Yapay zeka çağında SEO
BigQuery ve Deneme ile
- BigQuery'de birleştirilmiş GSC ve GA4: sorgudan dönüşüme tam görünüm.
- SEO, iş değerine göre önceliklendirilmiş ve A/B testleri kullanılarak optimize edilmiştir.
- Yalnızca görünürlük yerine dönüşümlere odaklanın - AI genel bakışlarıyla da.
Yeni başlayanlar için pratik ipuçları
Bunun gibi nispeten karmaşık bir sorguya başlamak büyük bir adım gibi gelebilir, ancak bundan faydalanmak için bir SQL uzmanı olmanız gerekmez. İşte başlamanız için birkaç ipucu:
Önce değişkenlerinizi tanımlayın: Sorgunun ilk satırlarında, başlangıç ve bitiş tarihiniz (start_date, end_date) ve deney varyant dizeleriniz (variant_a, variant_b) için değişkenler tanımlanır. Özel testinize göre özelleştirmek için bunları kodun üst kısmında değiştirin. Burada analizi kolayca özelleştirebilirsiniz. Bu, sorguyu yeniden kullanılabilir hale getiren ve hata riskini azaltan en iyi uygulamadır.
Sadece başla: Kodun her satırını bir kerede anlamaya çalışmayın. Sorgu birkaç alt sorgudan (WITH cümleleri) oluşur. Bunların her biri bulmacanın küçük, yönetilebilir bir parçasıdır. Çıktıyı görmek için önce yalnızca gsc_data bölümünü, ardından variant_data bölümünü vb. çalıştırın. Bu adım adım yaklaşım, anlayışınızı aşamalı olarak geliştirmenize yardımcı olacaktır.
Bağlantılara odaklanın: Tüm kodun en önemli kısmı, farklı parçaların birbirine bağlanma şeklidir. user_level_data bölümündeki LEFT JOIN ifadelerine dikkat edin. Bu, dönüştürülmemiş olanlar da dahil olmak üzere tüm varyant kullanıcılarımızı tutmamızı sağladığı için çok önemlidir. INNER JOIN, satın alma işlemi yapmamış kullanıcıları çıkarır ve bu da dönüşüm oranının çarpık olmasına neden olur. LEFT JOIN, doğru A/B testi analizi için gerekli olan test grubunun tamamını korur.
Yorumları okuyun: Sorgudaki yorumlar (- ile işaretlenmiş) size yardımcı olmayı amaçlamaktadır. Kodun her bölümünün ne yaptığını açıklarlar. Bunları dikkatlice okuyun, bunlar kodun mantığı boyunca sizin rehberinizdir.
Son çıktıyı kullanın: Komut dosyasının son çıktısı iki ana bölümden oluşan bir tablodur: query_level_results ve overall_results. İlk tablo, her bir varyantın belirli arama sorguları için nasıl performans gösterdiğini gösterirken ikincisi size genel bir özet sunar. Burada temel sorularınızın yanıtlarını bulacaksınız: "Nerede iyi gidiyor?", "Nerede kötü gidiyor?" ve "Nerede kullanılmayan potansiyel var?".
Bu senaryo bir raporlama aracından çok daha fazlasıdır. Analizden emin adımlarla ilerlemenize yardımcı olacak temel bir çerçevedir. Sorunları tanımlamak, hipotezleri formüle etmek ve bunları bilimsel titizlikle test etmek için ihtiyaç duyduğunuz kesin verileri sağlar.
Sorgunun dökümü
Bunun gibi bir komut dosyası ilk bakışta korkutucu görünebilir, ancak basit bir ilkeye dayanır: benzersiz bir kullanıcı kimliği kullanarak farklı bilgi tablolarını birbirine bağlarız. Sorgunun tamamı bir dizi Ortak Tablo İfadesi (CTE'ler), yani WITH ile başlayan kısımlar kullanılarak oluşturulur. Her bir WITH ifadesini veri işlememizde bağımsız, mantıksal bir adım olarak düşünün. LEGO tuğlalarıyla inşa etmeye benzer: birkaç basit blok oluşturarak başlarsınız ve ardından bunları eksiksiz bir modelde birleştirirsiniz.
Şimdi tek tek "yapı taşlarına" daha yakından bakalım:
gsc_data: Bu bizim başlangıç noktamız. BigQuery'ye Search Console tablomuzu çağırmasını ve belirli bir zaman dilimi için tüm verileri almasını söylüyoruz. Bu, bize organik performansımız için bir temel sağlamak üzere gösterimleri, tıklamaları ve sayfaları toplar.
variant_data: Burada verileri doğrudan GA4 olaylarımızdan alıyoruz. Özellikle, bir kullanıcının hangi deney varyantına (A veya B) maruz kaldığını günlüğe kaydeden özel olayı arıyoruz. Bu, bir kullanıcı ile katıldığı test arasındaki önemli bağlantıyı kurar.
organic_users: Sorgunun bu kısmı, web sitemize organik bir Google araması yoluyla gelen tüm kullanıcıları tanımlar. Yalnızca SEO ile ilgili deneyimizle ilgili olan kullanıcıları analiz etmemizi sağlamak için verilerimizi filtrelememize yardımcı olur.
user_purchases & user_add_to_cart: Burada dönüşüm verilerini alıyoruz (not: örnekte e-ticaret KPI'ları kullanılıyor, ancak bunlar lead gen dönüşümleriyle pekala değiştirilebilir). BigQuery'den tüm satın alma ve add_to_cart olaylarını bulmasını ve bunları kullanıcılarımızla ilişkilendirmesini istiyoruz. Yalnızca dönüşüm sayısına değil, aynı zamanda toplam gelir gibi diğer değerli metriklere de bakıyoruz.
user_level_data ve query_level_results bölümlerine geldiğimizde, tüm zor işi zaten yapmış oluruz. Komut dosyası daha sonra benzersiz user_pseudo_id kullanarak tüm bu küçük veri kümelerini birleştirir ve son olarak net, okunması kolay bir çıktı sağlamak için tüm verileri toplar. Bu, izole edilmiş verilerinizi birleşik bir modele dönüştüren temel mantıktır, böylece şu gibi soruları yanıtlayabilirsiniz: "Yeni sayfa içeriği, yüksek frekanslı uzun kuyruklu anahtar kelimeler için mobil dönüşümleri artırdı mı?"
Senaryo hakkında sorularınız mı var?
Yazar Bas Linders, fikir alışverişinde bulunmaktan mutluluk duyar ve sorularınız veya iyileştirme önerileriniz için hazırdır.