Google Colaboratory: 3D Clicks Predictions in der Google Search Console (GSC) mit Framework von JC Chouinard
Hochrechnungen für organische Klicks aus Google-Suche sind immer eine spannende Sache. Mit dem Framework von JC Chouinard kannst du mithilfe von Machine Learning spannende Clicks Predictions durchführen. Zum Einsatz kommt dabei das Python-Notebook von Google Colaboratory und Plotly.
Es ist im Business-Intelligence-Umfeld immer wichtig, mögliche Aufwärts- und Abwärtstrend frühzeitig zu erkennen. Das gilt insbesondere auch für organische Klicks aus Google-Suche, die üblicherweise das Flaggschiff von Unternehmen im Online Marketing sind. Organische Reichweiten aus Suchmaschinen bieten traditionell eine solide Grundlage für Käufe und Anfragen, die reinkommen, auch wenn andere Akquisitionskanäle wegfallen.
Umso wichtiger ist es, sich anbahnende SEO-Chancen bei bestimmten Keywords und Suchbegriffen zu nutzen oder Abstiege zu verhindern, bevor sie eintreten. Das lässt sich auch errechnen – standardmäßig mit Regressionsanalysen, wie etwa mit Microsoft Power BI for Desktop oder der Vertex AI auf der Google Cloud. Das Resultat wäre ein klassisches Liniendiagramm, das eine Entwicklung mit eingerechneten Saisonalitätswerten auf Basis der Bestandsentwicklung anzeigt.
Es gibt aber eine weitere spannende Möglichkeit für Vorhersagen von organischen Klicks aus Google-Suche: Das Framework für Clicks Predictions von JC Chouinard. Dieses arbeitet ebenfalls mittels Regressionsanalyse auf Machine-Learning-Basis und gibt die Daten in einem interaktiven 3D-Blasendiagramm wieder. Dieses Framework zu bedienen ist sehr leicht und den genauen Python-Befehl gibt es direkt im Artikel von JC Chouinard. In der nachfolgenden Anleitung erfährst du, wie du selbst ganz einfach den Python-Befehl via Google Colaboratory anwenden kannst.
https://slavawagner.de/wp-content/uploads/2023/11/3D-Clicks-Predictions-final.mp4
AI COnsulting
AI Automation Kit
– im Online Marketing
Mit diesen Make-Templates kannst du viele wichtige Marketing-Prozesse automatisieren und erhebliche personelle Ressourcen einsparen.
Tabellarischen Datensatz für 3D Clicks Predictions vorbereiten mit Google Tabellen
Für die 3D Clicks Predictions benötigst du einen tabellarischen Datensatz, der als CSV-Datei vorliegen muss. Exportiere also zunächst deine häufigsten Suchbegriffe aus der Google Search Console als Google Tabelle. Sofern dein Konto in der Google Search Console auf Deutsch konfiguriert ist, ändere die deutschen Bezeichnungen Tabellenköpfe in die entsprechenden englischen Bezeichnungen, wie in der nachfolgenden Abbildung.
Anschließend gibt es noch etwas: Das Format für die CTR (Click-Through-Rate) muss numerisch sein und die Dezimalstellen müssen durch einen Punkt getrennt sein, und nicht durch ein Komma. Standardmäßig gibt dir die Google Search Console Prozentwerke aus. Entferne also die Prozentwerke und formatiere die CTR-Spalte so, dass der Prozentwert im numerischen Format als Dezimalzahl ausgegeben wird, getrennt mit einem Punkt. Sobald die Tabelle formatiert ist, kannst du sie im CSV-Format herunterladen. So sollte deine Tabelle aussehen:
So sollte deine CSV-Tabelle in Google Sheets aussehen, damit du sie für die 3D Clicks Predictions in Google Colaboratory verwenden kannst. Es sollten dieselben Tabellenköpfe und dieselben Zahlenformate vorliegen, wie in diesem Beispiel.
Google Colaboratory installieren und CSV-Datei im Python-Notebook hochladen
Google Colaboratory in Google Drive installieren
Nun benötigst du ein Python-Notebook, mit dem du das Python-Script für die 3D Clicks Prediction launchen kannst. Nimm dazu am besten Google Colaboratory, das du dir direkt in Google Drive über den Google Workspace Marketplace installieren kannst. Es ist komplett kostenlos und du kannst direkt über Google Drive auf deine erstellten Python-Notebooks zugreifen. Außerdem erhältst du kostenlos ein Laufwerk mit über 100 GB Speicherplatz für deine Rechenoperationen, welches du regelmäßig leeren kannst. Zudem kannst du noch unter dem Menüpunkt “Laufzeit” unter “Laufzeittyp ändern” auf T4 GPU als Hardwarebeschleuniger umschalten, um eine noch schnellere Rechenleistung zu erhalten.
Sobald du Google Colaboratory installiert hast, klicke links auf das Ordner-Symbol und dann auf das Datei-Upload-Symbol. Lade anschließend deine formatierte CSV-Datei mit den häufigsten Suchbegriffen aus der Google Search Console hoch. Beachte dabei den genauen Namen deiner CSV-Datei, da dieser im nächsten Schritt ins Python-Script eingetragen werden muss.
Klicke auf das Ordner-Symbol in der linken Menüleiste und anschließend auf das Datei-Upload-Symbol, um deine CSV-Datei mit den Daten aus deiner Google Search Console hochzuladen. Die genaue Dateibezeichnung brauchst du im nächsten Schritt, um sie im Python-Script von JC Chouinard zu hinterlegen.
AI COnsulting
AI Automation Kit
– im Online Marketing
Mit diesen Make-Templates kannst du viele wichtige Marketing-Prozesse automatisieren und erhebliche personelle Ressourcen einsparen.
Python-Script für Clicks Predictions von JC Chouinard einsetzen
Python-Script von JC Chouinard
Kopiere dir nun das Python-Script von JC Chouinard für 3D Clicks Predictions für Suchbegriffe aus der Google Search Console und füge das Script in Google Colaboratory ein. Trage anschließend die genaue Dateibezeichnung deiner CSV-Datei ein, die du bei Google Colaboratory hochgeladen hast, und zwar im Feld von: df = pd.read_csv(“deindateiname.csv”). Bei model_type kannst du außerdem noch eintragen, welches Machine-Learning-Modell für die 3D Clicks Prediction verwendet werden soll. Die Wirkungsweisen der drei Modelle werden ebenfalls im Artikel von JC Chouinard beschrieben. Wenn alles fertig ist, starte anschließend das Script mit dem Run-Button links neben dem Python-Script.
Gehe auf die oben angegebene Website von JC Chouinard, um dir das Python-Script zu holen und dieses anschließend in Google Colaboratory einzutragen. Ersetze anschließend bei den CSV-Dateinamen bei df = pd.read_csv(“beispiel.csv”).
3D Clicks Predictions aus der Google Search Console auswerten
Fertig! Nun können wir auswerten, wie hoch die einzelnen Clicks Predictions im 3D-Blasendiagramm sind. Die drei Achsen in der Darstellung sind hier: Impressionen, CTR und Position. Die Vorhersage für die Klicks wird auf Basis der linearen Regression ermittelt. Du kannst im interaktiven Plotly-Diagramm hereinzoomen und herauszoomen und spannende Erkenntnisse über aussichtsreiche, organische Suchbegriffe gewinnen.
Du kannst im 3D-Blasendiagramm von Plotly reinzoomen und rauszoomen, um die Clicks Predictions für die einzelnen Suchbegriffe aus deiner Google Search Console einzusehen.
Unter prediction_Clicks=2,31 siehst du die Vorhersagen basierend auf Machine Learning für deine organischen Klickzahlen aus Suchbegriffen.
AI COnsulting
AI Automation Kit
– im Online Marketing
Mit diesen Make-Templates kannst du viele wichtige Marketing-Prozesse automatisieren und erhebliche personelle Ressourcen einsparen.
Slava Wagner
SEA, Paid Media, Conversion-Rate-Optimierung, Markt- und Trendanalysen.
info@slavawagner.de
+49 176 588 744 04
Inhalt
-
Tabellarischen Datensatz für 3D Clicks Predictions vorbereiten mit Google Tabellen
-
Google Colaboratory installieren und CSV-Datei im Python-Notebook hochladen
-
Python-Script für Clicks Predictions von JC Couinard einsetzen
-
3D Clicks Predictions aus der Google Search Console auswerten
Überblick: Das bringen dir die 3D Clicks Predictions für Daten aus deiner Search Console
Hochrechnungen für organische Klicks aus der Google-Suche können mithilfe des Clicks Predictions Frameworks von JC Chouinard besonders spannend sein. Dieses innovative Tool nutzt Machine Learning und basiert auf einer Regressionsanalyse, die mithilfe des Python-Notebooks von Google Colaboratory und Plotly umgesetzt wird. Das Framework ermöglicht präzise Vorhersagen von organischen Klicks aus der Google-Suche und stellt die Ergebnisse in einem interaktiven 3D-Blasendiagramm dar. Die Anwendung dieses Frameworks ist äußerst benutzerfreundlich, und der genaue Python-Befehl ist direkt im Artikel von JC Chouinard verfügbar. Die Methode ermöglicht eine effektive und visuell ansprechende Analyse von Klickprognosen, wodurch Marketingexperten und SEO-Spezialisten wertvolle Einblicke in die erwartete Performance ihrer Inhalte erhalten können. Insgesamt bietet das Clicks Predictions Framework eine innovative Herangehensweise, um organische Klicks aus der Google-Suche besser zu verstehen und ihre zukünftige Entwicklung vorherzusagen.
Das könnte dich auch interessieren:
HubSpot Kalender für Leadgenerierung — mit Google Ads und Conversion-Wert-Export von Customer-Daten
Der HubSpot-Kalender ist ähnlich wie Calendly: Du kannst ihn auf deiner Website installieren, damit Nutzer Termine buchen. Die Leads werden automatisch in HubSpot angelegt.
Calendly-Integration für die Website erstellen und Termine per E-Mail versenden mit HTML-Buttons
Mit Calendly kannst du schnell und unkompliziert Terminbuchungen für deine Online-Nutzer bereitstellen. Vorteil: Die Terminerscheinungsquote ist sehr hoch.