Многомерный статистический анализ в интернет-маркетинге Текст научной статьи по специальности «Экономика и бизнес»

УДК 338.27:519.2

А.Ю. Трусова*

МНОГОМЕРНЫЙ СТАТИСТИЧЕСКИЙ АНАЛИЗ В ИНТЕРНЕТ-МАРКЕТИНГЕ

В данной статье рассматриваются вопросы, позволяющие развивать интернет-бизнеса с применением интернет-технологий. Изучены показатели продвижения сайта. Анализ запросов проводится с использованием многомерных методов, а именно методов кластерного анализа, однофакторного и двухфакторного дисперсионных анализов. Для кластеризации ключевых слов по приоритетным группам использовался статистический пакет SPSS.

Ключевые слова: многомерный статистический анализ, метод к-средних, интернет-маркетинг, продвижение сайта.

Современная политика большинства компаний предполагает постоянное отслеживание эффективности развития основных показателей с учетом широкого внедрения интернет-технологий ведения бизнеса. Это новое направление маркетинга бурно развивается. В современной научной литературе обсуждаются различные аспекты интернет-маркетинга. Аналитика разрабатывается по широкому спектру вопросов: от финансовых до социально-экономических. Интернет-деятельность как показатель ведения бизнеса в настоящее время играет ключевую роль. В работе в качества примера решения важной стратегической задачи деятельности одной из компаний рассматривается специфика поискового продвижения сайтов в сети Интернет, а также различные методологии для увеличения конверсии с сайтов. Современные бизнес-технологии активно базируются на использовании интернет-технологий, однако любая аналитическая деятельность требует использования математического инструментария. Широкий спектр задач решается многомерными статистическими методами. Начало аналитической деятельности предполагает грамотный сбор информации и последующую обработку. Современные бизнес-технологии оценки прогноза показателей развития компании с необходимостью требуют широкого внедрения аналитической компоненты, заложенной в программе. Именно многомерные статистические методы в настоящее время являются актуальными и практически значимыми, так как позволяют комбинированно анализировать большие массивы данных.

Таким образом, в статье представлена методология использования многомерных статистических методов в интернет-маркетинге. Комбинирование методов однофакторного и двухфакторного дисперсионного анализов, корреляционного анализа и кластерного анализа в сочетании с использованием информационных продуктов Microsoft Excel, статистических пакетов SPSS, Statistics и сервиса сбора интернет-статистики «Яндекс Метрика» позволяет повысить показатели качества работы сайта.

Современная научная литература к основным элементам online-маркетинга относит известные показатели, такие как цена, продукт, место продаж, продвижение продукта на рынке, последнее предполагает развитие комплекса мер по продвижению сайта и самого товара в поисковых сетях. Включает в себя огромный арсенал инструментов (поисковое продвижение, контекстную рекламу, баннерную рекламу, e-mail-маркетинг, аффилиативный маркетинг, вирусный маркетинг, скрытый маркетинг, интерактивную рекламу, работу с блогами и т. д.). Кроме того, в литературе хорошо описаны методологии для решения проблемы продвижения продукта на рынке: контекстная реклама, медийная реклама, e-mail-маркетинг, вирусный маркетинг и многие другие методы, которые способ-

* © Трусова А.Ю., 2018

Трусова Алла Юрьевна ([email protected]), кафедра математики и бизнес-информатики, Самарский национальный исследовательский университет имени академика С.П. Королева, 443086, Российская Федерация, г. Самара, Московское шоссе, 34.

ствуют развитию рекламы. Особо выделяется в настоящее время методология Seo как поисковое продвижение сайта в сети Интернет. Определение Seo - «комплекс мер по внутренней и внешней оптимизации сайта для повышения позиций ресурса по определенным поисковым запросам в результатах поисковой выдачи с целью увеличения целевого трафика на сайт и последующего получения дохода от этого трафика».

Основным в методологии Seo в настоящее время становится структуризация сайта и запросов по нему, что определяется оптимизацией группы запросов, которые повысят индекс посещения сайта и выполнения на нем заказа.

Метод качественных проб или ручная обработка в настоящее время не позволяет повысить быстро эффективность сайта. В исследовании использовались данные из средств сбора статистики «Яндекс Метрика» и показатели из онлайн сервисов «Яндекс» Wordstat, Seopult, MegaIndex. Данные сервисы представляют различные статистические показатели, например,

— частотность поискового запроса,

— наличие или отсутствие сезонности,

— стоимость клика в директе,

— позицию сайта по конкретному запросу в поисковой выдаче,

— бюджет на продвижение запроса в ссылочных агрегаторах,

— количество документов по этому запросу в выдаче «Яндекса»,

— источники переходов,

— поведенческий фактор и многие другие показатели.

Вопросы влияния различных параметров интернет-оценки на конверсию сайта, позиции сайта в поисковой выдаче, уровень продаж с сайта и т. п. являются актуальными при ведении интернет-бизнеса. Для эффективного решения этой задачи с успехом реализуется подход многофакторного анализа, классификации с обучением и без обучения.

Специалисты выделяют в качестве ключевого такой показатель, как поведенческий фактор, который влияет на поисковую выдачу «Яндекса». К одной из функций поведенческого фактора относится корректировка результатов поисковой выдачи на основании анализа поведения пользователя при работе на сайте. Уровень поведенческого фактора определяется как «высокий» в случае удовлетворения пользователем всех запросов, и его можно оценить, используя глубину просмотра страниц, показатель отказов, показатель времени, проведенного на сайте. Рассчитанные значения поведенческого фактора находятся в интервале от 3 до 8, что свидетельствует о среднем уровне эффективности работы сайта и необходимости выявления степени влияния компонент аналитики друг на друга. Следующим важным показателем являются источники переходов как параметр сбора статистики с сайта. В этой связи изучение влияния источников перехода на конверсию сайта является актуальным и практически значимым. Таким образом, актуальность исследования обосновывается возможностью определять, какой отложенный спрос формируют те или иные источники трафика. В современной научной литературе методы выявления степени влияния источников перехода на конверсию изучены слабо. В исследовании рассматривается одна из возможных ситуаций анализа поисковой системой источников перехода, влияющих на конверсию сайта. В настоящее время существует семь категорий трафика, которые объединены общим понятием - «источники перехода». В литературе детально сформулированы следующие источники трафика: переходы по рекламе, переходы из поисковых систем, внутренние переходы, прямые заходы, переходы по ссылкам на сайтах. В статье рассматривается изучение влияния источников перехода на сайт средствами дисперсионного анализа. Данный математический метод направлен на поиск зависимостей в экспериментальных данных при исследования значимости различий в средних значениях.

В таблице представлены данные сервиса сбора статистики «Яндекс Метрика» по видам переходов за 2017 год.

Таблица

Статистические данные по видам переходов

2017 год Классификация переходов

Временной промежуток из поисковых систем Прямые заходы по ссылкам на сайтах по рекламе Внутренние

январь 6394 7166 1026 8543 1890

февраль 6325 7278 1933 8934 3020

март 6635 7260 1848 6245 3320

апрель 6729 6940 1598 7557 3043

май 4984 6677 1498 8590 1805

июнь 4743 6301 1497 8686 1858

июль 4907 6412 1470 8250 2872

август 4740 6370 1420 5961 2681

сентябрь 4679 6640 1441 8161 2817

октябрь 4517 6435 1452 8792 3758

ноябрь 4176 6385 1445 8958 3602

декабрь 3961 6038 332 7888 2518

В таблице представлено количество конверсионных переходов на сайт в месяц из разных источников. По результатам однофакторного дисперсионного анализа установлено, что влияние фактора источника перехода на изучаемые показатели конверсии является статистически значимым на уровне 0,05. Кроме того, результаты свидетельствуют об отсутствии статистически значимого влияния фактора времени (месяца) на изучаемые показатели конверсии. Применение двухфакторного дисперсионного анализа предполагает изучение введения двух факторов, а именно - источников перехода трафика на сайт и фактора времени (по месяцам). Установлено, что источники перехода на сайт являются причиной изменчивости случайной величины. Выборочное значение критерия Фишера для фактора времени не попадает в критическую область, так как 2,58 < 184,863. Таким образом, фактор времени является причиной изменчивости случайной величины. Изучение комплексного влияния двух факторов: времени и источника перехода свидетельствует об их статистически значимом влиянии на конверсию, что подтверждается выводами статистики двухфакторного дисперсионного анализа.

Таким образом, существенные различия между средними значениями по группам, а именно: между источниками переходов на сайт: из поиска, из рекламы, внутренних переходов, по ссылкам и так далее - подтверждаются результатами факторного анализа.

Известно, что чем большее количество целевых запросов охватывает сайт, тем выше его позиции в рейтинге поисковых систем и тем большее количество клиентов он может привести. Продвижение сайта по нескольким высокочастотным запросам не даст того результата, который поможет окупить затраты на продвижение ресурса. Самыми распространенными источниками сбора семантики являются: Yandex Wordstat, подсказки в поиске, счетчики сбора статистики и всевозможные базы запросов.

Первоначальная обработка собранных запросов предполагает первичную сортировку по ключевым словам. Цель данной сортировки - исключить слова с нулевой чистой частотностью и некоммерческим смыслом. Сформированный таким образом список запросов разделяется на группы, согласно которым проводится оптимизация страниц под эти запросы. Применение пакета SPSS позволяет в исследовании сократить время обработки и тем самым обеспечить время для аналитической обработки. Следующий шаг оптимизации требует провести качественный прогноз позиции отобранных ключевых слов, а затем проводится классификация запросов из семантического ядра. Таким образом планируется позиция, которую должны занять в конце этапа выдвижения сайта. Для расчетов

были выбраны такие показатели, как: примерное количество переходов в месяц (по выбранной позиции), прогноз CTR (по выбранной позиции), средняя установленная цена клика в рублях, примерный бюджет в рублях, количество конкурентов в выдаче, частотность и т. п. Другими словами, существует зависимость между прогнозной позицией запроса и каждым из показателей, к примеру, количеством конкурентов в поисковой выдаче. Чем больше конкурентов представлено в поиске, тем сложнее занять одну из первых десяти позиций по данному запросу и так далее. На рис. 2 показан фрагмент таблицы с перечисленными выше параметрами и используемыми значениями.

Процедура проведения кластеризация запросов по эффективности может быть осуществлена как с обучением, так и без обучения. Важное преимущество данного метода - не учитывается мнение маркетолога, тем самым исключается влияние данного мнения на результат кластеризации. Таким образом, результат, полученный после кластеризации позволяет решать множество задач seo-продвижения и формирования стратегии интернет-маркетинга ресурса. В статье применялся итеративный метод кластеризации - метод k-средних.

В анализе используются нормированные значения показателей параметров оценки по каждому ключевому запросу. Целью анализа является получение кластеров или групп запросов, которые наиболее приоритетны к продвижению.

Преимущества данного метода в том, что с ним удобно работать при большом числе объектов исследования.

Результаты анализа представляются в виде нескольких сводных таблиц. Таблица «Принадлежность к кластерам» позволяет определить, к какому кластеру относится определенный запрос. На рис. 1 представлен скриншот таблицы «Принадлежность к кластерам».

fog *"Выеод2 [Документ!] - Viewer IBM SPSS Statistics

Файл Правка Вид Данные Преобразование Вставка Формат Анализ Прямой маркет!

э н s а а Щп ^JuLA т ш JÉSÍ ~ё%

Д

Курнал

зыстрая кластеризация

□ Заголовок в Примечания

Щ Начальные центры кластеров а Хронология итераций

□ Принадлежность к кластерам а Конечные центры кластеров

Щ Расстояния между конечными ANOVA

QI Число наблюдений в каждом г

Принадлежность к кластерам

Номер наблюдения УАРг00001 Кластер Расстояние

1 аппарат для

напыления 6 34,354

пенопп

2 емкости для

компонентов 4 30,424

ппу

3 жесткий

пенополиуре 7 54,541

тан

4 жесткий ппу 7 35,243

компоненты

5 жидкая

резина для 2 54,411

гидроизолП

5 жидкая

резина для 2 50,475

гидроизолП

7 жидкая

резина для 2 94,515

гидроизолП

8 закрытоячеи стый ППУ 1 29,739

9 заливка

колодезной 3 45,055

кладки ГШ

10 заливка

межстенново 3 51,537

го прост

11 заливка

пенополиуре 3 35,253

тана ппу

12 заливка

полостей 3 43,111

Рис. 1. Результат кластерного

анализа. Таблица «Принадлежность к кластерам»

ЧЛ Ш £ си =г_ 3 3 3 иГЬ 3 иГЪ 3 3 3 ь'-З иГЬ 3 ь'-З 3 ь'-1 3 с

□а

Э 1 э ГЧ1 щ = щ = щ = т 1 = си ^ си I = и? э г и щ = £ щ = * щ = н = Щ = г — I = щ э г — -*г ш ш ш § и 1 щ = Щ = с с с

С/ гп ОС 1 т 1 _1 д д .—: ГЙ Я л" ч? Гл" Г1 л" -1 ■ Г

|_|_ Щ 1 5. г ГЧ1 = X. г — з си ш Я я из с--л т си ГУ ^ си с с

С 1 ■О-1 о си и? и л г- -т Г- т ?г Г_СЛ и? со су си т- г: со ■р г— -ч- и 1 = с

1 з: и 1 & щ л Го л «г «г ига м ш щ ч ;

Б.

> 3 1 = л и л ■"Т тг тг Г1 .-л, С 3 гЛ П1 Я"! гА гп 1- г — р ] л т ■ч- К — 'С ж л т

- и 1 X 5. э О-1 =1= '■■Г н-.г ж 0-Г X г^.1 н-.Г '■■Г ^■Г ^■г н-.г ;

т >—-> ■■С.» т ■■■ ■ I Г — г — В-П г — г

¡5 р.-1 г- ■п ■п г — "»Г г — п ■Г1 I-.-1 ■Т1 ■Т1 Ч

£ -п 1 ь -Г1 а ■п 1 ь ■п ■П 1.Н п 1.Н 1 ь 1Ь т ■Т1 1- п ■п -П Цв и иП -п -П Ч 1

■.и 1-Ь !!■ 1-ь м НН НН НН 1-Ь Ж 1Н М 1+ 1-Ь НН НН 14- |ф м 1-Ь 1-Ь ч 1

№

-иг; 1 С рЛ 1 = □с оп 1 гп 1 ¿ц 5-Е я = г Л? Г 5 тч * =' Г £ £ 1—1. с= 1 г £ с £ 1—1-с= 1 г £ £ 1—1_ с 1 г н 1— я м а- ■д П э-| -Т-1 |Г| & р-г. |Г| о л п г | с: и ■ Й 1 я 1 я к 1 я с а 1 я 2 щ 1 я та ЁГ 1 п 1— ^ о-. 1 я р Ё я Ч: ^ и- Е я па | 1 щ j • 1 1

-- п-в г—. = м а игъ СП *

2. Параметры для оценки ключевых

запросов

В соответствии с полученными результатами была проведена группировка запросов по кластерам. Результат группировки представлен на рис. 3. Данная таблица является руководством к действию для 8ео-оптимизатора. Важно отметить, что запросы из одного кластера будут более приоритетными для продвижения и, наоборот, запросы из другого кластера будут являться менее приоритетными к продвижению. Кроме разделения по кластерам напротив каждого запроса представлены его эффективность и балл приоритета. После расчета среднего значения по каждому параметру был получен средний балл эффективности и приоритета для каждого кластера. На основании результатов делается вывод о преимуществе продвижения запросов из одного кластера над другими.

Запросы

[Позиция] Эффективность |Приоритет Частотность

27,71

аборудрндие для напылЕнин иду

45,12

21В,В6

эборудэваниЕ ПЕНополиурЕгтан

пенополиурета н оборудова ние

эборудэваниЕ длн полиплоч евины

□борудэваниЕ по производству плит

оборудэва ние д/р на пыления пеноголг

ценэ на оборудова ние длн ПГТУ

7В.47

ЕОНПОНеНТз! ППу

22,1В

115.60

супить воипси-еьты для генопопиурета

раОХОД ЕОНПОНеНТОБ ппу

компоненты ппу для заливки супить

КОМПОНЕНТЫ ппу ОТ ЦИШЭВОДИТеПЯ

Е

33,67

61, 55

жестка пенополиуретан

17,55

41,67

12,33 66,34 9,60 "" 7.М

45.03 ев.27 24,34 4.00

24.03 61.23 18,70 4.0Э

жестка V ппу КОНПОНеНТа!

компоненты для жесткик ППУ

I:

жидкая резина для гидроизоляции

2В,25

60,72

12,14

452,75

жидкая резина для гидроизоляции цена

жидкая резина дп? "идроизоляции куп.-

ооорудование для гидроизоляции ЖГДЕ!

36,15 32,15 44,57 5 В, 50

57,13 45,15 34,24 2 В, 70

Рис. 3. Результат группировки поисковых запросов по кластерам

Из рис. 3 видно, что наиболее оптимальными для продвижения являются запросы из кластеров 6, 4, 7 и 2. Причем ключевые слова из кластера 6 необходимо продвигать в первую очередь. В кластере 6 средняя позиция запроса - 27, при этом эффективность - 79, что является значительным показателем. Приоритет в данном кластере 45,12 - это максимальный приоритет среди всех кластеров. При

последующем анализе известные кластеры запросов используются в качестве обучающих выборок, что также позволяет проводить перегруппировку запросов по основным показателям.

Таким образом, развитие интернет-бизнеса в настоящее время требует высокой квалификации в вопросах анализа используемых методологий, а также применения информационных технологий при использовании многомерных статистических методов. Комплексное сочетание методологии математического инструментария с интернет-методиками позволяет решать широкий спектр задач различного уровня, в частности при улучшении качества конверсии с сайтов и анализе ее параметров. Кроме того, грамотная seo-оптимизация сайта на сегодняшний день является одним из ключевых инструментов привлечения клиентов через Интернет. Продвижение сайта в рейтинге поисковых систем напрямую зависит от множества показателей. Ключевыми среди них являются такие, как значение поведенческого фактора, значение источников переходов на сайт, примерное количество переходов в месяц (по выбранной позиции), прогноз CTR (по выбранной позиции), средняя установленная цена клика в рублях, примерный бюджет в рублях, количество конкурентов в выдаче, частотность и другие.

Библиографический список

1. Кремер Н.Ш. Теория вероятностей и математическая статистика: учебник для вузов. М., 2010. 543 с.

2. Информационный портал uaweb.ua. Персональный SEO блог. URL: http://uaweb.ua/ publication/conversion.html.

3. Информационный портал yandex.ru. Коллективный IT блог. URL: https://yandex.ru/blog/metrika-club/4790.

4. Информационный портал getclientsnow.ru. Персональный SEO блог. URL: http://getclientsnow.ru/kak-privlech-posetitelej-na-sajt-1.

5. Информационный портал www.raskruty.ru. Сервис для продвижения сайтов. URL: http://www.raskruty.ru/povedencheskie-faktory.html.

References

1. Kremer N.Sh. Teoriya veroyatnostei i matematicheskaya statistika: uchebnik dlya vuzov [Probability theory and mathematical statistics: textbook for universities]. M., 2010, 543 p. [in Russian].

2. Informatsionnyiportal uaweb.ua. Personalnyi SEO blog [Information portal uaweb.ua. Personal SEO blog]. Available at: http://uaweb.ua/publication/conversion.html [in Russian].

3. Informatsionnyi portal yandex.ru. Kollektivnyi IT blog [Information portal yandex.ru. Collective IT blog]. Available at: https://yandex.ru/blog/metrika-club/4790 [in Russian].

4. Informatsionnyi portal getclientsnow.ru. Personal'nyi SEO blog [Information portal getclientsnow.ru. Personal SEO blog]. Available at: http://getclientsnow.ru/kak-privlech-posetitelej-na-sajt-1 [in Russian].

5. Informatsionnyi portal www.raskruty.ru. Servis dlya prodvizheniya saitov [Information portal www.raskruty.ru. Service for website promotion]. Available at: http://www.raskruty.ru/povedencheskie-faktory.html [in Russian].

A.Yu. Trusova*

MULTI-DIMENSIONAL STATISTICAL ANALYSIS IN INTERNET MARKETING

This paper discusses issues that allow to develop Internet business with the use of Internet technologies. The parameters of website promotion are studied. The analysis of requests is carried out using multidimensional methods, namely methods of cluster analysis, one-factor and two-factor analysis of variance. The SPSS statistical package was used to cluster keywords by priority groups.

Key words: multivariate statistical analysis, K-means method, Internet marketing, website promotion

Статья поступила в редакцию 17/I/2018. The article received 17/I/2018.

* Trusova Alla Yurievna ([email protected]), Department of Mathematics and Business Informatics, Samara National Research University, 34, Moskovskoye shosse, Samara, 443086, Russian Federation.