Werbefachleute weisen jedoch nur selten Analysebudgets zu, sodass Sie dies selbst tun müssen.
Was Sie tun müssen, um Yandex Direct in Data Studio zu visualisieren:
- Holen Sie sich ein Token von Ihrem Konto (dazu in der Yandex.Direct-Hilfe)
- In Python Schreiben Sie eine Anfrage an den Yandex Direct-Server
- Summenstatistik im Pandas-Datenrahmen
- Senden Sie Daten an Google Big Query
- Erstellen Sie eine Visualisierung in Data Studio basierend auf Daten in Google Big Query
Schreiben Sie eine Anfrage an den Yandex Direct-Server und fügen Sie die Daten dem Pandas-Datenrahmen hinzu
Früher habe ich an Anfragen herumgebastelt und dann die Daten so bearbeitet, dass sie gesendet werden können. Sie können versuchen, wenn Sie eine Feinabstimmung benötigen (darüber habe ich hier früher geschrieben habr.com/ru/post/445734 ).
Im Übrigen gibt es einen viel einfacheren Weg - mein Python-Paket yadirstat. (Überprüfen Sie habr.com/ru/post/512902 ). Wenn Sie es verwenden, geben Sie ein Token, ein Login und Daten ein und Sie erhalten einen vorgefertigten Datenrahmen, in dem Sie nichts ändern müssen.
Der Code sieht folgendermaßen aus:
from yadirstat import yadirstat
x=yadirstat.yadirstat.campaign('FFFFFfffffFFFFggggGGGgg', 'client123123','2020-05-10','2020-07-15')
print(x)
Senden Sie Daten an Google Big Query
Dies ist der naheliegendste Weg, um Daten für die spätere Visualisierung in DataStudio zu sammeln, da sie paarweise perfekt funktionieren.
Zum Senden verwende ich das Paket „pandas_gbq“.
Der Code sieht folgendermaßen aus:
import pandas_gbq
pandas_gbq.to_gbq(x, 'YD_Days.test', project_id='red-abstraction-99999999',if_exists='replace', progress_bar=None)
Warum werden die Daten überschrieben? Da die Statistiken in der Richtlinie im Laufe der Zeit angepasst werden können und wir einfach neue Begriffe hinzufügen, treten Diskrepanzen in den Statistiken auf.
Lassen Sie uns nun überprüfen, ob die Informationen an Big Query gingen. Wenn alles gut gegangen ist, wird es eine solche Reihe von Feldern ihrer Art geben
Erstellen Sie eine Visualisierung in Data Studio basierend auf Daten in Google Big Query
Dazu können Sie sofort eine Abfrage in Big Query erstellen, um alle Daten
abzurufen : Klicken Sie auf "Abfrage an die Tabelle senden", fügen Sie nach SELECT "*" hinzu und entfernen Sie das Limit. Die Abfrage sieht folgendermaßen aus: "SELECT * FROM` red-abstraction-239999.YD_Days.test`"
In Data Studio Herstellen einer Verbindung zu Google Big Query
Beim Ändern der Quelle werden die folgenden Felder
angezeigt. Für eine korrekte Aggregation müssen die folgenden Felder geändert werden:
- Durchschn
- Wechselkurs
- CostPerConversion
- Ctr
Warum wird das gemacht? Betrachten
wir den CPC als Beispiel. Wenn wir zwei Zeilen mit den folgenden Daten haben:
- 100 Klicks - Kosten pro Klick 100 Rubel - Kosten 10000
- 2 Klicks - Kosten für einen Klick - 10 Rubel - Kosten für 20 Rubel
Der übliche Durchschnitt würde sagen, dass der CPC in zwei Zeilen liegt. 55
Um den richtigen CPC zu erhalten, sollten Sie alle Kosten durch alle Klicks teilen. In diesem Fall beträgt der CPC 98.2. Blenden Sie einfach
diese Felder aus und fügen Sie ihre Analoga hinzu:
- CPC = SUMME (Kosten) / SUMME (Klicks)
- CTR = SUMME (Klicks) / SUMME (Impressionen) * 100
- % Conversions = SUMME (Conversions) / SUMME (Klicks) * 100
- Umrechnungskosten = SUMME (Kosten) / SUMME (Umrechnungen)
Ich verwende die Spalte "AvgPageviews" überhaupt nicht. Die
Absprungrate ist eine sehr komplexe Spalte, da Yandex unterschiedliche Statistiken verwendet, die auf einigen zusätzlichen Daten basieren.
Kurz gesagt, ich verwende die Formel. Sie gibt mir die minimalen Abweichungen von dem, was Yandex anzeigt:
% Absprungrate = SUMME (Bounce_clicks) / (SUMME (Klicks) / 100).
Dabei ist Bounce_clicks die Anzahl der zurückgeworfenen Klicks in jeder der Zeilen.
Diese Frage geht jedoch über den Rahmen dieses Artikels hinaus :)
Zu diesem Zeitpunkt erhalten wir die folgenden Felder:
Wir visualisieren
Ich mache zwei Seiten für jeden Kunden: allgemeine Informationen und Informationen zu Schlüsseln.
Beginnen wir mit der ersten Seite - allgemeine Informationen
Hier poste ich:
- Planen Sie mit Ausgaben pro Tag
- Tabelle mit Statistiken nach Datum
- Tabelle mit Statistiken nach Kampagne
- Dashboard mit Statistiken für gestern (Klicks, Kosten, Kosten pro Klick)
Platzieren Sie zunächst einen Datumsbereich in der Ecke, damit Benutzer Datumsangaben für sich selbst auswählen können:
Fügen Sie nun einen Zeitplan mit Kosten hinzu:
Legen Sie die folgenden Einstellungen fest:
Erstellen eines solchen Diagramms Legen Sie
für eine Tabelle mit Datumsangaben die folgenden Einstellungen fest:
Ändern Sie für eine Tabelle mit Kampagnen den Parameter "Datum" in den Namen der Kampagnen
für Dashboards verwende ich eine Zusammenfassung. Als Ergebnis erhalte
ich die folgende Seite mit Statistiken:
Wir erhalten Statistiken für Schlüsselwörter:
Alles ist gleich, erst jetzt sieht die Anfrage so aus:
import pandas_gbq
from yadirstat import yadirstat
x = yadirstat.yadirstat.criteria('AgAAAAI',client-12247235,'2020-05-10','2020-07-15')
print(x)
pandas_gbq.to_gbq(x, 'YD_criteria.test', project_id='red-abstraction-21239254613',if_exists='replace', progress_bar=None)