Московский экономический журнал 5/2017

image_pdfimage_print

УДК 339.13

Bezymyannyj-12

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

Черданцев Вадим Петрович,

доктор экономических наук, профессор,

профессор кафедры менеджмента

Черникова Светлана Александровна,

Кандидат экономических наук, доцент

зав. кафедрой менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. andreiplotnikovwork@gmail.com

Chernikova S.A. schernikova2014@yandex.ru

Cherdantsev V.P. cherdantsev.vadim@yandex.ru

АНАЛИЗ ЗАПРОСОВ И ИХ КЛАСТЕРИЗАЦИЯ

ANALYSIS OF QUERIES AND CLUSTERING

Аннотация

В работе на практическом примере показан результат кластеризации запросов согласно поисковой системе Яндекс, собранных из поисковой системы Google. Обработано 400 запросов с порогом кластеризации 2. Используя строгую кластеризацию, по результатам сформировано 121 группа (из них 108 групп, содержат два и более запроса; 13 групп, содержат 1 запрос). Данные группы можно использовать в качестве ключевых слов для создания контент-маркетинговой стратегии.

Summary

The paper considers a practical example, the result of the clustering of queries in the Yandex search system, collected from the Google search engine, is shown. As a result, 400 requests were processed with clustering threshold 2, using strict clustering, 121 groups were formed according to the results (of them 108 groups containing two or more requests, 13 groups containing 1 query). These groups can be used as keywords for creating a content marketing strategy.

Ключевые слова: контент-маркетинг, кластеризация запросов, потребительский поиск.

Keywords: content marketing, query clustering, consumer search, search engine marketing.

Введение

Российский рынок сыров испытывает нелегкий период. Недостаток сырья и технологий, слабый рубль, недобросовестная конкурентная борьба, сокращение покупательной способности населения — в подобных обстоятельствах вынуждены существовать российские производители сыров. Развитие российской сырной отрасли можно поделить на до- и после-санкционный период. Более 50% сыра было импортным [1]. Для преодоления сложного периода важно понимать о реальных нуждах потребителя и уметь агрегировать ресурсы именно на важных направлениях хозяйственной деятельности, следовательно, важно уделять внимание кластеризации потребительских запросов.

В мире проведено множество исследований и написано много работ [2-8] на тему потребительских предпочтений молочного продукта – сыра. С появлением интернет-технологий стало возможным определять частоту потребительских запросов при поиске, таким образом, собрав базу данных 9186 запросов (наблюдений) в системе Google с маской запроса «сыр», один самый высоко частотный запрос «сыр с плесенью» = 5400 запросов; низкочастотные запросы с частотой = 10 запросов в месяц. Их общее количество 1946 (шампиньоны с сыром в микроволновке, яблочный сыр купить и др.); 54 запроса с частотой 1000 и более.

Основной задачей работы ставится – проведение кластеризации запросов и определение их уровня схожести.

Если построить график со всеми данными, то получим следующее распределение (рис.1), график без выбросов (рис.2).

Screenshot_2

Рисунок 1. Распределение всех запросов по маске «сыр»

Screenshot_3

Рисунок 2. Распределение запросов (без учета высоко частотных (более 1000) и низкочастотных запросов (10 и менее)

Это говорит нам о большом количестве низкочастотных запросов с частотой менее 100 запросов в месяц. Визуально изобразим запросы с частотой от 10 до 90 в месяц на графике (рис. 3)

Screenshot_4

Рисунок 3. Распределение запросов с частотностью 10-90

Исходя из рис.1,2,3 можно сделать вывод, что наиболее часто встречающиеся запросы находятся в диапазоне 10-90 запросов/мес., которые примерно равны между собой внутри этой группы и разница некоторых запросов составляет 3 раза (запросов с частотой 10 шт./мес. больше примерно в 3 раза, чем запросы с частотностью 90 шт./мес.).

Screenshot_5

Рисунок 4. Распределение по количеству запросов в каждой группе

На рис. 4 визуализирована группировка запросов, имеющая частоту от 10 до 90 шт./мес. на каждый запрос, где самая большая группа имеет 647 запросов, с основным интентом (намерение потребителя) поиск рецепта. Группа с количеством 331 запросов (купить) и группа с количеством 250 запросов (цена) – коммерческие, где основной интент связан с приобретением сыра или сырного продукта. Детально проанализируем эти группы запросов далее. Основные запросы сконцентрированы на информационных интентах, направленных на получение информации о способах приготовления различных сыров, а также блюд, в составе, которых содержится сыр.

Screenshot_6

Рисунок 5. Результат описательной статистики запросов

На рис. 5 показан график с результатами описательной статистики (среднее, медиана, выбросы). График показывает, что у всех групп запросов примерно одинаковые показатели, разнящиеся на 10-20 единиц. Это подтверждает рис.1 о примерном частотном равенстве ключевых запросов.

Проанализируем две группы запросов (купить и цена), где учтем в и средне и высоко частотные запросы. Разобьём их на кластеры согласно интентам пользователей, ориентируясь на результаты Топ-10 в поисковой выдаче Яндекс в регионе Москва (необходимо учитывать, что Москва является самым конкурентным регионом, в котором ранжируются сайты с проработанными семантическими ядрами).

Результаты по 1-й группе (купить): обработано 346 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам сформировано 190 групп (из них 79 групп содержат два и более запроса; 111 групп содержат 1). Интерес представляют запросы 79 групп, которые можно визуализировать на рис.5

Screenshot_7

Рисунок 6. Визуализация кластера «купить»

Внутренний круг на рис.6 означает номер кластера, внешний круг означает запросы, которые входят в кластеры. Далее проведем кластеризацию запросов со словом «цена». Результаты по 2-й группе (цена): обработано 276 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам кластеризации сформировано 168 групп (из них 57 групп содержат два и более запроса; 111 групп содержат 1 запос). Интерес представляют запросы 57 групп, которые можно визуализировать на рис.7. На рис.7, аналогично рис.6 внутренний круг означает номер кластера, внешний круг означает запросы, входящие в кластеры.

Интересно объединить запросы из двух круговых диаграмм и провести совокупную кластеризацию и посмотреть на результат.

Screenshot_8

Рисунок 7. Визуализация кластера «цена»

Screenshot_9

Рисунок 8. Визуализация кластера «купить-цена»

Заключение

Итоговые результаты по общей группе (купить-цена) следующие: обработано 400 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам кластеризации сформировано 121 групп (из них 108 групп содержат два и более запроса; 13 групп содержат 1 запрос). Интерес представляют запросы 108 групп, которые можно визуализировать на рис.8. Стоит также отметить, что между собой перемешались поисковые запросы из двух групп (купить и цена) в 27 кластерах.

Данный результат иллюстрирует нам о необходимости кластеризации запросов при составлении семантического ядра сайта.

Список литературы

  1. Рынок сыра после эмбарго: рост производства пошел на спад http://www.agroinvestor.ru/markets/article/25832-rynok-syra-posle-embargo/
  2. Sakovitz-Dale J. Vermont Farmstead Cheese Marketing Study //Vermont Housing. – 2006.
  3. Grannis J., Hine S., Thilmany D. Marketing premium food products in emerging economies: the case of Macedonian cheese //Journal of International Food & Agribusiness Marketing. – 2003. – Т. 13. – №. 2-3. – С. 59-76.
  4. Wilkinson M. G. et al. Marketing cheese with a nutrient message: Dairy nutrition for a healthy future //Bulletin-International Dairy Federation. – 2001. – №. 363. – С. 39-45.
  5. Haller L. E. et al. Branded product marketing strategies in the cottage cheese market: cooperative versus proprietary firms. – Food Marketing Policy Center, Department of Agricultural and Resource Economics, University of Connecticut, 1992.
  6. Paxson H. Locating value in artisan cheese: reverse engineering terroir for new‐world landscapes //American Anthropologist. – 2010. – Т. 112. – №. 3. – С. 444-457.
  7. Dossou S. A. R., Aoudji A. K. N., Ad&egbidi A. Processing of local agricultural products to meet urban demand: Lessons from soybean cheese consumption analysis in Southern Benin //African Journal of Marketing Management. – 2017. – Т. 9. – №. 8. – С. 133-143.
  8. Imami D. et al. Albanian Consumer Preferences for the use of Powder Milk in Cheese-Making: A Conjoint Choice Experiment //Agricultural Economics Review. – 2016. – Т. 17. – №. – С. 20