Múlt héten Cyrus Shepard közzétett egy mesterséges intelligencia idézési tényezőket rangsoroló tanulmányt, amely nagy zajt keltett az X-en, a LinkedIn-en és számos privát WhatsApp-csoporton, amelyekben benne vagyok. Nemcsak a különbségtétel a között, hogy mi számít tényező, és mi az összefüggés, különösen, ha a SEO-val és az AI-val foglalkozó számos tanulmány sokrétű, és rendkívül bonyolult. Hogy világos legyen, ez nem Cyrus munkájának kritikája; a tanulmány kiváló, és a korrelációs/ok-okozati összefüggést kifejezetten kimondja.
Ez arra késztetett, hogy elgondolkodjak a párhuzamokon más, korábban végzett rangsorolási faktor vizsgálatokkal, amelyek szerint a közvetlen forgalom jelentős hagyományos SEO rangsorolási tényező. Akkoriban ezek a tanulmányok sok negatív visszajelzést kaptak, és ezt ismét sokan megvitatták az interneten, miután a Google DOJ-próbájának dokumentációja felfedte a „népszerűségi” jelet.
Érdemes a közvetlen forgalomnak a Chrome-on keresztüli népszerűség mérésének egyik összetevője lenni. A Google Chrome-adatokat használ új webhelyek keresésére. Az oldal „minőségét” az alapján is megítéli, hogy a felhasználók hogyan lépnek kapcsolatba vele a kattintás után, de az, hogy ez hogyan történik, és mekkora súllyal bírnak az itt található változók, nem nyilvánosak.
Közvetlen forgalom x népszerűség korrelációja
A közvetlen forgalmat széles körben a jó teljesítmény tünetének tekintik, nem pedig a keresési rangsor elsődleges mozgatórugójának.
A közvetlen forgalom rangsorolási tényezőként való kezelése félretájékoztatási hurokhoz vezet, ami felületes, alacsony erőfeszítést igénylő taktikákat, például botforgalom vásárlását ösztönzi, a népszerűség növelésének elhibázott kísérleteként, mivel nagyon is lehetséges, hogy magas a közvetlen forgalom és gyenge a SEO teljesítmény.
Egy tágabb nézet azt sugallja, hogy a nagy közvetlen forgalom jellemzően az erős márka mutatója, amely olyan valódi rangsorolási tényezőkkel korrelál, mint a számos márkakeresés, a jó minőségű visszamutató linkek és az erős társadalmi elkötelezettség.
Ezek az elemek a magas helyezés valódi okai; a közvetlen forgalom csupán a márka általános egészségi állapotának és sikerének számszerűsíthető mérőszámaként szolgál, a „minden hajó dagályban emelkedik” hatás.
Ha a Chrome-adatok közvetlen tényezőt jelentenének, akkor egy adott URL-en a böngészőtevékenység hirtelen megugrása azonnal felnyomná a SERP-eket, és ez egy játszható kizsákmányolás lenne.
Ezt a Google is észrevenné, amikor úgy tűnik, hogy kiküszöböli a keresési rangsor nyilvánvaló manipulációit, és ez sok évvel ezelőtt történt volna.
Egyéb betekintések a DOJ-fájlokból
A NavBoost és a Glue speciális rendszerek a Google infrastruktúrájában, amelyek a közvetlen forgalom nyers mennyisége helyett a felhasználói interakciós jelekre összpontosítanak.
A NavBoost a korábbi kattintásfolyam-adatokat és a keresési eredmények felhasználói viselkedését vizsgálja, hogy azonosítsa, mely oldalak a legrelevánsabbak az adott lekérdezések szempontjából, és hatékonyan emlékeztet arra, hogy a felhasználók mit találtak hasznosnak.
Míg a NavBoost a hagyományos organikus eredményekre összpontosít, a Glue ugyanezeket a felhasználói interakciós elveket kiterjeszti az összes többi SERP-funkcióra is: tudáspanelekre, videokörhintákra, képcsomagokra és kiemelt kivonatokra.
Lehetővé teszik a Google számára, hogy felmérje egy webhely jogosultságát az alapján, hogy a felhasználók hogyan lépnek kapcsolatba vele a keresési ökoszisztémában, függetlenül a felhasználó forgalmi forrásától.
→ Bővebben: Mit jelenthet a Google trösztellenes ítélete a SEO jövője szempontjából
Szóval, mi van Népszerűség?
Különböző hivatalos (és nem hivatalos) forrásokból, kutatásokból és az általános SEO hive elméjéből ismereteink alapján a népszerűséget a márkaerő jeleként határozhatjuk meg, amelyet olyan felhasználói viselkedések jellemeznek, mint az automatikus kiegészítések és a könyvjelzők.
Korrelációként működik a magas helyezésekkel, mert természetesen igazodik az oldal rangsorolását meghatározó különféle jelekhez.
A Google elkerülheti, hogy a Chrome-adatokat közvetlenül rangsorolási tényezőként használja, hanem inkább adatkészletként használja őket mesterségesintelligencia-modelljei betanításához vagy validálásához. Ezt nem tudjuk, és valószínűleg nem is tudjuk bizonyítani vagy cáfolni kutatással.
Köszönöm Ryan Jonesnak, Mark Williams-Cooknak, Chris Greennek, Gerry White-nak, Kristine Schachingernek, Charlie Whitworth-nek, Emina Demiri Watsonnak (és bárki másnak, akit kihagytam) a szórakoztató hétvégi beszélgetésekért ebben a témában.
