КАК КОМПЬЮТЕРНОЕ ОБУЧЕНИЕ КОНКУРИРУЕТ С SERP

Автор статьи, Кристофер Джонс объясняет, как SEO-оптимизаторы должны менять свои методы, чтобы не отставать от трендов оценке веб-страниц. Оригинал статьи взят с сайта searchengineland.com: How machine learning levels the SERP playing field

 

Обычно мы не вспоминаем о Google, когда говорим о конкуренции в мире цифрового маркетинга, поскольку он, однозначно доминирует в большинстве областей, в которых работает. Последний телесюжет «Last Week Tonight» (Новости последней недели) с Джоном Оливером, посвященный корпоративным монополиям, в шутку называл Bing доминирующей поисковой системой; на картинке было написано: «Bing – лучшее место чтобы погуглить что-то».

Однако, в целом, сфера цифрового маркетинга является довольно конкурентной средой, хотя и есть исключения из этого правила. Устоявшиеся бренды часто занимали лучшие позиции на странице с результатами поиска прежде всего из-за длительного доверия. Новым доменам приходилось ждать своей очереди, в то время, как черное SEO позволяло веб-разработчикам обходить систему и обеспечивать высокий рейтинг для «тонкого» контента. Десять лет назад SEO-компании и веб-разработчики могли применять простые эвристические правила и яркие ключевые слова, чтобы контент занимал почетное место в рейтинге, независимо от его полезности для намерений пользователя или фактического качества.

Обновление Hummingbird и последующее внедрение RankBrain полностью изменили все эти понятия.

Они также должны были поменять подходы SEO-оптимизации, чтобы добиться успеха. Несмотря на то, что многие эксперты в области SEO понимают важность RankBrain или, по крайней мере, то насколько полезным он мог бы быть, они по-прежнему используют обычные стратегии, которыми мы зарабатывали на жизнь еще десять лет назад.

В этой статье будет описано, почему Вы должны пересмотреть свой взгляд на поисковую оптимизацию. Также я предложу несколько советов по применению машинного обучения и стратегии SEO, которые Вы можете использовать, чтобы конкурировать в этой беспощадной среде SEO-головорезов.

КАК МАШИННОЕ ОБУЧЕНИЕ РАДИКАЛЬНО ИЗМЕНИЛО ПОИСК

Машинное обучение – это разновидность искусственного интеллекта, позволяющее компьютерам совершенствоваться без вмешательства человека, изучать рабочий цикл, группируя похожие свойства и определяя их ценность на основе общих показателей.

Рис. 1 – механизм машинного обучения

 

Google RankBrain, который, по словам компании, является третьим самым важным фактором ранжирования, применяется для определения контекста новых поисковых запросов, которые он ранее не получал. RankBrain выделяет контекст неизученных поисков, выбирая семантически похожие ключевые слова/фразы и сравнивая их с аналогичными предыдущими поисковыми запросами, чтобы предоставить наиболее подходящие результаты.

Google использует технологию машинного обучения, чтобы находить шаблоны и разбираться с соответствующими данными, анализируя 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 вознаграждать пользователей за лучший опыт.

Сейчас 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 лучшие результаты для удовлетворения целей пользователей. Важно отметить, что машинное обучение не происходит мгновенно, но оно дает медленные изменения в ранжировании, на основании растущих данных его результатов.

Есть два общих применения исследования и ранжирования ключевых слов:

  1. Положение ключевого слова в рейтинге больше не зависит от его кардинальных изменений.
  2. Алгоритм Google более динамичен; для каждого уникального поиска используются разные алгоритмы.

В конкурентных областях качество контента и повышенная активность пользователей начнут постепенно превалировать над обычными сигналами, конкурируя с SERP. При малообъемном поиске обычные сигналы ранжирования по-прежнему будут применяться как стандарт де-факто, пока не станет доступно достаточное количество данных для определения целей пользователя.

Также был добавлен словарный (семантический) поиск для экспертов в области SEO. Семантический поиск позволяет ранжировать контент для нескольких ключевых слов, при этом увеличивая трафик, выполняя различные поисковые запросы. Самый яркий пример влияния семантического поиска связан с полем поиска в нижней части поисковых запросов Google, а также с короткой текстовой информацией о сайте в разделе “People Also Ask” (Люди также спрашивают) ниже поля колдунщика.

Рис. 2 – граф поиска

 

По мере того, как Google становится способным понимать человеческие намерения и обретает лингвистический интеллект, техническое SEO и использование ключевых слов будут уходить на второй план к пользовательским сигналам. Учитывая, что различные алгоритмы применяются к уникальным поисковым запросам, значение ссылок будет уменьшаться к роли арбитров качества контента, а более мелкие домены будут иметь возможность посоревноваться с промышленными титанами своими силами.

Если поисковый запрос определяет, какой алгоритм будет задействован для создания списков SERP, то как мы оптимизируем или даже отследим его? Ответ заключается в использовании, как обычных стратегий, так и нашей собственной технологии машинного обучения.

ДАЙТЕ ЛЮДЯМ ТО, ЧЕГО ОНИ ХОТЯТ

Вот несколько методов, которые следует использовать SEO-оптимизаторам для поддержания текущей развивающейся среды:

1. УЛУЧШЕНИЕ ВЗАИМОДЕЙСТВИЯ С ПОЛЬЗОВАТЕЛЕМ

Отчет Searchmetrics 2016 о факторах ранжирования показал, насколько важны сигналы пользователя для органического ранжирования. Компания обнаружила, что пользовательские сигналы с точки зрения важности уступают только по актуальности контента.

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 самым ценным пользовательским сигналом для Google остается CTR.

Чтобы убедиться, что Ваши веб-страницы создают хорошие пользовательские сигналы, Вы должны создать прочный фундамент UX. Это означает необходимость обеспечения тематической непрерывности на Ваших веб-страницах, создание высококачественных соответствующих целевых страниц, использование привлекательных изображений, предоставление интерактивного контента и быстрой скорости работы страницы, а также создание организованной внутренней структуры ссылок.

Метатегы и краткое описание сайта могут также влиять на показатель частоты нажатий на ссылку, поэтому оптимизируйте работу обоих. Очевидно, что Google, снизит рейтинг, если Ваш сайт пострадает от низкого CTR в результате высокого ранга.

Другие соображения, которые следует учитывать:

  • использование переадресации 301 для отсутствующих страниц и традиционные теги для дублированного контента.
  • оптимизация структурированных данных и альтернативных тегов в помощь поисковым системам для индексирования контента.
  • восстановление неработающих ссылок, которые могут повлиять на структуру обхода.

Несмотря на то, что AI и RankBrain Google невероятно продвинуты, Google по-прежнему нуждается в Вашей помощи при сканировании веб-страниц и их индексации. Будет полезным и то, что эти факторы также улучшают навигацию и взаимодействие с пользователями.

2. ИСПОЛЬЗОВАНИЕ ТЕМАТИЧЕСКОЙ НЕПРЕРЫВНОСТИ

Несмотря на все эти достижения в поиске, я все еще сталкиваюсь с клиентами, которые управляют сайтами с «тонким» контентом и без ключевых слов. Моя команда создает корпоративные  кампании клиентов с исследованиями ключевых слов, конкурентов и некоторых технических аспектов.

Однако в последнее время мы начали фокусироваться на создании более интегрированных иерархических структур, которые используют семантически связанные ключевые слова и пакет данных для того, чтобы продвигать удивительный UX. В отличие от простого создания контента с ограниченной нацеленностью на ключевое слово, мы сосредоточились на ранжировании самых важных страниц наших клиентов.

HubSpot ссылается на эту новую уникальную практику «тематических кластеров». Тематические кластеры сосредоточены на страницах столбцов, которые представляют Ваши важнейшие темы. Это будут широкие, всеохватывающие страницы, которые занимают почетное место в информационной иерархии и пытаются ответить на наиболее важные вопросы, связанные с Вашей основной темой.

Затем на страницах с более низким рейтингом более подробно обсуждаются субтемы (тематические вкладки), которые содержат внутренние ссылки на страницу столбца. Эта стратегия помогает объединять Ваши самые важные страницы с помощью сложной структуры взаимосвязей, способствует плавной навигации и помогает занять Вашей странице столбца определенное место в рейтинге вместе с парой ключевых фраз.

Эти постоянные элементы также дополняются последовательной стратегией ведения блога, в которой обсуждаются трендовые темы, связанные с темой веб-сайта. Каждая созданная часть контента, является действенной и фокусируется на преобразовании движений или желаемых действиях.

При моделировании каждого фрагмента контента важно задать себе этот вопрос: «на какие проблемы нацелена эта часть контента, и как она поможет их решить?» По мере возникновения дополнительных вопросов создавайте контент, который будет рассматривать эти вопросы. Тогда Вы создадите веб-сайт, который удовлетворит намерения пользователя практически с любой точки зрения. Это поможет Вам оценивать множество ключевых слов.

Вы также можете использовать технологию машинного обучения, чтобы улучшить рабочий процесс рекламной кампании. Такие приложение как Hemingway и Grammarly, являются отличными инструментами, которые могут делать предложения с улучшенной структурой авторским голосом и использованием слов.

3. ИСПОЛЬЗОВАНИЕ ЕСТЕСТВЕННОГО ЯЗЫКА

Пожалуй лучшим способом оптимизации системы поиска с искусственным интеллектом является оптимизация голосового поиска, в отличие от текстового поиска. Это заключается в оптимизации сайта для мобильных устройств и контента для достижения колдунщиков, учитывая, что ответы на вопросы, заданные на персональному помощнику, вытаскиваются из поля колдунщиков в Google SERP.

В дополнение к изложенным выше стратегиям следует отметить, что создание убедительной копии страницы позволяет ответить на максимальное количество вопросов и предоставить эффективные решения.

Исследования также показали, что люди, использующие голосовой поиск, вместо текстового, с большей вероятностью, используют поисковые фразы длиной от четырех до девяти слов. Это означает, что Вам нужно оптимизировать длиннохвостовые ключевые фразы и страницы более характерные для естественного языка. Например, текстовый поиск рейсов на Гавайи может быть таким «дешевые рейсы на Гавайи», в то время как голосовой поиск может иметь вид: «Какие есть самые дешевые рейсы на Гавайи?»

С распространением машинного обучения оптимизированный контент, который написан естественным языком, может удовлетворить намерение пользователя как в широком соответствии с текстовым запросом, так и для длинно-хвостового голосового поиска.

Представьте, как в чатбот-помощники вводят понимание естественного языка (NLU), чтобы легче разобраться с лингвистическим синтаксисом и значением слов. Благодаря продвижению NLU в приложения, поисковые системы в конечном итоге смогут полностью оценивать смысл и качество контента так же, то как это делает человек.

4. НАСТРОЙКА ЦИКЛА ВЗАИМОДЕЙСТВИЯ С КЛИЕНТОМ

В этом году появилось больше данных, чем за последние 5000 лет, компаниям необходимо будет использовать технологию машинного обучения для высокой скорости интерпретации огромных объемов пользовательских данных.

Одним из уже используемых способов является обмен текстовыми  данными из чатов. Когда мы переходим из мира графического интерфейса в диалоговый интерфейс, чатботы используются для сопоставления входных данных и данных взаимодействий с клиентом, чтобы помочь компаниям улучшить их опыт взаимодействия с клиентом.

Эта технология все еще находится в стадии становления, но мы также можем применять технологию машинного обучения и интеллектуальную обработку данных для персонализации цикла взаимодействий с клиентом. Составления схемы цикла взаимодействий может использоваться для определения намерений покупателя и персонализации маркетинговых точек соприкосновения для максимизации конверсий и продаж.

Используя карту цикла взаимодействий с клиентом, компании могут персонализировать точки соприкосновения, чтобы предоставить контент или рекламу в то время, когда намерение является самым высоким. Ответы в режиме реального времени могут быть установлены для немедленного реагирования на вызовы клиентов и призывы к действию кампаний с высоким рейтингом и определенных рекламных кампаний на основе данных реального времени.

Для прогнозирования предполагаемых характеристик кампании на основе данных в реальном времени также может применяться предиктивная аналитика. Это значительно сэкономит время на A/B тестирование и повысит эффективность кампании.

К счастью, технологии машинного обучения могут использоваться кем угодно. Учитывая очевидную скорость и масштабов введения машинного обучения, опираясь на обычные SEO-стратегии, которые легко ранжируются, в конечном итоге помогут Вам получить значительное преимущество перед конкурентами.

БУДУЩЕЕ УЖЕ НА ПОРОГЕ

Не волнуйтесь, в ближайшее время автоматизация не приведет к тотальному вытеснению людей. Технологии машинного обучения могут помочь в продвижении маркетинговых кампаний, но творчество и исполнение в конечном итоге зависят от искусности человеческого интеллекта. Но мы, вероятно, скоро придем к тому, что клиенты будут активно искать фирмы, занимающиеся цифровым маркетингом, которые имеют опыт в области построения карты цикла взаимодействий с клиентом и приложений с поддержкой AI.

На мой взгляд, эти технологии могут значительно улучшить конкуренцию для SERP, а также позволят цифровым маркетологам выпускать более качественный продукт.

.