Проектирование дашбордов для веб-аналитики e-commerce сайта. Часть 3: SEO-канал

В этой статье соберем дашборд для аналитики SEO-трафика. Данные будем выгружать через скрипты на python и через .csv файлы.

Что будем выгружать?

Для аналитики динамики позиций поисковых фраз потребуется выгрузки из Яндекс.Вебмастера и Google Search Console. Для оценки «полезности» прокачивания позиции поисковой фразы будут полезны данные о частотности. Их можно получить из Яндекс.Директа и Google Ads. Ну а для анализа поведения технической стороны сайта воспользуемся Page Speed Insider.


Динамика SEO-трафика

Google Search Console

Для взаимодействия с API воспользуемся библиотекой searchconsole. На гитхабе подробно описано, как получить необходимые токены для логина. Процедура для выгрузки данных и загрузки их в базу данных MS SQL будет следующей:

def google_reports():
# авторизация в нужный ресурс
    account = searchconsole.authenticate(client_config=r'credentials.json'
                                     , credentials=r'cred_result.json')
    webproperty = account['https://test.com/']
# выгрузка данных за последнюю неделю в разрезе страны, устройства, посадочной страницы и поисковой фразы
    report = webproperty.query.range('today', days=-10).dimension('country', 'device', 'page', 'query').get()
    now = datetime.now()
    fr = now - timedelta(days = 9)
    to = now - timedelta(days = 3)
    res = pd.DataFrame(columns=['dt_from', 'dt_to', 'country', 'device', 'page', 'query', 'clicks', 'impressions', 'position'])
# собираем данные в DataFrame и записываем их на сервер
    for i in report.rows:
        temp={}
        temp['country'] = i[0]
        temp['device'] = i[1]
        temp['page'] = i[2]
        temp['query'] = i[3]
        temp['clicks'] = i[4]
        temp['impressions'] = i[5]
        temp['position'] = i[7]
        temp['dt_from'] = fr.strftime("%Y-%m-%d")
        temp['dt_to'] = to.strftime("%Y-%m-%d")
        res = res.append(temp, ignore_index=True)
    to_sql_server(res, 'google_positions')

Яндекс.Вебмастер

К сожалению, Вебмастер умеет выгружать только 500 поисковых фраз. Выгрузить разрезы по стране, типу устройства и т.п. он тоже не может. Из-за этих ограничений помимо выгрузки позиций по 500 словам из Вебмастера мы выгрузим данные из Яндекс.Метрики по посадочным страницам. Для тех, у кого поисковых фраз не так много, 500 слов будет достаточно. Если же у вас семантическое ядро по Яндексу достаточно широкое, то придется выгружать позиции из иных источников или писать свой парсер позиций.

def yandex_reports():
    token = "..."
    # получаем UserID
    url = "https://api.webmaster.yandex.net/v4/user/"
    headers = {"Authorization": "OAuth " + token}
    res = requests.get(url, headers=headers)
    a = json.loads(res.text)
    userId = a['user_id']
    host_id = "https:test.com:443"
# выгружаем 500 запросов по числу показов в разрезе показов
    res = requests.get(url+str(userId)+"/hosts/"+host_id+"/search-queries/popular/?order_by=TOTAL_SHOWS&query_indicator=TOTAL_SHOWS", headers=headers)
    df1 = pd.DataFrame(columns=['query_id', 'query_text', 'shows', 'dt_from', 'dt_to'])
    a = json.loads(res.text)
    for i in a['queries']:
        temp={}
        temp['query_id'] = i['query_id']
        temp['query_text'] = i['query_text']
        temp['shows'] = i['indicators']['TOTAL_SHOWS']
        temp['query_text'] = i['query_text']
        temp['dt_from'] = a['date_from']
        temp['dt_to'] = a['date_to']
        df1 = df1.append(temp, ignore_index=True)

# выгружаем 500 запросов по числу показов в разрезе кликов
    res = requests.get(url+str(userId)+"/hosts/"+host_id+"/search-queries/popular/?order_by=TOTAL_SHOWS&query_indicator=TOTAL_CLICKS", headers=headers)
    df2 = pd.DataFrame(columns=['query_id', 'clicks'])
    a = json.loads(res.text)
    for i in a['queries']:
        temp={}
        temp['query_id'] = i['query_id']
        temp['clicks'] = i['indicators']['TOTAL_CLICKS']
        df2 = df2.append(temp, ignore_index=True)

# выгружаем 500 запросов по числу показов в разрезе позиций
    res = requests.get(url+str(userId)+"/hosts/"+host_id+"/search-queries/popular/?order_by=TOTAL_SHOWS&query_indicator=AVG_SHOW_POSITION", headers=headers)
    df3 = pd.DataFrame(columns=['query_id', 'position'])
    a = json.loads(res.text)
    for i in a['queries']:
        temp={}
        temp['query_id'] = i['query_id']
        temp['position'] = i['indicators']['AVG_SHOW_POSITION']
        df3 = df3.append(temp, ignore_index=True)

    df1 = df1.merge(df2, on='query_id')
    df1 = df1.merge(df3, on='query_id')
    to_sql_server(df1, 'yandex_positions')

Page Speed Insider

Позволяет оценить скорость загрузки контента сайта. Если сайт стал загружаться медленнее, то это может существенно снизить позиции сайта в поисковой выдаче.

# выгружаем топ-50 страниц для подсчета скорости загрузки
conn = pymssql.connect(host=host,user=user,password=password)
    sql_string = r'''
            ;with a as(
                select distinct page, sum(clicks) as clicks
                from seo_google_positions
                group by page
            )
            select top 50 page from a
            order by clicks desc
            '''
    data = pd.read_sql(sql_string, conn)
    conn.close()

# выгружаем данные о средней скорости загрузки страницы 
    dat = pd.DataFrame(columns=['first_cpu_idle', 'first_contentful_paint', 'page', 'dt'])
    for i, j in data.iterrows():
        url = "https://www.googleapis.com/pagespeedonline/v5/runPagespeed?url={0}&category=performance&strategy=desktop".format(j[0])
        res = requests.get(url)
        res = json.loads(res.text)
        temp = {}
        temp['first_cpu_idle'] = res['lighthouseResult']['audits']['first-cpu-idle']['displayValue']
        temp['first_contentful_paint'] = res['lighthouseResult']['audits']['first-contentful-paint']['displayValue']
        temp['page'] = j[0]
        temp['dt'] = now.strftime("%Y-%m-%d")
        dat = dat.append(temp, ignore_index = True)
    to_sql_server(dat, 'google_pagespeed')

Google Ads и Яндекс Директ

Для оценивания частотности поисковых запросов выгрузим частотность нашего СЕО-ядра.


Прогноз бюджета Яндекс


Планировщик ключевых слов Google

Яндекс Метрика

Выгрузим данные по просмотрам и визитам на страницы входа с SEO-трафика.

token = token
    headers = {"Authorization": "OAuth " + token}
    now = datetime.now()
    fr = (now - timedelta(days = 9)).strftime("%Y-%m-%d")
    to = (now - timedelta(days = 3)).strftime("%Y-%m-%d")
    res = requests.get("https://api-metrika.yandex.net/stat/v1/data/?ids=ids&metrics=ym:s:pageviews,ym:s:visits&dimensions=ym:s:startURL,ym:s:lastsignSearchEngine,ym:s:regionCountry,ym:s:deviceCategory&date1={0}&date2={1}&group=all&filters=ym:s:lastsignTrafficSource=='organic'&limit=50000".format(fr,to),
                            headers=headers)
    a = json.loads(res.text)
    re = pd.DataFrame(columns=['page', 'device', 'view', 'dt_from', 'dt_to', 'engine', 'visits', 'country', 'pageviews'])
    for i in a['data']:
        temp={}
        temp['page'] = i['dimensions'][0]['name']
        temp['engine'] = i['dimensions'][1]['name']
        temp['country'] = i['dimensions'][2]['name']
        temp['device'] = i['dimensions'][3]['name']
        temp['view'] = i['metrics'][0]
        temp['visits'] = i['metrics'][1]
        temp['pageviews'] = i['metrics'][0]
        temp['dt_from'] = fr
        temp['dt_to'] = to
        re=re.append(temp, ignore_index=True)
    to_sql_server(re, 'yandex_pages')

Сбор данных в Power BI

Посмотрим, что у нас получилось выгрузить:

• google_positions и yandex_positions
• google_frequency и yandex_frequency
• google_speed и yandex_speed
• yandex_metrika

Из этих данных мы сможем собрать динамику по неделям, по сегмантам, общие данные по сегментам и запросам, динамику и общие данные по страницам и скорости загрузки контента. Вот так может выглядеть финальный отчет:



С одной стороны, очень много разных табличек и сложно понять, каковы общие тенденции. С другой стороны, в каждой табличке отображены важные данные по позициям, показам, кликам, CTR, скорости загрузки страницы.

Статьи из цикла:

• Проектирование дашбордов для веб-аналитики e-commerce сайта. Часть 1: Удобный интерфейс
• Проектирование дашбордов для веб-аналитики e-commerce сайта. Часть 2: Email-рассылки. Стратегический дашборд
• Проектирование дашбордов для веб-аналитики e-commerce сайта. Часть 2: Email-рассылки. Операционный дашборд