Факторы ранжирования исследования SEMrush 2017 - Демистифицирующие методологии

  1. Контролируемое автоматическое обучение
  2. Характеристика (атрибут или входная переменная)
  3. Использование алгоритма Random Forest при исследовании факторов классификации
  4. Парный подход: предварительная обработка входящих данных
  5. Результаты использованной процедуры:
  6. Построение дерева решений: контролируемое обучение
  7. Выращивание леса
  8. Важность оценки атрибута алгоритма Random Forest
  9. Почему мы считаем, что корреляционный анализ плохо подходит для изучения факторов ранжирования?
  10. Часто задаваемые вопросы
  11. Почему мы не используем искусственные нейронные сети?
  12. Почему посещения являются наиболее важным фактором позиционирования для Google?
  13. Разница между влиянием фирменных ключевых слов против небрендированных ключевых слов на факторы позиционирования...
  14. Вывод: как использовать исследование факторов ранжирования?

Во втором издании SEMrush исследование рейтинговых факторов 2017 Мы включили 5 новых факторов, связанных с обратными ссылками, чтобы иметь возможность сравнить силу их влияния в заданном URL-адресе на домен.

Поскольку это традиция, прежде чем раскрывать содержание исследования, мы хотим предложить вам более глубокий взгляд на методологию, которую мы используем.

В июне месяце, когда мы опубликовали первое издание этого исследования, многие люди подняли брови от результатов.

Предполагается, что посещение Интернета является результатом хорошей позиции в результатах поиска, а не наоборот.

И именно этот вывод был подтвержден как наиболее важный фактор позиционирования, который Google использует из всех проанализированных нами, как в первом, так и во втором исследовании.

Кроме того, методология, которую мы использовали в обоих исследованиях, является пионером в этом секторе: мы заменили корреляционный анализ алгоритмом автоматического обучения Random Forest.

Поскольку конечная цель нашего исследования состоит в том, чтобы помочь SEO-специалистам расставить приоритеты для выполнения задач и сделать их работу более эффективной, мы хотели бы раскрыть детали используемой методологии, разоблачая очень популярные заблуждения и что вы можете доверять выводы наших исследований.

Поскольку конечная цель нашего исследования состоит в том, чтобы помочь SEO-специалистам расставить приоритеты для выполнения задач и сделать их работу более эффективной, мы хотели бы раскрыть детали используемой методологии, разоблачая очень популярные заблуждения и что вы можете доверять выводы наших исследований

Если серьезно, этот пост нацелен на настоящих фанатов, так что это небольшое резюме того, что вы увидите:

Для классификации задач мы обычно используем древовидную структуру, которая представляет алгоритм автоматического обучения.

Эта структура позволяет разделить набор данных на однородные группы или подмножества на основе наиболее заметного атрибута.

  • Контролируемое автоматическое обучение

Кроме того, мы покажем вам, как создать алгоритм автоматического обучения, который находит шаблоны взаимосвязей между входящей переменной (переменная A) и выходной переменной (целевое значение, B): B = f (A).

Целью этого алгоритма является тестирование этой модели на выборке данных, чтобы при применении к реальной выборке можно было точно прогнозировать значение в зависимости от предлагаемых характеристик.

Контроль этого процесса заканчивается, когда алгоритм выполняет свою функцию приемлемым образом автономно.

  • Характеристика (атрибут или входная переменная)

Для всех данных, используемых в этом анализе, извлекается отдельная характеристика.

Для проведения исследования мы выбрали факторы позиционирования в качестве характеристики.

Это тип классификационных задач, которые подпадают под контролируемое обучение.

Задача этой задачи - предсказать целевое значение (= класс) для каждой записи данных, и, поскольку это двоичная классификация, она может быть только 1 или 0.

Использование алгоритма Random Forest при исследовании факторов классификации

Алгоритм случайного леса был развитая Лео Брейман и Адель Катлер в 90-х.

С тех пор он не претерпел серьезных изменений, что доказывает его высокое качество и универсальность: он используется для классификации, выполнения регрессий, анализа кластеров, выделения выборок и других задач.

Хотя алгоритм Random Forest не очень известен широкой публике, мы выбрали его по ряду веских причин:

  • Это один из наиболее используемых алгоритмов в машинном обучении, потому что он выделяется своими отличная точность , Его первое и основное применение - классифицировать важность переменных (что делает его идеальным для этой задачи, как мы увидим позже в этой статье) для того, что казалось очевидным выбором.

Поскольку у нас не одно дерево решений, а целый лес с сотнями деревьев, мы можем быть уверены, что каждая характеристика и каждая пара доменов будут проанализированы примерно одинаковое количество раз.

Следовательно, метод Random Forest устойчив и работает с минимальными ошибками.

Парный подход: предварительная обработка входящих данных

Мы решили основать наше исследование на наборе 600 000 ключевых слов из мировой базы данных (США, Испания, Франция, Италия, Германия и другие страны), позиции URL-адресов первых 20 результатов поиска и списка предположений. классификационные факторы.

Поскольку мы не будем использовать корреляционный анализ, нам пришлось выполнить первую двоичную классификацию перед применением алгоритма машинного обучения.

Эта задача была реализована с использованием подхода Pairwise: одного из самых популярных методов классификации в машинном обучении, используемых, в частности, Microsoft в своих исследовательских проектах.

Парный подход подразумевает, что вместо изучения полного набора данных каждый результат поиска изучается индивидуально.

Мы сравниваем все возможные пары URL-адресов (первый результат на странице с пятым, седьмой результат со вторым и т. Д.) По каждой определенной характеристике.

Каждой паре назначается набор абсолютных значений, где каждое значение представляет собой частное, полученное в результате деления значения признака для первого URL-адреса на значение признака второго.

Кроме того, каждой паре назначается целевое значение, которое указывает, находится ли первый URL выше второго в результатах (целевое значение = 1) или ниже (целевое значение = 0).

Результаты использованной процедуры:

  1. Каждая пара URL-адресов получает набор частных для каждой характеристики и целевое значение 1 или 0. Эта переменная будет использоваться в качестве набора данных для деревьев решений.

  2. Как следствие, мы можем сделать статистические наблюдения, что определенные значения признаков и их комбинации имеют тенденцию приводить к более высокой позиции поиска для URL. Это позволяет нам строить гипотезу о важности определенных признаков и прогнозировать, приведет ли определенный набор значений признаков к более высоким позициям.

Построение дерева решений: контролируемое обучение

Набор данных, полученный нами после предыдущего шага, является универсальным и может использоваться с любым алгоритмом машинного обучения.

Мы, мы выбрали Random Forest, набор деревьев решений.

Прежде чем эти деревья решений смогут выполнить свою работу разумно, им необходимо научиться.

Именно поэтому проводится контролируемое машинное обучение.

Чтобы удостовериться, что обучение выполнено правильно и приняты беспристрастные решения относительно основного набора данных, используются методы упаковки и подпространства.

Первый из упомянутых методов, упаковка , это процесс создания набора данных путем выборки с заменой.

Допустим, у нас есть X строк данных.

В соответствии с принципами метода упаковки мы создадим набор данных для каждого дерева решений, и этот набор будет иметь одинаковое количество X строк.

Однако, поскольку эти наборы выборок рандомизированы и заменены, примерно две трети исходных X-линий будут включены, поэтому будут повторяться значения.

Приблизительно одна треть первоначальных значений остается неизменной и

они будут использовать, как только закончится контролируемое обучение.

Мы сделали то же самое для характеристик, используя метод случайных подпространств: деревья решений были дополнены случайными выборками характеристик вместо их полного набора.

Ни одно дерево не использует полный набор данных и весь список выбранных функций.

Но наличие леса из нескольких деревьев позволяет нам сказать, что каждое значение и каждая характеристика, скорее всего, будут использоваться примерно одинаковое количество раз.

Выращивание леса

Каждое из деревьев решений, которые мы создали с помощью этой системы, делит набор данных выборки в соответствии с наиболее важной переменной, пока каждое подмножество не состоит из однородных записей данных.

Дерево сканирует весь набор данных и выбрать наиболее важную особенность и его точное значение, которое стало своего рода точки поворота (узла), и делит данные на две группы.

Для первой группы выбранное выше условие верно; для другого - false (ветки создаются YES и NO).

Все конечные подгруппы получают среднее целевое значение на основе целевых значений пар URL, которые были размещены в данной подгруппе.

Поскольку деревья используют образец набора данных для роста, они учатся по мере роста.

Мы считаем, что обучение имеет высокое качество, когда достигается приемлемый целевой процент правильно угаданных значений.

Как только весь набор деревьев будет выращен и обучен, начинается волшебство: деревья теперь могут обрабатывать данные из выборки, примерно одну треть исходного набора данных.

Пара URL-адресов предлагается дереву, только если оно не нашло ту же пару в процессе обучения.

Это означает, что пара URL-адресов не предлагается для 100 процентов деревьев.

Затем происходит голосование: для каждой пары URL-адресов дерево выдает свой вердикт, то есть вероятность того, что URL-адрес занимает более высокое положение в результатах поиска по сравнению со вторым.

Все другие деревья, которые удовлетворяют требованию «не видеть эту пару URL-адресов раньше», выполняют одно и то же действие, и, в конце концов, каждая пара URL-адресов получает набор значений вероятности.

Затем все полученные вероятности усредняются.

Тогда и только тогда достаточно данных, чтобы перейти к следующему шагу.

Важность оценки атрибута алгоритма Random Forest

Одним из основных моментов алгоритма Random Forest является то, что он дает чрезвычайно достоверные результаты, когда дело доходит до приписывания важности данного атрибута.

Оценка производится следующим образом:

  1. Значения атрибутов смешиваются среди всех пар URL-адресов, и эти наборы обновленных значений обрабатываются алгоритмом.

  2. Любое изменение качества или стабильности алгоритма измеримо (если процент правильно угаданных целевых значений остается неизменным или нет).

  3. Затем, в зависимости от полученных значений, можно сделать выводы, например:

  • Если качество алгоритма значительно снижается, атрибут важен, поэтому чем важнее снижение качества, тем важнее атрибут.

  • Если качество алгоритма остается неизменным, то атрибут имеет второстепенное значение.

Эта процедура повторяется для всех атрибутов.

В результате получается квалификация наиболее важных классификационных факторов.

Почему мы считаем, что корреляционный анализ плохо подходит для изучения факторов ранжирования?

Мы намеренно отказались от широко распространенной практики использования корреляционного анализа, на которую многие ответили комментариями типа «корреляция не означает причинность» или «те, которые не кажутся позиционирующими факторами, если не корреляциями».

Для этого типа комментариев мы считаем, что этот пункт заслуживает пояснения.

Во-первых, мы хотели бы еще раз указать, что исходный набор данных, используемый для данного исследования, образует набор сильно модифицируемых значений.

Просто чтобы поместить этот аргумент в контекст, помните, что мы используем не один результат, а 600 000.

Каждый результат характеризуется своим собственным средним значением атрибута, и эта особенность отбрасывается, когда мы выполняем процесс корреляционного анализа.

В любом случае, мы считаем, что, когда с SERP рассматривается индивидуально, его первоначальные характеристики должны соблюдаться.

Корреляционный анализ дает надежные результаты только тогда, когда исследуется связь между двумя переменными, например влияние количества обратных ссылок в результате поиска.

Этот конкретный фактор влияет на положение?

На этот вопрос можно ответить довольно точно, так как задействована только одна переменная.

Но можем ли мы изучить каждый фактор в отдельности?

Скорее всего, нет, поскольку все мы знаем, что существует множество факторов, которые влияют на позицию, которую URL занимает в результатах поиска.

Другим критерием для определения качества корреляционного анализа является разнообразие полученных взаимосвязей.

Например, если есть линия корреляционных отношений, таких как (-1, 0,3 и 0,8), вполне логично сказать, что есть один параметр, который важнее другого.

Чем ближе абсолютное значение отношения к одному, тем сильнее будет корреляция.

Если модуль отношений меньше 0,3, эту корреляцию можно отбросить: зависимость между двумя переменными в этом случае слишком слаба, чтобы сделать надежные выводы.

Для всех факторов, которые мы проанализировали в исследовании, коэффициент корреляции был меньше 0,3, поэтому нам пришлось отказаться от этого метода.

Еще одной причиной отказаться от этого метода анализа была высокая чувствительность значения корреляции с выбросами, и данные из многих ключевых слов отражают многие из этих выбросов.

Если в набор добавляется запись с дополнительными данными, корреляционная связь изменяется немедленно.

Следовательно, эта метрика не может быть жизнеспособной в случае нескольких переменных, таких как, например, при исследовании факторов классификации, где она может даже привести к неправильным вычетам.

В конце трудно поверить, что есть только один или два фактора с модулем корреляционной корреляции, настолько близким к одному: если бы это было правдой, любой мог бы легко взломать алгоритмы Google, и мы все были бы в положении 1!

Часто задаваемые вопросы

Хотя мы пытаемся ответить на большинство вопросов, которые возникают у профессионалов в отрасли, с помощью данных, которые мы предложили в предыдущих пунктах, здесь вы найдете ответы для самых любопытных читателей.

Почему мы не используем искусственные нейронные сети?

Хотя искусственные нейронные сети идеально подходят для обработки большого количества переменных, например, для распознавания изображений (поскольку каждый пиксель является переменной), они дают результаты, которые трудно интерпретировать, которые не позволяют сравнивать вес каждого фактора. ,

Кроме того, сети этого типа требуют огромного объема данных и большого количества функций для получения надежных результатов, и собранные нами данные не вписываются в эту ситуацию.

В отличие от случайного леса, где каждое дерево решений голосует независимо и, следовательно, гарантируется высокий уровень надежности, нейронные сети обрабатывают данные назначения.

Ничто не указывает на то, что использование искусственных нейронных сетей для этого исследования позволило бы получить более точные данные.

Нашими требованиями к правильному методу анализа были стабильность и способность находить значение различных факторов.

Поэтому Random Forest был идеальным методом для нашей задачи, поскольку он предоставляет множество факторов позиционирования аналогичного характера.

Почему посещения являются наиболее важным фактором позиционирования для Google?

Положи руку, мы ответим.

Это, пожалуй, самый спорный момент всего исследования.

Когда мы увидели результаты, мы тоже были удивлены.

В то же время наш алгоритм был обучен надежному набору данных, поэтому мы решили проверить факты.

Для этого были исключены обычные данные и данные поиска платежей, а также социальный и справочный трафик, и был принят во внимание только прямой трафик.

Результаты были практически одинаковыми: распределение позиций осталось неизменным (графики на страницах 40-41 исследования иллюстрируют этот момент).

Для нас эти результаты имеют смысл и подтверждают, что Google отдает приоритет доменам с более широкими полномочиями, как было описано в вашем документе. Рекомендации по оценке качества поиска ,

Хотя может показаться, что власть владычества является лишь небольшим оправданием и смутным и эфемерным понятием, в этом документе эта идея полностью опровергнута.

Не зря в 2015 году Google опубликовал этот заголовок книги, чтобы помочь тем, кто ищет качество своих проектов, и это отразило «то, что Google думает о том, чего хотят пользователи».

В упомянутой книге заголовков изложены три принципа: опыт, авторитет и надежность как наиболее показательные значения качества веб-сайта.

Качество и количество основного контента сайта, информации на сайте (то есть, кто за это отвечает) и репутация влияют на эти три принципа опыта, авторитета и надежности.

Мы предлагаем вам подумать об этом следующим образом: если URL-адрес позиционируется среди первых 10 результатов, то это потому, что он содержит контент, относящийся к поиску.

Однако, чтобы определить, какую позицию занимают эти URL среди этих первых десяти сообщений, у Google есть дополнительные параметры.

Мы все знаем, что есть команда людей под названием оценщики качества и негласно, кто отвечает за обучение поисковым алгоритмам Google и повышение релевантности результатов.

В соответствии с рекомендациями Руководства по обеспечению качества Google вы должны уделять приоритетное внимание высококачественным страницам, а также обучать алгоритмам, как это делать.

Поэтому мы знаем, что алгоритм классификации обучен назначать более высокие позиции страницам, принадлежащим доверенным доменам, и мы считаем, что это может быть причиной получения нами данных о прямом трафике.

Для получения дополнительной информации см. Нашу статью Ешьте и YMYL: новые правила поиска Google акронимы качественного контента ,

И это еще не все: на недавней конференции SMX East Гари Иллиес из Google, он сказал что «то, как люди воспринимают ваш сайт, влияет на ваш бизнес».

И хотя это, по мнению Иллиеса, не обязательно влияет на рейтинг вашего сайта в Google, логично инвестировать в повышение лояльности пользователей, потому что «счастливые пользователи = счастливые Google».

И хотя это, по мнению Иллиеса, не обязательно влияет на рейтинг вашего сайта в Google, логично инвестировать в повышение лояльности пользователей, потому что «счастливые пользователи = счастливые Google»

Еще раз, что это значит для вас?

Эта видимость бренда (оцениваемая, среди прочего, по количеству прямых посещений вашего сайта) напрямую влияет на результаты поиска, и стоит стремиться делать это вместе с SEO.

Разница между влиянием фирменных ключевых слов против небрендированных ключевых слов на факторы позиционирования

Как вы видели, каждый график нашего исследования показывает заметный пик во второй позиции.

Мы пообещали в первом выпуске нашего исследования в июне месяце более внимательно изучить это отклонение и тем самым добавить новое измерение.

Во втором издании рассматривается влияние трех наиболее важных факторов (прямые посещения веб-сайта, время, проведенное на сайте и количество ссылочных доменов) в рейтинге определенного URL-адреса, а не только в домене, где он находится. ,

Можно предположить, что сети в первой позиции наиболее оптимизированы, и, тем не менее, мы обнаружили, что каждая линия тенденции имела падение в первой позиции.

Мы связываем это отклонение с поисковыми запросами по ключевому слову определенного бренда.

Таким образом, наиболее вероятно, что домен занимает первую позицию в результатах поиска для любого запроса, который содержит его марку в ключевом слове.

И несмотря на то, насколько хорошо сайт оптимизирован, он всегда будет занимать первое место, так что он не имеет ничего общего с SEO.

Это объясняет, почему факторы классификации влияют на вторую позицию больше, чем на первую.

Чтобы проверить эту теорию, мы решили проанализировать наши данные под новым углом зрения: мы исследовали, как факторы классификации влияют на уникальные URL-адреса, которые появляются в результатах поиска.

Для каждого фактора мы создали отдельные графики, показывающие распределение URL-адресов и доменов в первых 10 позициях (см. Стр. 50-54 нашего исследования).

Хотя мы включили графики только для трех наиболее влиятельных факторов, обнаруженная нами тенденция сохраняется и в отношении других факторов.

Что это значит для вас?

Когда домен получает хорошую позицию с брендированным ключевым словом, многие другие факторы позиционирования теряют свое влияние в этой позиции.

Однако, когда вы оптимизируете страницу для ключевого слова, которое не содержит названия вашего бренда, имейте в виду, что анализируемые факторы позиционирования оказывают большее влияние на позиции уникального URL-адреса, чем в домене, в котором он находится.

Это означает, что конкретная страница более чувствительна к оптимизации, усилиям по созданию ссылок и другим методам оптимизации.

Вывод: как использовать исследование факторов ранжирования?

Нет никаких гарантий, что если вы улучшите показатели своего веб-сайта по любому из вышеперечисленных факторов, ваши страницы начнут лучше позиционироваться в результатах поиска.

Мы провели очень полное исследование, которое позволило нам сделать надежные выводы о важности этих 17 факторов для получения более высокого рейтинга в поисковой выдаче Google.

Однако наше исследование представляет собой не просто хорошо проделанную работу по обратному инжинирингу, это не руководство для строгого следования, потому что никто, кроме Google, не знает всех секретов.

Сказав это, мы рекомендуем следующий рабочий процесс, чтобы использовать исследование:

Поймите ключевые слова, для которых вы позиционируете.

Они принадлежат к группам с низким, средним или высоким объемом поиска?

Анализируйте себя в отношении своих конкурентов: изучите методы, которые мы использовали для достижения 10 лучших позиций и их метрик.

У них большой объем обратных ссылок?

Есть ли у этих доменов сертификаты безопасности HTTPS?

Используйте исследование и начните внедрять методы оптимизации, которые предложат вам лучшие результаты, основанные на ваших ключевых словах и уровне позиционирования результатов поиска.

Еще раз, мы рекомендуем вам прочитать наше внимание исследование , пересмотреть концепцию опыта, авторитета и надежности и дать им хорошую стратегию SEO!

Какие факторы вы бы хотели, чтобы мы проанализировали в следующем издании нашего исследования? Скажите нам в комментариях!

Похожие

Что такое исследование и анализ ключевых слов в SEO
« Что такое исследование и анализ ключевых слов в SEO » предоставит вам информацию о исследование ключевых слов а также анализ в SEO ( поисковая оптимизация ) и зачем тебе это делать.
Анализ ключевых слов: навести порядок в ключевом хаосе
... слов лежит в основе каждой успешной SEO-кампании. Но как вы подходите к этому и какие инструменты вы используете? Эта статья показывает это. Анализ ключевых слов: начать мозговой штурм Найти ключевые слова не так сложно. Благодаря таким инструментам, как Google Keyword Planner Вы можете легко найти сотни из них. Тем не менее, не стоит сразу же использовать инструменты, потому что есть
Анализ веб-сайта
Когда используешь SEO чтобы разработать релевантность для конкурентоспособных ключевых слов для вашего сайта, просто помните, что все начинаются с нуля.
SEO анализ
Занятие SEO, то есть поисковая оптимизация, не ограничивается только подготовкой контента, соответствующего правилам. Подготовленный SEO контент То, как он взаимодействует, как он взаимодействует с трафиком, следует проанализировать, подходит
Что такое SEO? Как найти в Google
Как вы думаете, ваши клиенты приходят к вам? Возможно, основной ответ прост: В сегодняшнем посте я расскажу вам историю Фелипе Орсоли. Ты знаешь кто он? Фелипе Орсоли консультант по цифровому маркетингу в Maringá Он был одним из первых пользователей, вступивших в
10 лучших бесплатных инструментов исследования ключевых слов для SEO
... факторов. Одним из них является то, как часто пользователи искали определенный поисковый запрос в прошлом. Инструмент подсказки ключевых слов помогает вам использовать Google Suggest для исследования ключевых слов. Он извлекает предложения ключевых слов Google и представляет их вам в понятном интерфейсе. Для создания подсказок по длинным хвостам инструмент подсказки ключевых слов добавляет и добавляет поисковый
Как Google, как SEO Pro: сила поисковых операторов
... слова, это заставляет Google использовать точное совпадение для этого ключевого слова и предотвращает появление любых синонимов, если вы используете одно слово. Итак, давайте посмотрим, как это выглядит. Мы будем использовать пример, который у нас здесь, «SEO помощь», используя наши цитаты. Теперь это заставит Google искать результаты, которые очень специфичны для этого слова и имеют это слово, SEO помощь, прямо здесь, номер один, SEO помощь. SEO помощь. Помогите SEO. SEO помощь здесь.
Факторы ранжирования SEO в 2017 году: что важно, а что нет
По мере развития технологий поисковые системы могут совершенствовать свои алгоритмы ранжирования, чтобы лучше определять релевантность и возвращать результаты, которые лучше соответствуют целям поисковика. Поскольку эти алгоритмы ранжирования постоянно совершенствуются и совершенствуются,
Инструменты исследования ключевых слов в WordPress
В начале каждой успешной стратегии SEO лежит всестороннее и подробное исследование ключевых слов. Таким образом, вам больше не нужно работать с различными инструментами WordPress и внешними электронными таблицами, BAVOKO SEO Tools PRO предоставляет вам доступ ко всем необходимым инструментам. Доступны два инструмента: «Подобный» и «Связанный».
Как провести исследование ключевых слов «Умный путь»: нацеленность на интерес и намерения
... почему я добавляю еще одну статью в стек? Потому что я хочу познакомить вас с каркасом для классификации ключевых слов, который я разработал, когда занимался платной практикой поиска в Red Bricks Media. Инфографика ниже подводит итог:
Google Panda SEO
Панда: Почему нет SEO лучше ленивого SEO Обновление Google Panda - это отдельный алгоритм, который запускается каждые несколько месяцев и выполняет поиск сайтов низкого качества. Сайты, на которые нацелена Panda от Google, обычно имеют характерный след, который может включать в себя любое из следующего: Дублированный

Комментарии

Однако знаете ли вы, что использование услуг рекламодателей, таких как Google AdWords, означает, что мы должны каждый месяц платить Google?
Однако знаете ли вы, что использование услуг рекламодателей, таких как Google AdWords, означает, что мы должны каждый месяц платить Google? Фактически, если мы знаем, как использовать методы SEO, мы можем сэкономить на довольно большом рекламном бюджете. Плюс для тех из вас, кто только начинает онлайн бизнес. Победа в поиске Google означает, что это увеличит возможности
Этот отчет дает и клиенту, и SEO возможность рассказать о том, что происходит в проекте, что сделано, что должно, как мы измеряем успех и «что это значит снова?
Этот отчет дает и клиенту, и SEO возможность рассказать о том, что происходит в проекте, что сделано, что должно, как мы измеряем успех и «что это значит снова?». Это лучше всего рассмотреть в коротком 30-минутном звонке каждую неделю. Ниже я поделился шаблоном, который мне очень нравится. Его электронная таблица помещается на 1 странице и охватывает практически все, что можно было бы узнать о проекте, начиная с обзора высокого уровня вверху и заканчивая мельчайшими подробностями внизу.
Тем не менее, вы не знаете, что вы можете сделать сами, чтобы оптимизировать SEO вашего сайта или даже с чего начать то, что выглядит как настоящая работа?
Тем не менее, вы не знаете, что вы можете сделать сами, чтобы оптимизировать SEO вашего сайта или даже с чего начать то, что выглядит как настоящая работа? SEO - это, конечно, профессия сама по себе, но будьте уверены, есть множество направлений работы, которые позволят вам самостоятельно оптимизировать SEO вашего сайта и дать толчок вашему ресторану. что он заслуживает. Мы создали это руководство, чтобы дать вам ключи для начала. Следуя некоторым или всем приведенным ниже советам,
Мы уже знаем, что пользователи любят задавать вопросы, так почему бы не создать контент, который отвечает на эти вопросы и остается в форме ответов?
Мы уже знаем, что пользователи любят задавать вопросы, так почему бы не создать контент, который отвечает на эти вопросы и остается в форме ответов? Например: Для вопроса, начинающегося с «Как найти…?», Используйте «Вы можете найти…» Ответьте «Какие лучше…?» На «Вот лучшие…» 6. Оцените видео Вы можете сделать это либо записав собственное видео, либо загрузив видео из внешнего источника. Если вы решите записать видео, оптимизируйте
Как мы можем сообщить Google, что мы внедрили AMP и что есть новые страницы для сканирования и индексации?
Как мы можем сообщить Google, что мы внедрили AMP и что есть новые страницы для сканирования и индексации? Чтобы указать Google версии AMP страниц, в заголовок HTML-кода вставляется определенный тег ссылки. Каноническая страница указывает на страницу AMP со ссылкой rel = "amphtml", в то время как со страницы AMP связана каноническая страница со ссылкой отн = «канонической» , Просто верно? Это та же операция hreflang
Что, если мы хотим прочитать какую-то конкретную статью, например «Как провести исследование ключевых слов: руководство для начинающих»?
Что, если мы хотим прочитать какую-то конкретную статью, например «Как провести исследование ключевых слов: руководство для начинающих»? Его структура URL - http://blog.hubspot.com/marketing/how-to-do-keyword-research-ht - обозначает, что это статья из раздела «Маркетинг» блога. Таким образом, структура URL действует как система категоризации для читателей, давая им знать, где они находятся на веб-сайте
Это как, новости компании или часто задаваемые вопросы?
Это как, новости компании или часто задаваемые вопросы? Обратите внимание на темы статей тоже. Затем создайте план для создания дополнительного контента того типа или контента, который относится к этой конкретной теме. Это, должно быть, драйверы трафика, поэтому создание большего подобного может определенно помочь бизнесу занять более высокие позиции в локальном поиске. 4. Используйте SEO инструменты Используйте такие инструменты, как Ahrefs, Majestic и SEMrush, чтобы найти
Что именно разрушило ваш идеальный маленький план - ничего не делать, кроме как говорить загадками ключевых слов и парить в рейтинге?
Что именно разрушило ваш идеальный маленький план - ничего не делать, кроме как говорить загадками ключевых слов и парить в рейтинге? Ну ... Google пошел и стал более умным, а затем внес изменения в их алгоритмы. В 2011 году появилась Google Panda и сделала заполнение ключевыми словами неэффективным инструментом.
Тем не менее, есть, вероятно, сотни или даже тысячи длинных ключевых слов, которые вы можете найти в вашем районе , Как вы собираетесь выбирать лучшее?
Что именно разрушило ваш идеальный маленький план - ничего не делать, кроме как говорить загадками ключевых слов и парить в рейтинге? Ну ... Google пошел и стал более умным, а затем внес изменения в их алгоритмы. В 2011 году появилась Google Panda и сделала заполнение ключевыми словами неэффективным инструментом.
Сам Google даже заявляет: «Никто не может гарантировать рейтинг № 1 в Google», и мы должны слушать Google, верно?
Сам Google даже заявляет: «Никто не может гарантировать рейтинг № 1 в Google», и мы должны слушать Google, верно? Если компания действительно быстро выводит вас на первое место, то это потому, что они, вероятно, используют методы «черной шляпы» (неэтично), которые могут в конечном итоге привести к штрафам поисковой системы. Вы можете достичь быстрого подъема на вершину, но за ним, вероятно, последует болезненный резкий спад. Это действительно не стоит того. Они «Эксперт»
Что если в обзоре вы найдете очень мало ключевых слов для вашего домена, которые указывают на вашу страницу, то количество найденных SEO DIVER ключевых слов будет очень низким?
Что если в обзоре вы найдете очень мало ключевых слов для вашего домена, которые указывают на вашу страницу, то количество найденных SEO DIVER ключевых слов будет очень низким? Тогда ваш сайт не актуален. Вы также должны увидеть это на основе данных о чистом трафике (мало посетителей, высокий показатель отказов). Затем вы должны проверить Basic: Сайт работает? Доступен ли контент, который может быть интересен кому-либо? Есть ли навигация?

Почему посещения являются наиболее важным фактором позиционирования для Google?
Вывод: как использовать исследование факторов ранжирования?
Почему мы считаем, что корреляционный анализ плохо подходит для изучения факторов ранжирования?
Этот конкретный фактор влияет на положение?
Но можем ли мы изучить каждый фактор в отдельности?
Почему мы не используем искусственные нейронные сети?
Почему посещения являются наиболее важным фактором позиционирования для Google?
Еще раз, что это значит для вас?
Что это значит для вас?
Вывод: как использовать исследование факторов ранжирования?
3D стерео фильмы для 5D