在2015年回来，我发表了物品赠送自由，简单，预测工具，并通过SEO预测的用例谈话。这是一种快速，有效的方法，看看您的网站交通的变化是某种季节性，您可以忽略一些季节性，庆祝的东西或交通损失的令人担忧的迹象。
简而言之：你可以进入一系列数据，它会像上面的图像一样在图上绘制。
五年后，我仍然让人 – 从前同事们完全陌生人 – 问我这个工具，更频繁地不是，我要求直接在电子表格中完成的版本。
我发现这很容易同情：电子表格更灵活，更容易调试，更容易扩展，更容易展开，更容易展开AIN，以及人们非常熟悉的格式。
在几年前从那种工具改进了那些事情时，薪酬在优化的情况下，我仍然必须在擅长的叶片/谷歌纸上的着名叶片编程环境中保持操作。这意味着该帖子中共享的模板使用比具有外部代码执行的某些工具更简单，略少的性能模型（例如预测Forge ）。
在这篇文章中，我M将赠送免费模板，向您展示它是如何运作的以及如何使用它，然后向您展示如何构建自己的（更好？）版本。 （如果您需要一般使用预测的进修以及置信区间的概念，请参阅上面链接的原始文章。）。
SEO的类型重新循环
在我们进入电子表格的东西之前，有一件事我想在电子表格中进行：不同类型的SEO预测。
广泛地，我认为您可以将SEO预测放入三组：
“我感到乐观 – 增加了20％至今年”或对现有数据的类似平面变化。更复杂的版本可能只会为某些页面或关键字添加20％。我认为很多代理商在音高上使用这种预测，并且它归结为借鉴经验.Keyword / Ctr模型，当您估计排名变化（或扫描排名变化）时，然后推断出现的交通变化从搜索卷和CTR数据（您可以看到类似的方法
）。同样，更复杂的版本可能对排名变化有一些基础（例如，“WH如果我们在他们目前脱颖而出的每个关键字中与竞争对手A的位置交换了竞争对手？“）。基于历史数据的统计预测，当您从先前的趋势和季节性外推，以查看如果一切持续持续（相同的级别）会发生什么您和竞争对手的营销活动等。）。
2类型有其优点，但如果您将Ahrefs / Semrush / Sistrix数据的类似于您自己的分析，您将会看到这是如何概括。除了旁边，我不认为类型是一个像它看起来一样荒谬，但它不是我在这篇文章中进一步探索的东西。在任何情况下，该帖子中的模板都适合三种类型。 是什么使这个SEO预测？
为什么，什么都没有。有一件事你会注意到我的描述上面的三型是它没有提到任何SEO特定的。例如，它可以同样适用于直接交通。也就是说，有几个原因我认为这一原因是作为一个SEO预测：
我们在Moz博客上，我是SEO顾问。有很多其他渠道可以获得更好的方法。
我提到上面的类型是非常具有挑战性的，这是因为SEO的高度非确定性和搜索控制台中的详细数据的普遍差的质量和其他特定的平台。此外，为了准确了解季节性，您需要一直仓储至少几年。
对于许多其他频道，高质量，详细的历史数据确实存在和拉拉TIONSHIPS更可预测，允许更多的粒度预测。例如，对于付费搜索，我提到的
预测Forge
工具在上面提到的offirce建立在像素级转换数据和基于历史数据的每次点击等因素中，以一种非常不切实际的方式首席执曲历。所以说，我们仍然可以将多种类型的预测组合在下面的模板中。例如，而不是预测整个网站的流量，您可以单独预测子文件夹，或单独投资/非品牌，然后您可以将百分比增长施加到某些领域或建立预期的排名变化。但是，我们正在超越自我的…
无模板
第一个tHing您需要做的是制作副本（在左上角的“文件”菜单下，但是使用我包括的链接自动）。这意味着您可以输入自己的数据并播放到您的心灵的内容，如果需要，您可以随时返回并稍后获得新的副本。 那么，在第一个选项卡上，您将注意到一些细胞具有绿色或蓝色亮点：
您应该只在彩色细胞中的值改变值。
列中的蓝单元基本上是为了确保一切都在输出中正确标记。因此，例如，如果您正在粘贴会话数据，或点击数据或收入数据，则可以设置该标签。同样，如果您进入2018-01和36个月的历史数据的开始月，则预测产量将于1月2021年开始。
在该备注上，它需要是每月数据 – 这是我之前提到的简单性的权衡之一。您可以将最多十年的历史月份数据粘贴到B栏中，从Cell B2开始，但您需要注意一些事情：
一旦完成了，您就可以前往“OUT放出“选项卡，在那里你会看到这样的东西：
列c可能是您感兴趣的那个。请记住，这是在这里充满公式，但是你可以复制和
粘贴作为值
进入另一种工作表，或者只是转到文件>下载>逗号分隔值以获取原始数据。
你会注意到我只是默认情况下，在该图表中显示15个月的预测，我建议您这样做。正如我上面提到的那样，预测的隐式假设是历史背景，除非您显式包括改变的场景，如Covid锁定进入您的模型（瞬间更多！）。这种假设持有两三年的假设到未来是低的，因此即使我进一步向未来提供了预测价值，您应该记住这一点。
显示的上限和下限是95％的置信区间 – 再次，您可以回顾我的
上一篇文章
如果您如此希望。
您现在可以注意到“高级”标签：
虽然我说我想保持这个简单，我觉得鉴于2020年发生的一切，许多人都需要将主要的外部因素纳入其模型。
在上面的示例中，我填充了列B中，对于英国是否在Covid锁定下进行了变量。我已经使用“0.5”代表我们在3月中途进入锁定。
你可能会更好地为您的业务提供相关因素，但有一些原因如果您不想从左到右添加这些额外的变量，那么将其留下完全不受影响，请将其留下完全不受影响的事情 – 如果您使用B列，但如果您使用的是使用“虚拟
”变量（例如“为”有效“），则不正常您在历史数据的时间段内填入其他单元格中的0.您可以输入未来的值 – 例如，如果您在3月2021日之前预测Covid锁定（您混淆！），您可以在该单元格中输入某些内容它纳入预测中。如果您不输入未来值，则该模型将基于未来的此数量为零。所以，如果您输入了“品牌PPC Active”作为虚拟Vari能够为历史数据进行历史数据，然后将其留空以供未来的时间，模型将假设您在将来已关闭的品牌PPC。在此处的历史时期太多的数据将导致叫做“
overfit
“ – 我不想详细介绍这一点，这就是为什么这个选项卡被称为”高级“，但尽量不要被带走。
这是此选项卡的一些示例用例，供您考虑：
输入品牌化的PPC是否有效（0或1）输入您是否正在运行电视广告或通知Covid锁定输入对您的业务有关的算法更新（每次更新一列）
这个模板与我的旧工具之间的方法有两个主要差异：
使用谷歌的旧工具
因果影响
库，新模板使用
普通的最小二乘
回归。旧工具通过使用被平方作为预测变量的时间段捕获非线性趋势（例如， 1 = 1，月2 = 4，月3 = 9等）并尝试将流量曲线拟合到该曲线。这被称为
二次回归。新工具通过每个时间段作为前一段时间的倍数（例如，月1 = x *月2，其中x可以是任何值的时间）来捕获非线性趋势。这被称为 AR（1）模型。如果您在两者之间看到预测值的显着差异，那么几乎肯定会归结为第二个原因，虽然它增加了一个在绝大多数案例中的复杂性很小，新技术IQUE更现实灵活。
在严重向下趋势的情况下预测零或负流量也远远不太可能，这很好。
它如何工作？
模板中有一个隐藏的选项卡，您可以在其中偷看，但短版本是“ linest（）”电子表格公式。 我使用的输入是：从输入标签（如流量）在输入标签（如流量）中所做的versive的变量，时间前期时期的Tryeprious时期的TrouperDummy变量为11个月（第12个月是由其他11变量全部为0）最多三个“高级”变量该公式将一系列“系数”作为输出给出，可以乘以值并添加在一起以形成预测：“时间段10”流量=截距+（时间系数* 10）+（上一段时间系数*时段9流量）您可以在那些隐藏的工作表中看到我标记和颜色编码了很多输出来自Linest公式，如果你自己想和它一起玩，可以帮助您开始。
潜在的扩展
如果你自己想自己玩，那么这里有一些我个人必须考虑到进一步扩张的地区，您可能会发现有趣的进一步扩展：
每日数据而不是每月，每周季节性（例如每周日划分）内置生长目标（例如，在2021年底进入20％的增长）
理查德·弗尔通过相当有限的额外复杂性：
通过采用输入的日志（）来避免在极端情况下避免在极端情况下的负面预测，并提供输出的指数（平滑数据可能或可能不是一件好事，或者取决于您的角度来看！ ）。过去12个月，而不是使用前一个月+季节性（这需要3年的最小历史数据）
我可能会或可能不会随着时间的推移包括上述一些或全部，但如果是的话我会确保我使用相同的链接并在电子表格中记下它，因此本文始终链接到最新版本。如果您已经使其变成了这一点，你想看见什么？让我知道在评论中！
