Категории

  • Огнетушители
  • Рукава пожарные
  • Оценка земли
  • Как бизнес
  • Оценка недвижимости
  • Услуги по оценке.
  • Индивидуальные средства защиты
  • ПротивоГАЗы
  • Новости
  • Новости

    Где купить держатель для Айфона в авто

    Сегодня очень многие автомобилисты задаются сакраментальным вопросом, который не может их не беспокоить - где купить держатель

    Где выбрать фотоаппарат

    С недавних пор увлекаюсь фото и видео съемкой. Приобрел фотоаппарат от Canon , т.к. доверяю данной компании и сталкивался с их продукцией не раз. И решил приобрести аксессуары для моей камеры. Начал

    Будущее SEO-консалтинга использует машинное обучение (ML)

    1. Вступление
    2. Решение проблемы SEO
    3. Машинное обучение меняет аудит сайта
    4. Заключение

    Дата 19 марта 2016

    Дата 19 марта 2016

    Вступление

    В индустрии SEO широко распространено мнение, что Google использует машинное обучение для улучшения качества результатов поиска. Машинное обучение (ML), ветвь искусственного интеллекта, может быть обучено распознавать закономерности, как это сделал бы человеческий эксперт. В результате ML может определить разницу между привлекательным контентом и спам-контентом, затрудняя спамерам или дешевым маркетинговым уловкам успех в SEO.

    Например, Google представил RankBrain, результат их больших инвестиций в ML. Цель RankBrain - ранжировать контент в соответствии с намерениями пользователя за ключевыми словами, по которым выполняется поиск. RankBrain, вероятно, помог сократить численность персонала службы поиска Google, поскольку алгоритм достаточно надежен для надежного ранжирования контента в масштабе.

    Но как насчет практиков SEO? Большинство экспертов полагаются на свой коммерческий опыт в сочетании с инструментами и данными. Хотя это может быть эффективным, оно не масштабируется до уровня предприятия, когда команда обычно работает над сайтом с тысячами, если не сотнями тысяч страниц.

    Машинное обучение дает SEO специалистам и корпорациям возможность сделать процесс SEO более эффективным, обучая компьютеры помогать генерировать решения в масштабе. Хотя машинное обучение и даже глубокое обучение вряд ли заменит эксперта по SEO, оно, безусловно, может помочь им:

    • Избегайте ошибок и проверяйте их суждения
    • Количественная оценка преимуществ SEO решения
    • Защищенная реализация от коллег по веб-разработке
    • Создание бизнес-кейсов для управления

    Решение проблемы SEO

    Любой процесс улучшения должен начинаться с углубленного анализа. Подобно тому, как врач попросит вас описать ваши симптомы, прежде чем пытаться диагностировать состояние, поисковая оптимизация может быть проведена только после детального аудита сайта.

    Задача технического SEO - оптимизировать архитектуру и контент сайта, чтобы сделать его более доступным для поиска. Обычно это включает в себя максимизацию PageRank (или полномочий домена) нужных страниц сайта и добавление тегов к контенту, чтобы сделать его более значимым для поисковых систем. Как правило, оптимизаторы используют свои любимые инструменты аудита, такие как Deep Crawl, Screaming Frog, Google Analytics и другие. Однако, хотя инструменты аудита сайта очень полезны для перечисления большинства архитектурных проблем сайта, таких как дублированный контент, консультант по-прежнему полагается для выяснения причин возникновения этих проблем.

    Например, проблемы являются результатом:

    • не www против www
    • параметр URL
    • неправильно сформированные ссылки меню
    • тонкий контент
    • Другой?

    Исследование этих потенциальных причин, очевидно, требует больших затрат времени. Во-первых, SEO должен будет классифицировать каждую причину появления дублированного контента. После того, как причины были классифицированы, имело бы смысл определить количество типов ошибок SEO.

    На приведенном выше графике показано количество страниц для каждой причины дублирования контента на розничном веб-сайте, над которым мы работали в прошлом году. Большинство ошибок в приведенном выше примере являются результатом того, что клиент повторяет содержимое в другой папке.

    После того, как результаты аудита проанализированы, SEO используют свои знания соответствующих технологий (таких как HTML, Javascript или Linux Apache), чтобы представить ряд разумных решений для повышения потенциала контента сайта для ранжирования в Google.

    Большинство компетентных консультантов по SEO будут использовать данные Google Analytics, чтобы помочь им проверить эффективность своих решений. Кроме того, SEO, основанное на данных, будет использовать статистику (выше среднего), чтобы доказать «эффект лечения», то есть вероятность того, что решение повысит рейтинг в Google. Если возможно, статистика также будет использоваться для количественной оценки потенциального повышения рейтинга.

    Использование статистики очень эффективно. Но представьте, что вам нужно выполнить этот ручной анализ на сайте электронной коммерции с тысячами страниц с ошибками?

    Машинное обучение меняет аудит сайта

    Машинное обучение - это ветвь ИИ - алгоритмы учатся на основе данных, ограниченных только количеством и качеством данных, которые вы можете им предоставить. Таким образом, они могут находить закономерности и тенденции, не запрограммированные специально для них. Google использует машинное обучение, чтобы становиться все более изощренным и принимать разумные решения. SEO должны делать то же самое.

    Предположим, что одной из основных причин дублирования контента являются страницы с тонким содержанием. Большинство оптимизаторов скорее всего сравнивают проблемные страницы своих клиентов с ведущими конкурентами:

    Большинство оптимизаторов скорее всего сравнивают проблемные страницы своих клиентов с ведущими конкурентами:

    Они могут использовать свой опыт, чтобы определить закономерности. Веб-страница вышеупомянутой категории для розничной торговли элитной мебелью показывает, как SEO может сыграть в игру «найди разницу», чтобы увидеть, чего не хватает веб-сайту клиента.

    Если они склонны математически, SEO может использовать статистику, сгенерированную инструменты аудита контентной стратегии чтобы получить представление о том, чем проблемные страницы отличаются от обычных страниц:

    Если они склонны математически, SEO может использовать статистику, сгенерированную   инструменты аудита контентной стратегии   чтобы получить представление о том, чем проблемные страницы отличаются от обычных страниц:

    Например, приведенная выше диаграмма сравнивает клиентский сайт с ведущими конкурентами по размеру контента.

    Тем не менее, машинное обучение может продвинуться дальше, автоматизируя этот вид анализа и выявляя потенциальных предикторов для тонкого контента - в масштабе.

    Вот что наш технологический портал нашел для сайта электронной коммерции:

    В приведенном выше примере наш алгоритм определил размер контента (измеряемый в килобайтах на страницу) как наиболее существенную причину, по которой страницы были тонкими. Конечно, наиболее действенная метрика из них - это количество слов, которое оказывается самым важным предиктором.

    Принимая во внимание, что машины не могут «видеть», как человек, чтобы сравнивать веб-страницы, алгоритм все-таки смог взять данные и определить разницу, используя статистику, представленную ниже:

    Мы использовали контролируемую модель на основе классификации, чтобы предсказать, будет ли страница тонкой или хорошей. Модель может быть очень мощной и гибкой моделью общего назначения, которую можно использовать для классификации и прогнозирования типа ошибок в содержании SEO.

    Прогнозирование типа страницы является проблемой классификации. Модели с избыточной классификацией, такие как машины опорных векторов (SVM), стали очень популярными в последнее время, особенно в конкурентных сообществах машинного обучения, таких как Kaggle.

    Алгоритм просматривает данные и выбирает контентную функцию, которая лучше всего предсказывает страницу с ошибкой SEO или нет. Затем он разбивает данные на два раздела, в зависимости от их значения этой функции содержимого. Каждое разделение данных может быть затем разделено, посмотрев на другие переменные.

    Мы запустили сотни испытаний для создания модели машинного обучения, обучающей данные 80% наблюдений, а затем попытались предсказать, были ли оставшиеся 20% хорошими или слабыми. Модель делала прогнозы для данных, которых никогда не видела, поэтому производительность модели будет показывать ее производительность на будущих данных.

    При прогнозировании модель предоставляет вероятность для каждого наблюдения. Когда мы исследуем вероятность, назначенную каждому наблюдению в тестовом наборе (вместе с фактическим значением), мы видим, что наша модель очень точна:

    Приведенный выше график показывает, насколько хороша наша модель для прогнозирования того, какие страницы будут определены как «тонкие» с помощью инструмента сканирования сайтов Deep Crawl. Если мы классифицируем каждое наблюдение с вероятностью быть более тонкой, чем 0,5, мы можем классифицировать тестовый набор почти идеально. В большинстве случаев модели машинного обучения не будут на 100% точными.

    Заключение

    В нашем примере мы могли бы принимать обоснованные решения об изменениях, которые имели бы самое большое значение из-за машинного обучения.

    Таким образом, машинное обучение дает вам возможность:

    • Генерация точных рекомендаций SEO в масштабе на основе шаблонов
    • Предоставьте точные отраслевые ориентиры относительно того, сколько слов следует использовать (вместо того, чтобы полагаться на советы по передовому опыту, которые обычно не согласовываются!)
    • Получите поддержку от веб-разработчиков, контент-стратегов, UX и других специалистов, завоевав их уважение с помощью статистически подтвержденных данных
    • Создавайте бизнес-кейсы, чтобы обеспечить больший бюджет и улучшить возможности поиска на сайте. Это может быть что угодно, от кампании контент-маркетинга до инвестиций в контент-стратегию

    Речь идет не о замене SEO, а о принятии решений на основе фактических данных, более информированных и более надежных. Наше время и талант должны быть направлены на разработку решений, а не на ручное выполнение задач, которые машины могли бы выполнить за меньшее время без особых усилий.

    В свою очередь, клиенты и компании могут быть более эффективными, потенциально экономя деньги на консультационных услугах или повышая эффективность внутреннего корпоративного SEO.

    Консультант по SEO никуда не денется, но будущий консультант по SEO использует машинное обучение для более эффективной работы. Будущее - сегодня.

    Но как насчет практиков SEO?
    Но представьте, что вам нужно выполнить этот ручной анализ на сайте электронной коммерции с тысячами страниц с ошибками?