Как компьютерное обучение выравнивает игровое поле SERP

Участник Кристофер Джонс объясняет, как оптимизаторы должны менять свою практику, чтобы не отставать от тенденций в том, как Google оценивает веб-страницы.Обычно мы не думаем о Google, когда мы думаем о конкуренции в мире цифрового маркетинга, поскольку он, похоже, надежно доминирует в большинстве областей, в которых он ведет бизнес. Недавний сегмент, посвященный корпоративным монополиям на «Последней неделе сегодняшнего дня Джона Оливера», смешно ссылался на Bing как на доминирующую поисковую систему с графикой, в которой говорилось: «Bing. Лучшее место для Google. Тем не менее, по большей части, область цифрового маркетинга была довольно конкурентным ландшафтом, хотя были исключения из этой максимы. Устоявшиеся бренды часто доминировали на лучших позициях SERP из-за давнего доверия, новым доменам приходилось ждать своей очереди в очереди, а SEO-черная шляпа позволяла веб-мастерам играть в систему и обеспечивать высокий рейтинг для тонкого контента. Десять лет назад агентства SEO и веб-мастера могли применять простые эвристики и яркие ключевые слова для ранжирования контента независимо от его полезности для намерения пользователя или фактического качества. Обновление Hummingbird и последующее развертывание RankBrain полностью изменили все эти понятия. Они также должны менять идеи оптимизаторов о том, как добиться успеха. Хотя многие эксперты в области SEO понимают важность RankBrain или, по крайней мере, насколько это важно, они по-прежнему используют обычные стратегии, которые мы зарабатывали на жизнь десять лет назад. В этой колонке я объясню, почему вы должны переделать то, как вы смотрите на поисковую оптимизацию. И я также предложу несколько советов по приложениям машинного обучения и стратегиям SEO, которые вы можете использовать, чтобы конкурировать в ландшафте SEO-головорезов.

Как машинное обучение произвело революцию в поиске

Машиноведение - это подмножество искусственного интеллекта, позволяющее компьютерам учиться независимо от вмешательства человека, учиться в итерациях, группируя подобные свойства и определяя ценности на основе их общих свойств. Google RankBrain, который, по словам компании, является третьим самым важным рейтинговым фактором, применяется для определения контекста новых поисковых запросов, которые он ранее не получал. RankBrain выделяет контекст неизученных поисков, вытягивая семантически похожие ключевые слова / фразы и сравнивая их с аналогичными прошлыми поисковыми запросами, чтобы предоставить наиболее релевантные результаты. Google использует технологию машинного обучения, чтобы находить шаблоны и анализировать соответствующие данные, когда анализирует взаимодействие пользователей с веб-страницами в своих отчетах о результатах поиска. С помощью этих данных алгоритм Google оценивает намерение пользователя. С точки зрения Google, это помогает эффективно фильтровать результаты и вознаграждает пользователей за лучший опыт. В настоящее время обычные сигналы все еще применяются для ранжирования лучших результатов. С каждым последующим соответствующим поиском машинное обучение может анализировать, какие веб-страницы получают лучшие пользовательские сигналы и обеспечивают наилучшие результаты для удовлетворения намерений пользователей. Важно отметить, что машинное обучение не мгновенное, но приведет к медленным ранжирующим изменениям, основанным на растущих данных из его результатов. Это имеет два общих значения для исследования и ранжирования ключевых слов:

Ранг ключевых слов больше не зависит от значительных изменений.

Алгоритм Google более динамичен; для каждого уникального поиска используются разные алгоритмы.

В более конкурентных нишах качество контента и повышенное взаимодействие с пользователем будут постепенно превалировать над обычными сигналами, выравнивая игровое поле SERP. При поиске по низкому объему обычные сигналы ранжирования по-прежнему будут применяться как стандарт де-факто, пока не будет доступно достаточное количество данных для определения намерений пользователя. Это также привнесло семантический поиск для экспертов в области SEO. Семантический поиск позволяет ранжировать контент для нескольких ключевых слов и получать увеличенный трафик, выполняя различные поисковые запросы. Самый яркий пример влияния семантического поиска - это связанное с ним поле поиска в нижней части поисковых запросов Google, а также то, что «Люди также задают» ниже поля с включенным фрагментом. По мере того, как Google становится способным понимать человеческие намерения и лингвистический интеллект, технический SEO и использование ключевых слов будут зацикливаться на пользовательских сигналах. Учитывая, что различные алгоритмы применяются к уникальным поисковым запросам, ссылки будут уменьшаться в их роли как арбитров качества контента, а более мелкие домены будут иметь более эффективный шанс сразиться с промышленными титанами органически. Если намерение искателя определяет, какой алгоритм будет вытащен для списков SERP, как мы оптимизируем и даже отслеживаем это? Ответ включает использование как обычных стратегий, так и нашей собственной технологии машинного обучения.

Дайте людям то, что они хотят

Вот несколько методов, которые следует использовать оптимизаторам для поддержания текущей эволюционной среды:

1. Улучшение пользовательского интерфейса Отчет Searchmetrics 2016 о факторах ранжирования показал, насколько важны сигналы пользователя для органического ранжирования. Компания обнаружила, что пользовательские сигналы уступают только релевантности содержания с точки зрения важности. Один из лучших способов, с помощью которого поисковая система может определить намерение пользователя, - это анализ пользовательских сигналов, которые он собирает через браузер Chrome, прямые URL-адреса, результаты поиска и т. Д. Но самый ценный пользовательский сигнал Google остается CTR. Чтобы ваши веб-страницы доставляли хорошие пользовательские сигналы, вы должны создать прочный фундамент UX. Это означает предоставление тематической непрерывности на ваших веб-страницах, создание высококачественных и релевантных целевых страниц, использование привлекательных изображений, предоставление интерактивного контента, быструю скорость страницы и создание организованной внутренней структуры ссылок. Метатаг и расширенные фрагменты могут также влиять на скорость вашего клика, поэтому оптимизируйте для обоих. Google, очевидно, снизит ваш рейтинг, если ваш сайт пострадает от низкого CTR в результате высокого ранга. Другие соображения, которые следует учитывать, включают:

использование 301 перенаправления для отсутствующих страниц и rel = канонические теги для дублированного содержимого.

оптимизация структурированных данных и альтернативных тегов, чтобы помочь поисковым системам индексировать контент.

разрешение любых неработающих ссылок, которые могут повлиять на структуру обхода.

Несмотря на то, что AI и RankBrain от Google невероятно продвинуты, Google по-прежнему нуждается в вашей помощи для сканирования веб-страниц и индексации их. Не больно, что эти факторы также улучшают навигацию и работу вашего веб-сайта.

2. Обнимать тематическую непрерывность Несмотря на все эти достижения в поиске, я все еще часто сталкиваюсь с клиентами, которые работают с их сайтами с тонким контентом и без ключевого слова. Моя команда начинает кампании клиентов с исследованиями по ключевым словам, конкурентам и некоторым техническим аспектам. Однако в последнее время мы начали фокусироваться на создании более бесшовных иерархических структур, которые используют семантически связанные ключевые слова и кластеры тем, чтобы продвигать удивительный UX. В отличие от простого создания контента с ограниченным ключевым словом, мы сосредоточились на ранжировании самых важных страниц наших клиентов. HubSpot ссылается на эту захватывающую новую практику как «тематические кластеры». Тематические кластеры сосредоточены на страницах столбцов, которые представляют ваши самые важные темы. Это будут широкие, всеобъемлющие страницы, которые занимают высокое место в вашей информационной иерархии и пытаются обсудить и ответить на наиболее важные вопросы, связанные с вашей основной темой. Затем субтопики более подробно обсуждаются на страницах с более низкой иерархией, которые содержат внутренние ссылки на странице столба. Эта стратегия помогает связывать ваши самые важные страницы с помощью сложной структуры взаимосвязей, способствует плавной навигации и помогает позиционировать вашу страницу столба для определения нескольких ключевых фраз. Эти вечнозеленые элементы также дополняются последовательной стратегией ведения блога, в которой обсуждаются трендовые темы, связанные с темой веб-сайта. Каждый кусок контента, созданный, является действенным и фокусируется на преобразовании движения или желаемых действиях. При моделировании каждого фрагмента контента важно задать себе этот вопрос: каковы проблемы, с которыми этот кусок контента обращается, и как он будет их решать? По мере появления дополнительных вопросов напишите контент, решая эти проблемы. Теперь вы создали веб-сайт, который удовлетворяет намерениям пользователя практически с любой точки зрения. Это помогает вам оценивать множество ключевых слов. Вы также можете использовать технологию машинного обучения, чтобы улучшить рабочий процесс рекламной кампании. Приложения, такие как приложение Hemingway и Grammarly, являются отличными инструментами, которые могут предлагать предложения, в которых могут быть улучшены структура предложения, авторский голос и использование слов.

3. Использовать естественный язык Возможно, лучшим способом оптимизации для искусственно интеллектуального поискового мира является оптимизация для голосового поиска, в отличие от текстового поиска. Это включает в себя оптимизацию вашего сайта для мобильных устройств и вашего контента для достижения расширенных фрагментов, учитывая, что ответы на вопросы, заданные на устройство персонального помощника, вытаскиваются из поля признанного фрагмента в службе поиска Google. В дополнение к следующим стратегиям, изложенным до сих пор, это включает в себя создание убедительной копии страницы, которая позволяет ответить на как можно большее число вопросов и предоставить эффективные решения. Исследования также показали, что люди, ищущие по голосу, а не текст, с большей вероятностью используют поисковые фразы длиной от четырех до девяти слов. Это означает, что вам нужно оптимизировать ключевые фразы с длинным хвостом, которые обычно длиннее по длине, и копия страницы, более характерная для естественного языка. Например, текстовый поиск рейсов на Гавайи может быть «дешевыми рейсами на Гавайях», в то время как голосовой поиск может сказать: «Каковы самые дешевые рейсы на Гавайи?» С ростом машинного обучения оптимизированный контент, который обращается к естественному языку, может удовлетворить намерение пользователя как для поиска в широком соответствии по текстам, так и для поиска по длинному хвосту. Подумайте, как помощники chatbot включают понимание естественного языка (NLU), чтобы более легко понять лингвистический синтаксис и значения. С продвижением в приложениях NLU поисковые системы в конечном итоге смогут полностью оценить смысл и качество контента так же, как это делает человек.

4. Персонализируйте путешествие покупателя Благодаря созданию более крупных данных в этом году, чем в последние 5000 лет, компаниям необходимо будет использовать технологию машинного обучения для беспрецедентной скорости интерпретации огромных объемов пользовательских данных. Один из способов, которым это уже выполняется, - это обмен текстовыми данными из чатов. Когда мы переходим из мира графического интерфейса в диалоговый интерфейс, чатботы используются для сопоставления входных данных и данных от поездок клиентов, чтобы помочь компаниям улучшить их пользовательский интерфейс. Эта технология все еще находится в зачаточном состоянии, но мы также можем применять технологию машинного обучения и интеллектуальную обработку данных для персонализации точек касания вдоль пути покупателя. Картирование путешествия клиента может быть использовано для создания персоналий покупателя и персонализации точек касания маркетинга для максимизации конверсий и продаж. Используя картографирование путешествий клиентов, предприятия могут персонализировать точки касания, чтобы доставлять контент или рекламу, когда намерение является самым высоким. Ответы в режиме реального времени могут быть установлены для немедленного реагирования на вызовы обслуживания клиентов, доставки вызовов к действиям для кампаний с высоким рейтингом и рекламных кампаний сегментов на основе данных в реальном времени. Предиктивная аналитика также может применяться для прогнозирования прогнозируемых показателей кампании на основе данных в реальном времени. Это значительно сэкономит время на тестировании A / B и повысит эффективность кампании. К счастью, технология машинного обучения может быть использована кем угодно. Учитывая очевидную скорость и масштабы приложений машинного обучения, опираясь на обычные стратегии SEO, которые могут органично ранжироваться, может в конечном итоге поставить вас на невероятное конкурентное преимущество.

Будущее уже проходит

Не волнуйтесь, автоматизация не будет полностью вытеснять людей в ближайшее время. Технологии машинного обучения могут помочь в продвижении маркетинговых кампаний, но творчество и исполнение в конечном итоге зависят от опыта человеческого интеллекта. Но мы, вероятно, скоро достигнем точки, что клиенты будут активно искать фирмы, занимающиеся цифровым маркетингом, которые имеют опыт в области картографирования путешествий клиентов и приложений с поддержкой AI. На мой взгляд, эти технологии могут значительно улучшить конкуренцию для SERP, а также позволят цифровым маркетологам поставлять более сильный продукт. Мнения, выраженные в этой статье, принадлежат авторам гостевых изданий, а не обязательно поисковым системам. Здесь перечислены авторы работ.