كيفية استخدام RStudio لإنشاء نماذج التنبؤ بحركة المرور

هناك الكثير من الحماس في صناعة تحسين محركات البحث لـ Python في الوقت الحالي.

إنها لغة برمجة أسهل نسبياً للتعلم وأصبحت في متناول مجتمع مُحسّنات محرّكات البحث من خلال الأدلة والمدونات.

ولكن إذا كنت ترغب في تعلم لغة جديدة لتحليل وتصور بيانات البحث الخاصة بك ، ففكر في البحث في R.

تتناول هذه المقالة أساسيات كيفية إنتاج تنبؤات السلاسل الزمنية في RStudio من بيانات النقر في Google Search Console.

لكن أولاً ، ما هو R؟

R هي “لغة وبيئة للحوسبة والرسومات الإحصائية” ، وفقًا لمشروع R للحوسبة الإحصائية.

R ليست جديدة وهي موجودة منذ عام 1993. ومع ذلك ، فإن تعلم بعض أساسيات R – بما في ذلك كيفية التفاعل مع واجهات برمجة تطبيقات Google المختلفة – يمكن أن يكون مفيدًا لتحسين محركات البحث.

إذا كنت ترغب في تعلم اللغة R كلغة جديدة ، فإن الدورات التدريبية الجيدة للتعلم منها هي:

ولكن إذا فهمت الأساسيات وترغب في تعلم أساسيات تصور البيانات في R ، فإنني أوصي بمشروع Coursera الموجه ، وهو تطبيق تحليل البيانات في الأعمال التجارية باستخدام برمجة R.

وبعد ذلك تحتاج أيضًا إلى تثبيت:

فيما يلي خطوات إنشاء نماذج التنبؤ بحركة المرور في RStudio باستخدام بيانات النقر.

الخطوة 1: تحضير البيانات

تتمثل الخطوة الأولى في تصدير بيانات Google Search Console. يمكنك القيام بذلك إما من خلال واجهة المستخدم وتصدير البيانات كملف CSV:

أو ، إذا كنت ترغب في سحب بياناتك عبر RStudio مباشرة من Google Search Console API ، فإنني أوصيك باتباع هذا الدليل من JC Chouinard.

إذا قمت بذلك عبر الواجهة ، فسوف تقوم بتنزيل ملف مضغوط به العديد من ملفات CSV ، والتي تريد من المصنف المسمى “التواريخ”:

يمكن أن يكون النطاق الزمني الخاص بك من ربع أو ستة أشهر أو 12 شهرًا – كل ما يهم هو أن لديك القيم بالترتيب الزمني ، والتي ينتجها هذا التصدير بسهولة. (تحتاج فقط إلى فرز العمود A ، بحيث تكون القيم الأقدم في الأعلى.)

---

---

الخطوة 2: ارسم بيانات السلاسل الزمنية في RStudio

الآن نحن بحاجة إلى استيراد بياناتنا ورسمها. للقيام بذلك ، يجب أولاً تثبيت أربع حزم ثم تحميلها.

أول أمر يتم تشغيله هو:

## Install packages
install.packages("tidyverse")
install.packages("tsibble")
install.packages("fabletools")
install.packages("bsts")

تليها:

## Load packages
library("tidyverse")
library("tsibble")
library("fabletools")
library("bsts")

ثم تريد استيراد البيانات الخاصة بك. التغيير الوحيد الذي يتعين عليك إجراؤه على الأمر أدناه هو اسم نوع الملف (الحفاظ على امتداد CSV) باللون الأحمر:

## Read data
mdat <- read_csv("example data csv.csv",
col_types = cols(Date = col_date(format = "%d/%m/%Y")))

ثم فإن الأمرين الأخيرين في رسم بياناتك هما جعل السلسلة الزمنية كائنًا ، ثم رسم الرسم البياني نفسه:

## Make time series object
ts_data <- mdat %>%
as_tsibble(index = "Date")

تليها:

## Make plot
autoplot(ts_data) +
labs(x = "Date", subtitle = "Time series plot")

وفي واجهة RStudio الخاصة بك ، سيكون لديك مخطط متسلسل زمني يظهر:

الخطوة 3: نمذجة بياناتك وتوقعها في RStudio

في هذه المرحلة ، من المهم الاعتراف بأن التنبؤ ليس علمًا دقيقًا ويعتمد على العديد من الحقائق والافتراضات. هذه هي:

• الافتراضات بأن الاتجاهات والأنماط التاريخية يجب أن تستمر في التكرار بدرجات متفاوتة بمرور الوقت.
• سيحتوي التنبؤ على أخطاء وحالات شاذة لأن مجموعة بياناتك (بيانات النقرات في العالم الحقيقي) ستحتوي على حالات شاذة يمكن تفسيرها على أنها أخطاء.
• تدور التوقعات عادةً حول المتوسط ​​، مما يجعل التنبؤات الجماعية أكثر موثوقية من تشغيل سلسلة من التنبؤات الدقيقة.
• عادة ما يكون التنبؤ قصير المدى أكثر دقة من التنبؤ طويل المدى.

مع هذا بعيدًا ، يمكننا البدء في تصميم بيانات حركة المرور الخاصة بنا والتنبؤ بها.

بالنسبة لهذه المقالة ، سوف أتصور بياناتنا كتنبؤ بسلسلة Bayesian Structural Time Series (BSTS) ، وهي إحدى الحزم التي قمنا بتثبيتها مسبقًا. يستخدم هذا الرسم البياني في معظم طرق التنبؤ.

سيكون معظم المسوقين قد شاهدوا النموذج أو على الأقل على دراية به لأنه شائع الاستخدام في العديد من الصناعات لأغراض التنبؤ.

الأمر الأول الذي نحتاج إلى تشغيله هو جعل بياناتنا تتناسب مع نموذج BSTS:

ss <- AddLocalLinearTrend(list(), ts_data$Clicks)
ss <- AddSeasonal(ss, ts_data$Clicks, nseasons = 52)
model1 <- bsts(ts_data$Clicks,
state.specification = ss,
niter = 500)

ثم ارسم مكونات النموذج:

plot(model1, "comp")

والآن يمكننا تصور تنبؤات لمدة عام أو عامين.

بالعودة إلى قواعد التنبؤ العامة المذكورة سابقًا ، كلما تعمقت في المستقبل ، كلما أصبحت أقل دقة. وبالتالي ، فإنني ألتزم بعامين عند القيام بذلك.

وبما أن BSTS تعتبر حدًا علويًا وسفليًا ، فإنها تصبح أيضًا بلا معنى بعد نقطة معينة.

سينتج عن الأمر أدناه توقعات BSTS مستقبلية لمدة عام واحد لبياناتك:

# 1-year
pred1 <- predict(model1, horizon = 365)
plot(pred1, plot.original = 200)

وستقوم بإرجاع رسم بياني مثل هذا:

لإنتاج رسم بياني للتنبؤ لمدة عامين من بياناتك ، فأنت تريد تشغيل الأمر التالي:

pred2 <- predict(model1, horizon = 365*2)
plot(pred2, plot.original = 365)

وهذا سينتج رسمًا بيانيًا مثل هذا:

كما ترون ، النطاقين العلوي والسفلي في التنبؤ لمدة عام واحد يتراوح من -50 إلى +150 ، في حين أن التوقعات لمدة عامين تتراوح من -200 إلى +600.

كلما تعمقت في المستقبل ، كلما زاد هذا النطاق ، وفي رأيي ، أصبحت التوقعات أقل فائدة.

---

الآراء المعبر عنها في هذه المقالة هي آراء المؤلف الضيف وليست بالضرورة آراء محرك البحث. مؤلفو طاقم العمل مدرجون هنا.

---