استخدام جداول بيانات جوجل في توقع نتائج تحسين محركات البحث
![استخدام جداول بيانات جوجل في توقع نتائج تحسين محركات البحث](https://files.illaftrain.com/upload/ictm/blog/source/illaf_tot_61533vx3oiy41you69wb.jpg)
هذه المقالة مأخوذة عن استشاري تحسين محركات البحث توم كابر (Tom Capper)، والذي يقدِّم فيها قالب جدول بيانات مجاني لتتوقع كيفية تأثير جهودك في تحسين محركات البحث على الزيارات في موقعك الإلكتروني.
لقد نشرتُ مقالة في عام 2015، قدَّمتُ فيها أداة توقُّع مجانية وبسيطة، وتحدثتُ عن حالات استخدام توقُّعات نتائج تحسين محركات البحث؛ حيث كانت الأداة سريعةً وفعالةً لاكتشاف ما إذا كان تغيُّر حركة مرور البيانات أمراً مؤقَّتاً يمكنك تجاهله، أو أمراً مفيداً، أو مؤشِّراً مُقلقاً يدل على خسارة تلك الحركة. وكانت الأداة تتمحور باختصار حول إدخال سلسلة من البيانات تظهر على شكل رسم بياني كما في الصورة أعلاه.
وبعد مرور خمس سنوات على ذلك، ما زال يأتي الناس إليَّ ليسألوني عن هذه الأداة، وفي أغلب الأحيان، يطلبون منِّي إنشاء إصدار يعمل مباشرة في جداول البيانات.
أعتقد أنَّه من السهل تفهُّم هذا الطلب؛ إذ تتمتع جداول البيانات بمرونة كبيرة، ويسهل تصحيحها، وتوسيع نطاقها، والحفاظ عليها، إلى جانب كونها تنسيقاً اعتاد الناس استخدامه.
ولكن في المقابل، على الرغم من أنَّني قد طورتُ هذه الأداة منذ بضع سنوات، إلا أنَّه كان عليَّ حصر الأمور ضمن حدود يمكن ضبطها بسبب البيئة البرمجية المتقلِّبة التي تتسم بها تطبيقات "إكسل" (Excel)، و"جداول بيانات غوغل" (Google Sheets)؛ مما يعني أنَّ القالب الذي أشاركه في هذا المنشور يستخدم نموذجاً أبسط، وأضعف أداءً بقليل من بعض الأدوات التي تتضمن تنفيذ الكود الخارجي (مثل: "فوركاست فورج" (Forecast Forge))
لذا، سأقدِّم إليك في هذه المقالة قالباً مجانياً، وسأوضِّح لك آلية عمله، واستخدامه، ثم أشرح لك كيفية إنشاء نسختك الخاصة (والأفضل).
أنواع توقعات نتائج تحسين محركات البحث (SEO):
أنا أرغب التوسع أكثر في نقطة واحدة قبل الحديث عن عناصر جدول البيانات: وهي الأنواع المختلفة لتوقعات نتائج تحسين محركات البحث؛ حيث أعتقدُ أنَّه يمكنك تصنيفها إلى ثلاث مجموعات:
- إجراء تغييرات سطحية على الأرقام الحالية، كإضافة 20% من التوقعات إلى العام. قد تضيف الإصدارات المعقدة من التوقعات 20% إلى مجموعات معيَّنة من الصفحات أو الكلمات الرئيسة فحسب. أعتقد أنَّ كثيراً من الوكالات تستخدم هذا النوع من التوقعات في العروض الترويجية، كما أنَّ الأمر يعتمد على التجارب السابقة.
- النماذج المتعلقة بالكلمات الرئيسة/ مُعدَّل النقر (CTR): عندما تتوقَّع تغيُّراً في الترتيب (أو مجموعة شاملة من تغييرات الترتيب)، ثم تستنتج التغيُّر الناتج في حركة مرور البيانات من خلال حجم البحث، وبيانات نسبة النقر إلى الظهور.
وكما ذكرتُ سابقاً، قد توفِّر الإصدارات الأكثر تعقيداً بعض الأسس لتغيير الترتيب (على سبيل المثال، "ماذا لو حلَّت شركتك محل المنافس "أ" في كل كلمة مفتاحية من كلمات المجموعة X التي يتفوقون فيها عليك حالياً؟").
- التوقُّع الإحصائي المستند إلى البيانات التاريخية: وهي حينما يعتمد استنتاجك على التوجهات والمواسم السابقة لاكتشاف ما سيحدث إذا ظلَّ كل شيء ثابتاً (على سبيل المثال، نفس مستوى النشاط التسويقي الذي تمارسه أنت ومنافسيك).
يتمتع النوع الثاني بعديد من المزايا، ولكن إذا قارنت أدوات مثل: "أهريفس" (Ahrefs)، و"سيم راش" (SEMRush)، و"سيستريكس" (Sistrix) بتحليلاتك، فستكتشف مدى صعوبة تعميم هذا الأمر. وبعيداً عن موضوعنا هذا، لا أعتقد أنَّ النوع الأول سخيف كما يبدو، ولكنَّني لن أتطرَّق إليه أكثر في هذه المقالة. وعلى أي حال، يتناسب القالب الذي سأقدِّمه هنا مع النوع الثالث.
ما الذي يجعل النوع الثالث مناسباً لتوقُّعات تحسين محركات البحث؟
في الواقع، لا شيء إطلاقاً؛ فلعلَّك ستلاحظ أمراً واحداً بخصوص الطريقة التي وصفتُ بها النوع الثالث أعلاه، وهو أنَّني لم أذكر أي أمر خاص يتعلق بتحسين محركات البحث؛ حيث يمكن أن ينطبق أيضاً على الزيارات المباشرة مثلاً.
لقد ذكرتُ أنَّ النوع الثاني يمثِّل تحدياً كبيراً، وذلك بسبب الطبيعة غير المحددة التي يتسم بها تحسين محركات البحث، ورداءة نوعية البيانات التفصيلية في نظام "سيرتش كونسول" (Search Console)، والأنظمة الأساسية الأخرى الخاصة بأدوات مشرفي محركات البحث (Search Console)، والمنصَّات الأخرى الخاصة بتحسين محركات البحث عموماً. بالإضافة إلى ذلك، يلزمك تخزين بيانات أدوات مشرفي محركات البحث (Search Console) مدة عامين على الأقل لتأخذ فكرةً دقيقةً عن الموسمية.
بالنسبة لعديد من القنوات الأخرى، توجد بالفعل بيانات تاريخية تفصيلية، وذات جودة عالية، كما أنَّ العلاقات أكثر قابلية للتوقُّع، مما يتيح إجراء توقُّعات دقيقة أكثر. على سبيل المثال، بالنسبة لنتائج البحث المدفوعة، فإنَّ أداة "فوركاست فورج" (Forecast Forge) -التي ذكرتها سابقاً- تبني عوامل، مثل: بيانات التحويل على مستوى الكلمات المفتاحية، وتكلفة النقرة (CPC)، وذلك وفقاً لبياناتك التاريخية، بطريقة لا يمكن تطبيقها على تحسين محركات البحث نهائياً.
ومع ذلك، لا يزال بإمكاننا أن نجمع بين أنواع متعددة من التوقُّعات في القالب أدناه. على سبيل المثال، بدلاً من توقُّع الزيارات على موقعك الإلكتروني بأكمله، يمكنك توقُّعها جزئياً سواء في المجلدات الفرعية، أم في تلك التي ترتبط أو لا ترتبط بالعلامة التجارية، ويمكنك بعد ذلك تطبيق نسبة النمو على مجالات معينة، أو إنشاء تغييرات الترتيب المتوقعة؛ ولكنَّنا نستبق الأمور.
كيف تستخدم القالب؟
إنَّ أول أمر عليك فعله هو إنشاء نسخة (ضمن قائمة "ملف" في أعلى اليسار، ولكنَّه تلقائي عبر الرابط الذي وضعته)؛ مما يعني أنَّك تستطيع إدخال بياناتك الخاصة، والتعديل عليها كما تشاء، كما يمكنك العودة، والحصول على نسخة جديدة لاحقاً إن كنت بحاجة إلى ذلك. ستلاحظ بعد ذلك أنَّ بعض الخلايا لها لون تمييز أخضر أو أزرق في علامة التبويب الأولى.
إليك فيما يلي التعليمات التي عليك اتِّباعها:
- أنشِئ نسخة من جدول البيانات، وحدِّد لها اسماً مناسباً.
- استبدِل القيم التي أدرجتُها كأمثلة على الجهة اليسرى ببياناتك التاريخية الشهرية.
- استبدِل القيم التي أدرجتُها كأمثلة في الخلايا الزرقاء على الجهة اليمنى.
- ما الذي تحاول توقُّعه؟ (ضع مجرد اسم).
- ما هو الشهر الذي تبدأ خلاله بياناتك التاريخية.
- انتقِل إلى جدول بيانات "المُخرَجات" لترى التوقُّعات.
يجب أن تغيِّر القيم في الخلايا الملونة فحسب. إنَّ فائدة الخلايا الزرقاء في العمود "E" هي التأكد من أنَّ كل شيء يُصنَّف صحيحاً في المُخرَجات؛ فمثلاً: إذا كنت تُدخِل بيانات الجلسة، أو بيانات النقرات، أو بيانات الإيرادات، يمكنك إعداد هذا التصنيف. وبالطريقة نفسها، إذا أدخلت البيانات التاريخية بدءاً من شهر كانون الأول من عام 2018، وحتى 36 شهر، فستبدأ مُخرَجات التوقُّع في شهر كانون الثاني من عام 2021.
وفي هذا الصدد، يجب أن تكون البيانات شهرية، الأمر الذي يُعدُّ أحد التنازلات التي تفرضها بساطة هذا القالب كما ذكرتُ سابقاً. يمكنك إدخال ما يصل إلى عشر سنوات من البيانات الشهرية التاريخية في العمود "B" بدءاً من الخلية (B2)، ولكن عليك أن تتوخى الحذر بشأن بعض الأمور:
- تحتاج إلى 24 شهراً من البيانات على الأقل ليُكوِّن النموذج فكرةً جيدةً حول النشاطات الموسمية. (إن كان شهر كانون الثاني مكرراً في بياناتك التاريخية مرة واحدة فقط، وارتفع خلاله عدد الزيارات في الموقع؛ فكيف لي أن أعرف ما إذا كان الأمر يحدث مرَّة واحدة فقط، أم يحدث سنوياً؟)
- تحتاج إلى إدخال شهور كاملة؛ فإن كنت تقرأ هذه المقالة في يوم 25 آذار من عام 2021، فإنَّ آخر بيانات عليك إدخالها يجب أن تعود لشهر شباط من عام
احرص أيضاً على أن تحذف كل ما تبقى من بيانات المثال التي وضعتُها في العمود "B".
المُخرَجات:
بعد أن تنتهي من ذلك، يمكنك التوجه إلى علامة التبويب "المُخرَجات" (Outputs)؛ حيث سترى نموذجاً كما في الصورة الآتية:
على الأرجح أن يكون العمود "C" هو العمود الذي يهمُّك. وتذكَّر أنَّه مليء بالصيغ الآن، ولكن يمكنك نسخها ولصقها كقيم في جدول بيانات آخر، أو انتقل إلى "ملف" (File)> "تحميل" (Download)> "قيم مفصولة بعلامات الفاصلة" (Comma-separated values) للحصول على البيانات الأولية.
ستلاحظ أنَّني أعرض افتراضياً 15 شهراً فقط من التوقُّعات في هذا الرسم البياني، وأنا أوصيك بأن تفعل الأمر ذاته. وكما ذكرت سابقاً، فإنَّ التوقُّع يقوم على افتراض ضمني فحواه أنَّ السياق التاريخي يستمر طويلاً، ما لم تُدرِج بوضوح التغيرات التي تطرأ على المشهد، مثل: الإغلاق العام الناتج عن انتشار فيروس كورونا، ضمن نموذجك. إنَّ فرصة استمرار هذا الافتراض منخفضة على مدى عامين أو ثلاثة أعوام في المستقبل، وعليك أن تتذكر ذلك رغم أنَّني قدَّمت قيماً متوقَّعة في المستقبل البعيد.
إنَّ الحدود العليا والدنيا التي تظهر هي مجالات ثقة بمستوى ثقة قدره 95%.
حالات الاستخدام المتقدمة:
لا شك أنَّك قد لاحظت علامة التبويب "متقدمة" (Advanced) التي أضفتها، وإليك تعليمات استخدامها:
- يمكنك إدخال المتغيرات المخصَّصة في الأعمدة B-D.
- وعلى عكس المُدخَلات الأخرى، يمكن أن تمتد إلى اللانهاية. على سبيل المثال، قد ترغب في استخدام الرقم "1" لتشير إلى حدوث إغلاق عام نتيجة انتشار فيروس كورونا، والرقم "0" لتشير إلى عدم وجود إغلاق عام، ثم حدِّد سيناريوهات مختلفة في المستقبل.
- لا تترك أيَّة خلايا فارغة للقيم التاريخية في الأعمدة التي تريد استخدامها؛ ففي المثال السابق، استخدم الأرقام "1" و"0"، وليس الرقم "1" وخلايا فارغة.
- املأ الأعمدة من اليسار إلى اليمين؛ فمثلاً: لا يمكنك استخدام العمود "C" إذا كان العمود "B" فارغاً.
صحيح أنَّني كنت أنوي أن أجعل الأمر بسيطاً، ولكن شعرتُ بأنَّ كثيراً من الناس يحتاجون إلى إدراج عوامل خارجية هامة في نموذجهم، نظراً لجميع الأحداث التي شهدناها في عام 2020.
في المثال الأعلى كما في الصورة، لقد ملأتُ العمود "B" بمتغير لأعرف ما إذا كانت المملكة المتحدة تخضع لإجراءات الإغلاق العام نتيجة انتشار فيروس كورونا، أم لا. لقد استخدمت "0.5" للتعبير عن أنَّ الإغلاق العام قد بدأ منتصف شهر آذار.
قد تستطيع تحسين هذا الأمر وفقاً للعوامل المتعلقة بعملك، ولكن ثمَّة أمور هامة عليك تذكُّرها بشأن علامة التبويب هذه:
- لا بأس في أن تتركها دون تغيير، إن كنت لا ترغب بإدراج هذه المتغيرات الإضافية.
- انتقِل من اليسار إلى اليمين، ولا بأس في ترك العمود "C" فارغاً إن كنت تستخدم العمود "B"، ولكن لا يجب أن تترك العمود "B" فارغاً إن كنت تستخدم العمود "C".
- إذا كنت تستخدم متغيراً "وهمياً" (كأن تستخدم العدد "1" لتمثِّل أنَّ أمراً ما نشط)، فعليك أن تحرص على أن تُدرِج العدد "0" في الخلايا الأخرى لفترة بياناتك التاريخية على الأقل.
- يمكنك إدخال القيم المستقبلية؛ فمثلاً: إن كنت تتوقَّع أنَّ ثمَّة إغلاق عام بسبب فيروس كورونا في شهر آذار من عام 2021، يمكنك إدخال أمر ما في تلك الخلية بحيث يُضاف إلى التوقُّع.
- إذا لم تُدخِل قيماً مستقبلية، فسيتوقَّع النموذج أن يكون هذا الرقم صفراً في المستقبل. لذا، إذا أدخلت خدمة "الدفع عند النقر المتعلقة بالعلامة التجارية نشطة" كمتغير وهمي للبيانات التاريخية، ثم تركته فارغاً لفترات مستقبلية، سيفترض النموذج أنَّك قد أوقفت خدمة "الدفع عند النقر" المتعلقة بالعلامة التجارية في المستقبل.
- ستؤدي إضافة كثير من البيانات لفترات تاريخية قليلة جداً إلى حدوث أمر يُسمَّى "فرط التخصيص" (overfit)؛ ولذا تُعدُّ علامة التبويب "متقدمة" (Advanced) ضرورية.
إليك فيما يلي بعض الأمثلة على حالات استخدام علامة التبويب هذه:
- إدخال ما إذا كانت خدمة "الدفع عند النقر" المتعلقة بالعلامة التجارية نشطة (0 أو 1).
- إدخال ما إذا كنت تعرض إعلانات تلفزيونية أم لا.
- إدخال فترات الإغلاق العام الناتج عن انتشار فيروس كورونا.
- إدخال تحديثات الخوارزمية التي كانت هامة لعملك (خصِّص عموداً واحداً لكل تحديث).
لماذا تختلف التقديرات التي وضعتها عن تقديرات الأداة القديمة؟ هل ثمة مشكلة بأحدهما؟
يوجد اختلافين أساسيين في المنهج الذي اتَّبعته في هذا القالب، وأداتي القديمة:
- استخدمتُ في الأداة القديمة مكتبة "كوزال إمباكت" (Causal Impact library) التي تقدِّمها "غوغل" (Google)، بينما استخدمتُ في القالب الجديد انحدار المربعات الصغرى العادية.
- سجَّلتْ الأداة القديمة الاتجاهات غير الخطية باستخدام مربع الفترة الزمنية كمتغير تنبؤي (على سبيل المثال، الشهر 1 = 1، والشهر 2 = 4، والشهر 3 = 9، وهكذا) ومحاولة مطابقة منحنى زيارات الموقع لذلك المنحنى، وهذا ما يُسمَّى "بالانحدار التربيعي" (quadratic regression). على الجانب الآخر، تسجِّل الأداة الجديدة الاتجاهات غير الخطية من خلال مطابقة كل فترة زمنية كمضاعف للفترة الزمنية السابقة (على سبيل المثال، الشهر 1 = X * الشهر 2 حيث يمكن أن يمثِّل X أي قيمة)، وهذا ما يُسمَّى "بنموذج الانحدار الذاتي" (AR(1) model).
إذا كنت تلاحظ اختلافاً كبيراً في قيم التوقعات بين الأداتين، فمن المؤكد تقريباً أن يعود ذلك إلى السبب الثاني، ورغم أنَّ التقنية الجديدة معقدة قليلاً، إلا أنَّها أكثر واقعية ومرونة في معظم الحالات. كما أنَّه من غير المرجح أن تتوقَّع زيارات معدَّلها صفر أو سلبية في حالة التراجع الحاد، وهو أمر جيد.
كيف يعمل القالب؟
ثمَّة علامة تبويب مخفية في القالب يمكنك إلقاء نظرة خاطفة عليها، ولكنَّ النسخة القصيرة هي صيغة جدول بيانات دالة "لينيست" (LINEST).
إنَّ المُدخَلات التي أستخدمها هي:
- متغيرات تابعة:
- أيَّاً كان ما تضعه ضمن عمود "B" في علامة التبويب الخاصة بالمُدخَلات (مثل: الزيارات).
- متغيرات مستقلة:
- مرور الزمن خطياً.
- معدل الزيارات في الفترة الماضية.
- المتغيرات الوهمية لمدة 11 شهراً (يُمثَّل الشهر الثاني عشر بالمتغيرات الـ11 الأخرى، التي قيمها جميعها 0).
- ما يصل إلى ثلاثة متغيرات "متقدمة".
تُعطي الصيغة بعد ذلك سلسلةً من "المعاملات" كمُخرَجات، والتي يمكن ضربها بالقيم، وجمعها معاً لتشكيل توقُّع مثل:
- "الفترة الزمنية 10" الزيارات = التقاطع + (معامل الوقت * 10) + (معامل الفترة السابقة * زيارات الفترة 9)
يمكنك أن ترى في جدول البيانات المخفي كثيراً من المُخرَجات من صيغة دالة "لينيست" (Linest)، التي سمَّيتها، وصنَّفتها حسب الألوان؛ والتي قد تساعدك على البدء إن كنت ترغب في تعديل النموذج بنفسك.
الإضافات المحتملة:
إن كنت ترغب في تعديل القالب بنفسك، فإليك بعض المجالات التي يمكنك باعتقادي الشخصي التوسع بها أكثر، وتجدها مثيرة للاهتمام:
- إدخال البيانات اليومية بدلاً من الشهرية، مع إضافة الموسمية الأسبوعية (مثل انخفاض المعدل كل يوم أحد).
- تحديد أهداف نمو مُدمَجة (على سبيل المثال، إدخال نمو بنسبة 20% بحلول نهاية عام 2021).
كما قدَّم استشاريُّ تحليل البيانات، وصاحب أداة "فوركاست فورج" (Forecast Forge) ريتشارد فيرغي (Richard Fergie)، بعض الاقتراحات الرائعة لتحسين دقة التوقُّع من خلال نسبة تعقيد إضافية محدودة إلى حد ما:
- تسوية البيانات، وتجنُّب التوقُّعات السلبية في الحالات القصوى من خلال تطبيق التابع اللوغاريتمي (log) على المُدخَلات، وتوفير التابع الأُسِّي للمُخرَجات (تسوية البيانات قد تكون أو لا تكون أمراً جيداً وفقاً لوجهة نظرك).
- التراجع عن الاثني عشر شهراً السابقة، بدلاً من استخدام الشهر السابق + الموسمية (يتطلب هذا الحد الأدنى من البيانات التاريخية لمدة 3 سنوات)
قد أُضيف، أو لا أُضيف النقاط السابقة إلى القالب مع مرور الوقت، ولكن في حال فعلتُ ذلك، فسوف أحرصُ على استخدام الرابط ذاته الذي أقدِّمه في هذه المقالة، وتدوين ملاحظة عنه في جدول البيانات.