SEO Søgeordsanalyse i 2019 - Find de mest værdifulde søgeord med Power BI

10. januar 2019

Er du klar over, hvilke søgeord som kan give dig den mest værdifulde organiske trafik fra Google?

Dette indlæg gør op med den klassiske søgeordsanalyse.

Problemet er:

De fleste, som arbejder med SEO, stirrer sig blinde på søgeord med høj søgevolumen, fremfor at analysere på, hvilke gode søgeord som faktisk kan skabe omsætning. Med al det data vi har i 2019, er det en fundamental fejl at udvælge søgeord på et så tyndt grundlag.

Faktum er:

Hvis dit website allerede rangerer på side 1 i Google på de største søgeord indenfor din branche, så er du “godkendt” af Google til at nå førstepladsen for dine foretrukne søgeord. Det kræver bare fokus, en del arbejde og tålmodighed.

For en af vores kunder tog det 1,5 år at rykke fra bunden af side 3 til at nå førstepladsen på Google på deres foretrukne søgeord. Det var en stor investering, men det er også et søgeord som i dag genererer 200-300.000 kr. i værdi om måneden.

Med dette indlæg viser vi, hvordan du kan få bedre indsigter til at træffe de rigtige beslutninger om, hvilke søgeord, som du skal fokusere på. De søgeord som i sidste ende øger omsætningen.

I anden halvdel af indlægget får du de 10 trin til at opnå de samme indsigter, som vi leverer til vores faste kunder.

Så spænd sikkerhedsselen 😉

Excel er en Ford T, når du har brug for en Ferrari

Med den mængde data som vi har adgang til i dag for at forstå, hvad der bliver søgt på i Google, så kræver det mere motorkraft end nogensinde. Excel har traditionelt været SEO specialisters bedste ven til analyser.

Men faktum er:

  1. Excel crasher, når datasættet er for stort. Og datasæt bliver bare større og større. Det er derfor ikke holdbart på den lange bane, uanset hvilke hacks man har til at få lidt mere hukommelse.
  2. Fremtidens søgeordsanalyse gør brug af mange forskellige datakilder. De data skal “renses” for at kunne bruges i Excel, og det er en tidskrævende og ufleksibel proces.

Med Excel har vi simpelthen at gøre med en Ford T, når vi istedet har mulighed for at køre i en Ferrari. Så vores anbefaling er, at hvis du arbejder med søgeordsanalyser, så skal Excel ikke være det centrale værktøj til at få indsigter.

Så hvad er løsningen istedet?

Svaret er Power BI.

Hvad er Power BI?

Kort fortalt er Power BI en samling af analyseværktøjer fra Microsoft, som kan håndtere store datasæt til agilt at få nye indsigter. Traditionelt bruger man Power BI til virksomheders dashboards, men i dette tilfælde bruger vi det som værkstedet for SEO analyser.

Vi har derfor omfavnet det til at lave bedre SEO-analyser, men det er kort sagt et hamrende godt mashup-værktøj til alle marketingdiscipliner.

Og så går det lynhurtigt med at crunche store datasæt, hvilket er nok til at skifte fra Excel.

I næste afsnit dykker vi ned i Power BI, og viser hvordan man kan lave bedre søgeordsanalyser i 2019.

Fra søgevolumen til transaktionsdata - Sådan får du bedre indsigter med Power BI

Den klassiske søgeordsanalyse består i at trække en hulens masse søgeord over i Excel og forstå, hvilke som har størst trafikpotentiale og mindst konkurrence.

Men mere trafik er ikke lig med større bundlinje.

Hvor er omsætningspotentialet henne i en sådan analyse? Hvilke søgeord kan generere ordrer?

Det er den store fejl ved de klassiske søgeordsanalyser.

Lad os istedet se hvad man kan med Power BI.

Det følgende eksempel er et hurtigt indblik i en søgeordsanalyse, som giver dig en god forståelse for, hvordan man kan arbejde med at få bedre indsigter.

Den klassiske udfordring i en søgeordsanalyse er at beslutte sig for, hvilke søgeord man skal gå efter. Dette kan især være overvældende, hvis man har en webshop med flere tusinde artikler.

Med Power BI bliver det langt nemmere.

Lad os komme i gang med eksemplet.

Eksempel 1: Organiske placeringer i Google vs. Søgevolumen

I nedenstående eksempel eksporterer vi alle vores søgeordsdata fra Google Search Console (tidligere Google Webmaster Tools) ind i Power BI.

Når vi trækker vores Google Search Console data ind i Power BI, så kan vi visualisere vores organiske placeringer i Google og deres søgevolumen i et boblediagram. Det giver et lynhurtigt overblik over, hvor vi skal lede efter trafikpotentiale.

Se nedenstående eksempel:

Power BI søgeordsanalyse værktøj
Power BI søgeordsanalyse værktøj

Hver boble repræsenterer et søgeord fra Google Search Console. X-aksen er vores organiske placering i Google for det enkelte søgeord, og Y-aksen angiver søgevolumen for hvert søgeord.

Ud fra ovenstående screenshot kan vi se, at der er visse søgeord, som har et langt større trafikpotentiale end andre.

Så her er spørgsmålet:

Skal vi vælge at fokusere på de søgeord med størst søgevolumen?

Svaret er nej.

Det næste eksempel viser, hvorfor at det er en umoden beslutning.

Eksempel 2: Organiske placeringer i Google vs. Søgevolumen vs. Google Ads transaktionsdata

Nu begynder Power BI at blive et interessant værktøj at arbejde med. Denne gang henter vi vores Google Ads search queries ind, for at forstå hvilke søgeord, som har genereret ordrer over de sidste 12 mdr.

Da vi i Power BI har oprettet forbindelse mellem vores Google Search Console data og vores Google Ads data, får vi pludselig nogle helt nye indsigter til vores søgeordsanalyse.

Boblerne har nu fået forskellige størrelser. Jo større boblen er, jo flere transaktioner har søgeordet genereret over de sidste 12 mdr. i Google Ads.

I den klassiske søgeordsanalyse ville vi have valgt at fokusere på de to øverste bobler i violet og lilla i det forrige eksempel. Men når vi tilføjer transaktionsdata, så kan vi se, at der er andre søgeord, som ser mindst lige så interessante ud.

F.eks. er der flere søgeord med placeringer 3-5 i Google, som umiddelbart ud til at være langt mere interessante at arbejde med.

Der er ingen tvivl om, at vi er langt tættere på at tage en klogere beslutning, men lad os først få endnu mere klarhed.

Eksempel 3: Organiske placeringer i Google vs. Søgevolumen vs. Omsætningspotentiale

Nu går vi skridtet videre og kigger på det enkelte søgeords omsætningspotentiale. Et søgeord der kan generere flere transaktioner er ikke nødvendigvis det søgeord, som kan skabe mere omsætning.

Hvis du allerede ligger nr. 1 i Google på et søgeord, er det nok ikke der, at det største potentiale findes.

I screenshottet nedenfor er størrelsen på cirklerne omsætningspotentialet.

Formlen er:

Omsætning per enhed på Google Ads for det pågældende søgeord * konverteringsraten fra Google Ads på det pågældende søgeord * Trafikpotentiale

At se på omsætningspotentiale gjorde, at vores konklusion fra før endnu engang ændrede sig.

I forhold til forrige screenshot så kan vi se, at visse bobler i top 3 er blevet mindre. D.v.s. at selvom de genererer mange transaktioner i dag, så vil en ekstra indsats kun skabe en marginalt bedre omsætning.

Til gengæld er der nu dukket andre spændende søgeord op, som rangerer lavere i Google.

Dette er selvfølgelig et forsimplet eksempel. Når vi arbejder med vores kunder, ser vi også på fortjeneste og trafikpotentiale ud fra kundens egne CTR data per kategori og produktgruppe. Med de data kommer vi langt tættere på sandheden om, hvilke søgeord som vil have den største indvirkning på deres forretning.

Nu har du forhåbentligt fået en god forståelse for, hvordan man kan arbejde med sine søgeord i Power BI.

I næste del viser vi, hvordan du kommer i gang.

10 trin til at starte dit første SEO projekt op i Power BI

Så hvordan kommer du i gang med at lave samme typer søgeordsanalyser som ovenstående?

Du skal igennem følgende 10 trin. Men bare rolig. Længere nede har vi lavet et par instruktionsvideoer som hjælp :

1.Hent Power BI – det er gratis.

2.Nu skal du hente dit Google Search Console data. Hvis du trækker det direkte fra GSC, så får du 999 søgeord. I mange tilfælde er det slet ikke nok.

Men her er et godt hack.

Hvis du har brug for flere linjer data så kan du bruge Chrome add-on Search Analytics for Sheets og hente alle søgeordene. Når du har installeret det add-on, så åbner du et nyt dokument i Google Sheets, vælger vores add-on i Add-ons i topmenuen og vælger Open sidebar.

I Date range skal du vælge de sidste 12 mdr, så du får en del søgeord med. Vælg Group by; Query (du kan tage andre data med som f.eks. Page og Device, selvom det ikke er nødvendigt til dette eksempel).

Da det er Average position som bliver vist, så anbefaler vi at trække et ekstra datasæt med den mest aktuelle dato, så du får de mest opdaterede placeringer i stedet. Et søgeord med en average position på 7,8 kan sagtens ligge i top 3 lige nu.

3. Derefter henter du dit Google Ads transaktionsdata i Google Analytics. Du skal gå til Acquisition – Google Ads – Search queries (ikke Keywords!). Vælg data for de sidste 12 mdr., så du får et godt datagrundlag. Vælg de maksimale 5.000 linjer, og sørg for at de er sorteret efter antal transaktioner. Data eksporteres til Excel.

søgetermer i GA
søgetermer i GA

4. Nu har du dit Google Search Console Data og dit Google Ads data. Så er du klar til Power BI. Det er umiddelbart nemt at sætte op, men der er også steder, hvor det kan drille. Vælg en ny fil, klik på Get Data og hent de to Excel-ark ind.

5. For at du kan skabe indsigter ved at krydse data fra de to datasæt, skal du sørge for, at forbinde dem via et fælles datapunkt. Det kræver, at vi i første omgang skal fjerne dubletter for søgeord i datasættet fra Google Search Console. Vi beholder derfor kun det søgeord, som er rangeret øverst. Derfor skal du klikke på gitterikonet til venstre:

Det gør, at du til højre kan vælge, hvilket datasæt, som du vil arbejde med. Vælg GSC datasættet, tryk på Edit Queries i topmenuen og vælg at rækkefølgen i Position-kolonnen skal være bedste placeringer øverst. Så skal du højreklikke på kolonnen Query og vælg Remove duplicates. Når du har trykket Close & Apply er der nu kun unikke søgeord, og så kan vi forbinde de to datasæt.

6. Gå til Manage relationships i topmenuen, vælg New og vælg de to datasæt, som skal forbindes. Markér kolonnen Search query i Google Ads-datasættet og Query i GSC datasættet. I Cardinality skal du vælge Many to One og i Cross Filter direction er det vigtigt, at du vælger Both. Afslut med OK.

Her er en video, som gennemgår de første 6 punkter:

 

7. Nu er vores to datasæt forbundet. Så skal der visualiseres og findes indsigter til vores søgeordsanalyse. Vælg Visual-ikonet til venstre. Nu har du et arbejdsbord, hvorfra man kan visualisere ens datasæt.

Nu er data klar. Så skal vi i gang med analysen. Til vores eksempel vælger vi at lave et boblediagram (scatter chart). Det vælger du i Visualizations.

8. Til højre har du de to Datasæt. Start med at markere Impressions, Positions og Query fra dit GSC datasæt, og træk dem over i felterne til venstre i screenshottet nedenfor.

Power BI SEO screenshot
Power BI SEO screenshot

Det er vigtigt at du vælger Sum of i X Axis og Y Axis for at vise data korrekt. Nu burde du have det samme data som i vores indledende eksempel Screenshot 1.

9. Nu skal du hente data dit Google Ads datasæt. Træk Transactions ned i feltet Size.

Power BI SEO transactions
Power BI SEO transactions

Nu vil du have det samme data som i Screenshot 2 i eksemplet. Herfra kan du så arbejde videre med at få yderligere indsigter. Som i screenshot 3 i mit eksempel kan du udvide datasættet til at vise omsætningspotentiale, dækningsgrader o.s.v.

10. Sidste punkt er at gøre data mere designvenligt. Gå til ’Malerrullen’ i screenshottet nedenfor. Her skal du sætte Category Label til On. For at ændre farve på boblerne skal du sætte Colour by category til On.

 

Denne video viser trin 7 til 10:

 

Opsummering

Vi håber, at det har givet dig blod på tanden med at gå dybere med dit SEO data og finde de gode søgeord. Hvis du følger indsigter fra en klassisk søgeordsanalyse, så bør du prøve denne metode af. Der er ingen tvivl om, at det vil ændre de oprindelige antagelser.

Investeringen i Power BI fremfor Excel har vist, at vi kan trække mange flere indsigter. Og det er indsigter som i sidste ende fører til bedre forretningsmæssige beslutninger og resultater for vores kunder. Står du et sted, hvor i skal til at lave en søgeordsanalyse og vil afprøve Power BI, så lad os tale sammen.