Peramalan SEO di Google Sheets

Jauh di tahun 2015, saya menerbitkan artikel memberikan alat perkiraan yang gratis, sederhana, dan membahas kasus penggunaan untuk perkiraan dalam SEO. Itu adalah cara yang cepat dan efektif untuk melihat apakah perubahan pada lalu lintas situs Anda adalah semacam kemusiman yang dapat Anda abaikan, sesuatu untuk dirayakan, atau tanda hilangnya lalu lintas yang mengkhawatirkan.

Singkatnya: Anda bisa memasukkan serangkaian data, dan itu akan memplotnya pada grafik seperti gambar di atas.

Lima tahun kemudian, saya masih mendapatkan orang – dari mantan kolega hingga orang asing – bertanya kepada saya tentang alat ini, dan lebih sering daripada tidak, saya dimintai versi yang berfungsi langsung di spreadsheet.

Saya merasa ini mudah untuk disimpati: spreadsheet lebih fleksibel, lebih mudah di-debug, lebih mudah dikembangkan, lebih mudah dipelihara, dan format yang sangat dikenal orang.

Pengorbanan saat mengoptimalkan untuk hal-hal itu adalah, meskipun saya telah meningkatkan alat itu dari beberapa tahun yang lalu, saya masih harus menjaga agar hal-hal tetap dapat dikelola di lingkungan pemrograman terkenal yang berubah-ubah yaitu Excel / Google Sheets. Itu berarti template yang dibagikan dalam posting ini menggunakan model yang lebih sederhana dan berperforma sedikit lebih rendah daripada beberapa alat dengan eksekusi kode eksternal (mis Perkiraan Forge).

Dalam posting ini, saya akan memberikan template gratis, menunjukkan kepada Anda bagaimana cara kerjanya dan bagaimana menggunakannya, dan kemudian menunjukkan kepada Anda bagaimana membangun versi Anda sendiri (lebih baik?). (Jika Anda membutuhkan penyegaran tentang kapan menggunakan perkiraan secara umum, dan konsep seperti interval kepercayaan, lihat artikel asli yang ditautkan di atas.).

Jenis perkiraan SEO

Ada satu hal yang ingin saya kembangkan sebelum kita membahas tentang spreadsheet: berbagai jenis perkiraan SEO.

Secara umum, saya pikir Anda dapat menempatkan perkiraan SEO ke dalam tiga kelompok:

1. “Saya merasa optimis – tambahkan 20% untuk tahun ini” atau perubahan datar serupa pada angka yang ada. Versi yang lebih kompleks mungkin hanya menambahkan 20% ke grup halaman atau kata kunci tertentu. Saya pikir banyak agensi menggunakan ramalan semacam ini di lapangan, dan itu tergantung pada pengalaman.
2. Model kata kunci / RKT, saat Anda memperkirakan perubahan peringkat (atau kumpulan perubahan peringkat), lalu mengekstrapolasi perubahan yang dihasilkan dalam lalu lintas dari volume penelusuran dan data RKT (Anda dapat melihat metodologi serupa sini). Sekali lagi, versi yang lebih kompleks mungkin memiliki beberapa dasar untuk perubahan peringkat (misalnya “Bagaimana jika kita bertukar tempat dengan pesaing A di setiap kata kunci grup X di mana mereka saat ini mengungguli kita?”).
3. Perkiraan statistik berdasarkan data historis, ketika Anda mengekstrapolasi dari tren dan musim sebelumnya untuk melihat apa yang akan terjadi jika semuanya tetap konstan (tingkat aktivitas pemasaran yang sama oleh Anda dan pesaing, dll.).

Tipe dua memiliki kelebihan, tetapi jika Anda membandingkan data Ahrefs / SEMRush / Sistrix dengan analitik Anda sendiri, Anda akan melihat betapa sulitnya untuk menggeneralisasi. Selain itu, menurut saya tipe satu tidak sekonyol kelihatannya, tapi itu bukan sesuatu yang akan saya jelajahi lebih jauh dalam posting ini. Bagaimanapun, template dalam posting ini cocok dengan tipe tiga.

Apa yang menjadikan ini ramalan SEO?

Kenapa, tidak ada sama sekali. Satu hal yang akan Anda perhatikan tentang deskripsi saya tentang tipe tiga di atas adalah tidak menyebutkan apa pun yang spesifik untuk SEO. Ini bisa juga berlaku untuk lalu lintas langsung, misalnya. Karena itu, ada beberapa alasan saya menyarankan ini secara khusus sebagai perkiraan SEO:

• Kami ada di Blog Moz dan saya adalah konsultan SEO.
• Ada metodologi yang lebih baik yang tersedia untuk banyak saluran lain.

Saya menyebutkan bahwa tipe dua di atas sangat menantang, dan ini karena sifat SEO yang sangat non-deterministik dan umumnya kualitas data detail yang buruk di Search Console dan platform khusus SEO lainnya. Selain itu, untuk mendapatkan gambaran yang akurat tentang kemusiman, Anda harus menyimpan data Search Console setidaknya selama beberapa tahun.

Untuk banyak saluran lainnya, memang ada data historis yang mendetail dan berkualitas tinggi, dan hubungannya jauh lebih dapat diprediksi, sehingga memungkinkan perkiraan yang lebih terperinci. Misalnya, untuk pencarian berbayar, file Perkiraan Forge alat yang saya sebutkan di atas membangun faktor-faktor seperti data konversi tingkat kata kunci dan biaya per klik berdasarkan data historis Anda, dengan cara yang sangat tidak praktis untuk SEO.

Meskipun demikian, kami masih dapat menggabungkan beberapa jenis perkiraan dalam template di bawah ini. Misalnya, daripada memperkirakan lalu lintas situs Anda secara keseluruhan, Anda mungkin memperkirakan subfolder secara terpisah, atau merek / non-merek secara terpisah, dan Anda kemudian dapat menerapkan persentase pertumbuhan ke area tertentu atau membangun perubahan peringkat yang diantisipasi. Tapi, kami terlalu terburu-buru…

Cara menggunakan template

TEMPLATE GRATIS

Hal pertama yang perlu Anda lakukan adalah membuat salinan (di bawah menu “File” di kiri atas, tetapi otomatis dengan tautan yang saya sertakan). Ini berarti Anda dapat memasukkan data Anda sendiri dan bermain-main sesuka hati Anda, dan Anda selalu dapat kembali dan mendapatkan salinan baru nanti jika Anda membutuhkannya.

Kemudian, di tab pertama, Anda akan melihat beberapa sel memiliki sorotan hijau atau biru:

Anda seharusnya hanya mengubah nilai di sel berwarna.

Sel biru di kolom E pada dasarnya untuk memastikan semuanya berakhir dengan label yang benar di keluaran. Jadi, misalnya, jika Anda menempelkan data sesi, atau data klik, atau data pendapatan, Anda dapat menyetel label tersebut. Demikian pula, jika Anda memasukkan awal bulan 2018-01 dan 36 bulan data historis, keluaran perkiraan akan dimulai pada Januari 2021.

Pada catatan itu, perlu data bulanan – itulah salah satu pengorbanan untuk kesederhanaan yang saya sebutkan sebelumnya. Anda dapat menempelkan data bulanan historis hingga satu dekade ke dalam kolom B, mulai dari sel B2, tetapi ada beberapa hal yang perlu Anda perhatikan:

• Anda memerlukan setidaknya 24 bulan data agar model memiliki ide yang bagus tentang kemusiman. (Jika hanya ada satu Januari dalam data historis Anda, dan itu adalah lonjakan lalu lintas, bagaimana saya bisa tahu apakah itu hanya sekali, atau tahunan?)
• Anda membutuhkan bulan lengkap. Jadi, jika Anda membaca ini tanggal 25 Maret 2021, bulan terakhir data yang harus Anda sertakan adalah Februari 2021.

Pastikan Anda juga menghapus sisa data contoh saya di kolom B.

Keluaran

Setelah Anda selesai melakukannya, Anda dapat menuju ke tab “Output”, di mana Anda akan melihat sesuatu seperti ini:

Kolom C mungkin yang Anda minati. Perlu diingat bahwa kolom ini penuh dengan rumus, tetapi Anda dapat menyalin dan tempelkan sebagai nilai ke lembar lain, atau buka File> Unduh> Nilai dipisahkan koma untuk mendapatkan data mentah.

Anda akan melihat saya hanya menampilkan perkiraan 15 bulan dalam grafik itu secara default, dan saya merekomendasikan Anda melakukan hal yang sama. Seperti yang saya sebutkan di atas, asumsi implisit dari ramalan adalah bahwa konteks historis terbawa, kecuali Anda secara eksplisit memasukkan skenario yang diubah seperti penguncian COVID ke dalam model Anda (lebih banyak tentang itu sebentar lagi!). Peluang asumsi ini bertahan dua atau tiga tahun ke depan rendah, jadi meskipun saya telah memberikan nilai prakiraan lebih jauh ke masa depan, Anda harus mengingatnya.

Batas atas dan bawah yang ditampilkan adalah interval kepercayaan 95% – sekali lagi, Anda dapat menyimpulkan apa artinya di my posting sebelumnya jika kamu menginginkannya.

Kasus penggunaan lanjutan

Anda mungkin sekarang telah memperhatikan tab “Advanced”:

Meskipun saya mengatakan saya ingin membuatnya tetap sederhana, saya merasa bahwa mengingat semua yang terjadi di tahun 2020, banyak orang perlu memasukkan faktor eksternal utama ke dalam model mereka.

Pada contoh di atas, saya telah mengisi kolom B dengan variabel apakah Inggris berada di bawah penguncian COVID atau tidak. Saya telah menggunakan “0,5” untuk menyatakan bahwa kami memasuki kuncian setengah jalan hingga Maret.

Anda mungkin dapat memanfaatkan ini dengan lebih baik untuk faktor-faktor yang relevan untuk bisnis Anda, tetapi ada beberapa hal penting yang perlu diingat pada tab ini:

• Tidak masalah membiarkannya sama sekali tidak tersentuh jika Anda tidak ingin menambahkan variabel tambahan ini.
• Pergi dari kiri ke kanan – tidak apa-apa mengosongkan kolom C jika Anda menggunakan kolom B, tetapi tidak masalah membiarkan B kosong jika Anda menggunakan C.
• Jika Anda menggunakan “dummyVariabel “(misalnya” 1 “untuk sesuatu yang aktif), Anda perlu memastikan Anda mengisi 0 di sel lain setidaknya untuk periode data historis Anda.
• Anda dapat memasukkan nilai masa depan – misalnya, jika Anda memprediksi penguncian COVID pada Maret 2021 (Anda bajingan!), Anda dapat memasukkan sesuatu di sel itu sehingga dimasukkan ke dalam perkiraan.
• Jika Anda tidak memasukkan nilai masa depan, model akan memprediksi berdasarkan angka ini menjadi nol di masa mendatang. Jadi, jika Anda memasukkan “PPC bermerek aktif” sebagai variabel dummy untuk data historis, dan kemudian membiarkannya kosong untuk periode mendatang, model akan menganggap Anda telah menonaktifkan PPC bermerek di masa mendatang.
• Menambahkan terlalu banyak data di sini untuk periode historis yang terlalu sedikit akan menghasilkan sesuatu yang disebut “pakaian berlebih”- Saya tidak ingin membahas secara detail, itulah sebabnya tab ini disebut“ Advanced ”, tetapi cobalah untuk tidak terbawa suasana.

Berikut beberapa contoh kasus penggunaan tab ini untuk Anda pertimbangkan:

• Masukkan apakah PPC bermerek aktif (0 atau 1)
• Masukkan apakah Anda menjalankan iklan TV atau tidak
• Masuk penguncian COVID
• Masukkan pembaruan algoritme yang penting bagi bisnis Anda (satu kolom per pembaruan)

Mengapa perkiraan saya berbeda dengan alat lama Anda? Apakah salah satunya salah?

Ada dua perbedaan utama dalam metode antara templat ini dan alat lama saya:

• Alat lama menggunakan Google Dampak Kausal perpustakaan, template baru menggunakan Kuadrat Terkecil Biasa regresi.
• Alat lama menangkap tren non-linier dengan menggunakan periode waktu yang dikuadratkan sebagai variabel prediktif (misalnya bulan 1 = 1, bulan 2 = 4, bulan 3 = 9, dll.) Dan mencoba menyesuaikan kurva lalu lintas ke kurva tersebut. Ini disebut a regresi kuadrat. Alat baru ini menangkap tren non-linier dengan menyesuaikan setiap periode waktu sebagai kelipatan dari periode waktu sebelumnya (mis. Bulan 1 = X * bulan 2 di mana X dapat berupa nilai apa pun). Ini disebut Model AR (1).

Jika Anda melihat perbedaan yang signifikan dalam nilai prakiraan di antara keduanya, hampir pasti hal itu disebabkan oleh alasan kedua, dan meskipun ini menambahkan sedikit kerumitan, dalam sebagian besar kasus, teknik baru ini lebih realistis dan fleksibel.

Ini juga jauh lebih kecil kemungkinannya untuk memprediksi lalu lintas nol atau negatif dalam kasus tren penurunan yang parah, dan itu bagus.

Bagaimana cara kerjanya?

Ada tab tersembunyi di template tempat Anda dapat mengintip, tetapi versi singkatnya adalah “TERBARU ()“Rumus spreadsheet.

Input yang saya gunakan adalah:

• Variabel dependen
  • Apa pun yang Anda masukkan sebagai kolom B di tab input (seperti lalu lintas)
• Variabel independen
  • Berlalunya waktu secara linier
  • Lalu lintas periode sebelumnya
  • Variabel tiruan selama 11 bulan (bulan ke-12 diwakili oleh 11 variabel lainnya semuanya 0)
  • Hingga tiga variabel “lanjutan”

Rumus tersebut kemudian memberikan serangkaian “koefisien” sebagai keluaran, yang dapat dikalikan dengan nilai dan ditambahkan bersama untuk membentuk prediksi seperti:

• Lalu lintas “Jangka waktu 10” = Intercept + (Koefisien Waktu * 10) + (Koefisien Periode Sebelumnya * Lalu lintas periode 9)

Anda dapat melihat di lembar tersembunyi yang saya beri label dan diberi kode warna banyak keluaran dari rumus Linest, yang dapat membantu Anda untuk memulai jika Anda ingin bermain-main dengannya sendiri.

Ekstensi potensial

Jika Anda ingin bermain-main dengan ini sendiri, berikut adalah beberapa area yang secara pribadi saya pikirkan untuk perluasan lebih lanjut yang mungkin menarik bagi Anda:

• Data harian, bukan bulanan, dengan musim mingguan (mis. Turun setiap hari Minggu)
• Target pertumbuhan yang sudah ada (misalnya, masukkan pertumbuhan 20% pada akhir 2021)

Richard Fergie, yang alat Forecast Forge-nya saya sebutkan beberapa kali di atas, juga memberikan beberapa saran bagus untuk meningkatkan akurasi perkiraan dengan kompleksitas ekstra yang cukup terbatas:

• Kelancaran data dan hindari prediksi negatif dalam kasus ekstrim dengan mengambil log () masukan, dan memberikan eksponen keluaran (menghaluskan data mungkin atau mungkin tidak baik tergantung pada perspektif Anda!).
• Regres pada 12 bulan sebelumnya, alih-alih menggunakan 1 bulan + musim sebelumnya (ini membutuhkan data historis minimal 3 tahun)

Saya mungkin atau mungkin tidak menyertakan beberapa atau semua hal di atas sendiri dari waktu ke waktu, tetapi jika demikian saya akan memastikan saya menggunakan tautan yang sama dan mencatatnya di spreadsheet, jadi artikel ini selalu tertaut ke yang paling baru versi tanggal.

Jika Anda sudah sampai sejauh ini, apa yang ingin Anda lihat? Beri tahu saya di kolom komentar!