Google Analytics verileri farklı pazarlama kanallarının performanslarının birbirlerine karşılaştırmalı olarak ölçümlenebilmesi açısından yaygın şekilde kullanılmakta. Google Ads, Yandex Direct, Criteo, Facebook / Instagram gibi kanalların kendi platformaları içerisinde verdikleri değerlerden ziyade Google Analytics’teki performanslarının birbirleriyle karşılaştırılması pazarlama bütçelerinin dağılımlarına karar verirken yaygın şekilde tercih ediliyor.
Bahsi geçen pazarlama kanallarının kendi arayüzlerinde verdikleri değerler üzerinden karşılaştırmanın daha az tercih ediliyor olmasının ise 2 nedeni bulunuyor.
Google Analytics verilerini R’a Mark Edmondson tarafından hazırlanmış googleAnalyticsR paketi aracılığıyla kolaylıkla indirebiliyoruz.
R Studio’yu bilgisayarınıza kurduktan sonra install.packages(“googleAnalyticsR”) komutu ile paketi indirebiliyorsunuz.
library(googleAnalyticsR) ise bu komutla ise kütüphaneyi çağırıyor ve paketi kullanmaya başlayabiliyorsunuz.
Son olarak hangi Google Analytics hesabına erişim sağlayacağınızı söylemek için bir otorizasyon yapmanız gerekiyor.
ga_auth() kodunu çalıştırdığınızda tarayıcınızda Google Analytics’e erişeceğiniz mail adresiyle giriş yapmanız gerekmekte. Daha sonra paket Analytics verilerine erişim alıyor ve verileri indirebilir hale geliyorsunuz.
google_analytics_4(viewId = "92759348",
date_range = c("2019-09-23","2019-09-23"),
metrics = c("adCost","transactions","transactionRevenue"),
dimensions = c("date"),
anti_sample = TRUE
)
Yukarıdaki kod paketin Google Analytics verisini API üzerinden alabilmesi için gerekli temel kod kullanımına örnek olarak gösterilebilir.
Burada viewId Analytics’te hesabınızın View ID’si. Ardından date_range parametresi içerisinde hangi günler için veri istediğinizi belirtiyorsunuz. Metriklerin ve Dimension’ların API üzerinden kullanımı için Google Analytics API’ın dimension & metric explorer sayfasını kullanabilirsiniz.
Son olaran anti_sample ise True olarak seçildi. Google Analytics’te verinizin hacmine göre belirli sampling’ler uygulanabiliyor. Yani verinin tümüne arayüzde erişemeyebiliyorsunuz belirli bir oranlık veri üzerinden verinin tümüne yönelik oranlama yapılıyor diyebiliriz. Anti_sample true seçeneğiyle ise bu sampling’den kurtulmak ve tüm veriyi indirmek mümkün.
Bu kodu çalıştırdığımızda karşımıza gelen veri ise aşağıdaki gibi:
* Yukarıdaki veriler rastgele bir sayıyla çarpılarak verilmiştir.
Yukarıdaki R kodunu kullanırken ek olarak filtreleme kullanmak da mümkün.
df <- dim_filter("sourceMedium","EXACT","google / cpc",not = FALSE)
df2 <- dim_filter("campaign","REGEXP","dynam|brand",not = TRUE)
fc <- filter_clause_ga4(list(df,df2), operator = "AND" )
cpc_nonapp <- google_analytics_4(viewId = "92759348",
date_range = c("2019-09-23","2019-09-23"),
metrics = c("adCost","transactions","transactionRevenue"),
dimensions = c("date"),
dim_filters = fc,
anti_sample = TRUE
)
Yukarıdaki kodda dim_filter komutlarını kullanarak öncelikle verimizi source ve medium google / cpc olmak üzere, ikinci olaraksa kampanya isimlerimizde ise dynamic remarketing ve brand kampanyası olmayacak şekilde filtreleyebiliyoruz. Filtrelemenin yanı sıra, segmentleri de burada kullanabiliyoruz. Aynı Google Analytics’te custom raporlar oluştururken sahip olduğumuz seçeneklerin tümüne burada da sahibiz diyebiliriz.
Ben ideal bütçe hesabı yapmak istediğimiz kampanyalar için filtreleme işlemini gerçekleştirdikten ve veriyi elde ettikten sonra regresyon ile bütçe hesaplama kısmına artık geçebilirim.
Google Ads Kampanyalarının Bütçe-Kar Analizi
Google Ads’de çok sayıda kampanyanız olduğunda bu kampanyalardan hangisinin en iyi performans gösterdiğini ve bütçeyi düzenlerken hangi kampanyaya daha çok bütçe ayırmamız gerektiğini belirlemek için regresyon analizinden faydalanabiliriz.
Burada bütçeye karşılık hedef metriklerin grafiklerini çizmemiz ve bir korelasyon olup olmadığını incelememiz faydalı olacaktır.
Haftalık olarak verileri alabilmek için gerekli olan metriği Dimension & Metric Explorer’dan buluyorum. isoYearIsoWeek metriği bunun için uygun.
Metrikler arasında ise Google Analytics’e gönderilen bir custom metric olan kar değeri metriğini kullanıyorum. Bu değer bir ürünün satışından elde edilen karları içerisinde bulunduran değeri tutuyor.
Verimin anlamlı olabileceği bir zaman aralığı seçiyor(yaklaşık 5 aylık veri aldım) ve kampanyalar içerisinde ise brand haricindeki search kampanyalarını dahil ettim.
Ardından da kampanya verileri için korelasyon grafiklerini çizdirebilir hale geliyoruz.
İlk olarak bütçemizi arttırdığımız durumda dönüşüm sayılarımızda net bir artış elde ettiğimizi görüyoruz.
analytics_verisi %>%
filter(campaign == "ornek_kampanya1") %>%
ggplot(aes(adCost, Profit)) + geom_point() + geom_smooth(method = "lm") + facet_wrap(~campaign)
Bu grafiği çizdirebilmek için R’ın dplyr ve ggplot paketlerini kullanabilirsiniz. Burada kullanılan %>% pipe işaretinin kullanımına ilişkin: https://www.datacamp.com/community/tutorials/pipe-r-tutorial
Ayrıca dplyr ve ggplot paketlerine de göz atabilirsiniz.
Bahsi geçen pazarlama kanallarının kendi arayüzlerinde verdikleri değerler üzerinden karşılaştırmanın daha az tercih ediliyor olmasının ise 2 nedeni bulunuyor.
- Farklı ilişkilendirme modelleri (attribution models)
İlişkilendirme modelleri bir kullanıcının satın alma sürecine kadar etkileşimde bulunduğu farklı kanallara göre gerçekleştirdiği işlemin hangi kanalda bir işlem olarak sayılacağı ile ilgili modeldir diyebiliriz. Kanallardan birisi kullanıcıların reklama tıklaması ile satın alma süreçlerini ilişkilendirirken, bir diğeri ise bu ilişkiyi reklamların görüntülenmesi üzerinden kurabilmektedir. Bu gibi durumlarda bu kanalların performansını karşılaştırırken de elma ile armutu karşılaştırma gibi bir durumun varlığından bahsetmek mümkün. Google Analytics’te ise tüm bu kanallarda ilişkilendirme modelleri aynı kurallara sahiptir. Bu nedenle farklı pazarlama kanallarının Google Analytics üzerinden karşılaştırılma tercihi yaygın veya kanal sayısı arttıkça daha çok tercih edilir hale geliyor diyebiliriz. - Kullanıcıların satın alma sürecinde birden fazla kanalla etkileşiyor oluşu
Eğer birden fazla dijital pazarlama kanalı kullanıyorsanız ve kullanıcılar bu kanallardan birkaçı ile etkileşimde ise bu gibi durumlarda her iki kanaldaki ilişkilendirme modelinin dönüşüm penceresi içerisinde (genelde 30 gün) gerçekleşen işlemler her iki kanalın da satın alma işlemlerine dahil olabiliyor.Örneğin; Bir siteye ilk defa Google Ads’in arama ağı reklamlarından gelen bir kullanıcı daha sonra Criteo’nun dinamik pazarlama reklamlarına tıklayarak o ürünü satın alıyorsa bu gibi durumlarda tek bir satın alma her iki kanala da bir satın alma olarak yansıyor. Google Analytics’te ölçülen verilerde ise böyle bir durum söz konusu olmadığı için standart ilişkilendirme modelinde son (direk olmayan) etkileşimin gerçekleştiği kanala gidiyor dönüşüm.Yukarıda bahsettiğim durum Google Ads’in farklı kampanya türleri için de geçerli diyebiliriz. Data-driven modelinin sadece search ve shopping kampanyaları için geçerli olması, Google ads’de yapılan dinamik yeniden pazarlama veya diğer tür GDN ve Youtube kampanyalarının bu model içerisine dahil edilmiyor oluşu. Google Ads kampanyalarının da performanslarını Analytics’ten ölçümleme ve kampanyalardaki optimizasyonların Analytics verisine göre yapılması ihtiyacını doğurabiliyor.Ek olarak Google Ads verilerinin Google Analytics’ten takibinin daha dinamik bir hesap yönetimi sağladığını da söyleyebilirim. Ads’e dönüşüm verileri ve search term’ler Analytics’e kıyasla daha geç güncellenebiliyor. Daha dinamik bir hesap yönetimi için Analytics’in daha hızlı veri sağlaması özelliğini kullanmayı tercih ediyorum diyebilirim.
Google Analytics verilerini R’a Mark Edmondson tarafından hazırlanmış googleAnalyticsR paketi aracılığıyla kolaylıkla indirebiliyoruz.
R Studio’yu bilgisayarınıza kurduktan sonra install.packages(“googleAnalyticsR”) komutu ile paketi indirebiliyorsunuz.
library(googleAnalyticsR) ise bu komutla ise kütüphaneyi çağırıyor ve paketi kullanmaya başlayabiliyorsunuz.
Son olarak hangi Google Analytics hesabına erişim sağlayacağınızı söylemek için bir otorizasyon yapmanız gerekiyor.
ga_auth() kodunu çalıştırdığınızda tarayıcınızda Google Analytics’e erişeceğiniz mail adresiyle giriş yapmanız gerekmekte. Daha sonra paket Analytics verilerine erişim alıyor ve verileri indirebilir hale geliyorsunuz.
google_analytics_4(viewId = "92759348",
date_range = c("2019-09-23","2019-09-23"),
metrics = c("adCost","transactions","transactionRevenue"),
dimensions = c("date"),
anti_sample = TRUE
)
Yukarıdaki kod paketin Google Analytics verisini API üzerinden alabilmesi için gerekli temel kod kullanımına örnek olarak gösterilebilir.
Burada viewId Analytics’te hesabınızın View ID’si. Ardından date_range parametresi içerisinde hangi günler için veri istediğinizi belirtiyorsunuz. Metriklerin ve Dimension’ların API üzerinden kullanımı için Google Analytics API’ın dimension & metric explorer sayfasını kullanabilirsiniz.
Son olaran anti_sample ise True olarak seçildi. Google Analytics’te verinizin hacmine göre belirli sampling’ler uygulanabiliyor. Yani verinin tümüne arayüzde erişemeyebiliyorsunuz belirli bir oranlık veri üzerinden verinin tümüne yönelik oranlama yapılıyor diyebiliriz. Anti_sample true seçeneğiyle ise bu sampling’den kurtulmak ve tüm veriyi indirmek mümkün.
Bu kodu çalıştırdığımızda karşımıza gelen veri ise aşağıdaki gibi:
* Yukarıdaki veriler rastgele bir sayıyla çarpılarak verilmiştir.
Yukarıdaki R kodunu kullanırken ek olarak filtreleme kullanmak da mümkün.
df <- dim_filter("sourceMedium","EXACT","google / cpc",not = FALSE)
df2 <- dim_filter("campaign","REGEXP","dynam|brand",not = TRUE)
fc <- filter_clause_ga4(list(df,df2), operator = "AND" )
cpc_nonapp <- google_analytics_4(viewId = "92759348",
date_range = c("2019-09-23","2019-09-23"),
metrics = c("adCost","transactions","transactionRevenue"),
dimensions = c("date"),
dim_filters = fc,
anti_sample = TRUE
)
Yukarıdaki kodda dim_filter komutlarını kullanarak öncelikle verimizi source ve medium google / cpc olmak üzere, ikinci olaraksa kampanya isimlerimizde ise dynamic remarketing ve brand kampanyası olmayacak şekilde filtreleyebiliyoruz. Filtrelemenin yanı sıra, segmentleri de burada kullanabiliyoruz. Aynı Google Analytics’te custom raporlar oluştururken sahip olduğumuz seçeneklerin tümüne burada da sahibiz diyebiliriz.
Ben ideal bütçe hesabı yapmak istediğimiz kampanyalar için filtreleme işlemini gerçekleştirdikten ve veriyi elde ettikten sonra regresyon ile bütçe hesaplama kısmına artık geçebilirim.
Google Ads Kampanyalarının Bütçe-Kar Analizi
Google Ads’de çok sayıda kampanyanız olduğunda bu kampanyalardan hangisinin en iyi performans gösterdiğini ve bütçeyi düzenlerken hangi kampanyaya daha çok bütçe ayırmamız gerektiğini belirlemek için regresyon analizinden faydalanabiliriz.
Burada bütçeye karşılık hedef metriklerin grafiklerini çizmemiz ve bir korelasyon olup olmadığını incelememiz faydalı olacaktır.
Haftalık olarak verileri alabilmek için gerekli olan metriği Dimension & Metric Explorer’dan buluyorum. isoYearIsoWeek metriği bunun için uygun.
Metrikler arasında ise Google Analytics’e gönderilen bir custom metric olan kar değeri metriğini kullanıyorum. Bu değer bir ürünün satışından elde edilen karları içerisinde bulunduran değeri tutuyor.
Verimin anlamlı olabileceği bir zaman aralığı seçiyor(yaklaşık 5 aylık veri aldım) ve kampanyalar içerisinde ise brand haricindeki search kampanyalarını dahil ettim.
Ardından da kampanya verileri için korelasyon grafiklerini çizdirebilir hale geliyoruz.
İlk olarak bütçemizi arttırdığımız durumda dönüşüm sayılarımızda net bir artış elde ettiğimizi görüyoruz.
analytics_verisi %>%
filter(campaign == "ornek_kampanya1") %>%
ggplot(aes(adCost, Profit)) + geom_point() + geom_smooth(method = "lm") + facet_wrap(~campaign)
Bu grafiği çizdirebilmek için R’ın dplyr ve ggplot paketlerini kullanabilirsiniz. Burada kullanılan %>% pipe işaretinin kullanımına ilişkin: https://www.datacamp.com/community/tutorials/pipe-r-tutorial
Ayrıca dplyr ve ggplot paketlerine de göz atabilirsiniz.