Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

R und Google Analytics Einführung (OMWest Barcamp)

389 views

Published on

Slides zum "Impulsvortrag" für idealerweise vorkenntnisfreie Interessierte an R - speziell im Zusammenspiel mit GoogleAnalyticsRa auf dem OMWest Barcamp April 2018.

Die Slides sind auf den Umfang reduziert, der in der kurzen Zeit möglich war ;) Code für das kurz gezeigte Beispiel der Differenzbildung zweier Listen von Seiten und Aufrufen findet sich unter http://bit.ly/RExampleOMWest

Published in: Data & Analytics
  • Hi there! Essay Help For Students | Discount 10% for your first order! - Check our website! https://vk.cc/80SakO
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

R und Google Analytics Einführung (OMWest Barcamp)

  1. 1. Einstieg in R R und Google Analytics – From Scratch Markus Baersch gandke gmbh Gleich mitmachen? • R Download bit.ly/r-laden • RStudio Download bit.ly/rstudio-laden
  2. 2. Einführung: R und Google Analytics Die Idee • Erlebe meinen Einstieg mit • „Protokollierte Reise“ der ersten Schritte • „Un-Tutorial“ • Hands On Beispiele für Marketer • Viel, aber nicht nur Google Analytics • Keine Statistikvorlesung Warum ich? • Entwicklerherzen rosten nicht • Statistisch weitestgehend unwissend. So wie Du? Ideale Voraussetzungen! ;)
  3. 3. Einführung: R und Google Analytics Wozu R nutzen? • (automatisierbare und wiederholbare) Analyse • Visualisierung von Daten • Tests • Vorhersagen (Stichworte „Predictive Models“, „Forecasting“)
  4. 4. Einführung: R und Google Analytics Was ist R? • Programmiersprache • Statistische Analyse und Visualisierung • Scripts. So richtig. Gern „Batch-File“ für Anweisungen. Keine Eventhandler, kein Schnickschnack ;) …aber Debugging, Funktionen als Parameter und ganz viel cooles Zeug! • Simple Syntax im Kern • Für Analysen besonders geeignete Datentypen, vektorbasierte (parallele) Verarbeitung • Arbeitet mit "beliebigen" Datenquellen, gern auch groß. Übrigens auch aus BigQuery ;) • 6000+ Packages. Für alles. Mächtig! • Zugriff auf GA (oder SC) ist als Package einfach installierbar
  5. 5. Einführung: R und Google Analytics Beispiele in diesem Workshop • Liste von "toten" URLs bestimmen • Anhand von GA-Daten (oder GSC) • Anhand von Crawl-Daten • Conversion- / Umsatztrend-Analysen und Vorhersagen • „Grafische Analyse“ • Visualisierung für Dashboards • More TBD
  6. 6. R und RStudio Scripts Ressourcen Datendetails (DataFrames etc.) Console Direkteingabe „Echo“ Variablen History Plots Viewer Files Hilfe
  7. 7. Allererste Schritte: R als „Taschenrechner“ -
  8. 8. Variablen und Datenstrukturen
  9. 9. Variablen und Datenstrukturen
  10. 10. Funktionen, Bedingungen, Schleifen & Co. .
  11. 11. Tutorial Tipps https://www.codeschool.com/courses/try-r/
  12. 12. Tutorial Tipps https://campus.datacamp.com/courses/free-introduction-to-r/
  13. 13. Live Code: Erste Abfragen, erstes Script
  14. 14. Package GoogleAnalyticsR • Einfacher Zugriff auf Daten via GA-API • Schneller Start mit dem Defaultprojekt • Id besorgen und Abfragen ausprobieren, • Metriken und Dimensionen "lernen" bzw. finden: • https://ga-dev-tools.appspot.com/query-explorer/ Achtung Viele Tutorials und Videos basieren auf der alten Fassung. Siehst Du "ga:xxxx" in den Abfragen, ist es alter Kram.
  15. 15. Packages installieren
  16. 16. „Hello Word“: Daten aus GA abfragen
  17. 17. Live Code: Daten aus Google Analytics lesen • Verbindung zu GA herstellen • Daten beziehen und speichern • Beispiel für Auswertungen: „URL Leichen“ finden (im Kern 8 Zeilen Code)
  18. 18. Einführung: Visualisierung
  19. 19. Visualisierung • Jede Menge Funktionen „von Haus aus“ • Spezialisierte Packages • Nicht nur für Data Frames • Analyse und Visualisierung „verschwimmen“ schnell in R • Bei Erprobung von Modellen sind „Plots“ ein hilfreiches Werkzeug • Erprobung / „Exploration“ eher in der Console • In Scripts für wiederkehrende Visualisierungsaufgaben
  20. 20. Visualisierung 010002000300040005000
  21. 21. Durchschnitte & Abweichung 201604 201606 201608 201610 201612 201702 010002000300040005000
  22. 22. Einführung: Modelle (nicht Models!)
  23. 23. Analyse: Abhängigkeiten & Modelle 1000 2000 3000 4000 100200300400500 ga_dataset$users ga_dataset$goal1Value
  24. 24. Noch ein Schnaps Theorie: Analyse & Forecasting . goals.series 2013 2014 2015 2016 2017 2018 2006001000 5 10 15 20 -0.4-0.20.00.20.4 Lag ACF 5 10 15 20 -0.4-0.20.00.20.4 Lag PACF
  25. 25. Noch ein Schnaps Theorie: Analyse & Forecasting . 2006001000 data -50050100 seasonal 450550650 trend -4000200 2013 2014 2015 2016 2017 2018 remainder time
  26. 26. Noch ein Schnaps Theorie: Analyse & Forecasting . 300 600 900 2013 2014 2015 2016 2017 2018 Timegoals.series
  27. 27. Noch ein Schnaps Theorie: Analyse & Forecasting . Kontaktformulare Multiple linear regression model Downloads Multiple linear regression model 2013 2014 2015 2016 2017 2018 2019 0 1000 2000 3000 4000 0 300 600 900 Time
  28. 28. Wie geht es weiter? • Das war „kratzen an der Oberfläche“ • So ganz ohne Statistik kommt man nur bis zu einem gewissen Punkt • Ich habe Buchempfehlungen ;) Wie einsteigen? • R Download bit.ly/r-laden • RStudio Download bit.ly/rstudio-laden • Das Beispiel für „tote URLs“auf Github bit.ly/RExampleOMWest
  29. 29. N. D.
  30. 30. www.gandke.de blog.markus-baersch.de markus-baersch.de/facebook markus-baersch.de/xing markus-baersch.de/twitter markus-baersch.de/googleplus markus-baersch.de/slideshare … Fragen? Melden!

×