Google Ads n-gram용 무료 Python 스크립트

N-gram은 Google Ads 또는 SEO에서 검색어를 분석하는 데 중요한 무기가 될 수 있습니다. 따라서 제품 피드와 검색어 모두에서 길이에 상관없이 n-gram을 분석하는 데 도움이 되는 무료 Python 스크립트를 제작했습니다. n-gram이 무엇인지, 특히 Google 쇼핑을 위해 Google Ads를 최적화하기 위해 n-gram을 사용하는 방법을 설명합니다. 마지막으로 무료 n-grams 스크립트를 사용하여 Google Ads 결과를 개선하는 방법을 보여드리겠습니다.

n-그램이란 무엇입니까?

N-gram은 더 긴 본문에서 추출한 N개의 단어로 구성된 구입니다. 여기서 'N'은 임의의 숫자로 대체될 수 있습니다.

예를 들어, "cat jumped on the mat"와 같은 문장에서 "cat jumped" 또는 "mat"는 둘 다 2그램(또는 '바이그램')이 됩니다.

"cat jumped" 또는 "cat jumped on"은 모두 이 문장에서 3그램(또는 '트라이그램')의 예입니다.

n-gram이 검색 쿼리에 도움이 되는 방법

N-gram은 특정 핵심 문구가 다양한 검색어에 나타날 수 있기 때문에 Google Ads 내에서 검색어를 분석하는 데 유용합니다.

N-gram을 사용하면 전체 인벤토리에서 이러한 문구의 영향을 분석할 수 있습니다. 따라서 더 나은 결정을 내리고 대규모로 최적화할 수 있습니다.

그것은 심지어 우리가 한 단어의 영향을 이해할 수 있게 해줍니다. 예를 들어 "무료"('1그램')라는 단어가 포함된 검색에서 실적이 저조한 경우 모든 캠페인에서 해당 단어를 제외하기로 결정할 수 있습니다.

또는 "맞춤형"이 포함된 검색어를 통한 강력한 실적은 전용 캠페인을 구축하도록 권장할 수 있습니다.

N-gram은 특히 Google 쇼핑의 검색어를 조회하는 데 유용합니다.

제품 목록 광고 키워드 타겟팅의 자동화된 특성으로 인해 수십만 개의 검색어에 대해 노출될 수 있습니다. 특히 매우 구체적인 기능을 가진 많은 수의 제품 변형이 있는 경우.

N-grams 스크립트를 사용하면 복잡한 내용을 중요한 문구로 잘라낼 수 있습니다.

n-gram으로 검색어 분석하기

n-gram의 첫 번째 사용 사례는 검색 쿼리를 분석하는 것입니다.

Google Ads용 n-grams python 스크립트에는 실행 방법에 대한 전체 지침이 포함되어 있지만

최대한 활용하는 방법에 대해 알아보겠습니다.

1. 시작하려면 컴퓨터에 Python이 설치되어 있어야 합니다. 그렇지 않은 경우 매우 쉽습니다. 먼저 아나콘다를 설치합니다. 그런 다음 Anaconda Prompt를 열고 'conda install jupyter lab'을 입력합니다. Jupyter Lab은 이 스크립트를 실행할 환경입니다.

Google Ads에서 검색어 보고서를 다운로드하기만 하면 됩니다. Google Ads의 '보고서' 섹션에서 맞춤 보고서로 설정하는 것이 좋습니다. 여러 계정에서 이 스크립트를 실행하려는 경우 MCC 수준에서 이를 설정할 수도 있습니다.

3. 그런 다음 스크립트의 설정을 업데이트하여 원하는 작업을 수행하고 모든 셀을 실행합니다.

실행하는 데 약간의 시간이 걸리지만 인내심을 가지십시오. 마법처럼 아래쪽에 진행 상황이 업데이트되는 것을 볼 수 있습니다.

출력은 다운로드 폴더 사용을 제안하는 스크립트를 실행 중인 폴더 내에서 엑셀 파일로 나타납니다. 파일에는 사용자가 정의한 이름으로 레이블이 지정됩니다.

Excel 파일의 각 탭에는 다른 n-gram 분석이 포함되어 있습니다. 예를 들어 다음은 바이그램 분석입니다.

이 보고서를 사용하여 개선 사항을 찾을 수 있는 여러 가지 방법이 있습니다.

가장 높은 지출 문구부터 시작하여 CPA 또는 ROAS에 대한 이상값을 확인할 수 있습니다.

보고서를 비전환으로 필터링하면 지출이 적은 영역도 강조표시됩니다.

단일 단어 탭에 잘못된 변환기가 표시되면 3-Gram 탭에서 해당 단어가 사용된 컨텍스트를 쉽게 확인할 수 있습니다.

예를 들어, 전문 교육 계정에서 'Oxford'의 실적이 지속적으로 저조한 것을 발견할 수 있습니다. 3-Gram 탭은 사용자가 보다 형식적이고 대학 지향적인 과정을 찾고 있을 가능성이 있음을 빠르게 보여줍니다.

따라서 이 단어를 빠르게 부정할 수 있습니다.

궁극적으로 이 보고서를 사용하는 것이 가장 좋습니다.

n-gram으로 제품 피드 최적화

Google Ads용 두 번째 n-gram 스크립트는 제품 실적을 분석합니다.

다시 말하지만 스크립트 자체 내에서 전체 지침을 찾을 수 있습니다.

이 스크립트는 제품 제목 내 문구의 성능을 확인합니다. 결국 제품 제목은 귀하가 표시하는 키워드를 크게 결정합니다. 제목은 기본 광고 카피이기도 합니다. 따라서 제목은 매우 중요합니다.

스크립트는 이러한 제목에서 Google 쇼핑 실적을 개선하기 위해 조정할 수 있는 잠재적인 문구를 찾는 데 도움이 되도록 설계되었습니다.

위에서 볼 수 있듯이 이 스크립트의 출력은 약간 다릅니다. Google 보고 API의 제한으로 인해 제품 제목 수준에 있는 동안에는 수익과 같은 전환 측정항목에 액세스할 수 없습니다.

따라서 이 보고서는 제품 수, 평균 트래픽 및 제품 문구의 확산(표준 편차)을 제공합니다.

가시성을 기반으로 하기 때문에 보고서를 사용하여 제품을 더 잘 보이게 할 수 있는 문구를 식별할 수 있습니다. 그런 다음 더 많은 제품 제목에 추가할 수 있습니다.

예를 들어, 평균 노출 수가 매우 많고 여러 제품의 제목에 나타나는 문구를 찾을 수 있습니다. 또한 표준 편차가 낮습니다. 즉, 여기서 우리의 수치를 왜곡하는 놀라운 제품이 단 하나뿐일 가능성이 없습니다.

우리는 이 도구를 사용하여 고객의 쇼핑 가시성을 극적으로 확장했습니다. 클라이언트는 수천 가지 크기의 제품을 판매했습니다. 예를 들어 8x10mm. 사람들은 또한 그들이 필요로 하는 매우 특정한 크기를 쇼핑하고 있었습니다.

그러나 Google은 이 크기에 대해 가능한 다른 명명 규칙을 이해하지 못했습니다. 8mm x 10mm, 8 x 10mm, 8mm x 10mm와 같은 검색은 모두 거의 완전히 다른 검색어로 취급되었습니다.

따라서 우리는 n-gram 스크립트를 사용하여 이러한 명명 규칙 중 어떤 것이 우리 제품에 가장 좋은 가시성을 제공하는지 결정했습니다.

가장 일치하는 항목을 찾아 제품 피드를 변경했습니다. 그 결과 고객의 쇼핑 캠페인에 대한 트래픽이 한 달 동안 550% 이상 급증했습니다.

제품 명명 문제와 n-gram이 도움이 될 수 있습니다.

Google Ads용 N-gram 스크립트

다음은 두 개의 완전한 스크립트입니다.

Google Ads 검색어용 N-gram 스크립트

 #!/usr/bin/env python #coding: utf-8 # Ayima N-Grams Script for Google Ads #Takes in SQR data and outputs data split into phrases of N length #Script produced by Ayima Limited (www.ayima.com) # 2022. This work is licensed under a CC BY SA 4.0 license (https://creativecommons.org/licenses/by-sa/4.0/). #Version 1.1 ### Instructions #Download an SQR from within the reports section of Google ads. #The report must contain the following metrics: #+ Search term #+ Campaign #+ Campaign state #+ Currency code #+ Impressions #+ Clicks #+ Cost #+ Conversions #+ Conv. value #Then, complete the setting section as instructed and run the whole script #The script may take some time. Ngrams are computationally difficult, particularly for larger accounts. But, give it enough time to run, and it will log if it is running correctly. ### Settings # First, enter the name of the file to run this script on # By default, the script only looks in the folder it is in for the file. So, place this script in your downloads folder for ease. file_name = "N-Grams input - SQR (2).csv" grams_to_run = [1,2,3] #What length phrases you want to retrieve for. Recommended is < 4 max. Longer phrases retrieves far more results. campaigns_to_exclude = "" #input strings contained by campaigns you want to EXCLUDE, separated by commas if multiple (eg "DSA,PLA"). Case Insensitive campaigns_to_include = "PLA" #input strings contained by campaigns you want to INCLUDE, separated by commas if multiple (eg "DSA,PLA"). Case Insensitive character_limit = 3 #minimum number of characters in an ngram eg to filter out "a" or "i". Will filter everything below this limit client_name = "SAMPLE CLIENT" #Client name, to label on the final file enabled_campaigns_only = False #True/False - Whether to only run the script for enabled campaigns impressions_column_name = "Impr." #Google consistently flip between different names for their impressions column. We think just to annoy us. This spelling was correct at time of writing brand_terms = ["BRAND_TERM_2", #Labels brand and non-brand search terms. You can add as many as you want. Case insensitive. If none, leave as [""] "BRAND_TERM_2"] #eg ["Adidas","Addidas"] ## The Script #### You should not need to make changes below here import pandas as pd from nltk import ngrams import numpy as np import time import re def read_file(file_name): #find the file format and import if file_name.strip().split('.')[-1] == "xlsx": return pd.read_excel(f"{file_name}",skiprows = 2, thousands =",") elif file_name.strip().split('.')[-1] == "csv": return pd.read_csv(f"{file_name}",skiprows = 2, thousands =",") df = read_file(file_name) def filter_campaigns(df, to_ex = campaigns_to_exclude,to_inc = campaigns_to_include): to_ex = to_ex.split(",") to_inc = to_inc.split(",") if to_inc != ['']: to_inc = [word.lower() for word in to_inc] df = df[df["Campaign"].str.lower().str.strip().str.contains('|'.join(to_inc))] if to_ex != ['']: to_ex = [word.lower() for word in to_ex] df = df[~df["Campaign"].str.lower().str.strip().str.contains('|'.join(to_ex))] if enabled_campaigns_only: try: df = df[df["Campaign state"].str.contains("Enabled")] except KeyError: print("Couldn't find 'Campaign state' column") return df def generate_ngrams(list_of_terms, n): """ Turns a list of search terms into a set of unique n-grams that appear within """ # Clean the terms up first and remove special characters/commas etc. #clean_terms = [] #for st in list_of_terms: #st = st.strip() #clean_terms.append(re.sub(r'[^a-zA-Z0-9\s]', '', st)) #split into grams unique_ngrams = set() for term in list_of_terms: grams = ngrams(term.split(" "), n) [unique_ngrams.add(gram) for gram in grams] all_grams = set([' '.join(tups) for tups in unique_ngrams]) if character_limit > 0: n_grams_list = [ngram for ngram in all_grams if len(ngram) > character_limit] return n_grams_list def _collect_stats(term): #Slice the dataframe to the terms at hand sliced_df = df[df["Search term"].str.match(fr'. {re.escape(term)}. ')] #add our metrics raw_data =list(np.sum(sliced_df[[impressions_column_name,"Clicks","Cost","Conversions","Conv. value"]])) return raw_data def _generate_metrics(df): #generate metrics try: df["CTR"] = df["Clicks"]/df[f"Impressions"] df["CVR"] = df["Conversions"]/df["Clicks"] df["CPC"] = df["Cost"]/df["Clicks"] df["ROAS"] = df[f"Conv. value"]/df["Cost"] df["CPA"] = df["Cost"]/df["Conversions"] except KeyError: print("Couldn't find a column") #replace infinites with NaN and replace with 0 df.replace([np.inf, -np.inf], np.nan, inplace=True) df.fillna(0, inplace= True) df.round(2) return df def build_ngrams_df(df, sq_column_name ,ngrams_list, character_limit = 0): """Takes in n-grams and df and returns df of those metrics df - dataframe in question sq_column_name - str. Name of the column containing search terms ngrams_list - list/set of unique ngrams, already generated character_limit - Words have to be over a certain length, useful for single word grams Outputs a dataframe """ #set up metrics lists to drop values array = [] raw_data = map(_collect_stats, ngrams_list) #stack into an array data = np.array(list(raw_data)) #turn the above into a dataframe columns = ["Impressions","Clicks","Cost","Conversions", "Conv. value"] ngrams_df = pd.DataFrame(columns= columns, data=data, index = list(ngrams_list), dtype = float) ngrams_ df.sort_values(by = "Cost", ascending = False, inplace = True) #calculate additional metrics and return return _generate_metrics(ngrams_df) def group_by_sqs(df): df = df.groupby("Search term", as_index = False).sum() return df df = group_by_sqs(df) def find_brand_terms(df, brand_terms = brand_terms): brand_terms = [str.lower(term) for term in brand_terms] st_brand_bool = [] for i, row in df.iterrows(): term = row["Search term"] #runs through the term and if any of our brand strings appear, labels the column brand if any([brand_term in term for brand_term in brand_terms]): st_brand_bool.append("Brand") else: st_brand_bool.append("Generic") return st_brand_bool df["Brand label"] = find_brand_terms(df) #This is necessary for larger search volumes to cut down the very outlier terms with extremely few searches i = 1 while len(df)> 40000: print(f"DF too long, at {len(df)} rows, filtering to impressions greater than {i}") df = df[df[impressions_column_name] > i] i+=1 writer = pd.ExcelWriter(f"Ayima N-Gram Script Output - {client_name} N-Grams.xlsx", engine='xlsxwriter') df.to_excel(writer, sheet_name='Raw Searches') for n in grams_to_run: print("Working on ",n, "-grams") n_grams = generate_ngrams(df["Search term"], n) print(f"Found {len(n_grams)} n_grams, building stats (may take some time)") n_gram_df = build_ngrams_df(df,"Search term", n_grams, character_limit) print("Adding to file") n_gram_df.to_excel(writer, sheet_name=f'{n}-Gram',) writer.close()

제품 피드 분석을 위한 N-gram 스크립트

 #!/usr/bin/env python #coding: utf-8 # N-Grams for Google Shopping #This script looks to find patterns and trends in product feed data for Google shopping. It will help you find what words and phrases have been performing best for you #Script produced by Ayima Limited (www.ayima.com) # 2022. This work is licensed under a CC BY SA 4.0 license (https://creativecommons.org/licenses/by-sa/4.0/). #Version 1.1 ## Instructions #Download an SQR from within the reports section of Google ads. #The report must contain the following metrics: #+ Item ID #+ Product title #+ Impressions #+ Clicks #Then, complete the setting section as instructed and run the whole script #The script may take some time. Ngrams are computationally difficult, particularly for larger accounts. But, give it enough time to run, and it will log if it is running correctly. ## Settings #First, enter the name of the file to run this script on #By default, the script only looks in the folder it is in for the file. So, place this script in your downloads folder for ease. file_name = "Product report for N-Grams (1).csv" grams_to_run = [1,2,3] #The number of words in a phrase to run this for (eg 3 = three-word phrases only) character_limit = 0 #Words have to be over a certain length, useful for single word grams to rule out tiny words/symbols title_column_name = "Product Title" #Name of our product title column desc_column_name = "" #Name of our product description column, if we have one file_label = "Sample Client Name" #The label you want to add to the output file (eg the client name, or the run date) impressions_column_name = "Impr." #Google consistently flip between different names for their impressions column. We think just to annoy us. This spelling was correct at time of writing client_name = "SAMPLE" ## The Script #### You should not need to make changes below here #First import all of the relevant modules/packages import pandas as pd from nltk import ngrams import numpy as np import time import re #import our data file def read_file(file_name): #find the file format and import if file_name.strip().split('.')[-1] == "xlsx": return pd.read_excel(f"{file_name}",skiprows = 2, thousands =",") elif file_name.strip().split('.')[-1] == "csv": return pd.read_csv(f"{file_name}",skiprows = 2, thousands =",")# df = read_file(file_name) df.head() def generate_ngrams(list_of_terms, n): """ Turns our list of product titles into a set of unique n-grams that appear within """ unique_ngrams = set() for term in list_of_terms: grams = ngrams(term.split(" "), n) [unique_ngrams.add(gram) for gram in grams if ' ' not in gram] ngrams_list = set([' '.join(tups) for tups in unique_ngrams]) return ngrams_list def _collect_stats(term): #Slice the dataframe to the terms at hand sliced_df = df[df[title_column_name].str.match(fr'. {re.escape(term)}. ')] #add our metrics raw_data = [len(sliced_df), #number of products np.sum(sliced_df[impressions_column_name]), #total impressions np.sum(sliced_df["Clicks"]), #total clicks np.mean(sliced_df[impressions_column_name]), #average number of impressions np.mean(sliced_df["Clicks"]), #average number of clicks np.median(sliced_df[impressions_column_name]), #median impressions np.std(sliced_df[impressions_column_name])] #standard deviation return raw_data def build_ngrams_df(df, title_column_name, ngrams_list, character_limit = 0, desc_column_name = ''): """ Takes in n-grams and df and returns df of those metrics df - our dataframe title_column_name - str. Name of the column containing product titles ngrams_list - list/set of unique ngrams, already generated character_limit - Words have to be over a certain length, useful for single word grams to rule out tiny words/symbols desc_column_name = str. Name of the column containing product descriptions, if applicable Outputs a dataframe """ #first cut it to only grams longer than our minimum if character_limit > 0: ngrams_list = [ngram for ngram in ngrams_list if len(ngram) > character_limit] raw_data = map(_collect_stats, ngrams_list) #stack into an array data = np.array(list(raw_data)) #data[np.isnan(data)] = 0 columns = ["Product Count","Impressions","Clicks","Avg. Impressions", "Avg. Clicks","Median Impressions","Spread (Standard Deviation)"] #turn the above into a dataframe ngrams_df = pd.DataFrame(columns= columns, data=data, index = list(ngrams_list)) #clean the dataframe and add other key metrics ngrams_df["CTR"] = ngrams_df["Clicks"]/ ngrams_df["Impressions"] ngrams_df.fillna(0, inplace=True) ngrams_df.round(2) ngrams_df[["Impressions","Clicks","Product Count"]] = ngrams_df[["Impressions","Clicks","Product Count"]].astype(int) ngrams_df.sort_values(by = "Avg. Impressions", ascending = False, inplace = True) return ngrams_df writer = pd.ExcelWriter(f"{client_name} Product Feed N-Grams.xlsx", engine='xlsxwriter') start_time = time.time() for n in grams_to_run: print("Working on ",n, "-grams") n_grams = generate_ngrams(df["Product Title"], n) print(f"Found {len(n_grams)} n_grams, building stats (may take some time)") n_gram_df = build_ngrams_df(df,"Product Title", n_grams, character_limit) print("Adding to file") n_gram_df.to_excel(writer, sheet_name=f'{n}-Gram',) time_taken = time.time() - start_time print("Took "+str(time_taken) + " Seconds") writer.close()

github에서 업데이트된 버전의 n-grams 스크립트를 다운로드하여 찾을 수도 있습니다.

이 스크립트는 Creative Commons BY SA 4.0 라이선스에 따라 사용이 허가되었습니다. 즉, 자유롭게 공유하고 조정할 수 있지만 항상 모든 사람이 사용할 수 있도록 개선된 버전을 자유롭게 공유할 것을 권장합니다. N-gram은 공유하지 않기에는 너무 유용합니다.

이것은 Ayima Insights Club 회원에게 제공되는 많은 무료 도구, 스크립트 및 템플릿 중 하나일 뿐입니다. Insights Club에 대해 자세히 알아보고 여기에서 무료로 가입할 수 있습니다.