در بخش اول این مقاله در مورد ابزار گوگل کیورد صحبت کردیم و با مشکلات آن اشنا شدیم. در ادامه با ما همراه شوید.
بهبود شرایط:
اینکار به طور طبیعی از تعادل تشخیص و پوشش به دست می آید. ما در نهایت ۲۰ گروه بندی را انتخاب کردیم . این بدین معناست که گروه بندی کلمات کلیدی توسط حجم و ظرفیت کمی آسانتر است . شما می توانید همیشه گروه ها را به صورت محدوده های مختلف در اکسل دسته بندی کنید . اما همیشه محدوده ای که به دست می آورید تایید شده نیست و ممکن است کمی متفاوت باشد. به طور مثال تصور کنید که محدوده ی موجود با مد لگاریتمی یکسان با بزرگ تر شدن گستردگی آنها نیز افزایش پیدا می کند. شما ممکن است فکر کنید که کلمات کلیدی موجود ۱۰ درصد فرار هستند بنابراین اگر یک کلمه کلیدی ۱۰۰ بار در ماه مورد جستجو قرار بگیرد، ممکن است انتظار داشته باشید جستجوی آن یک ماه ۹۰ و ماه دیگر ۱۱۰ باشد. بنابراین شما می توانید محدوده ای از ۰ تا ۱۰، ۱۰۰ تا ۲۰۰ و ۱۰۰۰ تا ۲۰۰۰ ایجاد کنید. این دقیقا همان کاری است که گوگل انجام داده است. اینکار ساده اما هوشمندانه انجام می شود. اما سوال اینجاست که چنین کارهایی واقعا صحیح هست؟ در حقیقت پاسخ به این سوال منفی است. به نظر می رسد در این شرایط داده های مربوط به کلمات کلیدی متناسب نیست. اگرچه از الگوهای موجود پیروی می کند اما همیشه اینگونه نیست. به عنوان مثال، تجزیه و تحلیل شما نشان می دد که محدوده ظرفیت و حجم کلمات کلیدی بعد از ۱۰۱ تا ۲۰۰ ، ۲۰۱ تا ۵۰۰ بوده است( افزایش سه برابری در گستردگی) . این شرایط به احتمال زیاد به خاطر الگوی جستجوی غیر تصادفی است که به کلمات کلیدی خاصی مرتبط می شود. همیشه کلمات کلیدی وجود دارد که افراد به طور روزانه، هفتگی، ماهانه و سالانه به دنبال آن می گردند. مثلا فرض کنید کلمه کلیدی مد نظر شما این است: اولین دوشنبه ماه کدام است؟
اینگونه کلمات کلیدی معمولا هر ماه با تعداد یکسان مورد جستجو قرار می گیرد. همین امر باعث می شود یک محدوده غیر تصادفی از این کلمات ایجاد شود. با وجود چنین محدوده ای ، الگوهایی ایجاد می شود که با مقیاس الگوریتمی متناسب نیست. شما می توانید این موضوع را به خوبی در نمودار مشاهده کنید.
همانطور که مشاهده می کنید، این نمودار گزارشات Keyword Planner volume گوگل است که به صورت خطی است. این خطی بودن در انتهای نمودار تغییر پیدا می کند. این شرایط نشان دهنده این است که گوگل در مورد داده های غیر تصادفی، تلاش زیادی برای به دست آوردن الگوهای مد نظر نداشته است. در عوض آنها یک منحنی الگوریتمی ساده را به داده های حجمی خود اعمال کرده اند و به همان حالت رها نموده اند.
بهبود تازه بودن داده ها:
در نهایت ما با استفاده از یک مجموعه داده ای از جریان کلیک، توانستیم این تازگی را بهبود ببخشیم. ما داده های مربوط به جریان کلیکی را تجزیه و تحلیل کردیم که تاخیر یک ساعته داشت. در نتیجه توانستیم کلمات کلیدی با ارزش را به دست آوریم. هر چند داده های به دست آمده کلی بود و باید به داده های قابل استفاده تبدیل می شد. علاوه بر این، بیشتر تغییرات آماری قابل توجه در حجم جستجوها بی دوام بودند. بعد از انجام اینکار، مدل هایی را برای پیدا کردن کلمات کلیدی مناسب طراحی کردیم . سپس از این مدل ها برای به دست آوردن جریان کلیک در پایین محدوده استفاده نمودیم. در نهایت مجبور بودیم تبعیض ذاتی را از مجموعه داده های جریان کلیک حذف کنیم. اینکار را از طریق مراحل زیر انجام دادیم.
- ایجاد یک مدل ساده که از طریق داده های جریان کلیک حجم کلمات کلیدی گوگل را پیشنهاد می کند.
- علامت گذاری کلمات کلیدی جریان کلیک و تشخیص کلمات و عباراتی که با طرح کلی مرتبط است.
- ایجاد یک نقشه بهبود یافته از علامت گذاری های به دست آمده برای اصلاح مدل های پیش بینی شده بر اساس شمول آنها.
- اعمال نقشه های به دست آمده به مدل های ساده برای به دست آوردن پیش بینی های بهتر.
این یک تلاش بسیار موفق بود که توانستیم داده های جریان کلیک خام را به دست آوریم . ما قادر بودیم با دقت ۹۵ درصدی محدوده حجمی مناسب را پیش بینی کنیم.
یک متریک و معیار واحد :
تمامی مواردی که در بالا ذکر کردیم نشان می دهد که ما به یک متریک حجمی واحد نیاز داریم. دشواری کلمات کلیدی، فرصت کلمات کلیدی و پتانسیل کلمات کلیدی در رویکرد، تجزیه و تحلیل و تولید آنها بسیار پیچیده تر است. بنابراین ما به دنبال بهبود معیارهای حجمی بودیم تا بتوانیم با اضافه کردن منابع داده ای بهتر ، پیش بینی ترافیک های آینده و فراهم آوردن مقدار متوسط در این محدوده، شرایط را بهتر کنیم.
