forecasting tool یا همان ابزار پیش بینی در گوگل شیت، ابزار مفیدی می‌باشد که با استفاده از آن می‌توانید مجموعه‌ای از داده‌ها را وارد کنید و آنها را روی نمودار مانند تصویر زیر ترسیم کنید.

ویژگی‌های صفحه گسترده: انعطاف‌پذیرتر، اشکال زدایی آسان‌تر، توسعه آن آسان‌تر، نگهداری آسان‌تر و قالبی است که افراد با آن بسیار آشنا هستند.

در این مقاله قصد داریم یک الگوی رایگان به شما نشان دهیم، نحوه کار و نحوه استفاده از آن را به شما نشان دهیم و سپس به شما نحوه ساخت نسخه بهتر را نشان دهیم.

انواع پیش بینی سئو

نکته‌ای که وجود دارد قبل از آن که بخواهیم وارد بحث صفحه گسترده شویم شما را با انواع مختلف پیش بینی SEO آشنا میسازیم.

به طور گسترده، شما می‌توانید پیش بینی SEO را در سه گروه قرار دهید:

1. “من احساس خوش بینی می‌کنم – ۲۰٪ به امسال اضافه کنید” یا تغییرات مسطح مشابه به ارقام موجود. نسخه‌های پیچیده‌تر ممکن است فقط ۲۰٪ را به گروه‌های خاصی از صفحات یا کلمات کلیدی اضافه کنند. من فکر می‌کنم بسیاری از آژانس‌ها از این نوع پیش بینی‌ها در مسابقات استفاده می‌کنند و این به بهره گیری از تجربه می‌رسد.
2. مدل‌های کلمه کلیدی / CTR ، زمانی که شما یک تغییر رتبه‌بندی (یا مجموعه گسترده تغییرات رتبه‌بندی) را تخمین بزنید، سپس تغییر حاصل از ترافیک را از حجم جستجو و داده‌های CTR برون یابی کنید. باز هم، نسخه‌های پیچیده‌تر ممکن است مبنایی برای تغییر رتبه داشته باشند (به عنوان مثال “اگر در هر کلمه کلیدی گروه X که در حال حاضر بیش از ما هستند، جای آن را با رقیب A عوض کنیم چه می‌شود؟)”
3. پیش‌بینی آماری بر اساس داده‌های تاریخی، هنگامی که شما از روندهای قبلی و فصلی برون‌یابی می‌کنید تا ببینید اگر همه چیز ثابت بماند چه اتفاقی می‌افتد (همان سطح فعالیت بازاریابی توسط شما و رقبا و غیره).

نوع دو محاسن خود را دارد، اما اگر داده‌های Ahrefs / SEMRush / Sistrix را با تجزیه و تحلیل خود مقایسه کنید، خواهید دید که تعمیم این کار چقدر سخت است.

بعلاوه، به نظر نمی‌رسد نوع یک آنقدر که به نظر می‌رسد مضحک باشد، اما چیزی نیست که در این پست بیشتر جستجو کنیم. در هر صورت، الگوی موجود در این پست در نوع سه جای می‌گیرد.

چه چیزی باعث می‌شود این یک پیش بینی SEO باشد؟

چرا، اصلاً هیچی. یک نکته‌ای که در مورد این توضیحات در مورد نوع سه در بالا مشاهده خواهید کرد این است که در آن چیزی به نام SEO اختصاص داده نشده است. به عنوان مثال می‌تواند به طور یکسان در ترافیک مستقیم نیز صدق کند.

نوع دو در بالا بسیار چالش برانگیز است، و این به دلیل ماهیت بسیار غیر قطعی SEO و کیفیت کلی ضعیف داده‌های دقیق در Search Console و سایر سیستم عامل‌های خاص SEO است. علاوه بر این، برای داشتن ایده دقیق از فصلی بودن، باید حداقل چند سال داده‌های کنسول جستجوی خود را ذخیره کرده باشید.

برای بسیاری از کانالهای دیگر، دادههای تاریخی با جزئیات با کیفیت بالا و دقیق وجود دارد و روابط بسیار قابل پیش بینی‌تر هستند و امکان پیش بینی دقیق تر را فراهم می‌کنند. به عنوان مثال، برای جستجوی پرداخت شده، ابزار Forecast Forge در عواملی مانند داده‌های تبدیل در سطح کلمات کلیدی و هزینه برای هر کلیک بر اساس داده‌های تاریخی شما ساخته می‌شود ، به روشی که برای سئو کاملا غیر عملی است.

همانطور که گفته شد، ما هنوز هم می‌توانیم چندین نوع پیش بینی را در الگوی زیر ترکیب کنیم. به عنوان مثال، به جای پیش بینی میزان بازدید از سایت خود به عنوان یک کل، شما می‌توانید زیر پوشه‌ها را به طور جداگانه پیش بینی کنید، یا مارک / غیر مارک را جداگانه، و سپس می‌توانید درصد رشد را برای مناطق خاص اعمال کنید یا در تغییرات پیش بینی شده ایجاد کنید. اما، ما از خودمان پیشی می‌گیریم …

نحوه استفاده از الگو

الگوی رایگان

اولین کاری که باید انجام دهید این است که یک کپی تهیه کنید (در زیر منوی “File” در بالا سمت چپ، اما به صورت خودکار با پیوندی که من قرار داده‌ام). این بدان معنی است که شما می‌توانید داده‌های خود را وارد کنید و مطابق محتوای خودتان بازی کنید، و اگر می‌خواهید بعداً همیشه می‌توانید برگردید و یک نسخه جدید دریافت کنید.

سپس، در اولین برگه، متوجه خواهید شد که برخی از سلول‌ها دارای هایلایت سبز یا آبی هستند:

فقط باید مقادیر را در سلولهای رنگی تغییر دهید.

سلولهای آبی در ستون E اساساً برای اطمینان از اینکه همه چیز به درستی در خروجی دارای برچسب است، مطمئن هستند. بنابراین، برای مثال ، اگر داده‌های جلسه را جایگذاری می‌کنید، یا روی داده‌ها یا داده‌های درآمد کلیک می‌کنید، می‌توانید آن برچسب را تنظیم کنید. به همین ترتیب، اگر یک ماه شروع 01.08.2018 و 36 ماه داده تاریخی وارد کنید، پیش بینی تولید در ژانویه 2021 آغاز می‌شود.

با توجه به این یادداشت، باید داده‌ها ماهانه باشد. با شروع سلول B2، می‌توانید حداکثر یک دهه داده ماهانه تاریخی را در ستون B جایگذاری کنید، اما مواردی وجود دارد که باید مراقب آنها باشید:

• شما برای داشتن ایده خوب از مدل حداقل به 24 ماه داده نیاز دارید. (اگر در داده‌های تاریخی شما فقط یک ژانویه وجود دارد، و این میزان افزایش ترافیک است، از کجا باید بفهمم این یک چیز یکبار مصرف است یا یک سالانه؟)
• شما به ماههای کامل نیاز دارید. بنابراین اگر هنگام خواندن این مقاله 25 مارس 2021 است، آخرین ماه داده‌هایی که باید وارد کنید فوریه 2021 است.

اطمینان حاصل کنید که سایر داده‌های نمونه را نیز در ستون B حذف کنید.

خروجی‌ها

پس از انجام این کار، می توانید به برگه “خروجی‌ها” بروید، جایی که چیزی شبیه به این را خواهید دید:

ستون C احتمالاً ستونی است که شما به آن علاقه دارید. به خاطر داشته باشید که در اینجا پر از فرمول است، اما می‌توانید مقادیر را در برگه دیگری کپی و پیست کنید، یا فقط به سراغ گزینه‌ی File> Download >Comma-separated بروید و داده‌های خام را دریافت کنید.

متوجه خواهید شد که در اینجا به طور پیش فرض فقط 15 ماه پیش بینی را در آن نمودار نشان داده‌ایم و به شما توصیه می‌کنیم همان کار را انجام دهید. همانطور که در بالا اشاره کردیم، فرض ضمنی پیش بینی این است که بافت تاریخی ادامه دارد، مگر اینکه سناریوهای تغییر یافته‌ای مانند قفل شدن COVID را به صراحت در مدل خود بگنجانید (در یک لحظه بیشتر بدانید!) احتمال این که این فرضیه دو یا سه سال در آینده نگه داشته شود کم است، بنابراین حتی اگر مقادیر پیش بینی شده در آینده را ارائه داده باشم، باید این را بخاطر داشته باشید.

مرزهای بالا و پایین نشان داده شده 95٪ فواصل اطمینان هستند.

موارد استفاده پیشرفته

شاید تاکنون متوجه برگه “Advanced” شده باشید:

با توجه به این که قصد داریم مسئله را پیچیده نکنیم، اما با توجه به همه آنچه در سال 2020 اتفاق افتاده است، بسیاری از افراد نیاز دارند که عوامل اصلی خارجی را در مدل خود بگنجانند.

در مثال بالا، ستون B را با متغیری پر کرده‌ایم که آیا انگلیسی تحت قفل COVID بوده است یا خیر. از “0.5” برای نشان دادن اینکه در نیمه مارس وارد قفل شدیم استفاده کرده‌ایم.

احتمالاً می‌توانید برای عوامل مرتبط با تجارت خود بهتر از این استفاده کنید، اما چند نکته مهم را باید با این برگه به خاطر بسپارید:

• درست نیست اگر نمی‌خواهید این متغیرهای اضافی را اضافه کنید، آن را کاملاً دست نخورده بگذارید.
• از چپ به راست بروید – اگر از ستون B استفاده می‌کنید خوب است که ستون C را خالی بگذارید، اما اگر از C استفاده کنید خوب نیست که B را خالی بگذارید.
• اگر از یک متغیر “ساختگی” استفاده می‌کنید (به عنوان مثال “1” برای چیزی که فعال است)، باید مطمئن شوید که حداقل برای مدت زمان داده‌های تاریخی خود، 0‌های سلول‌های دیگر را پر کرده‌اید.
• می‌توانید مقادیر آینده را وارد کنید. به عنوان مثال، در مارس 2021 قفل شدن COVID را پیش بینی کنید. می‌توانید چیزی را در آن سلول وارد کنید تا در پیش بینی گنجانده شود.
• اگر مقادیر آینده را وارد نکنید، مدل بر اساس صفر بودن این عدد در آینده پیش بینی می‌کند. بنابراین اگر “مارک PPC فعال” را به عنوان یک متغیر ساختگی برای داده‌های تاریخی وارد کرده‌اید و سپس آن را برای دوره‌های آینده خالی گذاشته اید، این مدل فرض می‌کند که در آینده PPC مارک تجاری خود را خاموش کرده است.
• اضافه کردن داده‌های بیش از حد در اینجا برای مدت زمان بسیار کمی منجر به چیزی به نام “overfit” خواهد شد – قصد نداریم جزئیات این موضوع را وارد کنیم، به همین دلیل این برگه “پیشرفته” نام دارد، اما سعی کنید خود را فریب ندهید.

در اینجا چند نمونه از موارد استفاده شده از این برگه برای بررسی وجود دارد:

• وارد کنید آیا PPC مارک‌دار فعال است (0 یا 1)
• وارد کنید تبلیغات تلویزیونی را اجرا کنید یا نکنید
• قفل شدن COVID را وارد کنید

به روزرسانی‌های الگوریتم را وارد کنید که برای کسب و کار شما قابل توجه بود (یک ستون در هر به روزرسانی)

چگونه کار می‌کند؟

یک برگه مخفی در الگو وجود دارد که می‌توانید نگاهی بیندازید، اما نسخه کوتاه آن فرمول صفحه گسترده “LINEST ()” است.

ورودی‌هایی که استفاده می‌کنیم عبارتند از:

• متغیرهای وابسته

هر آنچه را که به عنوان ستون B در برگه ورودی قرار می‌دهید (مانند ترافیک)

• متغیرهای مستقل

گذشت زمان به صورت خطی

ترافیک دوره قبل

متغیرهای ساختگی برای ۱۱ ماه (۱۲ ماه با ۱۱ متغیر دیگر ۰ نشان داده می‌شود)

حداکثر سه متغیر “پیشرفته”

سپس فرمول مجموعه‌ای از “ضرایب” را به عنوان خروجی ارائه می‌دهد که می‌تواند با مقادیر ضرب شده و بهم اضافه شود تا پیش بینی مانند:

ترافیک “دوره زمانی ۱۰” = رهگیری + (ضریب زمان * ۱۰) + (ضریب دوره قبلی * ترافیک دوره ۹)

می‌توانید در آن صفحه مخفی مشاهده کنید که بسیاری از خروجی‌های فرمول Linest را برچسب‌گذاری و کدگذاری کرده ایم، که اگر می‌خواهید خودتان با آن بازی کنید، می‌تواند به شما کمک کند تا شروع کنید.

اگر تا اینجا پیش رفته اید، دوست دارید چه چیزی را ببینید؟ به ما در کامنت‌ها اطلاع دهید!