Python ile Google Bubble Yorumlama (SEO)

Google search central tarafından 26.09.2023 tarihinde iki güzel blog yazısı paylaşıldı. Bunlardan ilki: google aramalarında neden geri plana düştüğünüzü teknik sorgulamalar yoluyla keşfetmenize yönelik bilgilendirici bir yazıydı. İkincisi ise google bubble yoluyla nasıl keyword analizi yapacağınıza yönelik bir yazıydı.

Biz bugün ikinci yazıyı ele alıp python yardımıyla analizimizi zenginleştirmeye çalışacağız. Yazının orjinali burada.

Öncelikle şu sayfaya gidip, google search console hesabınızı looker ile bağlantılandırıp yetki vermelisiniz.

Karşınıza çıkacak ekranda dönem ve ülke seçimini yapın ve device olarak istediğiniz bir aracı seçin.

Query bölümü boş kalsın. Bu şekilde sitenizin google aramalarına konu olan tüm keywordlerini görebileceğiz.

Burada odaklanmanız gereken unsurlar şunlardır:

y ekseninde keywordlerin ortalama pozisyonu

x ekseninde CTR datası bulunnmaktadır.

Bubble’ların büyüklüklerini belirleyen tıklama sayılarıdır.

 

Bu analizde google 2 eksen için ortalamayı hesaplamaktadır. Bu hesaplamalar göz önünde bulundurulduğunda 4 alan ortaya çıkmaktadır.

1 ile gösterilen alan hem yüksek CTR’ye hem de yüksek pozisyona sahip keywordlere sahiptir. Amacınız diğer alanlarda kalan keywordleri buraya taşımaktır. En mantıklı yaklaşım 4 ile gösterilen bölgedeki keywordleri buraya taşımak olacaktır. 2 ile gösterilen bölge içinde isteğinize ve duruma göre çalışma yapılabilinir. 3 ile gösterilen bölgede ise hem düşük CTR hem de düşük ortalama pozisyon. Burada tıklama sayısı yüksek keywordlere odaklanabilirsiniz.

Pyhton İle Analiz

Ekran üzerinde kırmızı ile gösterdiği yere tıklayarak buradaki verileri “csv” olarak dışarı aktarın. Adına “seo.csv” diyelim.

 import pandas as pd 
 df = pd.read_csv(r'seo.csv')
 print(df)

Benim sitenin google üzerinde kayıtlı 5012 adet keyword’ü olduğu görülüyor. Şimdi bunları ayrıştıralım.

Device category‘i ortadan kaldıralım.

df.drop(columns=['Device Category'], inplace=True)
df

Benim web sitem için CTR ortalaması 0.1921 iken ortalama pozisyon ise 5.82 idi.

1 numaralı alana ulaşalım.

filtered_df1 = df[(df['CTR'] > 0.1921) & (df['Average Position'] < 5.82)]
filtered_df1

1 numaralı alanda 299 adet keyword’e sahibim.  Bunları tıklamaya göre sıralayalım.

sorted_filtered_df1 = filtered_df1.sort_values(by='Clicks', ascending=False)
sorted_filtered_df1

Şimdi 4 numaralı alanı araştıralım.

filtered_df4 = df[(df['CTR'] < 0.1921) & (df['Average Position'] < 5.82)]
sorted_filtered_df4 = filtered_df4.sort_values(by='Clicks', ascending=False)
sorted_filtered_df4

Bu bölgede 1478 keyword yaşıyor. Bu bölgenin 1 numaralı bölgeye taşınması için çalışmalara başlamalıyım.

Şimdi 2 numaralı alanı araştıralım.

filtered_df2 = df[(df['CTR'] > 0.1921) & (df['Average Position'] > 5.82)]
sorted_filtered_df2 = filtered_df2.sort_values(by='Clicks', ascending=False)
sorted_filtered_df2

Bu bölgede 30 keyword yaşıyor. Bu bölgede çok umut verici keyword göremedim. Tıklama sayıları çok düşük.

Şimdi 3 numaralı alanı araştıralım.

filtered_df3 = df[(df['CTR'] < 0.1921) & (df['Average Position'] > 5.82)]
sorted_filtered_df3 = filtered_df3.sort_values(by='Clicks', ascending=False)
sorted_filtered_df3

Bu bölgede 3205 keyword yaşıyor. Bu bölgede sadece tıklama sayıları yüksek olan keywordlere ilişkin bir çalışma yapacağım.

Sonuç olarak, web sitem için aşağıdaki tablo ortaya çıkmıştır.

Yaptığım analiz tamamen kendi bakış açım üzerinden biçimlenmiştir. Yatırım tavsiyesi değildir.

Github reposunda kodları bulabilirsiniz.

Doç. Dr. VeriDelisi