X
سرویس سئو و بهینه سازی وب سایت - استفاده از یک مدل همبستگی جدید برای پیش بینی رتبه های آینده با صفحه صفحه s

سرویس سئو و بهینه سازی وب سایت - استفاده از یک مدل همبستگی جدید برای پیش بینی رتبه های آینده با صفحه صفحه

موضوعات
Category

ارشیو وبلاک
Archived blog

لينك هاي روزانه
Daily Links

کدهای اختصاصی
Code

کدهای اختصاصی
Site Statistics

» بازديد امروز : 1
» بازديد ديروز : 0
» افراد آنلاين : 1
» بازديد ماه : 0
» بازديد سال : 2
» بازديد کل : 47
» اعضا : 0
» مطالب : 29

مطالعات همبستگی سالها است که بخشی از جامعه بهینه سازی موتور جستجو است. هر بار که یک مطالعه جدید منتشر می شود ، به نظر می رسد گروه های مختلف روزانه به طرز جادویی از کار چوب بیرون می آیند تا چیزی را که از آمار دبیرستان ها به خاطر می آورند یادآوری کنند - که "همبستگی به معنای علیت" نیست. آنها البته در اعتراضات خود حق با هم هستند و به اعتقاد آنها ، تعداد تاسف بارها به نظر می رسد که افرادی که مطالعات همبستگی را انجام می دهند ، این غفلت ساده را فراموش کرده اند.



ما یک نتیجه جستجو جمع می کنیم. سپس نتایج را بر اساس معیارهای مختلف مانند تعداد پیوندها سفارش می دهیم. سرانجام ، ما سفارشات نتایج جستجوی اصلی را با نتایج حاصل از معیارهای مختلف مقایسه می کنیم. هرچه نزدیک تر باشند ، همبستگی بین این دو بیشتر می شود.

گفته می شود ، مطالعات همبستگی صرفاً بی ثمر نیستند زیرا آنها لزوماً از روابط علّی پرده نمی گیرند (یعنی: عوامل واقعی رتبه بندی). آنچه مطالعات همبستگی را کشف یا تأیید می کند ، همبستگی است .

همبستگی ها به سادگی اندازه گیری هایی هستند که برخی از رابطه ها را با متغیر مستقل (در این مورد ، ترتیب نتایج جستجو در یک صفحه) به اشتراک می گذارند. به عنوان مثال ، ما می دانیم که تعداد بک لینک ارتباطی با مرتبه درجه دارد. ما همچنین می دانیم که سهام اجتماعی ارتباطی با مرتبه درجه ای دارد.

مطالعات همبستگی همچنین جهت ما را به ما می دهد. به عنوان مثال ، فروش بستنی با درجه حرارت همبستگی مثبت دارد و ژاکت های زمستانی همبستگی منفی با دما دارند - یعنی وقتی دما بالا می رود ، فروش بستنی بالا می رود اما فروش ژاکت های زمستانی پایین می رود.

سرانجام ، مطالعات همبستگی می تواند به ما در رد کردن عوامل رتبه بندی پیشنهادی کمک کند. این اغلب نادیده گرفته می شود ، اما این یک بخش فوق العاده مهم از مطالعات همبستگی است. تحقیقاتی که نتیجه منفی را ارائه می دهند ، غالباً به همان اندازه تحقیق ارزشمند هستند که نتیجه مثبتی می دهند. ما با استفاده از مطالعات همبستگی توانسته ایم انواع بسیاری از عوامل بالقوه - مانند تراکم کلمات کلیدی و برچسب متا کلمات کلیدی را رد کنیم.

متأسفانه ، ارزش مطالعات همبستگی تمایل به پایان دارد. به طور خاص ، ما هنوز می خواهیم بدانیم که آیا این همبستگی باعث رتبه بندی می شود یا مبهم است . Spurious فقط یک کلمه صدایی دلپذیر برای "دروغ" یا "جعلی" است. یک مثال خوب از روابط فریبنده این است که فروش بستنی باعث افزایش غرق شدن می شود. در واقعیت ، گرمای تابستان هم فروش بستنی را افزایش می دهد و هم افرادی که برای شنا می روند. شنا بیشتر به معنی غرق شدن بیشتر است. بنابراین در حالی که فروش بستنی ارتباط غرق شدن است ، طعن آور است. این باعث غرق شدن نمی شود.

چگونه ممکن است ما به اختلاف بین روابط علی و توهین آمیز بپردازیم؟ یک چیز ما می دانیم که یک علت قبل از تأثیر آن اتفاق می افتد ، به این معنی که یک متغیر علّی باید یک تغییر آینده را پیش بینی کند. این پایه ای است که من مدل زیر را ساختم.

یک مدل جایگزین برای مطالعات همبستگی
من یک روش متناوب برای انجام مطالعات همبستگی پیشنهاد می کنم. به جای اندازه گیری ارتباط بین یک عامل (مانند پیوندها یا سهام) و SERP ، می توان ارتباط بین یک عامل و تغییرات در SERP را در طول زمان اندازه گیری کرد.

روند کار به این صورت انجام می شود:

جمع آوری SERP در روز 1
تعداد پیوندها را برای هر URL از آن SERP جمع آوری کنید
به دنبال هر جفت URL ای باشید که با توجه به پیوندها از دسترس خارج باشد. به عنوان مثال ، اگر موقعیت 2 لینکهای کمتری نسبت به موقعیت 3 دارد
آن ناهنجاری را ضبط کنید
14 روز بعد همان SERP را جمع کنید
اگر ناهنجاری اصلاح شده است را ثبت کنید (به عنوان مثال: موقعیت 3 اکنون خارج از موقعیت 2 است)
تکرار در سراسر ده هزار کلمه کلیدی و تست عوامل مختلف (بک لینک ، سهام اجتماعی و غیره)
بنابراین مزایای این روش چیست؟ با نگاهی به تغییر در طول زمان ، می توانیم ببینیم که آیا عامل رتبه بندی (همبستگی) یک ویژگی پیشرو یا عقب مانده است. از آنجا که بعد از تغییر رتبه بندی ، یک ویژگی عقب افتاده به طور خودکار می تواند به عنوان علت رد شود. یک عامل برجسته می تواند یک عامل علّی باشد اگرچه ممکن است به دلایل دیگر توهین آمیز باشد.



ما یک نتیجه جستجو جمع می کنیم. ما ثبت می کنیم که نتیجه جستجو با پیش بینی های متغیر خاص (مانند پیوندها یا سهام اجتماعی) متفاوت است. سپس 2 هفته بعد همان نتیجه جستجو را جمع می کنیم تا ببینیم موتور جستجو نتایج خارج از سفارش را اصلاح کرده است یا خیر.

به دنبال این روش ، ما 3 همبستگی مشترک مختلف تولید شده توسط مطالعات عوامل رتبه بندی را آزمایش کردیم: سهام فیس بوک ، تعداد دامنه های پیوند دهنده ریشه و صفحه صفحه. اولین قدم شامل جمع آوری 10،000 SERP از کلمات کلیدی به طور تصادفی انتخاب شده در گروه جستجوگر کلمات کلیدی ما است. ما سپس فیس بوک سهام ، دامنه های پیوند دهنده Root و صفحه صفحه را برای هر URL ضبط کردیم. ما به هر نمونه اشاره کردیم که در آن 2 URL مجاور (مانند موقعیتهای 2 و 3 یا 7 و 8) با توجه به ترتیب مورد انتظار پیش بینی شده توسط عامل همبستگی ، چرخانده شدند. به عنوان مثال ، اگر موقعیت # 2 دارای 30 سهم بود در حالی که جایگاه شماره 3 50 سهام داشت ، ما به آن جفت اشاره کردیم. انتظار دارید که این صفحه با سهام moer از صفحه‌ای با تعداد کمتر برخوردار باشد. سرانجام ، 2 هفته بعد ، ما همان SERP ها را ضبط کردیم و درصد دفعاتی را که گوگل مجدداً جفت آدرس اینترنتی را ترتیب داد تا با همبستگی پیش بینی شده ، مرتب شود ، شناسایی کردیم. ما همچنین جفت URL های URL را به طور تصادفی انتخاب کردیم تا به این ترتیب درصد ابتدایی احتمال اینکه هر 2 آدرس اینترنتی مجاور موقعیت را تغییر دهد ، بدست آوریم. در اینجا نتایج ...

نتیجه
توجه به این نکته بسیار مهم است که انتظار می رود یک عامل برجسته در تجزیه و تحلیل مانند این به شدت ظاهر شود. اگرچه روش آزمایشی سالم است ، اما به عنوان عاملی که آینده را پیش بینی می کند ساده نیست - فرض بر این است که در بعضی موارد قبل از گوگل از یک عامل مطلع خواهیم شد. فرض اساسی این است که در برخی موارد قبل از Googlebot قبل ، یک عامل رتبه بندی (مانند افزایش پیوندها یا سهام اجتماعی) را شاهد بوده ایم و این که در دوره 2 هفته ای ، گوگل نتایج صحیح سفارش داده شده را می گیرد و تصحیح می کند. همانطور که انتظار دارید ، این یک موقعیت نادر است ، زیرا گوگل سریعتر از هر کس دیگر وب را خز می کند. با این حال ، با تعداد کافی از مشاهدات ، باید بتوانیم از نظر آماری اختلاف معنی داری بین نتایج عقب افتاده و پیشرو مشاهده کنیم. با این وجود ، این متدولوژی تنها هنگامی عامل را تشخیص می دهد که Moz Link Explorer عامل مربوطه را قبل از Google کشف کرده است .



عامل    درصد اصلاح شده است    P-Value    95٪ حداقل    حداکثر 95٪
کنترل    18.93٪    0       
سهام فیس بوک برای PA کنترل می شود    18.31٪    0.00001    -0.6849    -0.5551
دامنه های مرتبط با ریشه    20.58٪    0.00001    0.016268    0.016732
صفحه صفحه    20.98٪    0.00001    0.026202    0.026398
کنترل:
به منظور ایجاد یک کنترل ، ما جفت های URL مجاور را به طور تصادفی در اولین مجموعه SERP انتخاب کردیم و احتمال اینکه دوم در مجموعه SERP نهایی باشد از این بالاتر است. تقریباً 18.93٪ از وقتها که URL رتبه بدتری را به دست آورد ، بر URL بهتر رتبه بندی پیشی می گیرد. با تنظیم این کنترل ، می توانیم تعیین کنیم که آیا هر یک از همبستگی های بالقوه عوامل اصلی هستند - یعنی می گویند که آنها علل بالقوه بهبود رتبه هستند زیرا آنها بهتر تغییرات آینده را نسبت به یک انتخاب تصادفی پیش بینی می کنند.

سهام Facebook:
فیس بوک سهام بدترین سه متغیر آزمایش شده را انجام داد. سهام Facebook در واقع بدتر از تصادفی عمل کرده است (18/18٪ در مقابل 18.93٪) ، به این معنی که جفت های تصادفی انتخاب شده احتمال تغییر نسبت به مواردی که سهام دوم بیشتر از دسته اول است ، تغییر می کنند. این امر کاملاً تعجب آور نیست زیرا اجماع عمومی صنعت مبنی بر اینکه علائم اجتماعی عوامل تاخیری را به همراه دارند ، تعجب آور نیست - یعنی می گویند که ترافیک از رتبه های بالاتر ، سهام اجتماعی بالاتری را به دنبال دارد ، نه سهام اجتماعی منجر به رتبه های بالاتر می شود. متعاقباً ، ما انتظار داریم که قبل از اینکه شاهد افزایش سهام اجتماعی باشیم ، رتبه بندی را تغییر دهیم.

RLDs
شمارش دامنه پیوند ریشه خام بسیار بهتر از سهام و کنترل در 20.5٪ پوند انجام شد. همانطور که قبلاً هم اشاره کردم ، این نوع تحلیل بسیار ظریف است زیرا تنها هنگامی که یک عامل عامل اصلی باشد شناسایی می شود و Moz Link Explorer عامل مربوطه را قبل از گوگل کشف کرده است . با این وجود ، این نتیجه با مقدار P <0.0001 و فاصله اطمینان 95٪ آماری معنی دار بود که RLDs تغییرات رتبه بندی آینده را در حدود 1.5٪ بیشتر از تصادفی پیش بینی می کند.

صفحه صفحه
تاکنون ، بالاترین عامل عملکردی صفحه قدرت بود. در 21.5، ، PA به طور صحیح تغییرات در SERPs 2.6 better بهتر از تصادفی پیش بینی کرد. این یک نشانه قوی از یک عامل پیشرو است ، تا حد زیادی نسبت به سهام سهام اجتماعی بهتر عمل می کند و بهتر از معیارهای پیش بینی کننده متریک خام ، دامنه های پیوند دهنده ریشه است. این شگفت آور نیست. صفحه قدرت برای پیش بینی رتبه بندی ساخته شده است ، بنابراین باید انتظار داشته باشیم که در تعیین زمان تغییر مکان در رتبه بندی از معیارهای خام بهتر عمل کند. حال این بدان معنا نیست که گوگل از Moz Page Authority برای رتبه بندی سایتها استفاده می کند ، بلکه این است که Moz Page Authority تقریب خوبی برای معیارهای پیوندی است که گوگل برای تعیین سایت های رتبه بندی از آن استفاده می کند.

نتیجه گیری افکار
بسیاری از طرح های آزمایشی مختلفی وجود دارد که می توانیم از آنها برای بهبود تحقیقات در سراسر صنعت استفاده کنیم ، و این تنها یکی از روش هایی است که می تواند به ما کمک کند تا اختلافات بین عوامل رتبه بندی علی و روابط همبستگی را رها کنیم. طراحی آزمایشی نیازی به تفصیل ندارد و آمار برای تعیین قابلیت اطمینان نیازی به لبه گیری ندارد. در حالی که یادگیری ماشین وعده های زیادی را برای بهبود مدل های پیش بینی کننده ما ارائه می دهد ، آمار ساده می تواند هنگام ایجاد اصول ، این ترفند را انجام دهد.

حالا ، از آنجا خارج شوید و تحقیقات بسیار خوبی را انجام دهید!

درباره rjonesx. -

من دانشمند اصلی جستجو در موز هستم. من 3 دختر شگفت انگیز کلارن ، آون و الیس ، یک همسر غیرقابل مقایسه مورگان ، و یک زن مسیحی دموکرات دارم که اغلب نمی داند چه موقع دهان خود را ببندد :-)

دسته :
برچست ها :
نظرات
نظرات مرتبط با این پست
نام :
ایمیل :
وب سايت :
کد تاييد :        
متن دیدگاه :

تمامی حقوق برای نویسنده محفوظ میباشد