L'énorme influence des signaux des utilisateurs sur le classement est incontestable dans l'industrie du référencement. Pour la plupart des experts en référencement, les signaux des utilisateurs sont le Saint Graal. Mais les signaux des utilisateurs sont-ils vraiment un facteur de classement? Cet article traite de manière critique de cette théorie et vise également à montrer combien il est important dans la vie de remettre en question de façon répétée et, surtout, de différencier les faits allégués.

Déclarations générales sur les facteurs de classement

Tout d’abord, vous devez faire la distinction entre les signaux de classement et les facteurs de classement. Ces deux termes sont utilisés de manière synonyme, encore et encore, mais à y regarder de plus près, ce n’est pas la même chose.

Un facteur de classement est par exemple Backlinks. Le bon signal pour cela est le nombre ou la qualité des backlinks. Rankbrain est un facteur de classement, mais n'est pas un signal de classement. Mais assez maintenant avec le calcul des cacahuètes.

Les référenceurs restent attachés à des facteurs de classement statiques et à l'optimisation de certains signaux de classement. Pourquoi? Parce que cela leur donne sécurité et optimisations tactiques. En soi, il n'y a plus rien à faire si vous optimisez les bons signaux.

Mais la pondération de ces facteurs de classement est maintenant tellement volatile que l’on ne peut pas fixer une priorité des signaux sur une base forfaitaire. La réponse la meilleure mais peut-être peu satisfaisante à la question de l'importance d'un signal de classement est dans la plupart des cas: "Cela dépend!"

À l'ère de l'apprentissage automatique et des résultats de recherche de plus en plus personnalisés, Google est en mesure d'utiliser des algorithmes de classement individuels – en fonction du contexte – pour le tri individuel des SERP. Ces algorithmes pourraient s’appuyer sur le classement des signaux de différentes manières ou au moins avec une pondération différente. Et ce sera probablement encore plus le cas à l'avenir qu'il ne l'est déjà. Voici quelques facteurs qui influencent déjà la pondération individuelle des facteurs de classement et des signaux:

• Historique de recherche de l'utilisateur respectif
• Intention de recherche de la requête de recherche
• Localisation de l'utilisateur
• Terminal de l'utilisateur
• Environnement industriel ou thématique ou ontologie auquel une demande de recherche doit être affectée

Searchmetrcis a donc commencé à segmenter ses études de corrélation de facteurs de classement régulières par secteur:

Aujourd'hui, pour chaque secteur d'activité, même pour chaque requête de recherche, différents facteurs de classement changent constamment.

Par exemple, je peux bien imaginer que certains sites Web, tels que dans le segment "Votre argent ou votre vie", des signaux de réputation externes, tels que p. ex. Besoin de liens comme par exemple magasins ordinaires avec des biens de consommation simples.

Dans ces conditions, il n'est plus possible de parler aujourd'hui de l'importance d'un facteur de classement. Google lui-même a un taux fixe nommé "les trois facteurs de classement les plus importants" avec les éléments suivants:

Oui, le contenu est un indice important à évaluer par Google, mais uniquement dans son contexte. Et les liens sont probablement pondérés différemment selon le contexte. Tous les autres facteurs de classement possibles pèseront probablement plus ou moins individuellement sur Google.

Les collègues de Sistrix ont rassemblé dans une ronde illustre les SEO des sujets intéressants, qui coïncident en grande partie avec les déclarations que j'ai décrites ci-dessus:

L'utilisateur signale-t-il l'un des facteurs de classement les plus importants?

Tous les changements majeurs dans le classement ou les mises à jour alléguées de Google sont récemment justifiés par une nouvelle pondération des signaux des utilisateurs comme facteur déterminant. Le terme signaux d'utilisateur est déjà très imprécis. De quoi parle-t-on? Taux de rebond? Dwell? Taux d'interaction avec le site? Nombres d'engagement SERP tels que CTR, clics longs, clics courts?

Ces "signaux utilisateurs" servent aujourd'hui de justification à tout ce que l'on ne peut expliquer autrement ou pour lequel il n'y a aucune indication de Google. Malheureusement, cela est trop souvent mal compris, simplement pas entendu et ensuite mal transmis.

Pour capturer les signaux des utilisateurs ou les indicateurs d'engagement, Google disposerait théoriquement de quelques outils:

• Google Chrome
• Google Analytics
• Google Gestionnaire de balises
• androïde
• Adsense / Double-clic
• DNS public Google

L'accent est mis sur la théorie. Le fait que Google ait la capacité de collecter et peut-être de le faire ne constitue pas une preuve factuelle qu'il s'agisse d'un facteur de classement direct.

Pour utiliser les données de Google Analytics en termes de classement des sites Web, Google en personne de Gary Illyes a déjà exprimé en 2015. Il a répondu à des demandes répétées de manière brève et concise, en expliquant qu'ils n'utilisaient pas ces données pour le classement.

Adam Singer de Google Analytics a également confirmé cette fois encore sur Twitter:

Gary Illyes a également commenté l'utilisation des données de Google Chrome en octobre 2017:

Tout d’abord, nous n’utilisons pas le trafic dans nos classements. Pour ce qui est des autres types de trafic, Google pourrait le constater grâce aux outils d'analyse, mais je n'utilise pas les données d'analyse pour les classements de recherche. Nous avons donc des données de Chrome, mais Chrome est incroyablement bruyant. Source: https://searchengineland.com/gary-illyes-ask-anything-smx-east-285706

Avant de résumer les déclarations les plus récentes de Google sur les signaux des utilisateurs en tant que facteur de classement des deux dernières années, il convient maintenant de faire une brève distinction entre la notation générale des sites Web et la personnalisation des SERP.

Différence entre personnalisation et notation

Google magasins u.a. à l'aide de cookies, l'historique de recherche de chaque utilisateur, dans la mesure où il accepte les conditions d'utilisation de Google. Cela peut être fait dans le navigateur ainsi que dans le compte dans l'état connecté. Les clics sur les résultats de recherche individuels modifient également progressivement les SERP liés à l'utilisateur. Ainsi, le classement après plusieurs requêtes de recherche identiques pour les résultats avec lesquels j'ai interagi sous la forme de clics augmente régulièrement dans le mien SERPs personnels plus je clique dessus. Cette préférence personnelle pour une source d'informations affecte également les autres URL du domaine, pas seulement celles que j'ai visitées dans le passé.

Aussi le emplacement Au moment où je suis dans la requête de recherche détermine le classement de mes résultats de recherche personnalisés (Plus dans l'article Mots-clés régionaux: Comment déterminer l'intention de l'utilisateur local?).

Pour la personnalisation, Google utilise également l'historique des recherches pour déterminer le contexte thématique que je recherche dans la session en cours ou plus généralement si je m'intéresse davantage à la voiture Jaguar ou à l'animal Jaguar.

Tout cela se passe dans le cadre des résultats de recherche personnalisés, mais n'a rien à voir avec la notation générale ou la notation de sites Web individuels. C'est en quelque sorte le classement des sites Web en fonction de mon comportement de recherche individuel. Ces classements peuvent être différents pour un autre utilisateur. En parlant de recherche personnalisée, mes signaux d’utilisateur individuel, par exemple Clics, un rôle.

Mais la spéculation de nombreux référenceurs sur les signaux des utilisateurs en tant que facteur de classement direct et donc dans le cadre de la notation générale des sites Web n’est pas expliquée et reste à remettre en question.

Afin de mieux expliquer la notation des sites Web, je voudrais décrire brièvement le fonctionnement procédural de Google.

Le fonctionnement de Google est divisé en gros en les étapes suivantes:

1. Ramper et indexer
2. Comprendre et étendre les requêtes de recherche (y compris Rankbrain)
3. Récupération et notation (Hummingbird / Knowledge Graph)
4. Ajustements post-récupération (y compris Panda, Penguin)

Pour l'évaluation, c'est-à-dire l'évaluation de documents individuels indépendamment de la requête de recherche, Rankbrain n'est pas responsable, mais bien l'algorithme de Hummingbird. Rankbrain n'interprète que les requêtes de recherche. Rankbrain est uniquement utilisé pour les requêtes de recherche.

Si on interprète déjà Gary Illyes presque un peu agacé après avoir publié un post sur Twitter et sa réponse aux demandes de Rand Fishkins, Rankbrain pourrait être utilisé pour pondérer les facteurs de classement différemment en fonction de l’intention de recherche. Cela influencerait donc le classement des documents.

Dites maintenant à certains référenceurs qu'au moins dans la détermination de l’intention de recherche de Rankbrain, Google s’appuie sur de véritables signaux d’utilisateur et a donc une influence sur le classement.

À regarder de plus près, Gary Illyes à la session de questions-réponses du SEO de Brighton à l'automne 2017:

Nous avons déjà indiqué que Rankbrain utilisait des données de recherche historiques pour prédire ce qui fonctionnait le mieux pour les chercheurs. Sinon, je m'en tiendrai à ce que j'ai déjà dit. Python, il vous faudra peut-être quelques clics pour déterminer si vous utilisez le langage de programmation, le serpent ou l'oiseau, ou quoi que ce soit d'autre toujours cliquer sur les oiseaux ou les serpents ou autre chose.

Supposons que Google utilise les données de clic pour identifier l'intention de recherche par mot clé, mais pas pour évaluer des pages individuelles.

Voici la vidéo:

Selon Google, Rankbrain n’utilise que les requêtes de recherche pour mieux identifier l’intention de recherche de l’utilisateur et le terme de recherche.

Voilà pour Rankbrain et les signaux des utilisateurs. Si vous voulez en savoir plus, je vous recommande ma contribution Importance de l'apprentissage automatique, de l'IA et de Rankbrain sur le référencement et Google.

Passons à la notation des documents sur Hummingbird. J'essaierai de l'expliquer à l'aide de la présentation du SMX West 2016 par Paul Haahr.

Selon Paul Haahr (vidéo ci-dessous), Google classe les documents et les sites Web dans des "fragments" de l'index. Selon Haahr, il existe des milliers de fragments différents. J'imagine que ces fragments sont classés en fonction de l'objectif du document et / ou du domaine dans l'index. La notation globale pertinente pour le classement a ensuite lieu à partir de la notation générale du document en comparaison avec l'intention de recherche de la requête de recherche identifiée via Rankbrain.

Sur les partitions, Google pourrait appliquer une pondération individuelle des signaux de classement ou différents algorithmes (voir ci-dessus). Mais les signaux utilisateur tels que le CTR, le taux de rebond, la durée de séjour… jouent-ils un rôle dans la notation générale des documents?

URL saute comme une indication possible des signaux de l'utilisateur pour les tests

De nombreux référenceurs interprètent les sauts d'URL à court terme dans le classement, par exemple, de la page 2 ou 3 à la première page, comme des tests dans lesquels Google utilise les signaux de l'utilisateur pour vérifier la qualité d'un document. Cela fait des années que nous voyons ce saut et il est clair que Google teste quelque chose ici. Le fait que Google utilise ici les signaux des utilisateurs semble logique et constituerait un moyen efficace. Mais que dit Google à ce sujet?

Les signaux des utilisateurs tels que le taux de rebond ou le temps d'arrêt sont-ils un facteur de classement?

Plusieurs déclarations de Google sont cohérentes. Commençons par la première déclaration de Google par un webmaster Hangout anglais en novembre 2015. Là, John Mueller dit:

C'est une bonne question. Et je ne pense pas que nous ayons cela comme facteur de classement. Donc, de ce point de vue, c'est quelque chose à demander.

Lorsque nous affinons nos algorithmes, il s’agit d’une échelle très large dans cet enfant d'un changement sur le comportement de l'utilisateur. Mais faire cela sur une URL est très difficile car je ne peux pas attendre. Les personnes qui veulent juste lire une lettre sont à la recherche de quelques heures.

Donc, ils sont très différents et ils émettent un signal très bruyant et je ne pense pas que cela aurait du sens ici.

Une déclaration similaire de John dans un webmaster allemand Hangout datant d'août 2016:

De plus, j'ai demandé directement à John Müller en décembre 2016 dans son Webmaster Hangout. Voici sa réponse:

Dans cette réponse, Jean nie toute influence directe des signaux des utilisateurs sur le classement. Cependant, dans les deux réponses, il souligne l'influence possible des signaux des utilisateurs sur le développement de l'algorithme de classement. Le développement d'algorithmes de classement sur Google se déroule en plusieurs phases.

Ces phases sont probablement supportées depuis longtemps par les évaluateurs de recherche et par les fonctionnalités d’apprentissage automatique. Ici, cela pourrait être par exemple Il convient de noter que les données utilisateur des évaluateurs de recherche dans les expériences dans l'environnement de test, ainsi que les signaux utilisateur issus des expériences avec des utilisateurs réels en phase bêta, sont utilisées pour évaluer le changement d'algorithme. Dans la vidéo suivante, quelques déclarations de développeurs Google:

Vous trouverez d'autres déclarations dans d'autres Hangouts Google pour les webmasters:

Google Webmaster Hangout, 16.06.2017

question: Les filtres dans les catégories d'un magasin peuvent-ils aider au classement car ils améliorent l'expérience utilisateur?

Réponse: L'expérience utilisateur n'est pas un facteur de classement. Mais si vous l'améliorez, cela peut avoir un impact indirect sur le classement.

___________________________________________________________-

question: Au SMX, Gary a parlé de l'utilisation de métriques de comportement d'utilisateur pour tester des algorithmes. Qui sont-ils?

Réponse: Je ne suis pas sûr de ce que Gary a dit. Mais lorsque nous testons les résultats de recherche, nous utilisons principalement les tests A / B et voyons quels résultats les utilisateurs sont plus satisfaits. L'ampleur des changements qui en résultent dépend du cas spécifique. C'est pourquoi vous faites toujours un ou deux tests à chaque recherche, car nous essayons toujours d'améliorer des choses. Cela fait toujours référence aux SERP et n'a vraiment rien à voir avec vos pages individuelles. Ces mesures ne vous aideraient pas à améliorer vos pages. Source: portail SEO

Cette déclaration apparaît également une fois de plus lors de la séance de questions-réponses avec Gary Illyes:

Gary Illyes: Lorsque nous le faisons mieux ou mieux que nous le faisons, nous l'utilisons un peu plus vite que nous le faisons. requêtes spécifiques.

En résumé: selon Google, les signaux des utilisateurs sur les sites Web ou les numéros d'engagement ne constituent pas un facteur de classement direct, mais sont utilisés sous la forme de données de clic dans la phase bêta du développement de l'algorithme.

Cependant, Google semble au moins traiter du sujet, comme le suggère le classement des résultats de recherche de Google Patent Modeling basé sur un élément temporel de la rétroaction des utilisateurs de l'année 2015.

Le taux de clics dans les SERP est-il un facteur de classement direct?

Lors du SMX Advanced 2016, Gary Illyes de Google a formulé des commentaires très clairs sur ce sujet. Il a évoqué la manipulation facile des clics par des acheteurs ou des robots. Par conséquent, ce ne serait pas une bonne idée d'utiliser ce signal comme facteur de classement direct, dit Illyes.

Toujours dans cet entretien, Illyes insiste sur le fait que les données de clics sont plus susceptibles d'être utilisées pour évaluer les modifications d'algorithmes. Dans une interview avec Danny Sullivan au SMX Advanced 2015, il a également nié très clairement l’influence du CTR en tant que signal de classement dans le classement. En savoir plus dans l'article Comment Google utilise les clics dans les résultats de recherche dans The SEM Post.

Qu'est-ce que Google par exemple Les tests CTR-A / B seront également présentés dans la présentation de Paul Haahr, ingénieur de longue date chez Google, à SMX-Advanced 2016:

Vous trouverez ici la présentation complète sur slideshare et au-dessous de la vidéo avec show command! 🙂

De nombreux référenceurs ont pris cette présentation comme preuve pour considérer le CTR dans les SERP comme un signal de classement confirmé. Même les grands noms de l'industrie tels que Rand Fishkin, que je considère toujours comme l'un des meilleurs spécialistes du marketing en ligne au monde, a mal interprété les déclarations contenues dans cette présentation.

La grande erreur est que Paul Haahr a dit très clairement que ces signaux utilisateur sont utilisés pour évaluer une version d'algorithme dans le cadre du développement d'un algorithme. Cela ne signifie pas que les taux de clic dans les SERP constituent un signal de classement dans les algorithmes utilisés. Ses déclarations concernent des expériences réelles, c'est-à-dire des expériences réalisées dans le cadre de l'évaluation de l'algorithme. Ici, le bon côté ne voulait évidemment entendre que ce qui correspond à son opinion. Auparavant, il avait publié certaines contributions et résultats de ses propres recherches sur le CTR en tant que signal de classement. Ces déclarations de Paul Haahr ne prouvent pas ses soupçons.

Cette interprétation erronée évidente des déclarations de Haahr a également été répandue parmi les SEO allemands bien connus. Au moins depuis lors, le taux de clic en tant que facteur de classement pour Google était une règle bien établie et non une conjecture.

Gary Illyes a réagi de manière très radicale en février 2019 aux affirmations récurrentes de Rand Fishkin selon lesquelles les signaux des utilisateurs, tels que le taux de rebond, la durée du séjour ou le CTR sont des facteurs de classement:

"La durée du séjour, le CTR et la théorie de Fishkins, sont des ordures. La recherche est beaucoup plus facile que les gens ne le pensent. "

Eric Enge et son collègue Marc de Stone Temple Consulting expliquent dans leur vidéo plus ou moins amusante pourquoi le CTR n'est pas un facteur de classement direct, mais pourrait être un facteur de classement indirect:

Les didacticiels complets sur l'optimisation du taux de clics ou l'optimisation des extraits de code permettraient également d'améliorer directement le classement sous forme de tiret dans le bleu.

Cependant, il existe des tests, comme celui de Marcus Tandler, qui a demandé à ses centaines d'auditeurs lors du SMX 2016 à Munich de rechercher "marcus tandler seo" et de cliquer sur le résultat de onpage.org. Avec le résultat suivant:

Le résultat de la recherche onpage.org est rapidement passé à la position 2. Cependant, le classement n’était pas particulièrement durable et n’a diminué que quelques minutes plus tard. On peut supposer que Google tente soudainement d'augmenter le nombre de requêtes de recherche. Je les ai mentionnées dans cet article Mots-clés d'actualité, en raison des taux de clics permettant de se connecter rapidement aux résultats de recherche correspondants. Supposons que Google puisse supposer qu’il souhaite réorganiser les SERP à court terme en raison d’un événement soudain. La notation réelle des sites Web ne serait pas influencée de manière durable.

Pour ceux qui souhaitent consulter leurs taux de clics SERP, je recommande l'aperçu suivant pour l'analyse comparative: https://www.advancedwebranking.com/cloud/ctrstudy/

Les pogos sont-ils collants ou les facteurs de classement des clics courts et longs?

Le soi-disant Pogo collant, ou les évaluations des clics longs et courts, semblent être au moins un sujet qui concerne Google, mais est également plutôt inapproprié comme facteur de classement global, car il existe des cas dans lesquels un retour aux SERP est tout à fait normal par exemple en lisant une nouvelle. Au moins, vous trouverez également un brevet Google. Cela montre que Google s'intéresse au sujet, mais ne constitue également qu'une indication de son utilisation possible en tant que facteur de classement. Les indications de Google selon lesquelles il existe des facteurs de classement possibles n'existent pas.

Encore une fois, Google affirme plus souvent que ce n'est pas le cas.

"Nous essayons de ne pas utiliser de tels signaux en matière de recherche. Il y a donc beaucoup de raisons pour lesquelles les utilisateurs peuvent aller et venir, regarder différentes choses dans les résultats de la recherche, ou simplement rester sur une page et revenir en arrière. Je pense que c'est vraiment difficile à préciser et à dire "bien, nous pourrions transformer cela en facteur de classement."

Donc, je ne m'inquiéterais pas de choses comme ça. Lorsque nous examinons nos algorithmes, lorsque nous examinons les changements d’algorithmes que nous souhaitons lancer, nous examinons comment réagir à ces changements. C'est l'algorithme que nous utilisons de la bonne manière.

Mais pour des pages individuelles, je ne pense pas que ce soit une chose qui vaille la peine de se concentrer. "

au Pogo collant respectivement Bounce à taux SERP Il y avait une autre déclaration intéressante de John Mueller. Il a déclaré dans l'un des hangouts de son webmaster que la manipulation des boutons de retour dans le navigateur ne nuirait pas au classement. Ce serait un moyen facile d’influencer positivement le taux de rebond au SERP. Plus d'informations à ce sujet dans l'article des collègues de SeoSüdwest.

Les signaux utilisateur comme facteur de classement? Plutôt indirectement que directement

Depuis que je suis impliqué dans l'optimisation des moteurs de recherche depuis près de 10 ans, aucune revendication ne persiste malgré les négations répétées de Google. Plus que les signaux des utilisateurs sont un facteur de classement direct important.

À chaque conférence que j'ai visitée ces dernières années et dans chaque deuxième billet de blog, les signaux des utilisateurs sont proclamés comme un facteur de classement important. Et bien que trois personnalités de haut niveau responsables de Google refusent l'utilisation de signaux d'utilisateur en tant que facteur de classement direct de manière très cohérente et identique.

Selon les déclarations de Google, il n’est pas contesté que les signaux des utilisateurs sont utilisés pour évaluer les modifications de l’algorithme. Cela signifie qu'ils ont également une influence indirecte sur les classements. Mais ils ne sont pas utilisés pour la notation de sites Web individuels et ne constituent donc pas un facteur de classement direct, mais à mon avis plutôt pour une identification large des fonctionnalités de page pointant vers des sites Web conviviaux. Cela pourrait par exemple certains types d'éléments de navigation, différentes formes de présentation telles que des images, du texte, des vidéos et du texte dans une taille de police particulière.

Il s'agit moins de métriques telles que les taux de clic, les taux de rebond ou le temps de rétention. Ceux-ci utilisent bien plus que des moyens pour identifier certaines caractéristiques des sites Web conviviaux ou, plus précisément, pour les identifier largement. Cela pourrait également expliquer les corrélations qui, selon certaines études, pourraient bien exister entre ces métriques et ces classements. Dans le cas de l'engagement SERP, certains tests, tels que ceux de Marcus Tandler ou Rand Fishkin, pourraient suggérer que le CTR ou même les clics longs et courts pourraient avoir un impact, du moins à court terme. Voici également la déclaration de Google contre elle.

Par conséquent, à mon avis, une optimisation des paramètres tels que le taux de rebond ou la durée du séjour n'a guère de sens du point de vue du référencement. D'abord, parce que les déclarations de Google parlent systématiquement contre. Deuxièmement, parce que les outils d'analyse Web courants ne permettent pas une image différenciée, à moins que vous ne travailliez avec de nombreux micro-événements. Bien sûr, en ce qui concerne l'ensemble du marketing en ligne ou des taux de diplomation.

Dans l'interview déjà mentionnée par Sistrix, il existe des opinions divergentes sur les signaux des utilisateurs en tant que facteur de classement. Le ton commun du tour presque complet, cependant, est que les signaux des utilisateurs ne sont pas un facteur de classement direct. À l’engagement SERP sous forme de CTR, les clics longs et courts sont lus Sebastian Erlhofer un plus grand impact du classement. Tobias Black et Johannes Beus soutenir mes hypothèses exprimées ici. S'il vous plaît voir pour plus d'informations intéressantes:

En résumé, je pense pouvoir capturer les éléments suivants:

Les signaux utilisateur tels que les taux de rebond, les temps d'arrêt ne constituent pas un signal de classement direct! Dans le cas de l'engagement SERP, certains tests, tels que ceux de Marcus Tandler ou Rand Fishkin, pourraient suggérer que le CTR ou même les clics longs et courts pourraient avoir un impact, du moins à court terme. Optimiser vos propres taux de rebond et vos temps de rétention peut permettre d'identifier certaines fonctionnalités actuellement conviviales pour les sites conviviaux et qui constituent des facteurs de classement. Ce n'est pas obligé! Dans tous les cas, vous devriez regarder des sites Web très bien classés et vous demander quels éléments de ces sites pourraient être conviviaux par rapport au contexte respectif.

Un autre mythe fréquemment évoqué à travers le village lors des conférences et des blogs est la grande importance de la rapidité des pages pour le classement. Page Speed: Quelle est l'importance des temps de chargement en tant que facteur de classement pour le référencement? J'ai pris ça à part.

J'ai résumé d'autres mythes sur le référencement dans un article destiné aux collègues de Zielbar.

Arrête de suivre à l'aveuglette et forme ta propre opinion

Si vous avez certains de mes messages plus anciens comme Image de marque et nouveau classement Google: Pourquoi le référencement ne suffit plus … ou Ces 11 développements marketing en ligne que vous auriez dû lire à l'écran, vous trouverez également la référence aux signaux des utilisateurs comme facteur de classement possible. Mais les déclarations claires et cohérentes de Google sur ce sujet au cours des deux dernières années sont tellement claires et laissent peu à désirer. C'est pourquoi j'ai relativisé mon opinion ici quelque chose.

Les signaux d'utilisateur ne sont, à mon avis, qu'un facteur de classement indirect.

La plupart des référenceurs aiment consulter les sources de Google pour appuyer ou prouver l'exactitude de leurs déclarations. Mais apparemment seulement si cela convient à son opinion. Dans le cas des signaux utilisateur en tant que facteur de classement, de nombreuses sources Google le réfutent. Mais curieusement, les signaux des utilisateurs ne sont jamais liés à ces sources Google. Malheureusement, comme dans l'exemple ci-dessus, Rand Fishkin les déforme souvent pour les adapter à leur propre opinion. En quelque sorte pas très cohérent, non?

C’est l’une des raisons pour lesquelles une semaine ne se passe pas sans que les experts en référencement cherchent à optimiser leurs taux de rebond, leurs taux de clic et leur temps de rétention, dans l’espoir d’obtenir un meilleur classement. Ou il est prétendu que UX est le nouveau référencement. Très confiant et libre de critiques, si on considère les déclarations claires de Google contre elle. Peut-être est-ce dû à la passion des SEO pour les hacks tactiques rapides et les victoires rapides que cette conviction persiste si obstinément.

Les temps nécessaires pour les référenceurs ne sont pas devenus plus faciles et la discipline autrefois tactique du référencement est devenue en grande partie un outil stratégique. Pas si facile de trouver des victoires rapides clairement identifiables. Étant donné que les signaux des utilisateurs viennent comme des signaux de classement tout à fait juste.

S'il vous plaît ne vous méprenez pas! L’optimisation de la convivialité et du taux de conversion sont généralement très utiles pour le marketing en ligne, mais ne permettent indirectement, selon Google, d’améliorer, le cas échéant, le classement. J'espère maintenant à cause de l'état des choses encore une fois les collègues pressés, qui leurs théories de positionnement "UX est le nouveau référencement"Ou"CRO est le nouveau référencement"Reportez-vous aux blogs et aux conférences du monde du marketing en ligne.

Je ne veux pas dire qu'il serait logique que les signaux des utilisateurs constituent un moyen adéquat d'évaluer la qualité du contenu et des sites Web. Peut-être que Google finira par en faire un facteur de classement direct. Enfin, Google proclame des sites Web conviviaux. Mais étant donné que des tests valables sont actuellement manquants et difficiles à mettre en œuvre isolément, il convient de croire avant tout aux déclarations de collègues de Google et non à l'opinion de nombreux experts en référencement qui affirment qu'il n'y a pas mieux que de certitude.

On devrait souvent se remettre en question quand quelque chose est un fait, quand quelque chose est une spéculation et quand quelque chose est un mythe. Ce n'est pas un fait, simplement parce que quelque chose semble logique ou sort de la bouche d'un influenceur ou d'une autorité digne de confiance. Surtout lorsque vous vous appelez un expert, il est impératif d'avoir vos propres opinions bien fondées et de ne pas accepter tous les soi-disant "faits" donnés.

En général, l'optimisation des moteurs de recherche suscite toujours beaucoup de spéculations et de vœux pieux. Je ne peux pas me libérer complètement de cela. Mais très important: les spéculations doivent également être formulées de cette manière, c’est-à-dire au subjonctif ou avec une référence indiquant qu’il s’agit d’une opinion en soi et non d’un fait.

C’est un bel exemple de la manière dont nous pouvons influencer l’opinion générale et accepter les faits comme des faits, mais en aucun cas sur des bases solides et même niés par la plus haute autorité. Il s’agit d’un phénomène social qui ne se limite pas à l’industrie du référencement. Alors, les théories du complot se développent rapidement.

Développer votre propre opinion ou théorie, qui est valable, prend du temps et nécessite de l'expérience. Comme nous sommes souvent paresseux, nous aimons suivre la foule. Ce que la plupart des gens font aura raison. Cela économise du temps, de l’énergie et n’a plus besoin d’être pensé. Il est plus facile de répéter ce qui a été dit que de développer votre propre opinion, voire opposée, et éventuellement de la défendre contre les masses.

Mais les experts devraient le faire encore et encore. C'est pourquoi ils sont des experts. Voici quelques conseils sur la façon de développer ma propre opinion et de valider les propos que j'entends moi-même.

Conseils pour valider les déclarations

Surtout lorsque vous entendez quelque chose d'excitant et de nouveau, ce qui a du sens, vous êtes euphorique au sujet du point de vue nouvellement appris ou nouveau. Nach einer kurzen Phase der Euphorie über die neuen Ansätze sollte man kurz innehalten und folgende Dinge tun:

• Recherchieren, ob es Aussagen aus verifizierter Quelle dazu gibt, die es bestätigen oder widerlegen.
• Den eigenen Kopf anschalten und nach Denkfehlern in der Argumentation suchen.
• Eigene kleine Untersuchungen machen.
• (Mit eigenen Projekten) eigene Erfahrungen sammeln.
• Der Sau folgen oder es sein lassen.

Damit minimiert man das Risiko, Ressourcen in Maßnahmen zu verschwenden oder in Sackgassen zu laufen.

Und zum Schluss nochmal: Nur weil etwas auf den ersten Blick logisch und sinnvoll erscheint, muss es nicht der Wahrheit entsprechen. Viele der Verschwörungstheorien aus der Politik und dem Weltgeschehen klingen erst einmal logisch, was jedoch nicht bedeutet, dass sie wahr sind.

Wer mehr über aktuelle Missverständnisse und Mythen aus der SEO-Welt lesen will, dem empfehle ich auch meinen Beitrag bei den Kollegen von Zielbar.

L'établissement d'une marque jouera un rôle de plus en plus important dans le classement du contenu à l'avenir. Pourquoi l'optimisation des moteurs de recherche (SEO) n'est qu'une tâche de plus pour influencer le classement des moteurs de recherche et le marketing devient de plus en plus important, j'explique ci-dessous.

Mes contributions au repositionnement de l’optimisation des moteurs de recherche, du référencement dans le mix marketing et de la construction de liens Quo Vadis? Relations publiques, marketing ou référencement? sont comme une lecture introductive dans le sujet également très bien adapté.

Ma présentation d'avril 2014 au Marketing Forum dans le cadre de la Hannover Messe aborde également de manière plus approfondie le sujet suivant:

À l'avenir, il deviendra de plus en plus important pour Google de devenir une marque et une autorité dans un domaine spécifique. Je vais expliquer ci-dessous que la différence entre la perception d'une marque par Google et un être humain n'est plus si grande. Tout d'abord, la conceptualité de la marque elle-même.

Définition et démarcation: marque, autorité et entité

Pour commencer, je voudrais d'abord perdre quelques mots de base sur les termes marque, autorité et, en termes de recherche sémantique, le terme entité.

marque

Une marque est définie par les caractéristiques suivantes:

• En vertu de la loi, une marque est une marque
• A une promesse de marque: qualité et confiance
• Est la base d'une relation émotionnelle mutuelle, la fidélité à la marque …
• A la notoriété ou la popularité
• Peut être icône de statut
• Peut également être un phare ou une autorité dans un ou plusieurs domaines thématiques

autorité

Bien qu'une marque puisse bénéficier d'une large popularité sociale, les autorités sont plus susceptibles de prendre en compte un segment social particulier, par exemple. une industrie ou un domaine lié. Ici la réputation joue un rôle crucial moins de popularité. En outre, Julian a écrit sur SEOkratie également une bonne contribution. L’objectif doit toujours être d’être la première source d’information au sein d’un secteur et donc le phare du secteur. C’est la seule façon de faire face avec calme au choc de contenu attendu.

entité

En sémantique, une entité est identifiée de manière unique par un identifiant et des propriétés particulières. Les entités font toujours partie d'une ontologie. Le graphique suivant, tiré de la présentation de la recherche sémantique SEOcampixx donnée par ma collègue Svenja Hintz, montre que les entités au sein d’ontologies peuvent également être en relation.

Classement de l'avenir = SEO et marketing

Jusqu'à présent, le marketing n'a joué qu'un rôle dans l'optimisation des moteurs de recherche en termes de concepts propres à la marque. Devenir une marque ou une autorité dans un domaine spécifique pourrait être masqué par les référenceurs à l'ère pré-Hummingbird. Mais au plus tard, avec l’introduction définitive de la recherche sémantique dans la mise à jour Hummingbird et les efforts de Google pour établir le rang d’auteur, de nombreux facteurs influant sur le changement de classement.

Du document à l'autorité

Avant 2013, la quasi-totalité de l'optimisation des moteurs de recherche concernait le document html à optimiser lui-même et ses liens externes. Pour la vue d'ensemble des critères de classement, dater un aperçu un peu plus ancien de l'article Le classement de Google dans le changement: Critères de classement et référencement d'hier, d'aujourd'hui et de demain.

Les smileys souriants au niveau des points individuels représentent les optimiseurs de moteurs de recherche qui ont été en mesure d’influencer directement ces points et ont ainsi été les principaux interlocuteurs en matière de visibilité sur les moteurs de recherche. Mais même dans les années qui ont précédé Hummingbird, de plus en plus de facteurs ont été ajoutés, qui n'étaient plus directement influencés par les moteurs de référencement tels que la personnalisation croissante (telle que la localisation). J'ai fourni ces points dans l'aperçu suivant avec des smileys qui pleurent.

Cependant, ce qui représente à l'avenir une sorte de révolution dans les facteurs de classement, c’est que l’introduction de la recherche sémantique, l’éloignement du document sur le créateur ou l’auteur, la marque, l’autorité ou le domaine lui-même et la personnalisation plus poussée des SERP en fonction de l’individu. Le comportement des utilisateurs dépend de nombreux facteurs, qui ne sont plus directement influencés par l'optimisation des moteurs de recherche. Les effets de cette évolution sont déjà manifestes dans des industries très concurrentielles. Dans les niches, il est encore suffisant de fournir un bon classement avec les techniques de référencement habituelles. Les effets deviendront progressivement plus visibles avec "l'apprentissage de l'algorithme de Hummingbird".

En plus de la déclaration suivante à laquelle je me tiens à 100% et que tout le monde ne goûte pas:

Au moins 50% des signaux de classement ne sont plus directement influencés par le référencement

… l'autre partie concerne le marketing, les relations publiques, le marketing dans les médias sociaux et l'optimisation de la convivialité ou de la conversion. Alors que le référencement se concentre sur l'optimisation technique et structurelle de la page ainsi que sur la stratégie, les domaines du marketing, des relations publiques et des médias sociaux sont responsables de la stratégie de marque. L’optimisation de la convivialité est responsable de l’amélioration des signaux de l’utilisateur et contribue donc indirectement à la marque.

À l'avenir, Google accordera une grande importance à votre pertinence en tant qu'entité, autorité et marque dans un ou plusieurs domaines. C'est pourquoi le marketing jouera un rôle clé à l'avenir, qu'il soit ou non présent dans les moteurs de recherche, en particulier sur Google. Cette thèse est étayée par des déclarations dans une interview sur stonetemple.com avec le chef de produit Bing, Duane Forrester. Il nomme les principaux facteurs de classement pour Bing comme suit:

Ici, il devient clair que les mesures classiques de référencement telles que le référencement sur page et la création de liens ne sont plus la priorité absolue.

Étant donné que vous devez convaincre Google, on peut appeler Marketing un site Web, mais aussi un auteur, une marque, une autorité ou un phare du secteur, dans l'optique de Google Branding. Mais comment Google reconnaît-il une marque ou une autorité?

Comment Google reconnaît-il une marque ou une autorité?

Si vous examinez de plus près les fonctionnalités de reconnaissance de marque mentionnées ci-dessus en termes de marque et d'autorité et que vous les associez avec des signaux, Google peut facilement commencer à utiliser vos services ou applications telles que Google Analytics, Chrome, Outils pour les webmasters, Android … maintenant. cela peut ressembler à ceci à grande échelle.

Comment Google reconnaît-il une marque?

Une marque peut être considérée comme déjà décrite concernant une certaine popularité en général ou du moins un domaine. Transférés en valeurs mesurables, ils sont par exemple:

• Hauteur et développement du volume de recherche par marque et / ou domaine: Les hauteurs et l’évolution du volume de recherche par les termes de recherche associés à chaque marque en disent long sur sa popularité. Le marketing, la publicité et les relations publiques classiques peuvent influencer ces signaux.
• Le rapport entre le nombre de requêtes de recherche pour la marque ou le domaine et le nombre de clics sur le résultat de la recherche: Cette hypothèse est basée sur un brevet de Google, comme expliqué dans ce post sur MOZ. Si le taux de clics sur une annonce est supérieur à la moyenne pour une requête de recherche, Google peut associer le terme de la marque au domaine et identifier la marque sans lien direct.

Comment Google reconnaît-il une autorité?

Une autorité est principalement identifiée par la réputation et la confiance. Les signaux suivants que Google peut utiliser pour cela:

• Co-occurrences et co citations
• Références ou liens de médias pertinents
• conversions
• Fort pourcentage de visiteurs revenant
• Relations et interactions d'influence
• commentaires de blog
• Nombre de contacts sur les médias sociaux
• Interactions sociales en général
• temps de séjour
• taux de rebond

Classement: Marketing, Ergonomie, Optimisation sémantique, Référencement technique

Pour influencer le classement, il est nécessaire de se concentrer sur les clients et les utilisateurs, et non sur le moteur de recherche. Cela implique de promouvoir des signaux utilisateurs positifs, un attachement émotionnel à la marque ou au site web, une popularité et une réputation croissantes et la création d'une entité. Cette base s’ajoute à la détermination du sujet concernant la recherche et l’analyse de mots clés, le référencement sur page en tant que structure d’information appropriée ou les liens internes, le transfert de données structurées, l’hygiène et le référencement du site Web. C'est le devoir, mais il ne suffira pas à lui seul de gagner un pot de fleurs dans les zones disputées. Ici, le travail d'équipe s'applique entre spécialistes interdisciplinaires.

Voici une citation de l'article déjà cité de MOZ de Simon Penson:

Mon conseil serait de commencer à penser en dehors de suivre des liens. Soyez heureux de gagner (et de construire) des liens et des mentions non suivis. Pensez en dehors du lien, car il y a de la valeur dans les mentions de conduite et la construction de la marque.

À mon avis, la construction du lien entre les époques touche à sa fin. Pourquoi? Je pense que la création de liens ou l'amélioration de l'optimisation de la réputation en ligne constituent une compétence essentielle des relations publiques et de la communication d'entreprise, moins du référencement. L’objectif des relations publiques et des communications d’entreprise est la construction de la marque, le positionnement sur le marché et la construction de la réputation. Les backlinks résultants sont un bel effet secondaire, mais jamais au premier plan.

Lorsque la co-occurrence devient de plus en plus pertinente, Google peut enregistrer la dénomination des marques et même reconnaître les domaines et les URL et explorer de nouveaux contenus, même s'ils ne sont pas directement liés. Le lien lui-même n'est plus. Doit avoir.

De nos jours, les moteurs de recherche ne réagissent plus seulement aux liens retour existants afin de reconnaître la pertinence pour un sujet spécifique, mais plutôt à un grand nombre de signaux hors page. La force de la marque elle-même, le z. B. sur le nombre de visiteurs via un accès direct ou le nombre d'accès peut être déterminé par des recherches liées à la marque, joue un rôle. Et cela peut être réalisé avec la stratégie de marque, le marketing, les relations publiques ou la communication d'entreprise.

Le classement des contenus individuels ainsi que la visibilité d'un domaine seront probablement déterminants à l'avenir, en plus de l'optimisation technique des moteurs de recherche en créant une réputation ou une marque et tous les signaux ou effets qui lui sont associés.

Enfin, ma présentation à la FH-Hanovre à la mi-avril, etc. sur ce sujet:

En 2013, Google a fait un cadeau très spécial pour ses 15 ans. Le moteur de recherche a un oiseau, un colibri, pour être exact, et il ne fait pas que colorer le zoo. Il ne s’agit pas d’une mise à jour anti-spam à la panda ou un manchot, qui sépare la paille du blé, mais d’un algorithme complètement nouveau (voir aussi Hummingbird: informations sur la mise à jour la plus importante de l’algorithme de Google depuis 2001).

Comme Google le décrit lui-même comme un changement de moteur, le moteur de recherche s’est permis un nouveau lecteur. Le colibri sonne enfin le recherche sémantique ce qui, grosso modo, signifie qu’elle peut maintenant récupérer les connaissances différemment. Toutes les données sont maintenant structurées sous forme de graphiques, offrant ainsi de nouvelles possibilités intéressantes d’attribuer une ou plusieurs significations au contenu.

Il ne s'agit pas que de mots-clés, il s'agit de nœuds et de bords

Google veut donner à chaque utilisateur, à tout moment, n'importe où, les réponses les plus pertinentes aux questions de la vie. Son efficacité dépend de ce que l'utilisateur révèle à propos de lui-même. Mais si tel est le cas, les résultats deviendront tellement personnalisés à l'avenir qu'il n'y aura plus de résultats "neutres". Pour le référencement, cela change un concept fondamental: il n'y a plus de place pour un mot clé spécifique dans le formulaire. Cela dépend plutôt du contexte de l'utilisateur, ce qui revêt des dimensions très intéressantes au regard des appareils mobiles.

Si cela se produit réellement avec la recherche sémantique telle que Google l’imagine, le référencement n’est plus ce qu’il était. Le référencement n’est pas mort alors, au contraire, l’optimisation est encore plus intense, car les moteurs de recherche sémantiques ne sont plus de petits enfants qui peuvent être éblouis par quelques mots clés stratégiquement placés. Au lieu de cela, ils regardent derrière la façade et se concentrent sur les valeurs intrinsèques d'une présence en ligne.

Mais non seulement les utilisateurs, mais aussi les sites Web deviennent des êtres significatifs. Google veut apprendre à tous les connaître et à se comprendre ou à rester éloignés les uns des autres. Le classement dans la recherche sémantique porte donc sur l'identité, l'intention, le sens, le contexte, l'association et les relations.

Google devient intime, montrez-lui ce que vous avez dessus

Avec un réseau de produits impressionnant, Google fait avancer la fusion des humains et des machines et veut devenir une interface indispensable entre le online et le offline. Imaginez un appareil que vous portez toujours sur le corps et à partir duquel vous obtenez des réponses significatives à des questions aussi génériques, telles que: Comment puis-je être le meilleur pour Thomas? Reste-t-il du café sur le chemin? Le client a-t-il déjà confirmé le rendez-vous? Quand est la conférence à nouveau? Dois-je acheter quelque chose aujourd'hui?

Plus les produits utilisés par une personne sont nombreux, plus les résultats de la recherche deviennent intimes et personnels, car ils ne sont plus basés uniquement sur un index actuel, crawlé, à tout moment, mais également sur l'empreinte numérique et l'historique de l'utilisateur. Les données nécessaires récupèrent Google via Google+, Gmail, Chrome, Store, Play, Maps, Lecteur, l'emplacement, le comportement de recherche précédent, etc.

Le résultat est un réseau de relations et de contextes, et qui sait, peut-être qu'à l'avenir, il sera normal que tout un chacun ait un petit assistant technique connaissant non seulement son lieu de résidence, ses intérêts et sa taille, mais également nos habitudes et préférences quotidiennes, ainsi que les nôtres. Famille, amis, employeurs, collègues et tous leurs intérêts et relations. Il nous féliciterait pour notre anniversaire, nous souhaiterait un examen réussi, nous taper l'oreille lors d'une présentation et nous rappeler de tout, sans que nous ayons à le demander.

Devenir un être avec un agenda

Le référencement change car tous ces facteurs intimes ne peuvent être influencés. L'ingénierie inverse devient de plus en plus compliquée. Pour bien s'insérer dans le cadre de la recherche sémantique, c'est-à-dire exprimer une intention, créer un sens, créer un contexte, créer une association et cultiver des relations, il est nécessaire de disposer d'une base en tant qu'identité. Google considère les sites Web et tout ce qui peut être derrière eux, les personnes, les entreprises, les projets, les institutions ou les organisations comme une entité, ce qui signifie autant qu'un être doté d'un agenda.

Pour être perçu par Google comme un expert sur un sujet particulier, il ne s'agit plus de convaincre un algorithme stupide, mais bien de convaincre un algorithme de plus en plus intelligent ET un humain situé à l'autre bout de l'écran. La création de marques devient la pierre angulaire de la présence en ligne et le contenu est le moyen de communication. Pour cette raison, le contenu n'est pas si mal suscité à la mode et se scinde avec le référencement, car il affecte d'autres domaines d'activité, tels que le marketing et les relations publiques, les achats, les services et les ressources humaines. Le contenu est le ciment qui peut être utilisé pour créer une image d’entreprise cohérente, à la fois en externe et en interne.

Cependant, le contenu peut encore être si excitant s'il n'est pas trouvé, alors c'est un effort d'amour gaspillé. Dans le monde multi-écrans, le temps de chargement, l'architecture de page et les redirections correctes ne doivent pas être relégués au second plan. Il convient de veiller à ce que le contenu soit bien structuré de manière à pouvoir être analysé et indexé régulièrement. Le balisage structuré aide la recherche sémantique à mieux comprendre la signification du contenu et à établir des relations significatives les unes avec les autres. Une fois qu'elle en a compris le sens, elle peut traiter toutes les questions elle-même et devenir ainsi le répondeur, qui ne se déploiera probablement que complètement en termes de recherche vocale.

Il faut du temps pour se développer

La recherche sémantique est en fait un tournant, le paradoxe est que la conversion d’algorithme nécessaire n’a été remarquée par pratiquement personne. Seule une presse élaborée avec Danny Sullivan en tant que journaliste exclusif a informé le monde du référencement du prétendu changement significatif d'algorithme pendant plus de dix ans. Et l'explosion, c'est qu'elle avait déjà traversé la scène quatre semaines plus tôt.

Le fait que Hummingbird soit en grande partie passé inaperçu du public a probablement un lien avec le fait que le basculement est un processus qui initie un nouveau processus, qui est sinon un processus. L'index n'est plus un catalogue rigide, les connaissances sont maintenant disponibles différemment. Il est basé sur des oreilles qui structurent les informations de manière significative et les relient entre elles et qui peuvent être considérées comme des cerveaux virtuels, qui ont bien sûr aussi une mémoire (neuromarketing, n'importe qui?).

En fin de compte, il s'agit de faire en sorte que l'utilisateur se déplace

Depuis le début, Google a été très occupé à acquérir des connaissances et à comprendre les algorithmes. Non seulement ils voulaient indexer les connaissances à partir du réseau, mais ils scannaient aussi des livres et se promenaient pour photographier le monde. En outre, depuis 15 ans, ils ont pu observer et analyser le comportement en ligne de pratiquement tous les utilisateurs des sociétés occidentales. Et le Web ne reste pas immobile, de nouveaux sites Web apparaissent tous les jours et une quantité inimaginable d'interactions a lieu, créant de nouvelles connexions à tout moment. Pour rester pertinent et donner les meilleures réponses à tout moment et en tout lieu, le moteur de recherche est devenu un processus capable d'apprendre et, avec le temps, de comprendre les choses dans le bon contexte. Cependant, cela prend un certain temps, car la machine et les utilisateurs doivent encore apprendre à se manipuler correctement.

Le développement dépend non seulement de la technologie, mais également de l'utilisateur et du degré de disponibilité de celui-ci à divulguer des informations. Dans tous les cas, le potentiel d'un moteur de recherche sémantique combiné aux bons outils est que vous ne devez plus vous souvenir de rien.

Le 27 juillet 2017, les consignes relatives à l'évaluation de la qualité par Google ont été mises à jour pour la dernière fois. Vous trouverez ci-dessous un résumé détaillé des principaux changements et de ce que les référenceurs peuvent apprendre du guide. la Consignes relatives à la qualité de Google ou Directives générales est un document destiné à guider les personnes qui souhaitent évaluer manuellement la qualité des résultats de recherche. Grâce à eux, vous pouvez obtenir des informations intéressantes sur la manière dont Google souhaite idéalement évaluer les résultats de recherche. J'ai l'actuel environ 160 pages complète Guide de l'évaluateur de qualité Une fois que vous avez travaillé pour vous, essayez de donner un aperçu détaillé du document et de tirer des conclusions pour l'optimisation des moteurs de recherche.

Que sont les évaluateurs de qualité et les évaluateurs de recherche et quelle influence ont-ils sur le classement?

Il existe de nombreux malentendus autour de l’évaluateur de la qualité auprès d’évaluateurs allemands. C'est pourquoi j'aimerais parler du rôle des évaluateurs de recherche sur Google.

Le terme évaluateur de qualité n’est plus utilisé par Google dans ce contexte. Le nom officiel est Search Evaluators. Celles-ci sont utilisées dans le monde entier par Google pour évaluer les résultats de la recherche. Cette évaluation est basée sur les "Lignes directrices pour évaluer la qualité de la recherche" présentées ici.

Cependant, l’erreur la plus répandue chez les évaluateurs de recherche est qu’ils sont directement responsables du classement de chaque site Web.

Afin de pouvoir évaluer manuellement toutes les requêtes et leurs résultats provenant de Quality Raters, le nombre de nouvelles requêtes de recherche et de pages nouvellement indexées nécessiterait des millions de personnes et des décennies pour même commander à distance les SERP. La classification de presque tous les classements sera toujours effectuée par l'algorithme de Google.

Les évaluateurs de recherche évaluent les résultats de la recherche dans un environnement de test. À cette fin, les SERPs sont lus sur la base de la version actuelle de l’algorithme de classement pour une requête donnée et après la mise en œuvre d’une mise à jour de l’algorithme. Les évaluations des différents résultats de recherche sont ensuite comparées et vérifiées pour déterminer si la nouvelle version de l’algorithme a permis d’obtenir de meilleurs résultats de recherche. Dans le graphique suivant de Google pour le développement d'algorithmes, il décrit la deuxième étape à partir du haut.

Dans une expérience de comparaison directe, nous montrons aux évaluateurs deux ensembles de résultats de recherche: les résultats de l'ancien algorithme et le nouvel algorithme. Ensuite, nous évaluons quels résultats les évaluateurs préfèrent. Source: Google

La question des requêtes qui sont vérifiées par le rapport de qualité ne peut recevoir de réponse que de manière spéculative. Très probablement, il s'agira de termes qui ont un volume de recherche élevé et certains d'entre eux concernent des industries où il y a beaucoup d'argent à gagner, car ce sont des termes i.d.R. affiche également le plus de spam.

Pour évaluer les pages de destination et / ou les résultats de recherche, les responsables de la qualité travaillent dans une plate-forme d'évaluation, où ils exécutent les requêtes de recherche et évaluent les résultats de la recherche pour deux curseurs situés au-dessus des résultats de la recherche.

L’évaluateur de qualité ne devrait pas avoir d’influence directe sur le classement. On peut supposer que l’évaluation des évaluateurs de recherche de bons et de mauvais sites Web en tant que données de formation dans des systèmes d’apprentissage automatique. Sur la base de ces données, des modèles de sites Web bons et mauvais pourraient être identifiés, lesquels pourraient ensuite être utilisés pour créer des groupes de modèles pour l'algorithme de classement. Cela reste des spéculations.

Matt Cutts a commenté le travail de Quality Rater dans les deux vidéos suivantes.

Quelles sont les règles d'évaluation de la qualité Google? Définition et contenu

Le nom Guide d'évaluation de la qualité n'est plus utilisé par Google depuis un certain temps. Le nom officiel est "Lignes directrices pour évaluer la qualité de la recherche" ou trop Directives générales. Ce guide a été officiellement publié par Google pour la première fois en 2013. Jusqu'à présent, ils étaient uniquement adressés à l'évaluateur de la qualité et n'étaient pas publiés pour tout le monde. Avant cela, vous pouviez trouver des versions divulguées sur le net. En février / mars 2013, pour la première fois, il y avait une version officielle mais abrégée des Lignes directrices. C'était la version 1.0 avec la date de création 02. novembre 2012. Depuis lors, d'autres versions ont été publiées jusqu'à la version d'aujourd'hui.

Mise à jour Historique

Les directives d'évaluation de la qualité ont été mises à jour de temps à autre. Les mises à jour suivantes sont donc connues:

1. 30.03.2011 Version 3.18 (prise)
2. 02.11.2012 Version 1.0 (public)
3. 29.03.2013 Version 4.1 (prise)
4. 31.03.2014 Version 5.0 (approuvé)
5. 15.11.2015 (public)
6. 11 mai 2017 (public)
7. 27.07.2017 (public)

Depuis 2015, plus aucun numéro de version n'est émis.

La version actuelle des lignes directrices donne Téléchargez le ici,

Qui s'attend maintenant à ce que tous les secrets soient révélés ici pour déchiffrer l'algorithme de classement sera déçu. la Guide d'évaluation de la qualité sont comme leur nom l'indique Lignes directrices pour les évaluateurs de la qualité ou les évaluateurs de rechercheque Google utilise pour améliorer les résultats de recherche (nous en parlerons plus tard). Ils vérifient manuellement et de manière aléatoire les SERP pour des requêtes spécifiques et déterminent si les résultats sont réellement utiles.

Contenu de la ligne directrice

Les directives de l’évaluateur de la qualité sont structurées en chapitres principaux.

1. Aperçu du guide général
2. Directive pour l'évaluation de la qualité de la page
3. Comprendre les besoins des utilisateurs mobiles
4. Besoin pleasuring examen
5. Utilisation de l'interface d'évaluation

Toutes les versions des directives de l’évaluateur de qualité regorgent d’exemples tels que les suivantes:

Depuis le Version 5.0 des directives pour l'évaluateur de la qualité Google a mis en place un processus d'évaluation qui se concentre sur deux domaines clés:

1. Page de renvoi et site complet sans référence à la requête de recherche (évaluation PQ)
2. Blocs SERP et page de destination en relation avec la requête de recherche (Need-Met)-Rating)

La cote PQ dans les directives générales

L’évaluation de la qualité des pages PQ a pour objectif de vérifier le classement des pages de destination aux fins de recherche en termes de réalisation des objectifs. Les pages de destination peuvent avoir différentes finalités.

Le but d'une page est la raison pour laquelle la page a été créée. Chaque page sur Internet est créée à des fins multiples ou multiples. La plupart des pages sont conçues pour être utiles aux utilisateurs. Certaines pages sont faites pour gagner de l'argent, avec peu ou pas d'effort pour aider les utilisateurs. Certaines pages sont même créées pour nuire aux utilisateurs. La première étape pour comprendre une page consiste à déterminer son objectif.

Les pages de renvoi et les sites Web conçus pour nuire, tromper ou vendre des utilisateurs peu utiles doivent recevoir un indice de QP faible.

content sur les pages de destination, Google classe

• Contenu principal (MC)
• Contenu supplémentaire (SC)
• Annonces (annonces)

Le MC représente l'objectif de la page de destination. Les critiques peuvent faire partie du MC, mais aussi être considérées comme SC. Ici, il semble voir Google différemment selon les cas. Google recommande que les évaluateurs de recherche identifient d'abord le MC, puis classent la publicité et le reste en tant que SC.

Une déclaration intéressante concernant le contenu non directement visible, par exemple derrière les onglets se trouvent au chapitre 2.4.1:

Notez que les onglets de certaines pages donnent accès à davantage d'informations, par exemple des avis de clients. Dans certains cas, vous pouvez considérer le contenu sous ou en dehors du MC de la page.

Pour ça évaluation PQ Google recommande à Quality-Ratern de regarder également à côté de la Landingpage sur l'ensemble du site Web. En outre, l'opérateur du site Web et les auteurs doivent être identifiés. En outre, l'état du site Web devrait être déterminé. Par exemple, si les liens fonctionnent. si les images sont chargées ou si le contenu est mis à jour,

En outre, une image de la réputation du site Web devrait être faite. Les responsables de la qualité doivent s’appuyer sur des informations indépendantes et rechercher des informations provenant de sources objectives. Ici, il devrait y avoir une correspondance entre les informations sur le site Web et celles provenant de sources indépendantes. Pour la recherche, Google donne des indications par exemple. travailler avec des opérateurs de recherche. La note concernant les petites organisations est intéressante:

Il est fréquent que vous trouviez peu ou pas d'informations sur la réputation d'un site Web pour une petite organisation. Ce n'est pas indicatif d'une réputation positive ou négative. De nombreuses petites entreprises locales ou organisations communautaires ont une "présence sur le Web" et comptent sur le bouche à oreille et non sur des critiques en ligne. Pour ces petites entreprises et organisations, la réputation de marque ne doit pas être considérée comme une indication de la qualité médiocre des pages.

La cote PQ peut être classée en 9 niveaux, du plus bas au moyen au plus élevé.

Les évaluations PQ doivent être effectuées en tenant compte de la page de destination respective ainsi que du site Web complet. Pour les forums et les portails de questions-réponses, les encyclopédies appliquent différents critères d'évaluation.

Le classement PQ est indépendant de la requête de recherche, mais attribue une note à la fois à la page de destination et à l'ensemble du domaine. indépendamment de la requête:

Le classement PQ est étiqueté "indépendant de la requête", ce qui signifie qu'il ne dépend pas de la requête. Ne pensez pas à la requête lorsque vous attribuez un classement PQ au disque vinyle.

Expertise / Autorité / Fiabilité (E-A-T)

Google décrit la relation entre expertise, autorité et fiabilité avec l'acronyme E-A-T (Expertise-Autoritaire Fiable). La cote E-A-T fait partie de la cote PQ. Afin d'obtenir une note E-A-T positive, l'un des facteurs décisifs est le site Web de l'opérateur sur le site Web. En particulier pour les pages YMYL (plus de détails ci-dessous), la verbosité de ces informations joue un rôle majeur. Ces pages doivent être aussi transparentes que possible.

L'importance de cette fonctionnalité pour les pages de haute qualité dépend du sujet.

• Un avis médical de grande qualité doit émaner de personnes ou d’organisations disposant de l’expertise médicale ou de l’accréditation appropriée. Les avis ou informations médicaux de qualité doivent être révisés, révisés et mis à jour régulièrement.
• Des conseils financiers de haute qualité, des conseils juridiques, des conseils fiscaux, etc., doivent provenir de sources spécialisées et être mis à jour et actualisés.
• Ce qui résulte d'un remodelage à domicile (qui peut coûter des milliers de dollars) ou de conseils sur des questions parentales (qui peuvent avoir une incidence sur le bonheur futur d'une famille).
• Les pages de haute qualité sur les loisirs, comme la photographie ou apprendre à jouer de la guitare, nécessitent donc une expertise.

Que l'information provienne réellement d'experts confirmés ou de l'expérience d'un non-expert doit être décidée au cas par cas.

En résumé:

La note du MC se trouve au niveau de la page de destination. La réputation est évaluée pour l'ensemble du site. L'évaluation E-A-T peut être effectuée à la fois pour la page de destination et pour l'ensemble du site Web. Le classement E-A-T doit être effectué au niveau de la page de destination, en particulier lorsque plusieurs auteurs sont responsables des MC de la page de destination.

Le site Web EAT est important dans les situations suivantes:
● Tout le contenu du site Web est produit par la même personne ou organisation. Un exemple est un site web médical
qui est produit par un groupe de médecins réputés.
● Le contenu du site Web est produit par différents auteurs ou organisations, mais le site Web est très actif.
normes éditoriales. Un journal scientifique avec des normes très élevées de publication en est un exemple.
● Le site Web jouit d’une réputation extrêmement positive auprès des experts en la matière, c’est-à-dire qu’il est
reconnu comme l’une des sources les plus expertes, faisant autorité ou dignes de confiance sur le sujet.

Propriétés de sites de très haute qualité

Les sous-chapitres suivants sont très intéressants pour le référencement, car Google décrit les évaluateurs de la recherche sur la recherche de pages de haute qualité.

Que ce soit un site avec "haut"Ou"très haut"Dépend principalement de la Qualité du MC, le Degré de E-A-T– l'évaluation et la réputation à partir. Les pages les plus hautes doivent avoir les caractéristiques suivantes:

• E-A-T inclut le E-A-T de l'éditeur ainsi que l'auteur
• Une quantité satisfaisante de contenu de haute qualité qui parle de temps, d’expertise, de compétences, de talent et d’efforts. La précision du contenu du MC dépend du but et du sujet. Des sujets plus larges nécessitent plus de contenu. Sujets spéciaux moins.
• Très grande transparence vis-à-vis des opérateurs et des personnes responsables, notamment avec les magasins et les sites web sur lesquels des ventes directes peuvent être réalisées. Les commentaires sur le service à la clientèle jouent également un rôle ici.
• Une réputation positive auprès du responsable du MC.
• La page de destination et le site Web sont des experts, ont autorité et sont dignes de confiance quant au sujet.

De plus, le site devrait avoir la plupart des propriétés suivantes:

• Degré de réputation
• Contenu complémentaire convivial (SC)
• Conception Web fonctionnelle qui facilite la concentration de l'utilisateur sur le MC
• Informations suffisantes sur l'opérateur, les coordonnées …
• Un état soigné

Pour l'actualité et l'état d'un site Web, Google écrit ce qui suit:

La fréquence à laquelle un site Web doit être mis à jour dépend de son objectif. Cependant, tous les sites Web de haute qualité sont bien entretenus, entretenus et mis à jour de manière appropriée.

Mais surtout dans l'évaluation des pages YMYL, E-A-T joue un rôle majeur.

Propriétés de sites de basse qualité

Les pages de qualité médiocre ont des propriétés qui empêchent de satisfaire le but des pages de destination, telles que suivant:

• L'auteur de la page n'a pas suffisamment d'expertise pour le sujet et / ou le site Web n'est pas digne de confiance ni d'autorité de sujet.
• La qualité du MC est faible.
• La quantité de MC n'est pas satisfaisante.
• Le MC est copié.
• Le MC est difficile à consommer en raison de la publicité ou d'autres éléments.
• Manque de transparence concernant l'opérateur et le but du site web
• Le site a une réputation négative

Votre argent ou votre vie (YMYL) Pages

Une catégorie importante pour Google concerne les sites Web qui peuvent influencer l’esprit, la santé et la fortune des utilisateurs grâce aux informations et aux offres. Google appelle ces pages "Votre argent ou votre vie "Pages brièvement YMYL pages. Sur ces sites, Google a des attentes particulièrement élevées en ce qui concerne le classement PQ.

Google mentionne comme exemples de pages YMYL:

• portails commerciaux
• Généralement des pages sur lesquelles vous pouvez commander quelque chose directement avec de l'argent
• Portails d'information pour la finance
• Portails d'information sur la santé
• Portails d'information sur des sujets juridiques
• Portails d'information pour l'éducation

On peut supposer que Google met l'accent sur les signaux externes qui confirment l'autorité et la réputation d'un domaine ou d'un auteur dans les pages YMYL lors de la pondération des signaux de classement. Backlinks, co-compétitions, mentions de la marque, volume de recherche sur les termes de recherche liés à la marque ou à la navigation (plus d'informations sur l'intention de recherche dans l'article) Toutes les informations sur les types de mots clés, l'intention de recherche, l'identification de l'intention de l'utilisateur et les avis peuvent être prises en compte.

Besoin pleasuring examen

Le chapitre complet complet de la ligne directrice sur la notation des besoins satisfaits traite de l'évaluation des appareils mobiles. Dans l'évaluation des besoins satisfaits, les évaluateurs de la recherche doivent déterminer le niveau de satisfaction des besoins sur une échelle allant de «Faux à satisfaire» à «Complètement satisfait» pour un résultat de recherche.

De plus, des drapeaux peuvent être définis, je les traiterai plus tard. La note de besoin satisfait semble avoir remplacé la cote de service précédente.

Contrairement à l'évaluation PQ, cette évaluation fait référence à la requête de recherche et au résultat de la recherche. Les éléments suivants sont évalués dans les SERP:

• Bloc de résultats de contenu spécial
• Bloc de résultats de recherche Web
• Bloc de résultat d'action de périphérique

Le bloc de résultats de contenu spécial

Dans ce cas, les évaluateurs de recherche doivent si possible interagir avec le bloc ou évaluer le contenu du bloc.

Bloc de résultats de recherche Web

Dans ce cas, les évaluateurs de recherche doivent interagir avec le bloc et effectuer l’évaluation en fonction de la page de destination.

Conditions pour la note complète

Afin de fournir un résultat avec la notation «Entièrement conforme», les conditions suivantes doivent être remplies:

• La requête de recherche et les besoins de l'utilisateur doivent être clairs et sans ambiguïté
• Le résultat doit être pleinement utilisable par les utilisateurs mobiles, sans effort
• Presque tous les utilisateurs doivent être pleinement satisfaits sans avoir à cliquer sur un autre résultat

Espèces de drapeau dans les recommandations de l'évaluateur de la qualité

La section qui décrit quelle sélection de drapeaux peut utiliser est également intéressante. Les résultats de recherche avec différents drapeaux doivent également être classés différemment.

• Porno (P)
• Langue étrangère (F)
• N'a pas chargé (D)
• Refoulement offensive

Il est intéressant de noter que les résultats de recherche dans des langues autres que l'anglais ou les requêtes en provenance de pays où les résultats de recherche en anglais sont dans une langue autre que l'anglais ne sont généralement pas exclus. Dans ce cas, des précautions ne devraient être prises que dans des cas exceptionnels, notamment si le chercheur s'attend à ce que les résultats soient fournis en anglais.

Les différentes recherches

Dans les instructions générales, Google distingue les types de recherche suivants:

• Requêtes de recherche avec emplacement explicite
• Requêtes de recherche avec différentes significations
  • Sens dominant
  • Sens commun
  • Rare sens

Le rôle de l'intention de recherche

Comprendre l'objectif de recherche de chaque terme est une condition préalable pour que Quality Rater puisse commencer à évaluer les résultats de la recherche pour une requête.

N'oubliez pas: si vous ne comprenez pas la requête et l'intention de l'utilisateur, relâchez la tâche. Pour cette raison, la requête est une bonne première étape. Vous devez comprendre l'intention de l'utilisateur d'évaluer la page de destination.

Google lui-même établit une distinction en ce qui concerne l'intention de recherche ou l'intention de l'utilisateur dans les catégories suivantes:

• Savoir et savoir simple
• Action Do / Device
• site Web
• Visit-in-person / User Location
• Requêtes de recherche avec différentes intentions de recherche

Plus à ce sujet dans l'article très détaillé Toutes les informations sur les types de mots clés, l’intention de recherche, l’intention de l’utilisateur d’identification, etc.

Spécifications à l'évaluateur de qualité

Les évaluateurs de la qualité ont les comportements suivants dans les lignes directrices:

• Ils doivent représenter l'utilisateur dans la langue et l'emplacement respectifs.
• Ils devraient en grande partie se passer des add-ons du navigateur et des extensions bloquant les publicités.
• Veillez à ne pas télécharger de fichiers visibles sur l'ordinateur et à ne pas utiliser de logiciel anti-virus.

Les directives semblent un peu comme si l’évaluateur de la qualité utilisait son propre ordinateur ou travaillait même à domicile.

La nouvelle version des directives générales comparée à la version de 2015

Bien que les changements entre la version 4.1 et la version 5.0 aient été très drastiques, cette mise à jour tombe plutôt de manière contemplative, concernant les innovations. Le plus gros changement est que le Les notations de service ne font plus partie des directives de l’évaluateur de qualité, C'est pourquoi j'ai déplacé cette partie à la fin de ce post dans les archives.

En outre, il est à noter que le La cote E-A-T a pris de l'importance dans les lignes directrices a, Il est similaire avec des passages de texte à Utilisation de la publicité,

De nouvelles indications indiquent que les évaluateurs de la recherche sont très attentifs satire. humour et discours de haine aurait dû. Autre nouveauté: une section qui demande aux évaluateurs de recherche d’évaluer téléphones mobiles de performer. De manière générale, il est à noter que l’objet des Directives sur la téléphonie mobile a considérablement augmenté au fil des ans. Les chapitres principaux ainsi complets ne font référence qu'à l'utilisation mobile des résultats de la recherche.

Tous les autres changements concernent principalement la structure du document.

Les informations les plus importantes tirées des recommandations et des conclusions de l'évaluation de la qualité en matière de référencement

Sur la base de la version 5.0, je voudrais résumer les conclusions les plus importantes des directives générales relatives au travail de référencement.

Titre et description sont également évalués qualitativement

Etant donné que les évaluateurs de qualité sont arrêtés à côté de la page de destination elle-même, les résultats de la recherche, notamment le titre et la description, sont également mis en évidence. Il est donc évident qu'ici, outre la prise en compte purement quantitative du taux de clics (test intéressant ici).

La fraîcheur du contenu est importante uniquement pour des requêtes de recherche, des événements et des industries spécifiques

Comme indiqué dans mon article sur la fraîcheur du contenu en tant que facteur de classement, je ne considère pas la fraîcheur du contenu comme un critère de classement généralement important. C'est pourquoi je ne représente pas la déclaration générale selon laquelle vous devez souvent et régulièrement fournir du contenu SEO pour du nouveau contenu. Et Google semble voir la même chose:

certains les requêtes exigent des informations très récentes ou "fraîches". Les utilisateurs recherchent peut-être des "informations de dernière minute", telles qu'un événement important. Imaginez un utilisateur du Kansas en train de taper la requête (tornade), anglais (États-Unis) à cause d’un gros orage. Les informations sur la saison des tornades de l'année dernière ne sont pas utiles. Les utilisateurs ont besoin d'informations sur les tornades qui se dirigent maintenant!

En plus de certaines requêtes de recherche, Google mentionne des secteurs ou des événements concrets pour lesquels l'actualité est importante dans les directives:

• événements
• élections
• émissions de télévision
• conférences

Rechercher également des produits techniques en évolution, tels que l'I-Phone nécessite des informations à jour. Il convient de souligner la déclaration suivante:

Rappelez-vous que nous nous soucions du contenu et non de la date.

Mais Google indique également que certaines recherches ne nécessitent pas de ponctualité.

Parfois, les requêtes n'exigent pas les informations les plus récentes. Par exemple, certaines requêtes, telles que (date de naissance de Ronald Reagan) et (poids atomique de l'or), demandent des faits de base qui sont bien compris, établis et peu susceptibles de changer.

Considérer l'intention de recherche et le but de la page de destination

Lorsque j'ai vu les directives d'évaluation de la qualité pour la première fois en 2012, cela a été une révélation en matière d'intention de recherche. La référence répétée dans les lignes directrices selon laquelle l'évaluateur de la qualité doit avoir compris l'intention de recherche souligne l'importance. Car ce n'est que si Google sait ce qui est garanti pour une intention de recherche derrière une requête que le moteur de recherche peut également fournir le contenu approprié pour l'utilisateur. Et quoi de plus important pour les référenceurs: alors seulement, vous saurez quel contenu a de meilleures chances de figurer dans le classement.

L’importance de l’intention de recherche que j’ai déjà communiquée à plusieurs reprises sous forme de conseil en référencement (par exemple ici à Internet World Business), mais si vous examinez la recherche de mots clés par des collègues, vous ne trouverez souvent rien. Depuis lors, l’intention de recherche a été un sujet central dans l’analyse de mots clés.

Augmenter la confiance par la transparence

En particulier pour les sites Web liés à YMYL, la transparence à propos de l'opérateur ou de l'organisation et des informations commerciales détaillées sont essentielles à la confiance. Vous devez faire attention aux fonctionnalités suivantes pour les sites non approuvés:

• Pages ou sites Web que vous soupçonnez d'être des arnaques.
• Pages demandant des informations personnelles sans motif légitime (par exemple, pages demandant le nom, la date de naissance, l'adresse, le compte bancaire, le numéro d'identification du gouvernement, etc.).
• Sites Web qui "hameçonnent" les mots de passe de Facebook, Gmail ou d’autres services en ligne populaires. Voir ici pour plus d’informations sur le "phishing".
• Pages avec des liens de téléchargement suspects, qui peuvent être des logiciels malveillants.

En outre, les pages piratées et les pages contenant de nombreux commentaires de spam doivent être considérées comme mauvaises.

Pas trop de publicité

La ventilation entre contenu principal, contenu supplémentaire et publicité montre que Google souhaite examiner la publicité séparément. De plus, la mise à jour de l’algorithme de mise en page avait déjà montré ce que Google faisait de trop de publicité. Dès qu'une page apparaît comme le principal objectif de la publicité, elle est mal notée. C'est pourquoi vous devez faire attention à l'emplacement des espaces publicitaires car le but réel du site pour l'utilisateur est toujours l'information ou la transaction.

Optimiser l'environnement contextuel

Le soi-disant contenu complémentaire au contenu complémentaire ou additionnel en allemand semble également être une raison importante pour donner aux pages une note supérieure à la moyenne. C'est pourquoi il est judicieux de proposer des informations supplémentaires sur un sujet. Que vous les regroupiez sur un seul onglet ou sous forme de "pages satellites", distribuées autour d'une page de destination, je ne pense pas que cela soit si crucial. Le facteur décisif est simplement que vous fournissez un sujet de manière holistique avec des informations supplémentaires sur les problèmes de voisinage ou marginaux. Il existe une contribution intéressante à ce sujet en ce qui concerne les lignes directrices.

Maintenir le site et le contenu en bon état

L'état d'un site Web est évalué d'une part sur la fonctionnalité optimale ainsi que sur la maintenance du contenu. Cela inclut tout ce que nous appelons "l'hygiène des sites Web", tels que: Contrôle régulier et suppression des erreurs 404. Dans certaines zones, les mises à jour régulières du contenu jouent également un rôle. Par cela, je ne parle pas nécessairement de la fraîcheur du contenu sous la forme de nouvelles URL, mais également de la mise à jour du contenu existant. Google explique dans les instructions que cela est particulièrement important pour certains sujets. De plus, les commentaires de spam doivent être éliminés régulièrement.

Reportez-vous à l'article Tâches d'optimisation tactique et stratégique des moteurs de recherche pour les tâches de l'optimisation des moteurs de recherche.

Améliorez votre réputation et votre image de marque grâce à du bon travail, des notes et des messages

Comme mentionné dans mon article Branding et le nouveau classement Google: Pourquoi le référencement ne suffit pas, il devient de plus en plus important que le classement devienne une marque ou une autorité. Google tente également de cartographier cela dans les consignes de Quality Rater. L'examen des votes sur les forums, des portails d'examen, des contributions sur des portails spécialisés, etc. va dans le sens. C'est pourquoi vous pouvez faciliter la recherche et la référence de ces références sur leur propre site Web avant la recherche fastidieuse auprès d'opérateurs de recherche. 🙂

Pour en savoir plus sur la création de marques numériques et le référencement dans l’article Création de marques numériques: L’importance de la marque pour le marketing en ligne.

Utilisez Wikipedia

Google utilise explicitement Wikipedia dans les consignes afin d'utiliser la réputation d'un site Web pour l'évaluation PQ. Tout le monde n'est pas déjà établi en tant que marque propre sur Wikipedia. Mais vous devriez essayer d'utiliser Wikipedia comme un instrument de réputation. Ça peut être la nôtre Guide de relations publiques wt Wikipedia peut-être aider.

Contenu, contenu, contenu

Le contenu principal (MC) joue un rôle important dans de nombreux points des lignes directrices. Par exemple, Google mentionne les fonctionnalités de contenu incorrect suivantes:

• Pas de contenu principal
• Contenu principal avec bourrage évident des mots clés
• Nonsense ou contenu sans déclaration
• Contenu généré automatiquement
• Contenu copié

À cette fin, l’évaluateur de qualité devrait poser les questions suivantes:

Si tout ou la plupart des MC de la page sont copiés, réfléchissez au but de la page. Pourquoi la page existe? Quelle est la valeur de la page pour les utilisateurs? Pourquoi les utilisateurs devraient-ils regarder la page avec le contenu de la copie au lieu de la source d'origine?

En général, lors de la création de contenu, vous devez toujours avoir le droit de publier le meilleur document sur le Web concernant le sujet concerné. L'effort derrière dépend de manière décisive de la concurrence. Par conséquent, vous devez traiter exactement le contenu de la première page du contenu des résultats de recherche et vous poser les questions suivantes:

• Quelle est l'étendue du contenu existant sur les autres pages?
• Que puis-je faire mieux?
• Quels efforts dois-je dépenser pour créer un meilleur contenu?
• Cet effort est-il proportionnel à l'avantage?

Devenir un expert

Être expert dans un domaine particulier signifie être une autorité dans un domaine. Cela signifie que les sites de niche peuvent certainement avoir une chance contre les grandes marques. Par exemple, Amazon ou Ebay, mais aussi d’autres magasins d’assortiments à grande échelle, auront plus de mal à se classer plus haut dans un créneau que les magasins spécialisés si ils le font bien et se font passer pour un expert. En outre, un extrait des lignes directrices:

Pensez au sujet de la page. Quel type d'expertise est requis pour que la page atteigne son objectif? La norme d’expertise dépend du sujet de la page.

Google différencie les sites Web en fonction de leurs objectifs

Google distingue différents types de sites Web en fonction de leur objectif. Par exemple

• sites commerciaux
• Nouvelles des sites
• pages Forum
• sites vidéo
• Pages d'erreur
• PDF
• images
• sites Gossip
• pages Humour
• Les pages d'accueil

En tant qu'objectifs possibles, Google répertorie les éléments suivants:

• Vendre des produits ou des services
• Partage d'informations sur un sujet
• Partage de photos, vidéos et autres formats multimédia
• s'amuser
• Publier des questions dans le but d'obtenir une réponse d'autres utilisateurs
• Autoriser les utilisateurs à partager des fichiers ou à télécharger des logiciels
• Autoriser les utilisateurs à partager des informations personnelles

Guide Google pour l'évaluation de la qualité: peu de nouvelles, mais confirmation de nombreuses suppositions

La dernière version du Guide de Google pour Quality Raters révèle des informations intéressantes sur le classement des sites. Beaucoup de choses qui circulent dans les cercles de référencement sont appuyées par les conclusions des lignes directrices. Google will den Nutzer befriedigen durch die SERPs und die Websites, die dort zu finden sind. Damit stellen sie Nutzer zufrieden, die bei positiver Erfahrung mit dem Suchmaschinen-Monopolisten wieder kommen werden. Der Nutzer soll bei den Quality Ratern im Mittelpunkt stehen und Webmaster tun gut daran dieses Mantra auch für ihre Website zu befolgen, wenn sie bei Google gefunden werden wollen.

Wobei die Frage nach dem direkten Einfluss von Nutzersignalen auf das Ranking unbeantwortet bleibt. Google selbst sagt Nein! Viele SEOs sagen ja. Ich glaube eher dem was Google sagt. Gerade in diesem Punkt würde es keinen Sinn machen wenn Google hier etwas vertuschen wollen würde. Im Beitrag Nutzersignale Rankingfaktor/Rankingsignal für Google? sammele ich alle Aussagen und Indizien, die für und gegen diese Theorie sprechen.

Jeder der sich ernsthaft mit Suchmaschinen beschäftigt sollte sich die Guidelines ansehen, um besser zu verstehen was Google möchte. Dabei liegt die Betonung auf  „möchte“.

Wer die Gelegenheit hat sich die General Guidelines irgendwie zu beschaffen sollte einen Blick darauf werfen.  Sonst einfach diesen Beitrag bookmarken, ausdrucken etc. Ich werde auf jeden Fall versuchen diesen Beitrag bei neuen Versionen zu aktualisieren. In diesem Sinne, viel Spass beim Optimieren!

Archiv:

Die folgenden Inhalte sind kein Bestandteil mehr der aktuellen Quality-Rater-Guidelines. Ich möchte sie aber gerne an dieser Stelle festhalten.

Das Utility-Rating für Landingpages und Ergebnis-Blöcke (bei NTRB)

Die Quality Rater sind angehalten die rankenden Seiten nach deren „Utility“ also Brauchbarkeit zu prüfen. Hier haben sie die Möglichkeit basierend auf der Suchanfrage die Landingpage und den jeweiligen Ergebnis-Block über einen Schieberegler zwischen 5 Bewertungen zu wählen. Zwischenschritte sind auch auswählbar.  Dabei unterscheidet Google bei den Suchergebnissen bzw. Ergebnis-Blöcken zwischen Blöcken mit Titel (TLRB), und ohne Titel (NTRB). NTRBs sind in erster Linie die Ergebnisse aus dem Knowledge Graph welche i.d.R. in einer eigenen Box ausgeliefert werden oder Ergebnisse aus Google Places.

Sometimes it is really hard to tell whether a block is a TLRB or whether it is a NTRB. Remember, you can fall back on this rule: a TLRB must have a title link at the top of the block.

TLRBs sollen dabei immer mit Blick auf den Inhalt der Landingpage bewertet werden während NTRBs mit Blick auf den in den SERPs eingeblendeten Inhalt bewertet werden sollen.

Das Utlity-Rating bezieht sich sowohl auf die Suchanfrage und das Ergebnis:

The utility rating is based on both the query and the result. For this reason, the utility rating slider is labeled “query-dependent.” You must carefully think about the query and user intent when assigning a utility rating.

Vital (nur einmal pro Suchbegriff möglich)

Damit eine URL als Vital eingestuft werden kann muss sie eine Navigationsabsicht befriedigt sein und/oder zum Suchbegriff passenden offiziellen Website einer Entität z.B. einer Person, Unternehmung, Ort oder Organisation führen. Das unterstreicht auch Googles Bemühungen Brand eigene Seiten zu fördern. Anders gesagt muss bei der Suchanfrage eindeutig sein, dass er genau diese Seite sucht. Dabei dürfen nur TLRBs mit der Bewertung Vital versehen werden. Zu bestimmten allgemeingültigen Begriffen, die keine Entität sein können wie z.B. Diabetes, Möbel, Autos… darf kein Suchergebnis als Vital bewertet werden.

Zum Vital-Rating bei Namen finde ich folgende Information noch interessant:

Important: Websites that are under construction or obviously unmaintained should not be rated V, even if they were at one point created by or authorized by the person in the query. Please consider a personal website to be unmaintained if there is old or stale information displayed prominently. For personal websites which are generally very frequently updated, please look for updates within the last four months. If the personal website feels unmaintained, do not use the V rating.

Hier einige Beispiele aus der offiziellen Version 1.0:

Useful (mehrfach möglich)

Useful ist eine Seite, die gut zu einer Suchanfragen passt und nützlich für den Nutzer ist. Dabei sollte die Landingpage folgende Eigenschaften haben:

• Sehr befriedigend (highly satisfying)
• Verlässlich (authoritative)
• Unterhaltend (entertaining)
• und/oder  Neu/aktuell (and/or recent (such as breaking news on a topic))

Relevant (mehrfach möglich)

Relevante Seiten sind Landingpages, die immer noch der Suchintention des Nutzers entsprechen, aber müssen nicht so inhaltsreich, aktuell oder verlässlich wie als Useful eingestufte Seiten sein. Die Qualität muss dennoch überdurchschnittlich sein.

Slightly Relevant (mehrfach möglich)

Slighty Relevant trifft auf Seiten zu, die schon irgendwie mit dem Thema der Suchanfrage zu tun haben, aber nicht besonders hilfreich z.B. aufgrund schlechter Qualität sind. Als Beispiel werden auch Landingpages für mobile Endgeräte genannt, die für Suchanfragen für Nutzer die Desktop oder Laptop-Rechner nutzen nicht hilfreich sind.

Offtopic or Useless (mehrfach möglich)

Seiten, die nur sehr wenigen oder gar keinen Nutzern einen Mehrwert bieten, sollen als Offtopic oder Useless gekennzeichnet werden. Seiten, die ausschließlich Werbung und ausgehende Links enthalten gehören zu dieser Kategorie und sollten zusätzlich als Spam markiert werden.
Nutzlose Seiten sollen generell, auch wenn sie im PQ-Rating gut abgeschnitten haben mit der schlechten Utility Rating Bewertung versehen werden. Die Auszeichnung mit dem Prädikat Vital ist unabhängig von der PQ-Bewertung also von der Qualität der Seite im Allgemeinen.

L'introduction de la recherche sémantique dans la mise à jour de Hummingbird en 2013 a fondamentalement modifié la recherche de Google et, partant, l'expérience utilisateur de Google. Hummingbird n'est pas sans raison considéré comme l'une des plus importantes mises à jour de Google dans l'histoire.

L'introduction du Knowledge Graph et de l'algorithme Hummingbird a façonné ma vision du référencement. Je travaille sur ce sujet depuis 2013 Sémantique et entités dans l'optimisation des moteurs de recherche,

Je souhaiterais mettre l’accent sur une série de classements basés sur des entités et sur le référencement sémantique, présentés ici sur le blog plus tard cette année.

Pour cela, je planifie chaque mois une contribution.

Je m'en occupe beaucoup Google Brevets. Informations des officiels de Google ainsi que le Aide Googlepropres expériences et opinions d’autres collègues. Celles-ci sont constamment incluses dans les contributions actuelles. En outre, je vais réviser et mettre à jour les contributions existantes des 5 dernières années.

Dans cet article, vous trouverez un aperçu actualisé de tous les articles écrits sur le référencement sémantique ici dans le blog. Il est mis à jour tous les mois.

Je mettrai à jour cet aperçu chaque mois avec le dernier post. Les premières contributions doivent être comprises comme une introduction au sujet. Tous les autres articles sont un peu plus en profondeur.

la Graphique de connaissances est la base de données sémantique de Google. Ici, les entités sont liées les unes aux autres, dotées d'attributs et dans un contexte thématique ou ontologies apporté. Ce faisant, les nœuds d'entités et la manière dont ces entités sont liées sont représentés sous forme d'arêtes … En savoir plus sur le graphique de connaissances de Google.

la algorithme de Hummingbird est l'algorithme de classement actuel de Google. colibri trop allemand Kollibri est basé sur une interprétation sémantique des requêtes de recherche, des documents et des autorités. En savoir plus sur Google Hummingbird ici.

Les entités jouent un rôle particulier pour Google depuis l'introduction de l'algorithme Hummingbird et, partant, pour l'optimisation des moteurs de recherche. L'optimisation des sujets et des entités remplace de plus en plus l'optimisation classique par des mots clés. En savoir plus sur les entités:

Dans cet article, je voudrais partager une découverte que j'ai faite avec vous sur Google. Google aimerait probablement avoir le vôtre dans le futur Boîte Entités ou panneau de connaissances peut réclamer et modifier.

Il s’agit de la quatrième partie d’une série de publications sur le référencement sémantique et aborde la question de savoir si Google comprend vraiment le sens des documents et des requêtes de recherche, ou s’il ne s'agit que d’une analyse statistique.

Les entités jouent un rôle de plus en plus important dans l'indexation pour Google depuis Knowledge Graph et Hummingbird. Je vais entrer dans cela plus en détail dans ce post.

Il existe peu d'informations sur les éléments importants du graphe de connaissances Google, tels que les types d'entité, les classes et les attributs, ainsi que sur l'analyse des relations entre ces éléments. Une raison plus dans le contexte de ma série d'articles sur l'optimisation des moteurs de recherche sémantiques pour répondre.

Le principal défi que doit relever Google en matière de recherche sémantique consiste à identifier et à extraire des entités et leurs attributs à partir de sources de données telles que des sites Web. Ces informations sont généralement non structurées et non exemptes d'erreurs. Le Knowledge Graph actuel en tant que centre sémantique de Google repose en grande partie sur le contenu structuré de Wikidata et les données semi-structurées de Wikipédia ou de Wikimedia.

Avec les bases de données de connaissances telles que le graphique de connaissances, il est difficile de maintenir l'équilibre entre l'exhaustivité et l'exactitude des informations. Une condition nécessaire pour être complet est que Google puisse identifier, interpréter et extraire des informations dans des sources de données non structurées. Plus à ce sujet dans ce post.

Dans cet article, je vais approfondir le traitement du langage naturel pour l'exploration de données et plus particulièrement le graphe de connaissances et les moteurs de recherche.

La présence de fonctionnalités SERP telles que Knowledge Panel et Knowledge Cards dans les SERP de Google s'est développée rapidement depuis des années. En conséquence, les résultats de recherche classiques ont également reçu des "Liens bleus" appelés de plus en plus de concurrence lorsqu'il s'agit d'attirer l'attention des demandeurs. Ou mieux l'appeler le "questionneur". Parce que la plupart des requêtes de recherche sont des questions formulées implicitement et qui nécessitent une réponse. Google veut répondre directement aux questions avec les fonctionnalités du SERP. Ces fonctionnalités sont une fenêtre dans le Graphique de connaissances Google ou y sont directement ou indirectement liés.

Cet article devrait permettre de mieux comprendre le fonctionnement des différentes fonctionnalités du SERP telles que le Panneau de connaissances et les Cartes de connaissances.

Cet article de ma série d'articles sur la sémantique et les entités dans le référencement et Google examine le rôle des entités dans l'interprétation des requêtes de recherche. Amusez-vous à lire!

Étude de commerce électronique sur le référencement, les AdWords et les médias sociaux dans les boutiques en ligne allemandes. Après 2011, 2012 et 2013, nous publions pour la quatrième fois le présent rapport de statu quo sur le paysage du commerce électronique allemand dans les domaines du référencement, de l'ESIE et des médias sociaux.

Les moteurs de recherche tels que Google & Cie sont la pierre angulaire de la recherche et de la recherche sur Internet. La recherche sur le net est le point de départ de millions de décisions d'achat quotidiennes. Mais aussi les réseaux sociaux comme Facebook et Twitter gagnent en influence. En conséquence, le marketing par moteur de recherche (SEM), sous forme de publicité sur les moteurs de recherche (SEA), d’optimisation des moteurs de recherche (SEO) et de marketing sur les médias sociaux fait désormais partie intégrante du mix marketing en ligne.

Le marketing des médias sociaux n’est pas non plus le seul objectif de nombreuses entreprises en raison de la pertinence future de leur référencement. En particulier pour les boutiques en ligne, le trafic des moteurs de recherche et des médias sociaux joue un rôle important dans le marketing en ligne en raison de la qualité des visiteurs et des taux de conversion supérieurs à la moyenne qui en résultent. La présente étude documente l'utilisation du marketing par moteur de recherche et du marketing des médias sociaux dans les plus grandes boutiques en ligne allemandes en 2014 et par rapport à 2013. Nous remercions vivement Searchmetrics, qui nous a de nouveau apporté son soutien à cette étude.

Le PDF de l'étude de 26 pages peut être cliqué contre la couverture Tweet. Publier sur Google+, Xing ou LinkedIn ou Partager sur Facebook Télécharger. Si vous avez des problèmes de téléchargement, veuillez contacter info (at) aufgesang.de avec la capture d'écran de l'article sur Google+, Xing, LinkedIn, Facebook ou Twitter. Nous vous enverrons le PDF par courrier. Comme toujours, nous avons sur demande pour les journalistes et les blogueurs les diagrammes d’étude individuels fournis compactés par zip à télécharger.

Contenu de l'étude

La présente étude examine les activités des 177 plus grandes boutiques en ligne dans les domaines Médicaments, Accessoires auto / moto, Médias, Électronique, Vêtements, Gamme complète, Jouets, Meubles, Équipement de bureau, Aliments pour animaux domestiques, Bricolage et produits de beauté en Allemagne concernant l'optimisation des moteurs de recherche (SEO), Google AdWords (SEA) et les médias sociaux. En plus du statu quo au premier semestre de 2014, nous avons également comparé certains chiffres clés avec ceux de 2013. Les données sous-jacentes datent de mai 2014 et avril 2013, respectivement.

Quoi de neuf sur l'étude de 2014?

Cette année encore, nous avons inclus de nouveaux chiffres dans les considérations. Alors maintenant, nous considérons également la distribution sociale sur Facebook, Twitter et Google+. En outre, cette fois-ci, nous examinerons l'universel
La répartition de la recherche est séparée par des images, des cartes et des vidéos, ainsi que par la visibilité des images, des vidéos et des cartes. En ce qui concerne la visibilité payée, nous avons déterminé la moyenne de plusieurs valeurs de points de données pour les six premiers mois de l'année considérée, à la fois dans le statu quo et dans l'analyse de comparaison annuelle. En conséquence, les fluctuations saisonnières de l'activité AdWords ont été mieux capturées. Avec l'image, les cartes et la visibilité vidéo, nous avons ajouté de nouvelles valeurs aux évaluations.

SEO, SEA et médias sociaux Étude 2014 de la boutique en ligne

Voici quelques extraits de l'étude:

• Les résultats du moteur de recherche classique en bio restent de loin le plus important canal Google pour les boutiques en ligne allemandes, avec 81,66%, suivis par AdWords avec 9,34% (hors Shopping) et les résultats de Universal Search avec 9,05%. (voir page 25)

• La visibilité organique joue un rôle supérieur à la moyenne, en particulier pour les magasins de médicaments, d’électronique et de vêtements. Dans le secteur des équipements de bureau, les grands magasins accordent beaucoup moins d'importance à la visibilité organique sous la forme de résultats de recherche classiques. Ici, les résultats d'AdWords et de la recherche universelle jouent en particulier sur les impressions de la recherche d'images, un rôle supérieur à la moyenne par rapport aux autres secteurs. (voir page 18)

Votes sur les études récentes sur le commerce électronique

"Étude très large avec des résultats surprenants. Le secteur de la vente au détail est généralement très prudent par rapport aux autres industries et donne souvent la priorité aux autres. Du point de vue positif, le Web 2.0 est désormais également disponible dans le commerce de détail allemand. même si cela prend du temps. Le potentiel commercial est énorme. Les taux de croissance vont certainement se poursuivre pendant cinq à dix ans. Cela a maintenant lentement compris tout le monde dans l'industrie. C'est pourquoi les choses avancent vite … "

Les études de magasin de 2012 et 2013 à télécharger

Pour la sixième fois déjà, nous publions notre étude sur le sujet: "Marketing en ligne dans les magasins allemands 2016". Comme les années précédentes, nous avons analysé près de 200 des plus grands magasins allemands en ce qui concerne le trafic généré par les moteurs de recherche (SEO + AdWords), les réseaux sociaux, l'accès direct, les références, l'affichage, la messagerie, Pinterest, etc. Téléchargez dès maintenant le PDF d'essai pour le partager via Facebook, Twitter, XING ou Google+ en cliquant sur la couverture de l'étude.

Après 2011, 2012, 2013, 2014 et 2015, nous publions pour la sixième fois le présent rapport de statu quo sur le paysage électronique allemand dans les domaines de l'optimisation des moteurs de recherche (SEO), Google AdWords (SEA), du marketing par médias sociaux et du marketing en ligne. ,

Les moteurs de recherche tels que Google sont la pierre angulaire de la recherche et de la recherche sur Internet. La recherche sur le net est le point de départ de millions de décisions d'achat quotidiennes. Le marketing par les médias sociaux est également une préoccupation majeure pour de nombreuses entreprises. En particulier pour les boutiques en ligne, le trafic des moteurs de recherche et des médias sociaux joue un rôle important dans le marketing en ligne en raison de la qualité des visiteurs et des taux de conversion supérieurs à la moyenne qui en résultent.

La présente étude documente l'utilisation d'AdWords, du référencement, de Facebook, de Google+, de Pinterest, de l'affichage et du marketing par e-mail dans les plus grandes boutiques en ligne allemandes en 2016, également par rapport aux années précédentes. Un grand merci va SearchmetricsQui nous a de nouveau soutenu dans cette étude.

Contenu de l'étude

La présente étude examine les activités des 197 plus grandes boutiques en ligne dans les domaines des produits pharmaceutiques, des accessoires pour voitures et motos, des médias, de l'électronique, de l'habillement, de la gamme complète, des jouets, des meubles, du matériel de bureau, de la nourriture pour animaux, du bricolage et des cosmétiques en Allemagne, en ce qui concerne la distribution du trafic, l'optimisation des moteurs ( SEO), Google Adwords (SEA), médias sociaux, display et email marketing.

En plus du statu quo au premier semestre de 2016, nous avons également comparé certains chiffres clés avec ceux de 2014 et 2015. Les données sous-jacentes datent de mai 2016, mai 2014 et mai 2015, respectivement.

Quoi de neuf sur l'étude en 2016?

Cette année encore, nous avons inclus de nouveaux chiffres dans la considération. Par exemple, cette année, nous avons également examiné pour la première fois les données de trafic provenant d’Instagram, de Youtube, de Facebook, de Gutefrage.net et de Pinterest. En outre, l’étude de cette année comprend pour la première fois un examen des données des outils Searchmetrics et Similarweb sur une période de trois ans – à compter de 2014. Par ailleurs, la prise en compte et la comparaison des données de Twitter, en raison de la fermeture du compte Twitter Share Count Les API ne sont plus disponibles depuis le 20.11.2015. De plus, l'examen quantitatif des publications sur Google+ sera omis cette année.

Quelques extraits de l'étude Online Markeing chez German Online Shops

Vous trouverez ci-dessous quelques conclusions de l’étude. Plus de plats à emporter, des diagrammes et des informations sont disponibles dans l’étude complète en PDF.

Plats à emporter en général

• Comme dans les années 2014 et 2015, la recherche organique dans Google de toutes les boutiques en ligne examinées reste
  canal le plus important. La proportion a augmenté dans tous les secteurs, passant de 82,42% en 2015 à 85,32% en 2016. Est généralement
  une tendance à la hausse peut être constatée (voir page 22).
• En revanche, l’importance de la recherche universelle (y compris les images, la vidéo, les achats, etc.) est de 10,08% en 2015.
  légèrement baissé à 9,64% (voir page 22).
• La tendance négative de l'utilisation d'AdWords se poursuit en 2016; la proportion diminue de manière significative
  de 7,47% à 5,03% – la tendance continue à la baisse (voir page 22).
• Le développement de la visibilité organique dans le domaine de l'électronique montre une forte comparaison sur trois ans
  tendance négative à la hausse.

SEO à emporter

• La grève représente une augmentation de 64,58% de la visibilité des médias organiques, suivie de l'amélioration de l'habitat
  (+ 58,5%) et le matériel de bureau (+ 33,70%).
• Le développement de la recherche universelle dépend fortement de l'industrie. Médicaments, accessoires auto et moto,
  Les vêtements, l'assortiment complet, la nourriture pour animaux domestiques et l'amélioration de l'habitat augmentent le trafic. Cependant, il est intersectoriel
  avec – 4,32% une évolution négative depuis 2015 reconnaissable.
• Pour les boutiques en ligne étudiées, le trafic via les résultats de la recherche organique est et reste spécial
  Signification (voir page 18). L’augmentation intersectorielle de la visibilité organique montre également un
  Fermer l'activité de référencement (voir page 20).

Emportez SEA / AdWords

• Le trafic Adwords continue de diminuer comme les années précédentes. Par rapport à l'année 2015, cependant, très clairement de – 32,88%.
• Les secteurs des cosmétiques et des médias affichent à eux seuls une légère augmentation du trafic AdWords.

Médias sociaux à emporter

• Le trafic sur Facebook reste avec 86,20% de part du canal numéro 1 du média social.
• Google+ a une importance supérieure à la moyenne dans les domaines de l'électronique (33,77%), de l'équipement de bureau
  (24,51%) et les médias (17,29%).
• Pinterest est représenté pour la première fois avec une part de 0,53% dans l'étude. Le trafic sur Pinterest se déroule principalement
  dans les secteurs du mobilier (5,54%), de l’amélioration de la maison (2,43%), du bureau (1,88%) et de l’habillement (1,16%).
• Globalement, Facebook, avec 86,20% des parts, reste le canal de médias sociaux le plus puissant et la tendance est à la hausse.
• Google+ a perdu une part au total.

Votes sur les études récentes sur le commerce électronique

"Étude très large avec des résultats surprenants. Le secteur de la vente au détail est généralement très prudent par rapport aux autres industries et donne souvent la priorité aux autres. Du point de vue positif, le Web 2.0 est désormais également disponible dans le commerce de détail allemand. même si cela prend du temps. Le potentiel commercial est énorme. Les taux de croissance vont certainement se poursuivre pendant cinq à dix ans. Cela a maintenant lentement compris tout le monde dans l'industrie. C'est pourquoi les choses avancent vite … "

Les études de magasin de 2012, 2013, 2014 et 2015 à télécharger

Téléchargez l'étude 2014 en cliquant sur la couverture

Téléchargez l'étude 2015 en cliquant sur la couverture

Téléchargez l'étude 2012 en cliquant sur la couverture

Téléchargez l'étude 2013 en cliquant sur la couverture

Cet article de ma série d'articles sur la sémantique et les entités dans le référencement et Google examine le rôle des entités dans l'interprétation des requêtes de recherche. Amusez-vous à lire!

Les tâches principales de la recherche par entité

Pour les systèmes d’extraction de recherche basés sur des entités, les entités jouent un rôle central dans plusieurs tâches.

1. Interprétation des requêtes de recherche
2. Détermination de la pertinence au niveau du document
3. Évaluation au niveau du domaine ou de l'auteur
4. Émission d'une réponse ad hoc sous la forme d'un panneau de connaissances, d'un extrait de code …

Dans toutes ces tâches, l’interaction entre entité, requête de recherche et pertinence s’applique. Cet article porte sur l'interprétation des requêtes de recherche et sur les relations entre les entités et les requêtes de recherche.

Google veut reconnaître le sens et l'intention de recherche des requêtes de recherche

L'interprétation des requêtes de recherche est l'un des plus grands défis des moteurs de recherche à une époque où les requêtes de recherche étaient de plus en plus complexes, notamment par le biais de la recherche vocale. Car l’utilité d’un moteur de recherche est cruciale pour comprendre ce que recherche l’utilisateur. Ce n'est pas une tâche facile, en particulier pour les requêtes de recherche mal formulées. Dans moderne systèmes de recherche d'information il s'agit de moins en moins de mots-clés, qui contiennent un terme de recherche autant que le sens de la requête. Ici, les entités jouent un rôle central dans de nombreuses requêtes de recherche.

Presque tous les termes de recherche sont basés sur une question implicite ou explicite et sur une intention de recherche. L'intention de recherche est très importante pour la comparaison avec l'objectif des documents ou du contenu du corpus respectif. En période de recherche vocale et d'appareils mobiles, il est encore plus important pour Google d'identifier les requêtes de recherche et leur intention ou signification d'utilisateur aussi précisément que possible, afin de générer individuellement les résultats de recherche correspondants.

Mais je ne veux pas entrer dans l'intention de recherche ici. Dans cet article, je voudrais me concentrer sur l'interprétation de la signification des requêtes de recherche utilisant des entités.Vous pouvez en lire plus dans l'article explication et identification de l'intention de recherche et de l'intention de l'utilisateur par mot-clé.

Dans une interview en 2009, Ori Allon, ancien directeur technique de la Google Search Quality Team, a déclaré dans une interview avec IDG:

Nous travaillons très fort sur la qualité de la requête. La requête n'est pas la somme de tous les termes. La requête a une signification derrière elle. Pour des requêtes simples comme "Britney Spears" et "Barack Obama", il est assez facile pour nous de classer les pages. Mais quand la question est: Quel médicament devrais-je prendre après ma chirurgie oculaire?, C'est beaucoup plus difficile. Nous devons comprendre le sens …

Un exemple de l'efficacité des systèmes de recherche basés sur les entités, par opposition aux systèmes basés sur les termes, montre cet exemple.

Un moteur de recherche purement basé sur des termes ne reconnaîtrait pas la différence de sens entre les requêtes de recherche "feu rouge" et "feu rouge", car les termes de la requête de recherche sont les mêmes, mais disposés différemment. Selon la disposition, le sens est différent. Un moteur de recherche basé sur une entité reconnaît les différents contextes en fonction des différents arrangements. "Stoplight red" est une entité distincte, tandis que "red stoplight" est la combinaison d'un attribut et d'une entité "stoplight".

Dans cet exemple, il apparaît clairement qu'il ne suffit pas d'utiliser un terme pour déterminer l'entité. Les mots dans l'environnement jouent également un rôle important dans l'identification du sens. Les termes dont le sens varie en fonction du contexte représentent un défi pour Google ou les moteurs de recherche.

Google veut reconnaître les entités dans les requêtes de recherche

Google veut savoir quelle entité est une question. Ce n'est pas si facile si l'entité elle-même n'apparaît pas dans le terme de recherche. Google peut identifier l'entité que vous recherchez par les entités trouvées dans le terme de recherche et le contexte de relation entre les entités.

Un exemple:

La question "qui est le chef chez vw" ou la question implicite "chef vw" mène à la livraison de la boîte de graphe de connaissances suivante:

Dans cet exemple, deux entités et une phrase de connexion ou de prédicat jouent un rôle important dans la réponse à la question.

• VW (entité)
• Chef (type de connexion)
• Herbert Diess (entité)

Ce n'est qu'en combinant l'entité "VW" et le type de connexion "boss" que Google peut répondre à la question sur l'entité "Herbert Diess".

C'est pourquoi l'identification des entités par Google est si importante dans la première étape. Google utilise Knowledge Graph comme référentiel central pour tous les termes identifiés en tant qu'entités.

Pour Google, il est important d'identifier les entités dans les termes de recherche et d'identifier les connexions avec d'autres entités. Les relations entre les entités sont au moins aussi importantes. C'est la seule façon pour Google de répondre à des questions implicites sur les entités et donc à des questions concrètes sur des entités directement dans les SERP. Voici un exemple:

La requête de recherche "Qui est le fondateur d'Adidas?" (Question explicite) et "fondateur Adidas" (question implicite) conduit presque aux mêmes résultats de recherche:

Même si les résultats diffèrent légèrement, Google reconnaît que l'entité recherchée est Adolf Dassler, bien que le nom n'apparaisse pas dans la requête de recherche. Peu importe si je pose une question implicite sous la forme du terme de recherche "Fondateur Adidas" ou une question explicite. L'entité "adidas" et le contexte relationnel "fondateur" suffisent à cela.

Enrichissement sémantique des requêtes de recherche

Il n’est pas toujours facile pour Google d’interpréter les entités pertinentes à partir des requêtes de recherche. Les requêtes de recherche en arrière-plan peuvent être automatiquement enrichies d'informations sémantiques supplémentaires ou d'annotations, ou suggérées à l'utilisateur via la méthode de suggestion automatique. Ce faisant, la correspondance entre la requête de recherche et l'entité ne repose plus uniquement sur le texte saisi, mais également sur les relations sémantiques des entités et des attributs.

L'exemple suivant recherche l'entité "Ann Dunham". Un moteur de recherche purement basé sur des termes aurait des problèmes pour répondre à la requête de recherche du "parent d'Obama". Grâce à la combinaison de recherche par terme et par entité, la réponse "Ann Dunham" peut être sortie en tant que mère du moteur de recherche.

En pratique, le résultat ressemble à ceci. En plus de la mère Ann Dunham, la deuxième entité du père Barack Hussein Obama ayant fait l'objet d'une recherche, ainsi que le panel de connaissances de Barrack Obama, sont également publiés. Le panneau de la connaissance de Barrack Obama est joué parce que le système répond au terme Barack Obama dans la requête de recherche. Les deux autres zones d'entité sont sorties du graphe de connaissances en fonction des informations supplémentaires sémantiques.

La chose pratique à propos de ce système dual lors de l’interprétation des requêtes de recherche est que les résultats peuvent également être générés si aucune entité n’est recherchée dans un terme de recherche.

En plus de l'interprétation gênée par l'entité des requêtes de recherche, la méthode basée sur les termes peut également être prise en charge par des méthodes basées sur des types d'entités. Cela concerne les recherches qui recherchent plusieurs entités dans une classe de type, telles que "Visites de Hanovre". Voici une boîte qui répertorie plusieurs entités.

Les requêtes relatives à un type d'entité génèrent souvent l'entité la plus pertinente, les carrousels ou le type de boîte de graphe de connaissances ci-dessus. Ces zones affichent les entités les plus pertinentes en fonction de la requête de recherche, en fonction de la pondération. La proximité ou la pertinence des entités par rapport à la requête de recherche peut être similaire à celle de documents concernant des analyses d'espace vectoriel, telles que p. Ex. Remarquez Word2Vec. Plus l'angle entre le vecteur de requête de recherche et le vecteur d'entité est petit, plus le terme et l'entité sont pertinents ou proches.

Brevets Google pour l'interprétation des requêtes de recherche

Ci-dessous, je voudrais présenter quelques brevets Google pouvant être pertinents pour l'interprétation des requêtes de recherche. Certains des brevets ultérieurs pourraient être la technologie de base mise sur le Rankbrain avec ses technologies d’apprentissage automatique.

Je voudrais commencer par une série de brevets qui traitent du raffinement des requêtes de recherche. La date de publication du premier brevet montre que Google s’occupe de cette question complexe depuis longtemps. Il s’agit de l’un des premiers brevets de Google sur l’interprétation sémantique des termes de recherche. Ori Allon à partir de l'année 2009.

Affinage des requêtes de recherche

Le brevet traite principalement de l'interprétation des requêtes de recherche et de leur raffinement. Selon le brevet, le raffinement de la requête de recherche fait référence à certaines entités qui souvent coexistent dans les documents explorant la requête d'origine ou ses synonymes. En conséquence, les entités peuvent être référencées les unes aux autres et même des entités auparavant inconnues peuvent être rapidement identifiées.

Identification des expansions d'acronymes

Ce brevet a été publié pour la première fois dans le Août 2011 dessiné par Google et im Octobre 2017 redessiné à nouveau sous un nouveau nom. C'est très excitant en tant que l'un des inventeurs du spécialiste de l'apprentissage en profondeur Thomas Strohmann qui a joué un rôle de premier plan dans le développement de Rankbrain.

Ce brevet ne parle pas d'entités, mais il décrit une autre façon pour Google de réécrire ou d'affiner les recherches originales en fonction des informations d'un premier sous-ensemble de documents afin d'obtenir des résultats de recherche plus pertinents. Dans ce brevet, il s'agit principalement d'interprétation des acronymes dans les requêtes de recherche. Toutefois, le processus décrit constitue un modèle pour de nombreuses autres méthodes traitant du raffinement ou de la réécriture des requêtes de recherche.

L'acronyme et le moteur de synonymes décrits dans le brevet peuvent être remplacés par le graphe de connaissances.

Réécriture de requêtes avec détection d'entités

Ce brevet a été publié pour la première fois dans le Septembre 2004 dessiné par Google et im Octobre 2017 redessiné à nouveau sous un nouveau nom. C'est particulièrement excitant, car les racines ont une longueur d'avance sur Rankbrain, Hummingbird et Knowledge Graph, et semblent être pertinentes aujourd'hui, ce qui suggère que la méthodologie fait partie intégrante de la recherche Google actuelle.

La méthodologie décrit comment réécrire les requêtes de recherche avec des références d'entité selon les besoins, ou au moins suggérer des suggestions pour obtenir des résultats de recherche plus pertinents.

Le brevet semble à première vue assez simple et rudimentaire, car la réécriture de la requête dans les exemples cités fait uniquement référence à un complément aux requêtes de recherche avec des opérateurs de recherche. Par exemple, dans l'un des exemples, la requête "Business Week sur les fonds communs de placement" devient non écrite "Source des fonds communs de placement: Business Week". Je trouve intéressant dans le brevet que, dans les exemples, les identifiants d’entités soient attribués via des domaines. Cela donnerait la présomption que les domaines sont des images numériques uniques d'entités.

En outre, il est décrit qu’une réécriture de la requête de recherche comporte également différents termes synonymes, tels que. Des synonymes ou des fautes d'orthographe peuvent être exécutés et le contenu fourni en tant que résultats de recherche correspondant à la requête d'origine et à la requête réécrite.

Un exemple serait la requête de recherche "marketing internet". Nous trouvons ici les résultats correspondant à la requête de recherche initiale et au terme synonyme plus populaire de "marketing en ligne".

Découverte des actions d'entité pour un graphe d'entité

Ce brevet a Google dans Janvier 2014 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il décrit comment Google identifie les activités liées aux entités en fonction des fluctuations de volume de recherche situationnelles à court terme. Ceux-ci peuvent alors être par exemple être ajouté à un panneau de connaissances à court terme ou un contenu qui prend en compte ces activités en cours peut être temporairement poussé vers le haut du classement. Cela permet à Google de réagir aux événements liés à la situation autour d'une entité et d'ajuster les SERP en conséquence.

Sélection du contenu à l'aide des propriétés d'entité

Ce brevet a été redessiné pour la première fois en avril 2014 et en octobre 2017 sous un nouveau nom de Google. Il décrit comment Google peut utiliser un indice de confiance pour déterminer la hiérarchie des entités dans une requête de recherche.

Pour détecter la pertinence d'une entité dans une requête, Google peut utiliser un score de confiance.

Le procédé peut inclure l’identification d’une propriété de la requête de recherche. Le procédé peut inclure le système de traitement de données déterminant une correspondance entre une propriété d'une entité de critères de sélection de contenu et la propriété de l'entité de la requête de recherche. Le procédé peut inclure le système de traitement de données. Source: https://patents.google.com/patent/US9542450B1/en

Après que ce score de confiance soit ensuite déterminé quelle est l'entité principale dans la requête de recherche, les documents appropriés pour les SERP sont donc déterminés. Les attributs d'entité peuvent être inclus dans le processus de sélection via un graphe de requête et un graphe de critères de sélection de contenu.

Dans la requête "rouge stoplight" dans la capture d'écran à gauche, les mots sont dans l'ordre standard – "rouge" décrit "stoplight" , Lorsque l'ordre est inversé, «feu rouge» devient la requête de la main droite, il devient comme s'il s'agissait d'un feu rouge; ici, 'stoplight' devient l'adjectif et 'rouge' devient le nom (un concept).

Identifier et classer les attributs d'entités

Ce brevet de Google, publié en 2015, est sans doute l’un des brevets les plus intéressants sur le sujet. Il décrit comment Google détermine les données de la requête de recherche, les parties descriptives de l'entité et les pièces jointes pour chaque terme de recherche. Ces pièces jointes peuvent par exemple Soyez des attributs. De cette manière, les requêtes de recherche peuvent être analysées pour déterminer les types d'informations que les utilisateurs souhaitent généralement recevoir.

Dans de nombreux cas, les types d'informations qui intéressent un utilisateur pour une entité (telle qu'une personne ou un sujet) sont différents. En analysant les requêtes de recherche, les informations les plus demandées peuvent être identifiées pour une entité donnée. Ensuite, lorsqu'un utilisateur envoie une requête concernant l'entité particulière, les informations les plus demandées peuvent être fournies en réponse à la requête. Par exemple, un bref résumé des faits les plus fréquemment demandés pour l'entité particulière et d'autres entités similaires peut être fourni, tel que: dans un panneau de connaissances ou une carte de connaissances.

Il prend en compte la fréquence à laquelle certaines informations sont recherchées pour l'entité elle-même ainsi qu'en général pour le type d'entité. Si par exemple Basé sur le groupe Phoenix souvent après les albums, les paroles et les dates de tournée, et généralement pour les musiciens après les membres du groupe et les chansons, il en résulte les informations fournies dans le panneau de connaissances.

Méthodes, systèmes et supports d'interprétation de requêtes

Dans ce brevet, Google im Année 2015 diverses méthodes sont décrites comment les moteurs de recherche peuvent interpréter les requêtes de recherche.

Ce brevet décrit le problème de base et les solutions pour faire face aux défis.

Par exemple, en réponse à la requête "film d'action avec Tom Cruise", ces moteurs de recherche peuvent fournir des résultats de recherche non pertinents, tels que "Last Action Hero" et "Tom and Jerry", simplement parce qu'une partie de la requête de recherche est incluse dans la liste. titre des éléments de contenu. En conséquence, une compréhension de la requête de recherche peut produire des résultats de recherche plus significatifs.

Dans la méthode décrite ici, les requêtes de recherche sont décomposées en termes individuels. Pour ces termes, il est vérifié s'ils sont liés à une entité connue. Un score de confiance détermine la proximité des termes par rapport aux entités. Le contexte de la requête de recherche, y compris les termes sans référence directe à une entité, joue également un rôle dans le terme de recherche. Sur la base de l'entité la plus pertinente, une recherche est effectuée en fonction du type d'entité et les résultats de la recherche correspondants sont livrés.

Voici un exemple. Une requête de recherche telle que "Film d'action avec Tom Cruise" serait décomposée en composants "Action", "Film", "Tom" et "Cruise". Le terme action peut être une entité du type entité film, genre ou série. Parmi ces types d’entités, lequel est le plus demandé peut, déterminé par la fréquence ou la popularité d'un score d'entité.

Selon le type de moteur de recherche (recherche d'images, recherche de vidéos …), les formats de média correspondants seront fournis en fonction du type d'entité recherché "Action Film" et de l'entité "Tom Cruise". Le brevet fait référence à une grande variété de recherches telles que, par exemple, Rechercher des requêtes dans une recherche d'image ou via une recherche vocale via un assistant numérique.

Génération de requêtes utilisant la similarité structurelle entre les documents

Ce brevet a été publié dans Septembre 2016 dessiné. Ce qui est excitant à propos de ce brevet, c’est que, parmi les inventeurs impliqués dans Paul Haahr et Yonhui Wu, se trouvaient deux ingénieurs majeurs de l’apprentissage en profondeur. En outre, Yonhui Wu a été l’un des leaders du développement de Rankbrain.

Le brevet décrit une méthode permettant à un moteur de recherche de générer des recherches auxiliaires sur une entité à stocker dans un magasin de requêtes. Ces requêtes de recherche pourraient ensuite être utilisées, par exemple. Requêtes ou réécritures d'un terme de recherche d'origine.

Sur la base de la structure de contenu de documents similaires, les affinements des requêtes de recherche peuvent être résumés. Ainsi, d'un document à l'auteur, la phrase survenue de Joseph Heller "Joseph Heller a écrit le roman influent catch 22 sur un militaire américain au cours de la Seconde Guerre mondiale." La requête "joseph plus brillante" est extraite.

Regroupement d'affinements de requêtes par intention d'utilisateur présumée

Ce brevet a Google dans Mars 2016 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il existe une méthodologie utilisée par Google pour affiner les requêtes de recherche afin de mieux déterminer ce que recherche réellement l'utilisateur. Ces améliorations sont les requêtes de recherche révisées qui apparaissent sous les résultats de la recherche.

Ces améliorations sont particulièrement importantes en cas de doute sur l’intention de l’utilisateur de lire des résultats plus pertinents et les recherches associées. Pour cela, toutes les recherches possibles sont organisées dans des raffinements de cluster reflétant les différents aspects de la requête d'origine. Ces aspects nécessitent des résultats de recherche différents.

Le regroupement des requêtes de recherche est résolu via une construction graphique. Les relations entre les termes de recherche, dépendantes de la session, ainsi que l'interrogation de documents spécifiques sont prises en compte. Le graphique prend en compte à la fois la similarité basée sur le contenu et la similarité de la cooccurrence de sessions déterminée à partir des journaux de requêtes. En d'autres termes, les dépôts simultanés de recherches consécutives ainsi que le comportement des clics sont analysés.

Dans le graphique, la requête d'origine ainsi que les raffinements et les documents correspondants sont représentés sous forme de nœuds. Des noeuds supplémentaires représentent les requêtes de recherche associées se produisant en session sous forme de co-occurrences intra-session. Tous ces noeuds sont connectés via des bords.

Des groupes d’affinements et de documents de recherche peuvent être créés via le vecteur de probabilité de visite.

En ce qui concerne les recherches associées, le brevet contient un passage intéressant qui décrit comment les requêtes associées sont générées:

Les requêtes associées sont généralement obtenues à partir des journaux de requête en recherchant d'autres requêtes qui se produisent dans des sessions avec la requête d'origine. Plus précisément, les raffinements de requête, un type particulier de requêtes associées, sont obtenus en recherchant les requêtes les plus susceptibles de suivre la requête d'origine dans une session utilisateur. Pour de nombreuses requêtes courantes, il est possible que plusieurs requêtes associées soient extraites des journaux à l'aide de cette méthode. Toutefois, compte tenu de l'espace limité disponible sur une page de résultats de recherche, les moteurs de recherche ne choisissent généralement que d'afficher quelques requêtes connexes.

À cette fin, Google fournit le plus grand nombre possible de requêtes connexes, qui représentent les aspects les plus importants d’une requête de recherche originale diversifiée. Pour la recherche "mars", Google fournit les recherches connexes suivantes:

Les aspects ou entités suivants sont représentés par les requêtes associées:

• Gottfried Wilhelm Leipzig (philosophe)
• Université de Leibniz (établissement d'enseignement)
• Biscuit de Leibniz (nourriture)

Ces entités forment des grappes. Selon les résultats de la recherche, le groupe le plus populaire semble être le philosophe suivi de l'établissement d'enseignement:

Ce sera intéressant si je change le contexte en affinant la requête de recherche pour "leibniz keks".

Dès que vous mettez le focus interne de la session sur l'entité "Clés de Leibniz", les SERPs pour la requête de recherche ci-dessus "leibniz" changent comme suit:

• Vous ne verrez plus le panneau de connaissance pour le philosophe, mais pour les trois entités "Boîtes de spécifications" (pour en savoir plus ici)
• En position 1, le résultat est maintenant lié au cookie de Leibniz, tandis que dans la même requête précédente, l'entrée de Wikipédia est remontée jusqu'au philosophe.

Le focus de l'entité a changé par rapport à ma session de recherche individuelle. À partir de ce moment, la popularité du cluster ou de l'entité ne compte plus, mais bien mon intention de recherche personnelle et pertinente. (plus sur la pertinence et la pertinence dans la pertinence, la pertinence et l'utilité sur Google).

Passionnant, non?

Réécriture de requêtes sur l'appareil

Ce brevet a Google dans Avril 2016 d'abord dessiné et redessiné en octobre 2017 sous un nom actualisé. Il souhaite une méthode telle que des requêtes de recherche basées sur un modèle affiché sur le client, par exemple. un smartphone est récrit, annoté et attribué à une catégorie.

Le gros avantage de cette méthode est que les faits d’une base de données d’entités telle que Le graphique de connaissance peut en outre être enrichi avec des informations relatives à l'utilisateur individuel, telles que, par exemple, Les données de localisation peuvent être étendues. Cela peut être adapté à la situation individuelle de la réponse de l'utilisateur.

Associer à une entité avec une requête de recherche

Dans ce brevet, Google a été attribué en 2016. Il s'agit de savoir comment une entité peut être reconnue dans une requête de recherche ou comment Google peut voir qu'il s'agit en fait d'une requête de recherche avec une référence à une entité. Il existe également une autre version datant de 2013 pour ce brevet.

Le brevet décrit les étapes de processus suivantes:

1. 1. Recevoir une requête de recherche
   2. Identifier une entité associée au terme de recherche
   3. Fournissez un résumé de l'entité afin que les résultats correspondants puissent être affichés en réponse à la requête de recherche. Le résumé contient à la fois des informations pertinentes sur l'entité et des requêtes de recherche supplémentaires facultatives.
   4. Identifiez la demande de recherche d'entité facultative et établissez un lien avec l'option sélectionnée. (Plus dans le brevet ….)
   5. Identifier les documents correspondant aux entités ou à l'entité
   6. Identifier d'autres entités à partir des documents sélectionnés
   7. Connecter la ou les entités à la requête de recherche
   8. Déterminer un classement pour les entités

Apprendre des interactions utilisateur dans la recherche de personnel via le paramétrage d'attribut

À partir de 2017, la version scientifique "Tirer des leçons des interactions de l'utilisateur dans la recherche de personnel via le paramétrage d'attributs" est issue de. Voici comment Google pourrait créer des relations d'attributs sémantiques entre les requêtes de recherche et les documents cliqués, et même prendre en charge un algorithme de classement à auto-apprentissage, en analysant le comportement des utilisateurs avec des documents individuels:

"Le cas dans la recherche privée est différent. Les utilisateurs ne partagent généralement pas les documents (par exemple, les courriels ou les fichiers personnels), et donc directement les agrégats. Pour résoudre ce problème, plutôt que d'apprendre directement du comportement de l'utilisateur pour une paire donnée (requête, doc) comme dans la recherche Web, nous avons plutôt choisi d'utiliser des documents et des requêtes utilisant des attributs sémantiquement cohérents qui sont en quelque sorte représentatifs de leur contenu.
Cette approche est également décrite à la figure 2. Les documents et les projets sont projetés dans un espace attributaire agrégé, plutôt que directement. Puisque nous supposons que les attributs sont dans un modèle d’apprentissage au classement. "

Amélioration de la mise en cluster de sujets sémantiques pour les requêtes de recherche avec la co-occurrence de mots et la mise en cluster de graphes bipartites

Un autre article scientifique de Google donne des informations intéressantes sur la manière dont Google divise aujourd'hui probablement les requêtes de recherche en différents domaines thématiques.

Ce document présente deux méthodes que Google utilise pour contextualiser les requêtes de recherche. Les scores de levage jouent un rôle central dans le regroupement de co-occurrences de Word:

"Wi" dans la formule désigne tous les termes étroitement liés au mot racine, tels que les fautes d'orthographe, le pluriel, le singulier ou les synonymes.

"A" peut être toute interaction de l'utilisateur, telle que la recherche d'un terme de recherche spécifique ou la visite d'une page spécifique.

Si le score de levage, par exemple 5, la probabilité que "Wi" soit recherché est 5 fois supérieure à celle de "Wi" généralement recherchée.

"Un score élevé nous aide à construire des sujets significatifs plutôt que des mots inintéressants. En pratique, les probabilités peuvent être estimées à l'aide de la fréquence des mots dans l'historique de recherche Google dans une fenêtre temporelle récente. "

De cette façon, les termes peuvent être donnés à des entités particulières, telles que des entités. Mercedes et / ou lors de la recherche de pièces détachées de la classe de contexte thématique "voiture". La classe de contexte et / ou l'entité peuvent ensuite continuer à être associés à des termes qui apparaissent souvent en tant que co-occurrences des termes de recherche. Cela permet de créer rapidement un nuage de termes sur un sujet spécifique. La hauteur du score d'ascenseur détermine l'affinité avec le sujet:

"Nous utilisons le score de levage pour classer les mots en fonction de leur poids et de leur valeur."

Cette méthode peut être utilisée en particulier lorsque "Wi" est déjà connu, par ex. Termes de recherche par marques ou catégories connues. Si "Wi" ne peut pas être clairement défini, étant donné que les termes de recherche du même sujet sont trop différents, Google pourrait utiliser une deuxième méthode – "clustering bigraph pondéré".

Cette méthode repose sur deux hypothèses.

1. Les utilisateurs partageant les mêmes intentions formulent leurs requêtes de recherche différemment. Néanmoins, les mêmes résultats de recherche sont générés par les moteurs de recherche.
2. Inversement, des URL similaires sont générées pour une requête de recherche sur les premiers résultats de recherche.

Cette méthode compare les termes de recherche aux URL les mieux classées et crée des paires requête / URL dont la relation est pondérée en fonction des taux de clic et des impressions de l'utilisateur. De cette manière, des similitudes peuvent être faites entre les termes de recherche, qui n'ont pas le même mot racine et forment des clusters sémantiques.

Evaluation des interprétations sémantiques d'une requête de recherche

Ce brevet Google, introduit en juillet 2019, décrit une méthode permettant de déterminer différentes significations sémantiques dans une requête de recherche. Chaque interprétation sémantique est liée à une autre requête de recherche canonique. La requête en cours est modifiée en fonction de cela et du terme de recherche canonique

Semblable au brevet déjà mentionné concernant les annotations sémantiques, les termes de recherche modifiés sont déjà commentés avec un sens sémantique. En comparant les résultats de recherche de la requête de recherche initiale et ceux de la requête de recherche modifiée, les deux significations sémantiques possibles peuvent être validées et pondérées en relation. Le degré de similarité des résultats de la recherche détermine la proximité. Le degré de similarité est basé sur la fréquence d'apparition de certains mots-clés associés à la requête particulière dans les résultats de la recherche modifiés. Eine größere Häufigkeit des Auftretens von Keywords kann beispielsweise darauf hinweisen, dass die geänderte Suchanfrage mit größerer Wahrscheinlichkeit der semantischen Bedeutung entspricht.

In einigen Fällen können andere Daten, wie z. B. die Klickrate des Benutzers, Website-Traffic-Daten oder andere Daten, verwendet werden, um eine wahrscheinliche semantische Interpretation zu interpretieren.

Query Suggestions based on entity collections of one or more past queries

Ein weiteres Google Patent aus dem Juli 2019 beschreibt eine Methode, wie Google Suggest Vorschläge aus vergangenen Suchanfragen generieren kann. Auch hier spielen Entitäten eine Rolle. Entitäten, die in Beziehung zu den in den bisherigen Suggest-Vorschlägen vorkommenden Entitäten oder in der Vergangenheit gesuchten Entitäten in Beziehung stehen sind die Basis für die Bestimmung einer Ähnlichkeits-Messzahl für die Bestimmung neuer Suggest-Vorschläge.

Weitere Google-Patente für die Entitäten-basierte Interpretation von Suchanfragen

Rankbrain ist ein Entitäten-basierter Search Query Processor

Als Google im Jahr 2015 die Einführung von Rankbrain für die bessere Interpretation von Suchanfragen bekannt gegeben hat gab es eine Vielzahl von Vermutungen und Meinungen aus der SEO-Branche. Es wurde z.B. von der Geburtsstunde von Machine Learning bzw. KI bei Google gesprochen. Wie in meinem Beitrag Bedeutung von Machine Learning, AI & Rankbrain für SEO & Google erläutert beschäftigt sich Google bereits seit 2011 im Rahmen des Projekts Google Brain intensiv mit Deep Learning. Rankbrain war allerdings die erste offizielle Bestätigung seitens Google, dass Machine Learning auch in der Google Suche eingesetzt wird.

Die wohl präzisesten Informationen von Google zu Rankbrain bisher gab es im Bloomberg Interview  aus Oktober 2015.

Eine Aussage in dem Interview sorgte für viele Missverständnisse um Rankbrain.

RankBrain is one of the “hundreds” of signals that go into an algorithm that determines what results appear on a Google search page and where they are ranked. In the few months it has been deployed, RankBrain has become the third-most important signal contributing to the result of a search query.

Viele SEO-Medien haben die Aussage so interpretiert, dass Rankbrain einer der drei wichtigsten Rankingfaktoren ist. Aber ein Signal ist kein Faktor. Rankbrain hat einen großen Einfluss darauf wie die Suchergebnisse ausgewählt und geordnet werden ist aber kein Faktor wie z.B. bestimmte Bestandteile eines Inhalts oder Links.

In diesem Interview gibt es eine weitere interessante Aussage:

RankBrain uses artificial intelligence to embed vast amounts of written language into mathematical entities — called vectors — that the computer can understand. If RankBrain sees a word or phrase it isn’t familiar with, the machine can make a guess as to what words or phrases might have a similar meaning and filter the result accordingly, making it more effective at handling never-before-seen search queries.

Bei Rankbrain werden Entitäten in einer Suchanfrage identifiziert und mit den Fakten aus dem Knowledge Graph abgeglichen. Insofern die Begriffe mehrdeutig sind findet Google über Vektorraumanalysen heraus welche der möglichen Entitäten am besten zum Begriff passen. Dabei sind die umliegenden Wörter im Suchterm ein erstes Indiz für die Ermittlung des Kontext. Das mag auch auch ein Grund sein warum Rankbrain u.a. für Longtail-Suchanfragen zum Einsatz kommt.

Das Problem  in der Pre-Rankbrain-Zeit war die fehlende Skalierbarkeit bei der Identifikation und Anlage von Entitäten im Knowledge Graph. Der Knowledge Graph basiert aktuell noch in erster Linie aus Informationen aus Wikidata, die durch Wikipedia-Entitäten verifiziert werden und Wikipedia selbst – also  manuell gepflegte und dadurch eher statisches und damit nicht skalierbares System.

“Wikipedia is often used as a benchmark for entity mapping systems . As described in Subsection 3.5 this leads to sufficiently good results, and we argue it would be surprising if further effort in this area would lead to reasonable gains.”
Quelle: From Freebase to Wikidata – The Great Migration

Mehr dazu findest Du in den anderen Teilen der Beitragsreihe:

Eine weitere sehr zu empfehlende Quelle für Informationen zur Funktionsweise der Google-Suche aus erster Hand ist der bereits in einem anderen Beitrag erwähnte Vortrag von Paul Haahr auf der SMX West 2016.

Danny Sullivan fragte Jeff in der Q&A, wie RankBrain funktionieren könnte, um die Dokumentqualität oder -autorität festzustellen. Seine Antwort:

This is all a function of the training data that it gets. It sees not just web pages but it sees queries and other signals so it can judge based on stuff like that.

Das spannende an dieser Aussage ist, dass sie implizit ausdrückt, dass Rankbrain erst nach der Auswahl eines ersten Sets an Suchergebnissen eingreift.
Das ist eine wichtige Erkenntnis, da RankBrain die Suchanfrage nicht verfeinert, bevor Google nach Ergebnissen sucht, sondern erst danach.

Dann kann RankBrain die Abfrage möglicherweise verfeinern oder anders interpretieren, um die Ergebnisse für diese Abfrage auszuwählen und neu zu ordnen. Hier können wir den Bogen zu den bereits erwähnten Google-Patenten zur Verfeinerung der Suchanfragen ziehen, die höchstwahrscheinlich mit Rankbrain in Verbindung stehen.

En résumé: RankBrain ist ein Algorithmus basierend auf Deep Learning, der nach der Auswahl eines ersten Subsets an Suchergebnissen zum Einsatz kommt und sich auf Textvektoren  und andere Signale stützt, um komplexe Suchanfragen über Natural Language Processing besser zu verstehen.

Das Zusammenspiel aus Rankbrain, Hummingbird und Knowledge Graph

Ich denke, es wird klar, dass Google sich immer mehr zur Ad-hoc-Antwort-Maschine entwickelt und deswegen die Bedeutung einer Suchanfrage immer wichtiger wird als die rein termbasierte Interpretation von Suchanfragen.

Bisherige Information Retrieval Methoden beschränken sich auf die in der Suchanfrage vorkommenden Begriffe und gleichen diese mit Inhalten ab in denen die einzelnen Begriffe vorkommen, ohne über eine Kontextuelle Verbindung der Begriffe zueinander zu berücksichtigen und darüber die eigentliche Bedeutung festzustellen.

Durch Innovationen wie Hummingbird und Rankbrain geht es im Kern darum gesuchte Entitäten über einen Abgleich mit einer Entitäten-Datenbank (Knowledge Graph) zu identifizieren, über die Beziehung der relevanten Entitäten zueinander einen Kontext und darüber die Bedeutung von Suchanfragen und Dokumenten zu erkennen.

Dieses Umdenken im Information Retrieval bei Google war der Grund für die Einführung des Knowledge Graph, das Hummingbird Update im Jahr 2013 und Rankbrain im  Jahr 2015. Diese Reihe von Innovationen stehen im direkten Zusammenhang miteinander bzw. greifen prozessual ineinander.

• Rankbrain ist für die Interpretation von Suchanfragen hinsichtlich Synonymität, Ambiguität, Sinn (Intention) und Bedeutung (Extension) zuständig. Gerade mit Blick auf neue Suchanfragen, Long Tail Keywords, mehrdeutige Begriffe sowie Abwicklung von Prozessen im Rahmen von Voice Search und digitalen Assistenten ist Rankbrain das zentrale Element im Query Processing.
• Die im Knowledge Graph erfassten Entitäten und Fakten wie Attribute und Beziehungen der Entitäten untereinander können sowohl bei der Relevanzbestimmung von Ergebnissen als auch bei der Verarbeitung von Suchanfragen (Query Processing) genutzt werden, um z.B. Dokumente und Suchanfragen über Kommentare (Annotations) mit Fakten aus dem Knowledge Graph anzureichern. Dadurch kann die Bedeutung von Suchanfragen als auch Dokumenten bzw. von einzelnen Absätzen und Sätzen in Inhalten besser interpretiert werden.
• Der Hummingbird-Algorithmus ist für das Clustering von Inhalten je nach Bedeutung sowie Zweck in unterschiedliche Korpusse und  für die Bewertung bzw. das Scoring der Ergebnisse hinsichtlich Relevanz also das Ranking zuständig.

Das verbindende Element bei allen drei Modulen sind Entitäten. Sie sind kleinste gemeinsame Nenner. Sowohl bei Rankbrain also auch Hummingbird spielen Vektorraumanalysen bzw. Word Embeddings als auch Natural Language Processing eine zentrale Rolle. Durch die Fortschritte in Sachen Machine Learning kann Google diese Methoden immer performanter nutzen, um sich  von einer rein textbasierten Suchmaschine zu einer semantischen Suchmaschine zu entwickeln.

Things not strings!

L'apprentissage automatique et l'intelligence artificielle (IA) jouent un rôle de plus en plus important dans la modélisation et la classification des modèles de marketing en ligne. Des entreprises telles que Tesla, Google, Microsoft, Amazon et Facebook mènent de nombreuses recherches dans le domaine de l'intelligence artificielle.

Après l'annonce de Google en novembre 2015, un nouveau signal de classement très important ou un facteur de classement important appelé rang cerveau travaille depuis des mois, l’intérêt pour le sujet est-il Machine Learning enfin arrivé dans la communauté du référencement et du marketing en ligne. Je tiens le sujet Apprentissage machine en particulier dans le contexte numérique, pour des raisons tout aussi incisives et prospectives, comme par exemple: les thèmes du marketing mobile, du big data et du contenu. Comme l'apprentissage machine lié à d'autres mots à la mode récents tels que Intelligence artificielle (Intelligence artificielle), sémantique ou Apprentissage en profondeur Je voudrais expliquer ci-dessous et quels sont les effets de ce développement sur les algorithmes d'autoapprentissage des moteurs de recherche. Je tiens à souligner que je suis le sujet Intelligence artificielle ou Apprentissage machine pourrait considérer que superficiellement. Si vous souhaitez approfondir le sujet, vous trouverez une collection détaillée de vidéos et de liens vers le sujet à la fin de l'article.

Dans cet article, je vais essayer le monde de la machine learning et son influence sur le référencement avec le soutien de précieux collègues nommés Markus Hövener. Sepita Ansari. Christian Kunz. Marcus Tober. Kai Spriestersbach, Sebastian Erlhofer et Marcel Schrepel rendre plus tangible.

Qu'est-ce que l'apprentissage automatique? Signification, définition et méthodologie

L'importance actuelle et surtout future de l'apprentissage automatique doit être classée de la même manière que les thèmes du marketing mobile, du Big Data ou du marketing de contenu dans le contexte numérique. Le nombre de visites sur la couverture médiatique des sujets a également considérablement augmenté depuis 2014, comme le montre l'évolution de Google.

Comme je l'ai déjà expliqué dans mon article sur le Web sémantique (Web 3.0) en tant que conséquence logique du Web 2.0, les systèmes qui rendent les informations identifiables, catégorisables, évaluables et triables selon le contexte font de l'unique possibilité du flot d'informations et de données basé sur les innovations. devenir le gentleman du Web 2.0. Mais la sémantique pure ne suffit pas ici. C'est pourquoi les portiers numériques ont besoin de plus en plus d'algorithmes fiables pour accomplir cette tâche. Algorithmes d’autoapprentissage basés sur Intelligence artificielle et les méthodes d’apprentissage automatique jouent un rôle de plus en plus important. C’est le seul moyen de garantir la pertinence des résultats ou des dépenses / résultats attendus.

Mais qu'est-ce que l'apprentissage par machine maintenant et comment ça marche?

Apprentissage machine est dans le sujet Intelligence artificielle trop allemand Intelligence artificielle localiser. Le domaine de l'intelligence artificielle est divisé en sous-domaines suivants:

1er raisonnement
2. Représentation des connaissances
3. Planification et ordonnancement automatisés
4. Apprentissage automatique
5. Traitement du langage naturel
6. vision par ordinateur
7. Robotique
8. Intelligence générale ou forte IA

Le terme renseignement s’applique en relation avec Machine Learning Ce n’est pas tout à fait qu’il s’agit moins d’intelligence, mais bien de modèles et de précision reconnaissables par machine ou ordinateur. Apprentissage machine traite du développement automatisé d'algorithmes basés sur des données empiriques ou des données d'apprentissage. L'accent est mis sur l'optimisation des résultats ou l'amélioration des prévisions dues aux processus d'apprentissage.

Intelligence artificielle Le but est de prendre des décisions en fonction des données collectées selon un humain. Cela nécessite plus que des méthodologies d'apprentissage machine. La technologie à l'origine de l'apprentissage automatique s'appelle des réseaux de neurones.

Que sont les réseaux de neurones?

Réseau de neurones trop allemand Réseaux de neurones sont des groupes d'algorithmes construits conformément à un cerveau humain pour reconnaître des modèles récurrents, puis pour les étiqueter ou les étiqueter. Les modèles reconnus sont traduits en vecteurs mathématiques. Toutes les informations du monde réel, telles que les images, le son, le texte ou les séquences temporelles, sont prises en compte.

Les réseaux de neurones aident à classer les nouvelles informations de différents systèmes sur la base de similitudes et à les regrouper en groupes de modèles. Les étiquettes aident à nommer ces groupes. Des exemples d'étiquettes peuvent être: Spam, Pas de spam, Client satisfait, Client insatisfait, Lien acheté, Lien non acheté …

La diapositive suivante d'un exposé de Jeff Dean, de Google, montre que certains modèles, par exemple Grâce à ces modèles récurrents, l'apprentissage automatique peut être utilisé pour interpréter et étiqueter automatiquement l'image d'un lion.

Réseaux de neurones se composent de plusieurs niveaux ou couches qui contribuent en série au raffinement ou à la précision des hypothèses. Si vous êtes plus profondément concerné par le sujet, voici une belle introduction.

types d'apprentissage automatique

Il existe fondamentalement trois types différents d’apprentissage automatique:

• Apprentissage surveillé
• Apprentissage non surveillé
• Renforcement de l'apprentissage

De plus, un extrait de l'allemand Wikpiedia:

• Apprentissage supervisé apprentissage superviséL'algorithme apprend une fonction à partir de paires d'entrées et de sorties données. Pendant l’apprentissage, un "enseignant" fournit la valeur de fonction correcte pour la saisie. L’objectif de l’apprentissage supervisé est que le réseau soit formé après plusieurs calculs avec différentes entrées et sorties, la possibilité de créer des associations. Un sous-champ du apprentissage supervisé est la classification automatique. Un exemple d'application serait la reconnaissance de l'écriture manuscrite.

• Apprentissage non surveillé (angl. apprentissage non superviséL'algorithme génère un modèle pour un ensemble donné d'entrées qui décrit les entrées et permet des prédictions. Il existe des méthodes de regroupement qui divisent les données en plusieurs catégories, qui diffèrent les unes des autres par des modèles caractéristiques. Le réseau crée ainsi indépendamment des classificateurs selon lesquels il divise les modèles d’entrée. Un algorithme important dans ce contexte est l'algorithme EM, qui définit de manière itérative les paramètres d'un modèle afin d'expliquer au mieux les données visualisées. Ce faisant, il utilise la présence de catégories non observables et, à son tour, estime l'affiliation des données à l'une des catégories et aux paramètres qui constituent ces catégories. Une application de l'algorithme EM se trouve, par exemple, dans les modèles de Markov cachés (HMM). Autres méthodes d'apprentissage non supervisé, par exemple. B. L'analyse en composantes principales supprime la catégorisation. Ils ont pour objectif de traduire les données observées en une représentation plus simple qui les reproduit le plus fidèlement possible malgré des informations considérablement réduites.

• Renforcement de l'apprentissage (engl. apprentissage par renforcementL’algorithme apprend par la récompense et la punition une tactique sur la manière d’agir dans des situations susceptibles de se produire afin de maximiser les avantages de l’agent (c’est-à-dire le système auquel appartient la composante d’apprentissage). C'est la forme la plus commune d'apprentissage d'une personne.

J'ai aussi dans cette présentation de Rahul Jain trouvé de bons graphiques. (Lien vers la présentation en fin d'article).

la Apprentissage surveillé De nombreux travaux préparatoires sont nécessaires car les modèles de modèles doivent être définis et étiquetés au préalable afin de pouvoir identifier les informations entrantes et les affecter à ce groupe de modèles. Cet étiquetage est généralement effectué à la main en raison de l’assurance qualité. En raison de certains modèles récurrents, le système peut alors reconnaître de manière indépendante des informations avec des propriétés de modèle identiques ou similaires à l'avenir et les affecter au groupe de modèles correspondant.

Dans le cas d'un apprentissage non supervisé, l'étiquetage avancé n'a pas lieu et les groupes de modèles sont automatiquement formés sur la base de modèles.

Semblable au terme d'intelligence artificielle, le terme d'apprentissage automatique est souvent assimilé à un apprentissage en profondeur et à la sémantique ou appelé dans le même souffle. Vous trouverez ci-dessous une tentative de différenciation.

Différence entre l'apprentissage automatique et l'apprentissage en profondeur

Apprentissage en profondeur est un sous-domaine de l’apprentissage automatique, on pourrait aussi parler de développement. Alors que les algorithmes classiques d’apprentissage automatique reposent sur des groupes de modèles solides pour la reconnaissance et la classification, les algorithmes d’apprentissage approfondi développent indépendamment ces modèles ou créent indépendamment de nouveaux niveaux de modèle au sein des réseaux de neurones. Par conséquent, il n'est pas nécessaire que les modèles pour les nouveaux événements soient développés et implémentés manuellement, comme ce serait le cas avec les algorithmes traditionnels d'apprentissage automatique. Il est donc préférable de répondre aux prévisions d’Algos qui ont un apprentissage en profondeur. En outre, ce graphique (l’Orginaquelle n’est malheureusement plus en ligne. C’est pourquoi nous faisons référence à cet article.)

Différenciation entre apprentissage automatique et sémantique

La sémantique peut aider à mieux identifier la signification d'un objet grâce à sa classification en tant qu'entité unique et à ses relations avec d'autres entités. Lors de la classification, la sémantique utilise des propriétés similaires aux modèles associés aux groupes de modèles dans l'apprentissage automatique. La principale différence, cependant, est que la sémantique ne poursuit aucun processus d'apprentissage, comme c'est le cas avec l'apprentissage automatique. De ce fait, les systèmes sémantiques sont plutôt statiques et peu capables d’effectuer des prévisions pour de nouvelles situations. Les groupes de modèles et les modèles ou entités doivent être connus.

Apprentissage automatique et algorithmes (moteur de recherche)

La chose intéressante à propos de ce développement est la Machine Learning est que les algorithmes peuvent évoluer et s’adapter à l’avenir. Jusqu'à présent, par exemple Chez Google, l’algorithme de recherche s’est développé comme suit.

Une modification moyenne des algorithmes commence par une idée visant à améliorer la recherche de l’un des développeurs de Google. Ils suivent une approche basée sur les données et toutes les modifications d’algorithme proposées sont testées avant publication dans le cadre d’une évaluation de la qualité complète.

En règle générale, les développeurs partent d'une série d'expériences, optimisent l'une ou l'autre variable et demandent un feedback à leurs collègues. S'ils sont satisfaits du résultat, l'expérience est diffusée à un public plus large.

Le résultat est un algorithme général statique qui est développé par de nombreuses mises à jour plus petites et plus grandes. Cet algorithme est le même pour chaque situation. Plongez complètement dans de nouvelles situations sans précédent, une fois débordé. La prise en compte de chaque contexte individuel, tel que Emplacement, terminal utilisé … dans lequel un utilisateur est situé doit utiliser cet algorithme. Dans le cas optimal, chaque utilisateur ou au moins groupe d'utilisateurs aurait "gagné" son propre algorithme pour pouvoir être utilisé en fonction du contexte respectif. Ce n'est pas possible avec le précédent algorithme relativement statique.

Il n'est pas possible d'écrire votre propre algorithme pour chaque tâche. Des algorithmes doivent être écrits pour apprendre des observations. L'apprentissage automatique rendrait cela possible et Google va déjà dans cette direction.

En outre, les utilisateurs de Google peuvent utiliser des signaux qui peuvent être utilisés comme indicateurs de réussite dans le processus d'apprentissage:

• Rapport de clic long à court
• Proportion de chercheurs effectuant des requêtes de recherche connexes et supplémentaires
• Mesures d'engagement de l'utilisateur (détectables via Chrome, par exemple)
• Taux de kick relatif dans les SERPs
• Contenu partagé
• Engagement de l'utilisateur sur les sites Web

En combinaison avec les signaux classiques de classement hors page tels que les backlinks, les co-citations et les co-occurrences, ceux-ci peuvent être utilisés comme métriques de succès pour la vérification d'une estimation par l'algorithme.

Une question intéressante est la suivante: où Google obtient-il les données de formation relatives à l'utilisateur pour lancer le processus d'apprentissage automatique?

S'agit-il de véritables données utilisateur ou Google continue-t-il d'utiliser les données fournies par les évaluateurs de recherche? Quality Rater à générer dans un environnement de test?

(Des discussions comme celle-ci dans les commentaires.)

Devenant progressivement obsolète, l'algorithme de développement d'algorithme ci-dessus. En témoignent également les mises à jour de plus en plus fréquentes en temps réel telles que. les mises à jour de pingouin en temps réel ou les mises à jour de "panda" en attente. Auparavant, les mises à jour à venir étaient annoncées volumineuses et par de tels collègues. sistrix documentée. Je pense qu'une telle documentation aura bientôt perdu sa signification. Et aussi des enquêtes et des aperçus des facteurs de classement tels que nous les connaissons jusqu’à présent seront historiques dans quelques années. Mais plus à ce sujet ci-dessous.

Google contient déjà de nombreuses informations provenant de différents niveaux d'indexation et de classement, qui doivent en quelque sorte être prises en compte dans l'algorithme.

• texte
• Visuels (images, vidéos)
• acoustique
• le comportement des utilisateurs
• Knowledge Graph (image des relations)

Pendant ce temps, Google peut déjà lire les chiffres et le texte des images, comme mon collègue Philipp le décrira avec brio dans son message de la semaine prochaine.

Plus dans l'article Reconnaissance d'images: Google peut-il lire et reconnaître des textes dans des images?

Si vous examinez à nouveau les différents types d’apprentissage automatique et que vous les transférez au monde des moteurs de recherche, il est logique de penser aux endroits où au moins les approches d’apprentissage automatique sur Google sont déjà utilisées. En termes de recherche, vous pouvez au moins reconnaître les approches de la ML ici:

• Graphique de connaissances
• colibri
• rang cerveau
• éventuellement pingouin en temps réel

De plus, certains produits Google utilisant des fonctionnalités d'apprentissage en profondeur, tels que: Texte en reconnaissance d'image, reconnaissance vocale, Google Translate …

La grande question est de savoir comment créer des systèmes capables de gérer toutes ces informations.

Et encore une fois, la réponse est que l'apprentissage automatique peut être cela.

Le problème le plus important lié au traitement d’une telle masse de données est celui des performances et de l’évolutivité. Néanmoins, Google souhaite, de toutes ses forces, aller de l'avant vers l'apprentissage automatique. Selon Eric Schmidt, l'apprentissage automatique est le thème dominant de l'avenir de Google, comme il l'a récemment présenté aux étudiants de la TU Berlin:

Le sujet exceptionnel des années à venir selon Schmidt Machine Learning. Ainsi, le développement de machines et d'ordinateurs pouvant apprendre de manière autonome. Schmidt: "Nous n'aurons plus à poser de questions à l'ordinateur à l'avenir, car il a appris ce que nous allons demander. Quelque chose de très grand commence tout juste. "Schmidt fait confiance aux machines. Les ordinateurs sont simplement meilleurs et plus rapides que les humains à bien des égards.

Engagement de Google en matière d'intelligence artificielle et d'apprentissage automatique

Que Google finisse par créer un cerveau artificiel et que, pour Hummingbird et le graphe de Knowldege, ce n’est que le début de ma collègue Svenja il ya deux ans, avec l’article Knowledge Graph: Google construit un cerveau ici, dans le blog. Mais jusqu'à présent, vous ne pouviez que le deviner. En raison des activités supplémentaires de ces dernières années, le tableau devient de plus en plus clair.

Selon Google, depuis 2014, Google a presque quadruplé ses activités d'apprentissage en profondeur, comme le montrent les diapositives de la conférence de Jeff Dean ci-dessous.

L'engagement de Google pour les choses Intelligence artificielle et Machine Learning commencé en 2011 avec le lancement de "Google Brain". L'objectif de Google Brain est de créer vos propres réseaux de neurones. Depuis lors, Google développe son propre logiciel d'apprentissage en profondeur DistBelief Continuez à développer vos propres produits d’apprentissage automatique. La deuxième génération de logiciels appelée Flux tensoriel mais est déjà dans les starting-blocks.

En regardant l’investissement et l’engagement dans l’intelligence artificielle au fil du temps, on comprend vite l’importance de Google dans ces domaines:

Bien que Knowledge Graph et Hummingbird incluent déjà des approches d’apprentissage automatique, l’accent a été mis davantage sur le moteur de recherche sémantique. Au plus tard, avec les investissements de plusieurs centaines de millions de dollars dans diverses entreprises des domaines de l'intelligence artificielle et de l'apprentissage automatique en 2014, il est clair que Google veut vraiment aller.

avec Esprit profond (environ 365 millions de dollars) Google a acheté une société fondée en 2011, spécialisée dans les systèmes autour de l'intelligence artificielle. et al DeepMind est responsable du développement de Google Now. La mission de DeepMind est de comprendre l'intelligence. De plus, DeepMind ne traite pas seulement du développement des réseaux de neurones, mais travaille également sur des modèles beaucoup plus souples, similaires à ceux d’une mémoire à court terme.

Labos Bleu Foncé d'autre part, l'accent est mis sur la reconnaissance et l'interprétation du langage naturel, ainsi que des formats audio.

vision Factory se spécialise dans la reconnaissance et l'interprétation de supports visuels tels que des images ou des vidéos.

Toutefois, lorsqu'il s'agit de textes, Google a une expérience de moteur de recherche basée sur le texte. Dans le domaine de l'audio, de la vidéo et de l'image, ils ont obtenu un soutien professionnel auprès des entreprises mentionnées.

En outre, Google investit depuis des années, selon sa propre déclaration, dans le domaine de l'intelligence artificielle. Ainsi, Google a par exemple investi des dizaines d’heures de travail dans le développement d’une infrastructure de pointe. propres réseaux de neurones investis. En outre, Google utilise des milliers de processeurs et de processeurs graphiques pour tirer des enseignements de milliers de milliards d'enregistrements en parallèle.

En décembre 2015, Google a annoncé qu'il travaillait avec la NASA sur un ordinateur quantique.

Google publie souvent des tâches scientifiques sur des sujets tels que la reconnaissance d'images, la reconnaissance vocale. Plus de 460 publications sur l'intelligence artificielle ont été publiées au cours des deux dernières années. Voir http://research.google.com/pubs/ArtificialIntelligenceandMachineLearning.html.

Et ce n'est pas juste la théorie. Par exemple, Google affirme avoir implémenté l'expérience d'apprentissage en profondeur depuis 2012 dans plus de 47 produits. Voici un extrait:

• Reconnaissance d'objets en images
• Détection de type d'objet dans les vidéos
• reconnaissance vocale
• Passants pour les voitures autonomes
• OCR: reconnaissance de texte en images
• Reconnaissance d'un langage familier
• Traduction automatique
• Publicité en ligne

Le système d'apprentissage automatique de l'équipe Expander utilise des ressources naturelles, des images, des vidéos et des requêtes, pour alimenter traduction de la langue, reconnaissance des objets visuels, compréhension du dialogue, etc.

Google reconnaît lui-même que l’apprentissage automatique semi-supervisé (expliqué plus haut dans l’article) est utilisé.

Fondamentalement, la plateforme d'Expander combine l'apprentissage automatique semi-supervisé et l'apprentissage à grande échelle basé sur des graphes en créant une représentation multi-graphes du concept. Le graphique contient généralement des données étiquetées (nœuds associés à une catégorie de sortie connue ou une étiquette) et des données non étiquetées (nœuds pour lesquels aucune étiquette n'a été fournie).

Il est difficile de déterminer qui prend en charge l'étiquetage manuel ou la précognition sur Google. Il se peut que cela soit fait en fonction de la tâche effectuée par Quality-Rater et par un favorable Clickworker.

Pour en savoir plus sur les activités d'intelligence artificielle de Google, je vous recommande l'une des nombreuses conférences de Jeff Dean.

Au plus tard, avec l'introduction de l'extension d'algorithme de Hummingbird nommée Rankbrain, chaque référencement naturel devrait indiquer clairement que le thème de l'apprentissage automatique constituera un facteur de plus en plus important dans le classement.

Avant d’examiner les effets de ces activités sur l’optimisation des moteurs de recherche, je vais approfondir quelques conseils de lecture.

Sources sur l'apprentissage automatique et l'intelligence artificielle

Apprentissage en profondeur vs apprentissage automatique vs reconnaissance de formes

Apprentissage automatique expliqué en mots simples

Wikipedia: Apprentissage automatique

Introduction à l'apprentissage automatique

Rise of the Machines de JAX TV sur Vimeo.

Quel est le rôle de Rankbrain?

Selon Google, Rankbrain a été initialement appliqué principalement à 15-20% des requêtes précédemment non demandées. Rankbrain est appliqué à toutes les requêtes de recherche depuis juin 2016.

Rankbrain est cité par Google comme le troisième facteur de classement en importance. Le facteur de classement du terme Ber est source de confusion. Facteur de classement oui, signal de classement non. Et ici commence pour beaucoup de SEO l'incertitude, qui n'est en partie pas résolue par les déclarations contradictoires de Google.

Il y a deux questions qui occupent les SEO avec Rankbrain

1. Rankbrain est-il responsable du raffinement de la requête ou de la classification et de l'interprétation des mots-clés, ou du scoring des URL?
2. Rankbrain utilise-t-il des données utilisateur réelles, des données de formation provenant d’évaluateurs de recherche ou d’évaluateurs de qualité, ni aucun d’eux comme données de formation?

Voici les théories suivantes:

1. Rankbrain n'est pas un signal de classement mais seulement responsable du raffinement de la requête
2. Rankbrain est un signal de classement et participe donc à la notation des documents
3. Outre Rankbrain, d’autres systèmes d’apprentissage automatique sont utilisés chez Hummingbird.

1. Rankbrain n'est pas un signal de classement mais seulement responsable du raffinement de la requête

Rankbrain n'est pas un facteur de classement classique, tel que Titres de page ou backlinks. Rankbrain est plutôt une mise à jour de l'algorithme de Hummingbird sous la forme d'une extension. En raison de la détermination de la proximité thématique par rapport aux termes déjà connus, Rankbrain peut classer les requêtes de recherche précédemment inconnues en contextes thématiques ou, en particulier, décomposer les requêtes complexes plus longues en dénominateurs communs. En conséquence, la signification peut être mieux interprétée et ainsi la requête de recherche inconnue peut être attribuée à des synonymes déjà connus ou à des termes de signification similaire ou identique. Rankbrain, en particulier lors de l’interprétation des requêtes de recherche, peut faire progresser Google.

Par exemple, Rankbrain a été présenté dans la première annonce de Google et Paul Haahr de Google a confirmé cette théorie lors du SMX Advanced 2016 dans cette interview avec Danny Sullivan (à partir de 3h00). Notez que Gary Illyes joue également un rôle de soutien, qui est mentionné ailleurs.

2. Rankbrain est un signal de classement et est donc impliqué dans la notation des documents

Rankbrain est directement impliqué dans l'évaluation du contenu de la page. Ici, certains modèles, le contenu approprié pour une requête particulière, doivent être identifiés à plusieurs reprises et utilisés pour le scoring. Mais il n'y a que quelques déclarations de Google. Il est assez frappant de constater que Gary Illyes, dans le rôle principal joué lors d'une séance de questions-réponses avec Danny Sullivan également au SMX Advanced 2016, a déclaré ce qui suit concernant Rankbrain (à partir de 5:40 minutes):

"C'est moins pour comprendre la requête que pour marquer les résultats …"

Danny Sullivan semblait être plus susceptible de partir de la première théorie qui lui avait été confirmée lors du même événement par son collègue Halyr des Illyes.

Très déroutant ce que Google communique ici.

3. En plus de Rankbrain, d’autres systèmes d’apprentissage automatique sont utilisés chez Hummingbird.

Une autre hypothèse est que, en plus de Rankbrain, d’autres parties de Hummingbird Machine Learning incluent également, par exemple, est utilisé pour la notation de sites Web. Mario Fischer également dans une discussion sur Facebook:

J'ai demandé à John Mueller de Google dans le Webmaster Hangout du 01.12.2016 une réponse. Voici son opinion sur le rôle de Rankbrain:

John confirme la première des trois théories selon lesquelles Rankbrain n'est utilisé que pour interpréter les requêtes de recherche. La notation réelle des sites Web, qui assure le tri des résultats de la recherche, a lieu dans l'algorithme de Hummingbird. Indique si les signaux utilisateur sont utilisés ici en tant que données d'apprentissage pour l'interprétation des requêtes de recherche, par ex. être utilisé pour l'enquête n'est pas clair.

Rankbrain pour le raffinement de la requête

Je crois en la première déclaration de Google selon laquelle Rankbrain est utilisé comme moyen de raffinement de la requête, c'est-à-dire sur la page de la requête de recherche. Surtout que Paul Haahr m'a fait dans les deux vidéos l'impression beaucoup plus compétente et que Gary Illyes ne s'est pas produit pour la première fois avec un manque de satisfaction en matière de communication. Mais cela voudrait dire que Rankbrain n’est pas un facteur direct, contrairement à ce que dit Gary Illyes.

Je pense aussi qu’en plus de Rankbrain, d’autres systèmes d’apprentissage automatique, par exemple utilisé pour marquer les sites Web. Si ce n'est pas maintenant, alors à l'avenir. Je suis également convaincu que Google utilise également l'apprentissage automatique pour déterminer l'intention de recherche, y compris l'inclusion de données d'utilisateur réelles. Mais presque tout est spéculation ou acceptation à ce jour.

Rankbrain en tant que médiateur entre la requête de recherche et Hummingbird

Voyons comment fonctionne le moteur de recherche de Google.

La fonctionnalité de Google est divisée en gros dans les domaines suivants:

• Ramper et indexer
• Comprendre et développer les requêtes de recherche (y compris Rankbrain)
• Récupération et notation (Hummingbird / Knowledge Graph)
• Ajustements post-récupération (y compris Panda, Penguin)

Pour l'évaluation, l'évaluation de documents individuels indépendamment de la requête de recherche est par conséquent non pas Rankbrain responsable, mais l'algorithme de Hummingbird. Rankbrain n'interprète que les requêtes de recherche.

Si on interprète déjà Gary Illyes presque un peu ennuyé et que sa réponse aux demandes de Rand Fishkins pourrait être utilisée, Rankbrain pourrait être utilisé pour pondérer différemment les facteurs de classement en fonction de l’intention de recherche. Cela influencerait donc le classement des documents.

Réclamez maintenant certains SEO qu'au moins dans la détermination de l'intention de recherche de Rankbrain Google sur des signaux d'utilisateur réels. Ich bin zuerst auch davon ausgegangen, aber laut Aussage von Gary Illyes scheint es nicht so. Zumindest keine Nutzersignale in der freien Online-Wildbahn.

It’s an offline learning algorithm. It’s refreshed every now and then with new training data.

Wenn man zwischen den Zeilen liest gibt es zwei Möglichkeiten:

1. Google könnte Nutzersignale ihrer Such-Evaluatoren nutzen um auch die Suchintention zu ermitteln bzw. Keyword-Modellgruppen bezogen auf die Suchintention zu bilden.
2. Google könnte Nutzersignale erfassen und als Trainingsdaten in das Offline Machine-Learning-System von Rankbrain einfließen lassen.

Aber alles pure Spekulation.

Kommen wir zum eigentlichen Scoring der Dokumente über Hummingbird.  Ich versuche, das mal mit Hilfe von Paul Haahrs Vortrag von der SMX West 2016 zu erklären, ohne es genau zu wissen.

Google klassifiziert laut Paul Haahr (Video weiter unten) Dokumente und Websites in sogenannte Shards innerhalb des Index. Laut Haahr gibt es tausende von verschiedenen Shards. Ich könnte mir vorstellen diese Shards sind nach Zweck des Dokuments und/oder Themenbereich im Index klassifiziert. Das für das Ranking relevante Gesamt-Scoring findet dann aus dem allgemeinen Scoring des Dokuments im Abgleich mit der über Rankbrain identifizierten Suchintention der Suchanfrage statt.

Zu weiteren Theorien, zu was Rankbrain noch genutzt werden könnte empfehle ich die Präsentation von Kai Spriestersbach von der SEOkomm 2016. Die Einschätzung zum Einfluss der Engagement-Daten wie Absprungrate und CTR auf Rankbrain teile ich allerdings nicht voll und ganz.

Wir sollten bei Kais Präsentation vielleicht eher von Machine Learning bei Google und nicht explizit von Rankbrain sprechen.

Wer sich mit dem Thema beschäftigt sollte sich auch diese Keynote von Marcus Tandler ansehen:
Marcus Tandler Vortrag, Rise of the Machines

Welche Auswirkung kann Machine-Learning zukünftig auf das Ranking haben?

Ich denke, dass Machine Learning Funktionalitäten nicht erst bei Rankbrain, sondern bereits bei Hummingbird und der stetigen Weiterentwicklung bzw. Vergrößerung und Strukturierung des Knowledge Graph im Einsatz sind. Dass Machine Learning zur Spam-Bekämpfung z.B. im Rahmen des Pinguin-Algos zum Einsatz kommt wurde inzwischen durch eine Aussage von Google bzw. Gary Illyes wiedersprochen. Ich hoffe hier bleibt es auch bei dieser eindeutigen Aussage.

Ob Google jetzt schon Machine Learning für die Bewertung von Websites nutzt kann aufgrund der widersprüchlichen Aussagen aus dem Hause Google nicht beantwortet werden. Sinn würde es für die Zukunft machen.

Ich denke, dass Machine Learning bereits schon seit längerem zur Kategorisierung von Suchanfragen, Inhalten aber auch Entitäten ( Mehr zum Thema Semantik und Entitäten)  eingesetzt wird. Es muss ja nicht zwangsläufigüber Rankbrain sein. Die ein oder andere Prise Machine Learning könnte auch schon in den Hummingbird-Algo direkt eingeflossen sein.

Gerade in Kombination mit dem Knowledge Graph als semantische Datenbank hätte Google zwei mächtige Werkzeug an der Hand.

Hilfreich könnte hierfür auch ein  Google-Patent zur Nutzung von Knowledge Base Kategorien sein, über das man im Beitrag How Google Might Make Better Synonym Substitutions Using Knowledge Base Categories mehr erfahren kann.

Dafür, dass Google Suchanfragen bereits zu verschiedenen Kategorien zuordnet gibt es klare Anzeichen wie z.B. die Beobachtungen von Ross Hudgens zeigen.

Google versucht hier zwecks Eindeutigkeit Begriffe insbesondere Entitäten mit mehreren Bedeutungen je nach Kontext über Kategorisierung voneinander abzugrenzen. Auch in Google Trends kategorisiert Google Begriffe bereits nach Kategorien:

Machine-Learning-Pozess: Bestärkendes Lernen / Quelle: http://www.slideshare.net/rahuldausa/introduction-to-machine-learning-38791937

Videos zum Thema Machine Learning und Artificial Intelligence