Un análisis de tendencias con Google Trends y Rstudio, nos ayudará a ajustar nuestros esfuerzos de marketing digital

El análisis de tendencias es una de las herramientas que más nos pueden ayudar en nuestros esfuerzos en marketing digital, posicionamiento o campañas Sem.

Con Google Trends vamos a poder estimar subidas en el número de búsquedas con las que podremos ajustar nuestras pujas, o modificar presupuestos de unas campañas a otras.

Hacer una estimación de posibles cambios en las búsquedas nos ayudará a llevar presupuesto de unas campañas de Ads a otras. Incluso, podremos realizar esfuerzos seo en aquellas categorías, o productos que proveemos vayan a tener un alza en el número de búsquedas.

Instalación de la librería gtrends en Rstudio

Lo primero que debemos hacer es instalar la librería “gtrends” en Rstudio:

install.packages(“gtrendsR”)

Activamos la librería:

library(gtrendsR)

Sentencias para el análisis, palabras clave de búsqueda

Vamos a analizar la tendencia  de la búsqueda smartwatch. Para ello llamamos a Google Trends con la sentencia

gtrends_smartwatch<-gtrends(keyword = c(“smartwatch”),geo=”ES”)

Si no especificamos tiempo, por defecto, Rstudio nos muestra los últimos 5 años.

Creamos el gráfico

plot(gtrends_smartwath)

Como vemos en el gráfico, podemos ver estacionalidades y tendencias.

Creamos la serie temporal en el dataframe “smartwatch_ts para su análisis en el tiempo. Definimos la serie temporal con observaciones de 52 semanas por año.

gt_smartwatch <-gtrends_smartwatch$interest_over_time 

smartwatch_ts <- ts(gt_smartwatch$hits,start=c(2016,6), + frequency=52)

Creamos la serie temporal, indicando que es una frecuencia de 52 semanas.

Análisis del dataframe obtenido a partir de las búsquedas de “smartphone” y “smartwatch”

Una vez que tenemos el dataframe con las búsquedas por semana vamos a poder hacer una serie de análisis que nos ayudarán a la toma de decisiones. También, y es tema de otra entrada, veremos cómo podemos hacer una estimación estadística y predicciones de cuál será la tendencia y los valores de búsquedas para los próximos meses.

Tendencia y estacionalidad

Para detectar las tendencia y estacionalidad utilizamos:

decompose_smartwatch <- decompose(smartwatch_ts,”additive”) 

autoplot(decompose_smartwatch)

Si analizamos los datos vemos una clara tendencia positiva (gráfica 2), y una clara estacionalidad (gráfica 3). Si analizamos los meses donde se producen los picos de estacionalidad, vemos que es a partir de noviembre de cada año cuando las búsquedas comienzan a subir.

Aunque todo profesional del comercio y electrónico y del marketing digital sabe que los meses de noviembre a diciembre son los meses de mayores búsquedas y ventas, lo importante es fijarnos en aquellos picos fuera de estas épocas del año.

Podemos sacar patrones de búsqueda en aquellos meses en los que no tenemos tan claro cuál es el comportamiento. Como vemos, la estacionalidad es idéntica en los 5 años analizados, si cogemos por ejemplo los dos últimos años para entrar en más detalle:

gtrends_smartwatch2<-gtrends(keyword = c(“smartwatch”),geo=”ES”, time = “2019-01-01 2020-12-31”) 

plot(gtrends_smartwatch2) 

gt_smartwatch2 <-gtrends_smartwatch2$interest_over_time

smartwatch2_ts <- ts(gt_smartwatch2$hits,start=c(2019,1), + frequency=52)

decompose_smartwatch <- decompose(smartwatch2_ts,”additive”) 

autoplot(decompose_smartwatch2)

Si vemos los datos a dos años son muy distintos, con subidas y caídas muy pronunciadas.

Analizamos la tendencia y estacionalidad a dos años:

Vemos que la tendencia a dos años (gráfica 2) ha sufrido una deceleración, aunque sigue siendo positiva.

Si vemos la gráfica 3, la estacionalidad, vemos patrones claros en determinadas fechas. Vemos una gran caída a principios de verano, para a partir de ahí aumentar las búsquedas. Final de verano es una buena oportunidad para subir pujas y estar más presente que nunca en estás búsquedas.

A diferencia de muchas otras categorías, la de smartwatch, crece en enero y comienza a descender pasado mediados de enero. Puede ser un indicativo de que es un producto que se utiliza para actividades deportivas, y es enero un mes donde nos planteamos propósitos deportivos.

Si analizamos conjuntamente estos datos con otras categorías, seremos capaces de poder balancear presupuestos de Ads, o publicidad en redes, para lograr maximizar presupuestos.

Si analizamos conjuntamente con por ejemplo, “smartphones” podemos ver que es una búsqueda que desciende en enero. Sabemos que a un menor número de búsquedas, un  mayor coste por conversión relativo. Con menores búsquedas el precio de la puja crece, por tanto, el cpa suele subir. Si llevamos nuestro presupuesto donde más búsquedas tenemos, el cpa de la cuenta tenderá a bajar.

En Bebow, analizamos datos de tendencias para mejorar las campañas en Google Ads

Teniendo estos datos tendremos en la mano un factor más sobre el que tomar decisiones. Con un estudio anual de tendencias por categorías, y por productos podremos gestionar nuestro esfuerzo de posicionamiento, y sobre todo, ajustar las pujas y presupuestos de campañas teniendo en cuenta también las fluctuaciones del mercado.

Ante aumentos de búsqueda, presupuestos mal equilibrados en Ads pueden suponer una pérdida de ventas.  Si somos capaces de ir llevando presupuestos de unas campañas a otras en función del número de búsquedas que se están produciendo seremos capaces de maximizar el presupuesto asignado a cada una de las campañas.

Bebow, agencia de big data marketing, analizamos las tendencias de búsqueda para ajustar los presupuestos de cada campaña y así, estar presentes cuando más posibilidad de compra tenemos, y no malgastar dinero cuando la propensión a la compra es baja.