Le SEO peut-il être rendu prévisible?

3. Dommages collatéraux involontaires lors des efforts d'optimisation

Une page a le potentiel de se classer pour plusieurs mots clés.

Trouver l'équilibre entre le bon contenu, les bons mots clés cibles et les bons efforts d'optimisation est un défi.

En tant que praticien du référencement, les scénarios suivants peuvent vous sembler familiers:

Un site Web contiendra plusieurs pages couvrant le même thème d'actualité, avec des backlinks externes et des mots clés cibles répartis sur ces pages et les liens de la meilleure qualité non optimisés pour les bons mots clés cibles.Un site subit une reconstruction ou une refonte qui a un impact négatif sur le référencement. des intérêts surgissent entre les différentes unités d'affaires en matière de priorités d'optimisation. Sans mécanisme permettant d'identifier les efforts d'optimisation qui auront le plus d'impact sur les classements de recherche et les résultats commerciaux, il est difficile de faire une analyse de rentabilisation pour une stratégie d'optimisation par rapport à une autre.

4. Le manque de fiabilité des références CTR standard

Il existe une incertitude importante quant au nombre de clics que chaque URL recevra à différentes positions sur la page de résultats du moteur de recherche (SERP).

En effet, le taux de clics (CTR) généré par une page est fonction de plusieurs éléments dans la présentation SERP, notamment:

La position relative de l'URL sur le SERP pour un mot-clé spécifique. Le nombre d'annonces au-dessus des résultats organiques pour le mot-clé cible. Les packs qui sont affichés (boîte de réponse, pack local, pack de marque, etc.). Affichage des miniatures ( images, vidéos, avis, notes, etc.). Association de la marque de l'utilisateur à la marque.

Le calcul du CTR par position de classement n'est qu'un défi de mesure.

Le véritable impact commercial du référencement est également difficile à saisir, en raison de la difficulté à identifier le taux de conversion qu'une page va générer et la valeur imputée de chaque conversion.

Les professionnels de la recherche doivent avoir de solides compétences analytiques pour calculer ces mesures.

5. Incapacité à établir une analyse de rentabilisation pour de nouveaux investissements dans la science des données

Lors de la prise de décisions d'investissement, les parties prenantes commerciales souhaitent comprendre l'impact des initiatives individuelles sur les résultats commerciaux.

Si une initiative peut être quantifiée, il est plus facile d'obtenir le niveau d'investissement nécessaire et de prioriser le travail.

C'est là que le SEO se débat souvent. Les chefs d'entreprise trouvent que les efforts de référencement sont itératifs et sans fin, tandis que les praticiens de la recherche ne parviennent pas à corréler le classement avec l'impact sur le trafic, les conversions, les prospects et les revenus.

Le retour sur investissement du référencement peut sembler minime pour le leadership par rapport aux résultats plus prévisibles, mesurables et immédiats produits par d'autres canaux.

Une autre complication est l'investissement et les ressources nécessaires pour mettre en place des processus de science des données en interne pour commencer à résoudre pour la prévisibilité SEO.

Les compétences, les gens, les modèles de notation, la culture: les défis sont de taille.

Rendre le SEO prévisible: la nécessité de modèles de notation

Maintenant que nous avons établi que la voie de la prévisibilité est pleine de défis, revenons à ma question initiale.

Le SEO peut-il être rendu prévisible?

Y a-t-il une valeur à investir pour faire de la prévisibilité du référencement une réalité?

La réponse courte: Oui!

Chez iQuanti, notre équipe dédiée de science des données a abordé la résolution de la prévisibilité SEO en trois étapes:

Étape 1: définir des mesures indicatives du succès du référencement et intégrer des données complètes provenant des meilleures sources dans un seul entrepôt Étape 2: procéder à une ingénierie inverse des résultats de recherche de Google en développant des modèles de notation et des algorithmes d'apprentissage automatique pour les signaux de pertinence, d'autorité et d'accessibilité. 3: Utilisez les sorties de l'algorithme pour permettre des informations spécifiques et exploitables sur les performances de la page / du site et développer des capacités de simulation pour permettre de tester une stratégie (comme ajouter un backlink ou effectuer un changement de contenu) avant de passer à la production – rendant ainsi le SEO prévisible.

Étape 1: Identification des variables critiques et intégration des données

Comme mentionné précédemment, l'un des principaux obstacles au succès du référencement est l'incapacité d'intégrer toutes les mesures nécessaires en un seul endroit.

Les équipes de référencement utilisent une myriade d'outils et d'extensions de navigateur pour collecter des données de performances – les leurs, ainsi que des données comparatives / concurrentielles.

Cependant, ce que la plupart des plates-formes de référencement d'entreprise échouent, c'est de rendre toutes les variables et mesures de référencement pour un mot clé ou une page particulière accessibles dans une seule vue.

Il s'agit de la première étape et la plus critique. Et bien qu'elle nécessite l'accès aux différents outils de référencement et aux capacités de base de stockage de données, cette première étape essentielle est relativement plus facile à mettre en pratique.

Nous ne sommes pas encore entrés dans la phase de modélisation des données gourmandes en ressources et en ressources, mais avec la bonne équipe d'analyse des données en place, l'intégration des données elles-mêmes pourrait s'avérer une première étape précieuse vers la prévisibilité du référencement.

Comment?

Permettez-moi de vous expliquer avec un exemple.

Si vous êtes en mesure de rassembler toutes les métriques SEO de votre URL www.example.com avec une compréhension de la valeur de chaque métrique, il devient facile de construire un modèle de notation comparatif simple vous permettant de comparer votre URL par rapport aux URL les plus performantes. à la recherche. Voir ci-dessous.

CONSEILS DE PRO: Pour les données texte (ou le contenu), envisagez un mélange des variables suivantes: fréquence d'utilisation des mots, correspondances exactes et partielles des mots clés, mesures de pertinence à l'aide de TF-IDF, Word2Vec ou GLoVe.

Pour les données de liaison, tenez compte des éléments suivants:

Pertinence des liens vers la page cible. Distribution par l'autorité des pages / domaines de liaison. Pourcentage de liens à suivre / à ne pas suivre.

Automatisez cela et vous avez à votre disposition un processus de benchmarking fiable et continu. Chaque fois que vous implémentez des changements vers l'optimisation, vous pouvez réellement voir (et mesurer) l'aiguille se déplaçant sur les SERPs.

Le suivi de votre score et de ses composants sur une période de temps peut fournir des informations sur les tactiques déployées par les concurrents (par exemple, si elles améliorent la pertinence des pages ou renforcent de manière agressive l'autorité) et les contre-mouvements correspondants pour garantir que votre site est constamment en concurrence à un haut niveau.

Étape 2: Création de modèles de notation algorithmique

Les classements de recherche reflètent l'effet collectif de plusieurs variables à la fois.

Pour comprendre l'impact de toute variable unique sur les classements, nous devons nous assurer que tous les autres paramètres sont maintenus constants lorsque cette variable isolée change.

Ensuite, pour arriver à un «score», il existe deux façons de développer un problème de modélisation:

Comme un problème de classification (bon vs pas bon)Dans cette approche, vous devez étiqueter toutes les URL classées parmi les 10 premières (c'est-à-dire celles du premier SERP) comme 1 et les autres comme 0 et essayer de comprendre / inverser la façon dont les différentes variables contribuent à ce que l'URL soit dans la première page. .Comme un problème de classementDans cette approche, le classement est considéré comme la métrique continue et les modèles comprennent l'importance des variables pour un classement supérieur ou inférieur.

La création d'un tel environnement où nous pouvons identifier les effets individuels et collectifs de plusieurs variables nécessite un corpus massif de données.

Bien qu'il existe des centaines de variables que les moteurs de recherche prennent en considération pour classer les pages, elles peuvent être classées en termes de contenu (sur la page), d'autorité (hors page) et de paramètres techniques.

Je propose de me concentrer sur le développement d'un modèle de notation qui vous aide à attribuer et à mesurer des notes sur ces quatre éléments:

1. Score de pertinence

Ce score doit examiner les éléments de contenu sur la page, notamment:

La pertinence du contenu principal de la page par rapport au mot-clé de recherche ciblé. Dans quelle mesure les signaux de contenu de la page sont communiqués par des éléments balisés de la page (par exemple, titre, H1, H2, image-alt-txt, méta description, etc.) ).

2. Score d'autorité

Cela devrait capter les signaux d'autorité, notamment:

Le nombre de liens entrants vers la page. Le niveau de qualité des sites qui fournissent ces liens. Le contexte dans lequel ces liens sont donnés. Si le contexte est pertinent pour la page cible et la requête.

3. Score d'accessibilité

Cela devrait capturer tous les paramètres techniques du site qui sont nécessaires pour une bonne expérience – l'exploration de la page, les temps de chargement de la page, les balises canoniques, les paramètres géographiques de la page, etc.

4. Algorithme / courbe CTR

Le CTR dépend de divers facteurs tels que la demande de mots clés, l'industrie, si le mot clé est un nom de marque et la disposition du SERP (c'est-à-dire si le SERP comprend une boîte de réponse, des vidéos, des images ou du contenu d'actualités).

L'objectif ici est de déterminer le taux de clics estimé pour chaque position de classement, permettant aux professionnels du référencement de savoir comment chaque mot clé contribue au trafic global de la page.

Cela permet au programme SEO de surveiller plus facilement les mots clés les plus importants.

Si vous pouvez comparer ces trois sous-scores et attributs sous-jacents, vous seriez en mesure d'identifier clairement les raisons du manque de performances – si la page cible n'est pas suffisamment pertinente ou si le site n'a pas suffisamment d'autorité dans le sujet ou si il y a quoi que ce soit dans l'expérience technique qui empêche la page de se classer.

Il identifiera également les attributs exacts à l'origine de cet écart afin de fournir des informations exploitables spécifiques aux équipes de contenu.

Étape 3: Stratégie et simulation

Un système idéal irait encore plus loin pour permettre le développement d'un environnement où les professionnels du référencement peuvent non seulement découvrir des informations exploitables, mais aussi simuler les changements proposés en évaluant l'impact avant de réellement mettre en œuvre les changements dans l'environnement réel.

La capacité de simuler les changements et d'évaluer l'impact renforce la prévisibilité des résultats. Les applications potentielles de telles capacités de simulation sont énormes dans un programme de référencement.

1. Prévisibilité de la planification et de la priorisation

Les ressources et les budgets sont toujours limités. Définir où appliquer les efforts d'optimisation pour obtenir le meilleur rapport qualité-prix est un défi.

Un modèle prédictif peut calculer l'écart entre vos pages et les pages de premier rang pour tous les mots clés de votre marque verticale.

L'ampleur de cet écart, les ressources nécessaires pour le combler et le trafic potentiel qui peut être généré à différents rangs peuvent vous aider à hiérarchiser vos efforts d'optimisation à court, moyen et long terme.

2. Prévisibilité du classement et du trafic via le contenu, l'autorité et la simulation d'accessibilité

Un module de simulation de contenu permettra de simuler les changements de contenu et d'estimer l'amélioration qui en résulte dans les scores de pertinence – ainsi que les gains potentiels dans le classement.

Avec ce type d'outil de simulation, les utilisateurs peuvent se concentrer sur l'amélioration des attributs peu performants et protéger les éléments de page qui génèrent des classements et du trafic.

Un environnement de simulation pourrait permettre aux utilisateurs de tester des tactiques d'optimisation hypothétiques (par exemple, des backlinks mis à jour et des paramètres techniques) et de prédire l'impact de ces changements.

Les professionnels du référencement pourraient alors faire des choix éclairés sur les changements à mettre en œuvre pour améliorer les performances tout en protégeant les éléments de page performants existants.

3. Prévisibilité de l'impact commercial des efforts de référencement

Les professionnels du référencement pourraient utiliser le modèle pour déterminer si leur changement a un impact sur les résultats.

À n'importe quel rang donné ou prévu, les professionnels du référencement peuvent utiliser la courbe CTR pour déterminer quel type de clics le domaine peut recevoir à une position particulière.

L'intégration de ces données à l'analyse du site Web et aux données sur le taux de conversion permet de lier les conversions au classement de recherche, prévoyant ainsi l'impact commercial de vos efforts de référencement en termes de conversions ou de revenus.

Le dernier mot

Il n'y a pas de solution unique lorsqu'il s'agit de développer des modèles de notation SEO. J'ai tenté de donner une vue d'ensemble de ce qui est possible.

Si vous pouvez capturer des données à leur niveau le plus granulaire, vous pouvez les agréger comme vous le souhaitez.

Voici notre expérience chez iQuanti: une fois que vous aurez entrepris ce voyage, vous aurez plus de questions, trouver de nouvelles solutions et développer de nouvelles façons d'utiliser ces données pour vos propres cas d'utilisation.

Vous pouvez commencer avec des modèles linéaires simples mais bientôt élever leur précision. Vous pouvez envisager des modèles non linéaires, des ensembles de différents modèles, des modèles pour différentes catégories de mots clés – volume élevé, longue queue, par catégorie d'industrie, etc.

Même si vous n'êtes pas en mesure de créer ces algorithmes, je vois toujours de la valeur dans cet exercice.

Si seuls quelques professionnels du référencement sont enthousiasmés par la puissance des données pour aider à renforcer la prévisibilité, cela peut changer complètement notre approche de l'optimisation de la recherche.

Vous commencerez à apporter plus de données à vos activités SEO quotidiennes et commencez à considérer le référencement comme un exercice quantitatif – mesurable, déclarable et prévisible.