A googleanalyticsR segítségével közvetlenül R-ben kérdezheted le, tisztíthatod és vizualizálhatod a GA4 adatait, ráadásul miután az adatokat importáltad az R környezetébe, a lehetőségek tárháza gyakorlatilag végtelenné válik.
A következő szakaszokban a teljes munkafolyamatot bemutatjuk. Az R használata különösen akkor válik igazán hasznossá, ha több időszakot, rengeteg dimenziót vagy komplex szűrőket kezelsz, de mielőtt belemennénk a részletekbe, nézzük meg a gyakorlati előnyöket!
- Miért érdemes a googleanalyticsR-t választani a GA4 felülete helyett?
- Első lépések: telepítés és hitelesítés
- Gyors insightok kinyerése a nyers GA4 adatokból
- Adatvizualizáció a trendvonalaktól az automatizált riportig
- R vagy GA4 UI: mikor melyiket érdemes használni?
- További integrációs lehetőségek
- Építs reprodukálható GA4 elemzési folyamatot!
- További kérdések és válaszok a GoogleAnalyticsR-hez kapcsolódóan
Miért érdemes a googleanalyticsR-t választani a GA4 felülete helyett?
Az R nagyobb kontrollt ad a lekérdezések és az adatfeldolgozás felett. Bár a GA4 felülete kifejezetten kényelmes a gyors ellenőrzésekhez, a komplex és ismétlődő elemzéseknél hamar szűkössé válhat, és pontosan itt mutatkozik meg a programozható munkafolyamat igazi értéke.
A googleanalyticsR egy olyan R-package (vagyis csomag), amely a Data- és Admin API-t különféle hasznos függvényekbe építve használja, lényegesen leegyszerűsítve ezzel a lekérdezések folyamatát. A Data API kvótái tokenekkel mérik a terhelést, így egy Standard tulajdon Core lekérdezései naponta 200 000 tokent, míg az Analytics 360 esetében 2 000 000 tokent használhatnak fel, figyelembe véve, hogy a bonyolultabb lekérdezések több tokent fogyasztanak. Fontos azonban hozzátenni, hogy a gyakorlati tapasztalatok alapján ezeket a kvótákat szerencsére igen nehéz átlépni, hiszen a túllépésükhöz mindenképpen rendkívül nagy és komplex lekérdezésekre lenne szükség.
Első lépések: telepítés és hitelesítés
Jelenleg a csomag 1.2.0 verziója érhető el a CRAN-on, amelyhez legalább 3.3.0-s R verzió szükséges, maga a telepítés pedig mindössze egyetlen paranccsal elvégezhető.
install.packages("googleAnalyticsR", dependencies = TRUE) # telepít
library(googleAnalyticsR) # behívja a csomagot
A hitelesítési folyamatot a ga_auth() függvény indítja el: az első futás alkalmával egy böngészős Google engedélykérés jelenik meg, majd a sikeres azonosítást követően az R azonnal hozzáfér az engedélyezett tulajdonokhoz, így készen is állsz az első lekérdezés elkészítésére.
ga_auth()
Gyors insightok kinyerése a nyers GA4 adatokból
Mivel a nyers riportok ritkán adnak azonnal kész válaszokat, az R-ben nagyon népszerű dplyr csomag függvényeivel gyors és kifejezetten átlátható lépésekre bonthatod az adattisztítást. Mivel minden egyes sor egy-egy konkrét műveletet végez el, a teljes átalakítási folyamat rendkívül könnyen ellenőrizhetővé és módosíthatóvá válik.
channel_summary <- report |>
filter(sessions > 0) |>
select(date, sessionDefaultChannelGroup, sessions, conversions) |>
mutate(conversion_rate = conversions / sessions) |>
group_by(sessionDefaultChannelGroup) |>
summarise(
sessions = sum(sessions),
conversions = sum(conversions),
conversion_rate = conversions / sessions
) |>
arrange(desc(conversion_rate))
- filter(): megtartja a releváns sorokat.
- select(): kiválasztja a szükséges változókat.
- mutate(): új mutatót számít ki a meglévő oszlopokból.
- group_by() és summarise(): csatorna vagy időszak szerint összesíti az adatokat.
- arrange(): sorrendbe állítja a legfontosabb eredményeket.
Ezzel a folyamattal pillanatok alatt azonosíthatod például a legerősebb csatornákat, de ugyanezt a logikát landing oldalakra vagy akár kampányokra is könnyedén alkalmazhatod. A következő lépés pedig nem más, mint az eredmények vizuális bemutatása.
Adatvizualizáció a trendvonalaktól az automatizált riportig
Egy másik rendkívül elterjedt R-csomag, a ggplot2 segítségével a legegyszerűbb oszlopdiagramoktól kezdve egészen a legszofisztikáltabb adatvizualizációkig bármit megvalósíthatsz. A csomag parancsai rétegekből építik fel a grafikont: miután az adatokhoz vizuális tulajdonságokat rendeltél, geometriai elemeket és skálákat adhatsz hozzá, így ugyanaz az alap pillanatok alatt átalakítható többféle diagrammá.
Itt láthatsz is egy egyszerű példát:
library(ggplot2)
ggplot(report, aes(x = date, y = sessions,
colour = sessionDefaultChannelGroup)) +
geom_line() +
labs(x = "Dátum", y = "Munkamenetek", colour = "Csatorna") +
theme_minimal()
Az ábrák megtervezésekor érdemes mindig a megválaszolandó kérdés rögzítésével kezdeni. Míg az idősorok ábrázolásához a vonaldiagram a legjobb választás, a csatornák összehasonlítására egy oszlopdiagram nyújthat áttekinthető képet, az eloszlások részletesebb bemutatására pedig a pontdiagram vagy a hisztogram felel meg a legjobban – a vizuális formának mindig a pontos üzenetet kell szolgálnia.
Íme egy jóval szofisztikáltabb adatvizualizáció is, ami szintén kizárólag a GA4-ből kinyert adatokkal dolgozik: ez a „GA4 Behavioral Clock”, ami egy 24 órára bontott kördiagram, ahol minden egyes gyűrű egy külön napot jelöl, a színek a forgalmat szemléltetik, a pontok pedig a vásárlási intenzitást mutatják.
R vagy GA4 UI: mikor melyiket érdemes használni?
Míg a GA4 saját felülete a gyors ellenőrzésekhez ideális, addig az R használata akkor válik igazán indokolttá, ha a feladat kifejezetten összetett vagy rendszeresen ismétlődik. A két megoldás így egyáltalán nem kizárja, sokkal inkább kiegészíti egymást a különböző elemzési helyzetekben.
| Szempont | GA4 natív UI | googleAnalyticsR + R |
| Gyors ad hoc ellenőrzés | Gyorsabb, pár kattintás | Kód és API-lekérés szükséges |
| Egyedi elemzések | Kötött dimenziók és számítások | Teljesen saját elemzési logika |
| Statisztikai módszerek | Nagyon korlátozott | Tesztek, regresszió, idősor, ML |
| Vizualizáció | Előre definiált chartok | ggplot2 – szinte teljes szabadság |
| Reprodukálhatóság & automatizálás | Sok manuális lépés | Egy scriptben lekérés → elemzés → output |
További integrációs lehetőségek
A Posit környezet open source megközelítésének köszönhetően az integrációs és az egyedi, ügyfélre szabott lehetőségek tárháza szinte végtelen. Hogy csak néhány példát említsünk: az RStudio szoftverébe beépített R Markdown segítségével a kódot, a magyarázó szövegeket és az ábrákat egyetlen közös dokumentumban kezelheted, a kész riportot pedig könnyedén HTML, PDF vagy Word formátumba is renderelheted, támogatva ezzel a reprodukálható riportálást.
Egy másik nagyszerű riportolási opciót a Shiny appok használata jelenti. A Shiny keretrendszer segítségével interaktív webes alkalmazásokat és dashboardokat hozhatsz létre közvetlenül az R környezetben, ahol a felhasználók dinamikusan léphetnek interakcióba az adatokkal. Ezt egészíti ki a Shinylive azzal a bravúrral, hogy a WebAssembly-technológia révén a Shiny-alkalmazásokat közvetlenül a felhasználó böngészőjében futtatja, így nincs szükség külön Shiny-szerver fenntartására. Az így elkészült alkalmazást akár statikus weboldalként – például a GitHub Pages felületén – is közzéteheted, ami egyszerűbbé és költséghatékonyabbá teszi a kisebb riportok, oktatási példák és interaktív demonstrációk megosztását.
Építs reprodukálható GA4 elemzési folyamatot!
A googleanalyticsR összeköti a GA4 adatait az R elemzési eszközeivel: a dplyr tisztíthatóvá és összegezhetővé teszi az adatokat, a ggplot2 pedig rendkívül érthető grafikonokat készít.
Kezdd egy egyszerű lekérdezéssel, alakíts ki belőle egy jól ellenőrizhető adatfeldolgozási folyamatot, és automatizáld a rendszeresen ismétlődő lépéseket!
Vedd fel a kapcsolatot az Intren CRO csapatával, ha te is szeretnéd a maximumot kihozni a GA4 adataidból, automatizálnád a riportjaidat, vagy egyedi, adatvezérelt elemzésekkel és látványos vizualizációkkal fejlesztenéd a konverzióidat!
Források:
További kérdések és válaszok a GoogleAnalyticsR-hez kapcsolódóan
Az első riportok elkészítéséhez bőven elegendő az alapszintű R tudás: elég, ha ismered az objektumokat, a függvényhívásokat és az adattáblákat. A kész példák módosításával gyorsan elindulhatsz, később pedig fokozatosan építhetsz fel egyre összetettebb folyamatokat.
A lekérdezést és az adatfeldolgozást egyetlen szkriptbe szervezheted, amelynek futtatását az operációs rendszer vagy egy felhős ütemező is indíthatja. Mivel az R Markdown minden egyes futáskor újragenerálhatja a dokumentumot, a riport kevés kézi munkával frissül.
A hivatalos ggplot2 dokumentáció az alaprétegeket és skálákat mutatja be, míg az R Graph Gallery több száz grafikai példát gyűjt össze, melyek szerkezetét könnyedén a saját adataidra szabhatod – először egyébként is az üzleti kérdéshez érdemes diagramot választani.
