Aprendizaje automático e investigación de competidores de SEO

Muchos profesionales de SEO están aprendiendo Python y otros lenguajes de scripting en 2021 para mejorar su juego. Otra tendencia relevante en la industria del SEO es el aprendizaje automático. El aprendizaje automático, o ML, puede ayudarlo con la investigación de la competencia y más. Le diremos cómo utilizar el aprendizaje automático para realizar investigaciones de la competencia y facilitar su trabajo.

Definición de aprendizaje automático

El aprendizaje automático es una rama de la inteligencia artificial (IA) y la informática que utiliza datos y algoritmos para imitar la forma en que las personas aprenden. Funciona explorando datos y analizando patrones.

Por qué el aprendizaje automático es importante para fines de SEO

Una cosa que hacen muchos grandes expertos en SEO es analizar las páginas de resultados de los motores de búsqueda (SERP) y sus competidores para ver qué están haciendo para obtener una clasificación alta. En el pasado, los SEO usaban hojas de cálculo para recopilar y analizar datos de los SERP, con varias columnas que contenían diferentes datos como el número de enlaces, el número de palabras, etc. Si bien esta táctica funciona, Excel está limitado en lo que puede hacer, incluso cuando conoces trucos como ÍNDICE + COINCIDIR y BUSCARV. Además, ahora hay factores más complicados que afectan el ranking de búsqueda, como la usabilidad móvil, las redes sociales, la velocidad de la página, el marcado del esquema y más.

Ahora, sin embargo, existen herramientas como Python / R que lo ayudan a manejar millones de filas de información a la vez. Puede utilizar el aprendizaje automático en datos de la competencia para aprender:

• ¿Qué factores de clasificación explican las diferencias en las clasificaciones de los sitios web?
• El punto de referencia ganador
• Cuánto vale un cambio de unidad en el factor, en términos de clasificación

Problema de AA para el análisis de la competencia

ML resuelve varios problemas diferentes, como categorizar cosas, lo que se llama clasificación, o predecir un número continuo, que se llama regresión. Para realizar un análisis de la competencia, necesitará un problema de regresión. Eso es porque la calidad del SEO de un competidor se denota por su clasificación de Google, que es un número continuo.

Métrica de resultado

Ahora que sabemos que el problema del AA es la regresión, la métrica de resultado es el rango. Esto se debe a que la clasificación no se ve afectada por la estacionalidad y a que la clasificación de la competencia son datos de terceros, que puede encontrar utilizando herramientas y software de SEO, a diferencia del tráfico de usuarios y las conversiones, que no están disponibles para usted.

Características

Ahora que conocemos la métrica de resultados, necesitamos determinar las características o variables independientes. Los tipos de datos de las funciones varían. Por ejemplo, la primera pintura medida en segundos sería numérica. El sentimiento con las categorías positivo, neutral y negativo sería un factor. Querrá cubrir tantos factores de clasificación como sea posible, como aspectos técnicos, contenido, experiencia del usuario y más para realizar la investigación más completa.

Cómo hacer las matemáticas

Dado que las clasificaciones son numéricas, querrá explicar la diferencia de clasificación numéricamente. Puedes hacer esto con:

rango ~ w_1 * función_1 + w_2 * +… + w_n *

La tilde (~) significa "explicado por", n es la enésima característica y w es la ponderación de la característica.

Cómo utilizar el aprendizaje automático para descubrir secretos de la competencia

Ahora que sabe cómo hacer los cálculos, está listo para ver cómo el aprendizaje automático puede ayudarlo a descubrir más datos sobre su competencia. Asumiremos que en este punto ha recopilado sus datos SERPS (“serpa_data”) y se ha unido, transformado, limpiado y está listo para modelar. Sus datos deberán contener al menos la clasificación de Google y los datos de funciones que desea probar. Tus columnas pueden incluir:

• Google_rank
• Page_Sspeed
• Flesch_kincaid_reading-Ease
• Sentimiento
• Site_depth
• Amp_version_available
• Internal_page_rank
• Referring_domains_count
• Avg_domain_authority_backlinks
• Title_keyword_string_distance

Cómo entrenar su modelo de aprendizaje automático

Para entrenar su modelo, querrá usar XGBoost porque ofrece mejores resultados que otros modelos ML. Si desea probar una alternativa, puede confiar en RandomForest, Adaboost o LightGBM para grandes conjuntos de datos.

Así es como usa el código Python para XGBoost para su conjunto de datos SERPS. Tenga en cuenta que este es un ejemplo básico. Para un cliente real, querrá probar varios algoritmos de modelo en una muestra de datos de entrenamiento, evaluar y luego elegir el mejor modelo.

Importar las bibliotecas

El primer paso es importar las bibliotecas con este bit de código:

importar xgboost como xgb

importar pandas como pd

serps_data = pd.read_csv ('serps_data.csv')

Establecer las variables del modelo

# sus datos de SERP con todo menos la columna google_rank

serp_features = serps_data.drop (columnas = ['Google_rank'])

#sus datos de SERPs con solo la columna google_rank

rank_actual = serps_data.Google_rank

Crear una instancia del modelo

serps_model = xgb.XGBRegressor (objetivo = 'reg: linear', random_state = 1231)

Ajustar el modelo

serps_model.fit (serp_features, rank_actual)

Genere las predicciones del modelo

rank_pred = serps_model.predict (serp_features)

Evaluar la precisión del modelo

mse = mean_squared_error (rankactual, rank_pred)

Qué puede aprender de los datos

Aquí hay algunas cosas que puede aprender de su modelo:

Los impulsores de clasificación más predictivos

Los datos le dirán las características SERP más influyentes o los factores de clasificación en orden de importancia. Cada mercado o industria será diferente.

Cuánto vale un factor de clasificación

También puede ver cuánto rango se entregará en función de cada factor.

El punto de referencia ganador para un factor de clasificación

Los datos también le dirán el punto de referencia ganador para cada factor de clasificación. Por ejemplo, aunque puede haber ciertas reglas generales de SEO que siga para cada factor de clasificación, el punto de referencia real para cada factor puede variar según el mercado o la industria.

Puede utilizar estos datos para ayudarlo a optimizar su contenido con el fin de vencer a su competencia en los SERP.

Cómo automatizar el análisis de la competencia de SEO con aprendizaje automático

Si bien el análisis de ML de los datos de la competencia de SEO es importante, es aún más útil cuando está en curso. Un análisis de aprendizaje automático por única vez es solo un momento en el tiempo para las SERP, cuando las SERP siempre están cambiando y evolucionando, al igual que el algoritmo de Google . Sin embargo, un flujo continuo de recopilación y análisis de datos le brinda una mejor visión general de lo que realmente está sucediendo en las SERP, y por qué, en su industria (o en la de sus clientes). Por eso es clave que automatice a su competidor de SEO. análisis con aprendizaje automático.

Aquí es donde entran en juego los sistemas de tablero y almacén de datos diseñados específicamente para SEO. Estos sistemas toman sus datos diariamente de las herramientas de SEO elegidas, combinan los datos y usan el aprendizaje automático para compartir información en una aplicación de interfaz de usuario de su elección, como Google Estudio de datos .

Para construir su propio sistema automatizado, deberá implementarlo en una infraestructura en la nube como Amazon Web Services o Google Cloud Platform en lo que se llama ETL, también conocido como extraer, transformar y cargar. Extraer se refiere a la llamada diaria de las API de su herramienta de SEO. Transformar es la limpieza y el análisis de sus datos. La carga es depositar el resultado final en su almacén de datos. Esto le permite automatizar la recopilación, el análisis y la visualización de datos en un solo lugar.

Aprendizaje automático e investigación de competidores de SEO

Puede ser difícil realizar una investigación de la competencia de SEO, pero el aprendizaje automático puede ayudarlo a que sea más fácil para usted, especialmente si automatiza el proceso. Cuando usa el aprendizaje automático en sus competidores, puede aprender cuáles son los impulsores clave, identificar los puntos de referencia ganadores entre ellos y saber cuánto aumento en el rango pueden ofrecer sus optimizaciones. Si necesita ayuda para usar el aprendizaje automático para la investigación de la competencia de SEO, comuníquese con SEO Design Chicago hoy mismo y nuestros expertos en SEO pueden ayudarlo.

Preguntas frecuentes:

• ¿Qué es el aprendizaje automático?
• ¿Cómo configuro un modelo de AA?
• ¿Qué datos necesito para un modelo de AA en la investigación de la competencia?
• ¿Cómo ayuda el aprendizaje automático a mi competencia SEO en la investigación?
• ¿Cómo automatizo el aprendizaje automático para la investigación de la competencia SEO?