После прочтения статей вы научитесь: оптимизировать кампании в Excel методами, которые используются в оптимизаторах конверсий; автоматически собирать семантику, сегментировать и создавать объявления; прогнозировать конверсию на базе истории и многое другое.

Темы статей:

1. Выгрузка данных из Google Analytics и Яндекс Метрики по API
2. Парсинг ключевых слов в Key Collector
3. Кластеризация запросов
4. Агрегирование данных
5. Прогнозирование конверсии для ключевых слов
6. Расчет ставок
7. Разработка заголовков
8. Разработка рекламных кампаний
9. Анализ эффективности

Материал сложный и раскрывает только базовые подходы к автоматизации, чтобы задать вам вектор развития.

Необходимый стек знаний для комфортного чтения: вы без труда можете составить кастомный отчет в Google Analytics и Метрике; парсили и фильтровали ядра в Key Collector; знаете, что такое средневзвешенная; пользуетесь сводными таблицами в Excel; знаете Python, Pandas либо имеете небольшой опыт программирования; знаете, почему в некоторых тематиках слова «кавычат», а в других нет

Итак, начнем! В данной статье мы выгрузим поисковые запросы с конверсиями из Яндекс Метрики, которые впоследствии будем расширять путем кластеризации, отфильтруем их и приведем к лемме. Так же мы выгрузим данные для расчета ставки из Google Analytics.

На текущем этапе сложно объяснить, как конкретно будут использоваться эти данные, но наберитесь терпения, постепенно к вам придет понимание.

Выгружаем данные из Яндекс Метрики с помощью Excel Power Query

Создаем новый запрос

Переходим в режим редактирования

Вставляем код функции запроса

Скопировать код можно по ссылке. Автор кода Максим Уваров, благодарим его!

Вставляем параметры запроса

Подробнее о полях:

Если вы хотите составить свой собственный отчет, назначить фильтры, то вам потребуется ознакомиться с документацией API Метрики

В нашем запросе мы использовали следующие параметры:

	# метрики количества визитов и количества достижения цели, вместо ХХХХ ID цели

	metrics = ym:s:visits,ym:s:goaXXXXreaches


	
	# параметры источника, страницы входа и поисковый запрос

	demensions = ym:s:lastSourceEngine,ym:s:startURLPathFull,ym:s:lastSearchPhrase


	
	# фильтры на органический трафик и исключение брендовых запросов через регулярное выражение

	filter = ym:s:lastSourceEngine=='organic.yandex' AND ym:s:lastSearchPhrase!~'брендовыйЗапрос1|брендовыйЗапрос2' AND ym:s:lastSearchPhrase!=null
	

После нажатия Invoke вы увидите превью ваших данных. Если при запросе вышла ошибка, то можем редактировать запрос нажав на шестеренку Source

Если все хорошо, то нажимаем Close and load и загружаем все данные в таблицу.

Яндекс для нас является основным источником трафика, поэтому из Google поиск в рамках статьи рассматривать не будем, чтобы не усложнять

Нормализация и фильтрация семантического ядра

Нормализация, это приведение всех слов в единственное число именительный падеж и т.д. Для этого используем сервис K50

Копируем данные из файла lemmas.csv в наш основной файл во вкладку Lemmas. С помощью функции vlookup (в русском Excel ВПР) подтягиваем лемматизированные значения ключевых слов из таблицы lemmas.

Все, задача выполнена!

Фильтрация семантического ядра, чистка

Теперь у нас есть лемматизированный список фраз и нам нужно его очистить от фраз, которые не удовлетворяют требования Яндекс Директ. Для этого добавляем все фразы в Key Collector и нажимаем на иконку фильтра в столбике «Фраза»

Яндекс Директ не принимает в качестве фраз слова с составом более 7 слов и фразы со специальными символами, поэтому удаляем их.

Далее фильтруем слова через список стоп-слов, то есть удаляем из нашего списка фразы, которые содержат стоп-слова.

Выгрузка из Google Analytics среднего чека и конверсии по URL

Что это для нас значит? — Нам нужно собрать исторические данные конверсии и среднего чека в разрезе URL сайта и ключевых фраз. Эти данные мы будем использовать для назначения ставок.

Не можете состыковать, что к чему? Да, это сложновато, но вы все поймете, когда мы в финальной статье соединим все данные в одной формуле. Поэтому обо всем по порядку.

Сначала соберем средние чеки и конверсию по всем URL сайта, это просто. Эти данные мы можем взять из истории Google Analytics. Для этого понадобится Google Spread Sheets и Аддон Google Analytics, который вы можете установить в магазине дополнений.

Создаем новый отчет

Вводим test, выбираем свой счетчик и представление Google Analytic, и нажимаем «Create report»

Вводим конфигурацию отчетов, как на картинке, и нажимаем Run reports. Понимаю, что пояснений к заданными параметрам недостаточно, но это может слишком далеко отвести нас от темы статьи. Подробную информацию вы сможете найти в документации

В нашем запросе мы использовали следующие метрики и параметры:

	ga:sessions — количество визитов


	ga:transactions — количество транзакций


	ga:transactionRevenue — выручка


	ga:sourceMedium — канал привлечения


	ga:landingPagePath — страница входа

Теперь копируем отчеты на новые вкладки и вставляем только значения. Теперь нам нужно изменить точки на запятые, чтобы потом открыть документ в Excel - меняем.

Для числовых значений задаем числовой формат.

Так как параметр ga:sourceMedium дублирует некоторые URL, то строим сводную таблицу. Попутно чистим от нежелательных значений и дублей.

Добавляем новое рассчитываемое поле = 'ga:transactionRevenue' / 'ga:transactions' , это средний чек.

Ны выходе имеем аккуратную таблицу с URL и средними чеками.

Аналогичные операции проводим и с таблицей конверсии по URL.

Весь документ можно скачать в Excel.

Выгрузка данных Яндекс Директ из Google Analytics

Выгружаем из Google Analytics, как мы делали несколькими шагами ранее. На скрине пример конфигурации отчета. В поле Filters мы используем регулярные выражения.

	ga:adContent=~.*search_none.* — отфильтровываем только клики с поиска, исключая РСЯ; при условии, что у вас есть соответствующий параметр в UTM-метке


	Start Index — начальная строка отчет


	Max Results — последняя строка отчета


	
	Дело в том, что отчет имеет ограничение в 10 000 строк, если у вас больше данных, то вы вызываете один и тот же отчет несколько раз и меняете Start Index и Max Results на 10001 и 20000 и так далее.

На выходе получаем следующее

Все, мы собрали данные, с которыми будем работать в последующих этапах.

Пишите вопросы в комментариях, какие темы было бы интересно раскрыть подробнее? Если у вас есть идеи или советы, то делитесь!