Как прогнозировать частотность запросов

Как вы можете знать, я учусь в аспирантуре. И так уж сложилось, что тема моей диссертации максимально прикладная.

Рассказываю, какую прикольную штуку нашел. Вот смотрите, собираем мы семантику. По каждому запросу можно собрать временные ряды по 24 точки. Это частотность из "Вордстата" за 2 года (24 месяца).

По каждому из запросов также можно посчитать коэффициент наклона линии тренда (функция НАКЛОН в Excel). Это достаточно простая и примитивная штука. Но и мы тут не за точность прогноза боремся, а за относительное сравнение. Поэтому такая штука нас утраивает.

Логично посчитать коэффициент за все 24 месяца – больше данных, яснее общая картина. Ранжируем по этому показателю, и – вжух!, – вот вам картина по всей семантике, что растет, а что нет.

Но еще интереснее посмотреть дополнительно этот же коэффициент за 6 месяцев. И глянуть, как глобальный и локальный коэффициенты между собой взаимодействуют.

Теперь – к примеру. Для иллюстрации возьмем запросы "психиатр Самара" и "вакцинация". Они из нашего реального семантического ядра для медицинской клиники.

Как мы видим, если судить по глобальному тренду, оба запроса – растущие (коэффициенты положительные). Хоть "психиатр Самара" и должен расти быстрее. Но если посмотреть локальный тренд, то выясняется, что у "вакцинации" тренд вообще отрицательный, а "психиатр Самара" еще более резко положительный.

Посмотрели данные через 3 месяца. "Вакцинация" показала худший показатель в году, а "психиатр Самара" поставил рекорд за всё время наблюдения.

Пока история не вышла за рамки научной статьи. То есть я не тестировал такое применение статметодов на большом ядре и большом промежутке времени, а пример подобрал максимально иллюстративный. Тем не менее, наблюдение кажется интересным. Надеюсь, когда-нибудь к нему вернусь.