SEO na era da IA
com BigQuery e experimentação
- GSC e GA4 combinados no BigQuery: visão completa da consulta à conversão.
- SEO priorizado de acordo com o valor comercial e otimizado usando testes A/B.
- Concentre-se em conversões em vez de mera visibilidade - também com visões gerais de IA.
Dicas práticas para iniciantes
Começar a usar uma consulta relativamente complexa como essa pode parecer um grande salto, mas você não precisa ser um especialista em SQL para se beneficiar dela. Aqui estão algumas dicas para você começar:
Primeiro, defina suas variáveis: Nas primeiras linhas da consulta, são definidas as variáveis para as datas de início e término (start_date, end_date) e as cadeias de variantes do experimento (variant_a, variant_b). Altere-as na parte superior do script para personalizá-las de acordo com seu teste específico. Aqui você pode personalizar facilmente a análise. Essa é uma prática recomendada que torna a consulta reutilizável e reduz o risco de erros.
Basta começar: Não tente entender todas as linhas de código de uma só vez. A consulta consiste em várias subconsultas (as cláusulas WITH). Cada uma delas é uma peça pequena e gerenciável do quebra-cabeça. Execute somente a parte gsc_data primeiro para ver o resultado, depois a parte variant_data e assim por diante. Essa abordagem passo a passo o ajudará a desenvolver sua compreensão gradualmente.
Concentre-se nos links: A parte mais importante de todo o script é a maneira pela qual as diferentes partes são vinculadas. Observe as instruções LEFT JOIN na seção user_level_data. Isso é fundamental, pois garante que mantenhamos todos os nossos usuários variantes, mesmo aqueles que não foram convertidos. Um INNER JOIN removeria os usuários sem uma compra, o que resultaria em uma taxa de conversão distorcida. O LEFT JOIN preserva o grupo de teste completo, o que é essencial para uma análise de teste A/B precisa.
Leia os comentários: Os comentários (marcados com -) na consulta têm o objetivo de ajudá-lo. Eles explicam o que cada seção do código faz. Eles explicam o que cada seção do código faz. Leia-os com atenção, pois eles são seu guia pela lógica do script.
Use o resultado final: O resultado final do script é uma tabela com duas partes principais: query_level_results e overall_results. A primeira tabela mostra o desempenho de cada variante para consultas de pesquisa específicas, e a segunda fornece um resumo geral. Aqui você encontrará as respostas para suas principais perguntas: "Onde está indo bem?", "Onde está indo mal?" e "Onde há potencial inexplorado?".
Este script é mais do que apenas uma ferramenta de relatório. É uma estrutura fundamental para ajudá-lo a passar da análise para a ação confiante. Ele fornece os dados precisos de que você precisa para identificar problemas, formular hipóteses e testá-las com rigor científico.
Detalhamento da consulta
Um script como esse pode parecer intimidador à primeira vista, mas ele se baseia em um princípio simples: conectamos diferentes tabelas de informações usando um ID de usuário exclusivo. A consulta inteira é criada usando uma série de CTEs (Common Table Expressions, expressões comuns de tabela), ou seja, as partes que começam com WITH. Pense em cada instrução WITH como uma etapa lógica e autônoma em nosso processamento de dados. É como construir com peças de LEGO: você começa criando alguns blocos simples e depois os monta em um modelo completo.
Vamos dar uma olhada mais de perto nos "blocos de construção" individuais:
gsc_data: Esse é o nosso ponto de partida. Instruímos o BigQuery a chamar nossa tabela do Search Console e recuperar todos os dados de um período de tempo específico. Isso agrega impressões, cliques e páginas para nos fornecer uma linha de base para nosso desempenho orgânico.
dados_variantes: Aqui, recuperamos dados diretamente dos nossos eventos GA4. Especificamente, estamos procurando o evento personalizado que registra a qual variante de experimento (A ou B) um usuário foi exposto. Isso estabelece o importante vínculo entre um usuário e o teste do qual ele participou.
organic_users: Essa parte da consulta identifica todos os usuários que chegaram ao nosso site por meio de uma pesquisa orgânica do Google. Ela nos ajuda a filtrar nossos dados para garantir que analisemos apenas os usuários relevantes para nosso experimento relacionado a SEO.
user_purchases & user_add_to_cart: Aqui obtemos os dados de conversão (observação: o exemplo usa KPIs de comércio eletrônico, mas eles podem muito bem ser substituídos por conversões de geração de leads). Pedimos ao BigQuery que encontre todos os eventos de compra e add_to_cart e os vincule aos nossos usuários. Analisamos não apenas o número de conversões, mas também outras métricas valiosas, como a receita total.
Quando chegarmos às seções user_level_data e query_level_results, já teremos feito todo o trabalho pesado. Em seguida, o script mescla todos esses conjuntos de dados menores usando o user_pseudo_id exclusivo e, por fim, agrega todos os dados para fornecer um resultado claro e fácil de ler. Essa é a lógica central que transforma seus dados isolados em um modelo unificado para que você possa responder a perguntas como: "O novo conteúdo da página aumentou as conversões móveis para palavras-chave de cauda longa de alta frequência?"
Perguntas sobre o roteiro?
O autor, Bas Linders, tem o prazer de trocar ideias e está à disposição para perguntas ou sugestões de aprimoramento.