن تحصل على جوهر السبب وراء فوائد كل رسم بياني في توصيل القصة بوضوح.
الجدل حول البيانات – التجميع والتحويل والترتيب
أفضل جزء في البدء في فهم أساسيات عالم البيانات كمُحسن محركات البحث هو أنه من المحتمل أن يكون لديك إمكانية الوصول إلى كمية هائلة من البيانات في متناول يدك.
القدرة على الاستفادة من Google Analytics، وGoogle Search Console، YouTube, Twitterوحتى Spotify يمكن أن يكون نعمة، ولكن نظرًا للعمليات المختلفة التي تتطلب كل عملية سحب للبيانات، فإن القدرة على محاذاة تدفقات متعددة بطريقة تظل دقيقة وذات صلة وخالية من “الأخطاء” يمكن أن تؤدي إلى بناء أو كسر الثقة وأي قرارات التي تأتي من البيانات.
لكن دعونا لا نتقدم على أنفسنا. قبل أن نقوم بالإبلاغ، سنحتاج إلى اتباع الخطوات العامة التالية:
1. جمع البيانات
باستخدام أداة مثل R وRStudio، يمكننا سحب البيانات من عدد من المصادر باستخدام حزم معدة مسبقًا تم تطويرها للتكامل مع أدوات Google مثل Search Console وAnalytics وAdWords وحتى جداول البيانات. لكنها لا تتوقف عند هذا الحد!
إذا كان لديك حق الوصول إلى قاعدة بيانات مثل CloudSQL أو PostgreSQL أو MySQL، فهناك حزمة مناسبة لك أيضًا.
الاحتمالات هي أن أي شيء يمكن أن تحلم بجمعه، يمكن القيام به باستخدام R.
بمجرد قيامك باستيراد بياناتك، فقد حان الوقت لتحويلها إلى شيء مفيد، بتنسيق يناسب احتياجاتك.
2. تحويل البيانات
بمجرد قيامك باستيراد بياناتك، حان الوقت الآن لفرزها بطريقة تحكي القصة. باستخدام حزمتي dplyr وtidyr، يمكنك تصفية أجزاء كبيرة من البيانات وترتيبها واختيارها وتجميعها بسهولة نسبية.
بالطبع، يمكن أيضًا إجراء ذلك باستخدام حزمة التحليلات المفضلة لديك، ولكن ماذا عن الحالات التي ترغب فيها في مقارنة بيانات الكلمات الرئيسية من BrightEdge أو Nozzle مع Google Search Console، وAnalytics، وAdWords؟ ماذا عن رمي بيانات CRM أيضًا من قاعدة البيانات؟
هذا هو المكان الذي يتألق فيه علم البيانات والبحث العلمي.
اختياري: تخزين بياناتك
إذا وجدت أن كمية البيانات التي تتعامل معها تستهلك مساحة التخزين المحلية الخاصة بك، أو كنت تواجه مشكلة في مشاركة بياناتك مع الآخرين، فستحتاج إلى التفكير في التخزين. ولحسن الحظ، هناك حزم لهذه المشاكل أيضا!
بعض الخيارات المعروفة لهذا تشمل:
- BigQuery عبر حزمة bigQueryR، وهي سريعة ورخيصة نسبيًا للتعامل مع البيانات بواسطة السل.
- Google Cloud Storage عبر حزمة googleCloudStorageR، والتي تعتبر مثالية للمواقف التي يكون فيها التكامل مع تطبيقات Google Cloud الأخرى أمرًا مثيرًا للقلق.
3. عرض بياناتك
الآن بعد أن تمت معالجة البيانات ووضعها في المكان الذي تريدها، كيف يمكنك تسليمها إلى المستلم المقصود؟ لحسن الحظ، لديك عدد من الخيارات للإخراج بناءً على حالة الاستخدام:
- لامع
- RMarkdown
- تسجيلات الدخول ذات العلامة البيضاء
- رسائل البريد الإلكتروني المجدولة
لماذا تعتبر معالجة البيانات مهمة لتحسين محركات البحث؟
فكر في معالجة البيانات باعتبارها عضلة غالبًا ما يفشل العديد من مُحسنات محركات البحث في تطويرها. بالنسبة للكثيرين منا، كان الأمر سهلاً بالنسبة لنا، حيث سمحنا لأدوات مثل Conductor أو BrightEdge بإجراء عمليات التكامل نيابةً عنا وتزويدنا بحلول إعداد التقارير عند الطلب.
ومع ذلك، يتعين علينا في كثير من الأحيان أن نستقر على مصادر البيانات التي سنتحدث إليها وكيف نتحدث إليها، وبالتالي نكافح من أجل رواية القصة بأكملها.
نظرًا لأن لدينا الآن معرفة أنه يمكن الإبلاغ عن أي شيء ودمجه باستخدام خطوات معالجة البيانات المناسبة، فإن القدرة على التحدث إلى رحلة العميل بأكملها بالتفصيل الكامل تصبح أسهل بكثير بمجرد أن تتقنها.
العودة إلى المدرسة: الوقوع في حب الإحصائيات
قبل أن ترفع يديك عالياً في الهزيمة، اسمعني.
إن فهم الإحصائيات ليس ضروريًا عندما تتعلم لأول مرة كيفية العمل باستخدام لغة برمجة أو حتى جمع البيانات. ومع ذلك، إذا كنت تريد أن تصبح محلل بيانات يمكنه سرد القصة بإيجاز ودقة، فستحتاج إلى تعلم الإحصائيات.
لماذا تعتبر الإحصائيات مهمة لتحسين محركات البحث؟
خذ نفسًا عميقًا وفكر حقًا في هذا السؤال لثانية واحدة فقط.
الإحصائيات مهمة، هذه الفترة!
إذا قضيت أي قدر من الوقت في بيئة التسويق الرقمي، فمن المحتمل أن تكون قد شاهدت بيانات منحرفة أثناء العمل.
تخيل أن لديك تقرير العميل أمامك عن الشهر السابق، وترغب في التحدث عن أداء البحث العضوي للموقع فيما يتعلق باكتساب المستخدم النهائي. تجد أن الفترة الزمنية تظهر ارتفاعًا هائلاً في كل من عدد الزيارات المجانية ومرات الظهور، وترغب في الحصول على الفضل في هذا التحول المذهل من شهر لآخر:
“لقد شهدنا زيادة بنسبة 4 بالمائة في عدد الزيارات العضوية عند النظر إلى الأداء السنوي للبحث العضوي، ولكن الأمر الأكثر إثارة للإعجاب هو الزيادة بنسبة 77 بالمائة في نوفمبر مقابل أكتوبر، والذي ارتفع أيضًا بشكل جيد عن سبتمبر! نظرًا لارتفاع عدد الزيارات الأسبوعية في أواخر نوفمبر، نتوقع أن يستمر هذا حتى ديسمبر لأننا نجونا من تحديث خوارزمية Google الأخير…”
الآن تخيل أن العميل هو التجارة الإلكترونية في صناعة البيع بالتجزئة، وأنه في أوائل ديسمبر. من خلال الإبلاغ عن أداء موقع الويب الخاص بهم في شهر نوفمبر في ظاهره، تكون قد أنشأت رواية كاذبة للعميل مبنية على توقعات غير معقولة، وفشلت في فهم كيفية حدوث ذلك. انحراف سلبي يمكنها تشكيل اتجاهات البيانات دون التحدث أيضًا عن التوزيع.
من خلال القدرة على فهم كيف يمكن للمتوسط والوسيط والوضع التخلص من بيانات القيمة الاسمية وكيفية توزيع البيانات التي يتم جمعها (جنبًا إلى جنب مع العقل التسويقي الذي يخبرك بأن التجارة الإلكترونية المشاركة في صفقات Cyber Monday قد تشهد زيادة طفيفة) ليس بسببك، ولكن بسبب التقويم) سيكون لهم جميعًا يد في رواية القصة بأمانة.
باختصار: لا أحد يرغب في إفساد البيانات، لكن عدداً أقل من الناس قد يرغب في التصرف بناءً على الدروس المستفادة منها.
R vs Python: اختر جانبًا والتزم به (في الوقت الحالي)
من بين الأشياء الأولى التي ستكتشفها في طريقك لتصبح متخصصًا في علم البيانات هو الشلل التحليلي الذي سيحدث إذا لم تقم بعد باختيار لغة برمجة لتركيز جهودك عليها.
يظهر كل من R وPython بشكل متكرر في مناقشة علم البيانات، ولكن في هذا التمرين، دعونا نركز على استخدام R:
لماذا تستخدم R كلغتك؟
على الرغم من أن لغة R لديها منحنى تعليمي حاد، إلا أنه بمجرد أن تتقنها، يصبح استخدامها سهلاً للغاية. بالنسبة للمبرمجين ذوي الخبرة، لا ينبغي أن يكون تعلم لغة R أمرًا روتينيًا.
عندما يتعلق الأمر بتحليل البيانات، يمكن لكل من R وPython التعامل مع المهمة. تستفيد بايثون من عدد من بيئات التطوير المتكاملة (IDEs) والمكتبات التي تستفيد من لغة البرمجة ذات الأغراض العامة (مقابل لغة R، والتي غالبًا ما يُنظر إليها على أنها “لغة رياضيات”).
يأتي كلاهما بدعم قوي من مستخدميها في جميع أنحاء العالم وملاحظات التوثيق، وبينما تفضل معدلات التبني لغة Python، يستمر استخدام R في النمو بين مجموعة واسعة من الصناعات وعلماء البيانات.
يقال أن R هو:
- من السهل المساهمة فيها، مع عدد كبير من الحزم والتي يمكن تثبيتها بسطر واحد من التعليمات البرمجية.
- يسهل على المبتدئين أداء الأعمال الاستكشافية، حتى بدون استخدام حزم إضافية.
- في حد ذاته، ليس مثاليًا لمشاركة العمل عبر الإنترنت، ولكن باستخدام إطار العمل المستند إلى R لامع يرجح كفة الميزان لصالح R.
- مثالية للتحليل الإحصائي الثقيل واحتياجات الرياضيات.
تمرين بسيط باستخدام R لعرض بيانات Search Console
دعونا نستخدم بعض هذه المعرفة. تابع معي وسأشرح عملية التفكير وراء كل خطوة:
أولا، سوف تحتاج إلى تنزيل وتثبيت R. اتبع الخطوات واتبع خطوات التثبيت الموصى بها إذا كانت هذه هي المرة الأولى لك.
بعد ذلك، أوصي بشدة أن تفعل الشيء نفسه مع RStudio. هذا هو IDE الذي ستعمل عليه، ويتطلب تثبيت R حتى يعمل.
الآن بعد أن قمت بتشغيل هذين البرنامجين، قم بتشغيل RStudio وقم بتثبيت الحزم التالية، واضغط على Enter بعد كل سطر، حيث يجب أن ترى رسالة نجاح لكل منها:
install.packages(“searchConsoleR”)
install.packages(“googleAuthR”)
مع searchConsoleR، هذه هي الحزمة التي يمكننا من خلالها ربط R مع GSC. googleAuthR هو عميل Google API الذي يقوم بمصادقتك ببياناتك.
بمجرد تثبيت كلتا الحزمتين، حان الوقت الآن لتحميل المكتبات، واحدة تلو الأخرى:
مكتبة (جوجلAuthR)
المكتبة (searchConsoleR)
ستعرف أنه تم تحميلها إذا لم تشاهد أي رسائل خطأ (ويظهر سطر جديد). حان الوقت الآن للمصادقة مع Google! أدخل السطر التالي، وستفتح لك نافذة المتصفح:
scr_auth()
تحقق من المستخدم الذي لديه حق الوصول إلى موقع Search Console الذي ستعمل معه. لنرى الآن الخصائص التي يمكنك الوصول إليها عبر Search Console:
مواقع sc_websites <- list_websites()
لقد قمت للتو بتعيين قائمة الخصائص بالكامل للمتغير sc_websites! قم بتشغيل المتغير ومعرفة ما إذا كانت خصائصك تظهر:
sc_websites
إذا قمت بذلك بشكل صحيح، فيجب أن ترى جميع ممتلكاتك – التي تم التحقق منها والتي لم يتم التحقق منها – مدرجة جميعها.
الآن، دعنا نختار واحدًا ونجري استعلامًا أساسيًا، حيث يمكننا تنزيل أفضل 20 صفًا من الاستعلامات لكل صفحة خلال شهر يونيو 2017، لبحث الويب على الأجهزة المحمولة بالولايات المتحدة:
usa_site_queries <-
search_analytics(“https://www.example.com/”،
“01/06/2017″، “30/06/2017″، ج(“استعلام”، “صفحة”)،
DimensionFilterExp = c(“device==MOBILE”،”country==USA”),
نوع البحث = “الويب”، حد الصف = 20)
تهانينا، لقد قمت للتو بتشغيل سحب البيانات الأول باستخدام R!
الآن، لنقم بتشغيل الملف، ونكتب المتغير المخصص:
usa_site_queries
لاحظ أي شيء… غريب؟ ربما لا تصطف البيانات… أو أنه ليس لديك ملف فعلي.
حسنًا، لنصدر هذا للاستهلاك العام في Excel:
write.csv(usa_site_queries، ملف = “test.csv”)
يجب أن تشاهد عودة سطر جديد. ولكن أين الملف؟ ما عليك سوى العثور على دليل العمل والانتقال إلى المجلد:
getwd()
كيف يمكن لأدوات علوم البيانات أن تفيد سير عمل تحسين محركات البحث لديك؟
باستخدام الموارد الموضحة والمحاولة والخطأ المتكرر، ستبدأ في رؤية أن استخدام أدوات علم البيانات مثل R لا يمكن أن يساعدك فقط في معرفة المزيد حول أساسيات المجال المتنامي، ولكنه يمكن أن يساعد في أتمتة عملك بمجرد أن تتقنه. .
سيساعدك الجمع بين الاستعلامات التي تم إنشاؤها باستخدام GitHub وحفظ قوالب التعليمات البرمجية في نهاية المطاف في العثور على طريقة يمكنك من خلالها النمو وبناء شيء يمكن أن يوفر لك الوقت ويجعل حياتك أسهل، كل ذلك مع توفير فائدة تعليمية!
