NLP’nin gücünü kullanarak geniş ölçekte kullanıcı amacını nasıl belirleriz?

In: Search Optimization


Peki, farklı kullanıcı amacı sınıfları nelerdir?

Google’ın, bir dizi arama yapmaya ve ardından sonuçların kendileri için anlamlı olup olmadığını bildirmeye adanmış çalışanları vardır. takip ediyorlar Kalite Değerlendirici Yönergeleriağırlıklı olarak kullanıcı amacına odaklanan ve bunu şu şekilde sınıflandırın: Sorguyu bilin, Sorgu yapın, Web sitesi sorgusu veya Yüz yüze ziyaret sorgusu.

Ancak SEO’da niyet sınıfları biz sektör tarafından tanımlanır. Birçok organizasyonun özgün yaklaşımları vardır ve amaçları uzmanlık ve uzmanlaşmaya dayalı olarak tanımlar. Bununla birlikte, çoğu makale, blog ve teknolojide yaygın olarak alıntılanan ve tekrarlanan 4 sınıf vardır:

  • Navigasyon amacı: Belirli bir şeyi bulmak için arama yapmak (örneğin, “Tesla web sitesi”)
  • Bilgilendirme amacı: Bir şeyler öğrenmek için araştırma yapmak (örneğin, “Tesla’nın CEO’su kimdir?”)
  • İşlem amacı: Bir satın alma işlemini tamamlamak için arama yapmak (ör. “Tesla model 3 satın almak”)
  • Ticari amaç: Bir satın alma kararı vermeden önce daha fazlasını öğrenmek için araştırma yapmak (ör. “2022’deki en iyi elektrikli arabalar”)

Mevcut sağlayıcılarla ilgili zorluk

Arama amacını bildirebilecek birkaç sağlayıcı var, Searchmetrics, SEMrush ve MOZ bunlardan bazıları. Ancak, her birinde niyet tanıma, her API çağrısı için faturalandırılan birinci sınıf bir hizmettir. Mevcut müşterilerimizin trafiğinin hacmine ve yaşadığımız büyümeye baktığımızda, bu seçeneğin artık uygun olmadığı sonucuna vardık – maliyet, üretilen değeri basitçe aşacaktır. Bu nedenle, özünde inovasyon ile sıfırdan kendi amaç modelimizi oluşturmaya başladık!

Karşılaştığımız ilk sorun, uygun bir veri kümesi bulmaktı. Her biri etiketli bir amaca sahip en az 100 bin yüksek hacimli sorguya ihtiyacımız vardı. Ne yazık ki, böyle bir veri seti ücretsiz veya hatta lisanslı olarak mevcut değildir. Kendimizi yaratmamız gerekiyordu. 100 bin en iyi sorguyu bulmak kolay kısımdı. Aslında, milyonlarca arama motoru sorgusu içeren birkaç büyük veri kümesi vardır, bunların en ünlüleri: Yahoo Weboskop, Yandex Veri Kümeleri, AOL Sorgu Günlükleriveya MSN Sorgu Günlükleri.

Zor kısım, her biri benzersiz olan 100.000 sorgunun her birini etiketlemekti. Sınırsız kaynaklara sahip ideal bir dünyada, Google’ın kalite değerlendiricileri gibi her benzersiz terimi tek tek arayacak bir “etiketçiler” ordusu kullanırdık; SERP sonuçlarına bakın ve önceden tanımlanmış etiketlerden birini atayın. Açıkçası, bu yaklaşım en büyük teknoloji şirketleri dışında herkes için geçerli değil. Peki, ne yaptık?

Büyük SEO hizmetlerinden toplamda beş olmak üzere 100 bin amaç isteyen bir dizi API çağrısı yaptık. Ardından, beşi arasında en yaygın amaç olan modu bulduk ve bunu doğru etiket olarak atadık. Bu yaklaşımdaki en büyük kısıtlama, etiketlerin sağlayıcılar tarafından belirlenmiş olmasıdır, bu nedenle ‘yerel’ gibi özel amaçlar ekleyemedik. Daha önce bahsedilen 4 sınıfla sınırlıydık: Navigasyon, Bilgi, Ticari ve İşlemsel. Bununla birlikte, bu yaklaşım başarılı, uygun maliyetli ve uygulanması nispeten kolaydı.

Bir sonraki adım, her bir sorgu için SERP özelliklerini bulmaktı. Bu özellikler, Google’ın varsayılan amacını anlamak için kritik öneme sahiptir ve modelimizin temel taşıdır. Herhangi bir sorgu için SERP özelliklerini maliyet karşılığında çıkarabilen birçok sağlayıcı vardır: Ahrefs, SEMrush, SERPWoW, bazı örnekler. Yeni bir API çağrısı kullanarak, veri kümemiz için SERP özelliklerinin tamamını çıkardık. Toplamda 100.000 sorgunun tamamında 143 benzersiz özellik bulduk!

Bizim çözümümüz

Eksiksiz veri setimize, her biri SERP özelliklerine sahip 100 bin benzersiz sorguya ve tanımlanmış bir amaç etiketine sahibiz. Şimdi ne olacak?

Bir veri bilimcisinin cephaneliğindeki en önemli beceri olan veri keşfi ile başladık. Neredeyse hemen, niyet sınıflarının aşırı derecede dengesiz olduğunu, tüm niyetlerin %70’inin bilgi amaçlı olduğunu ve yalnızca %4’ünün işlemsel olduğunu keşfettik. Bunun gibi sınıf dengesizliği büyük bir sorundur çünkü çoğu makine öğrenimi modeli birleşemez ve bu nedenle kötü sonuçlar verir. Sizi ayrıntılarla rahatsız etmeyeceğim, ancak aşırı örnekleme ve düşük örnekleme yöntemlerinin bir kombinasyonunu uygulayarak niyetleri dengeledik ve devam edebildik.

Dengelenmiş sınıflarla daha sonra SERP özelliklerini girdi olarak ve niyet etiketlerini çıktı olarak kullanan çok katmanlı bir derin ağ tasarladık. Ne yazık ki, bu model hiçbir şekilde tatmin edici olmayan %85 doğrulukta sabitlendi. Bir modeller topluluğu oluşturmamız gerekiyordu; NLP’nin yardımına ihtiyacımız vardı.

İlk adım, mevcut bir NLP modelini ihtiyaçlarımıza uyacak şekilde ince ayar yapmaktı, yani niyet tanıma. Neyse ki, şurada önceden eğitilmiş birkaç NLP modeli var. sarılma yüz. En uygun olanı seçtikten ve veri setimizi kullanarak ayarladıktan sonra, NLP modeli %76 doğrulukla amacı bulabildi.

Bu 2 model tek başına yeterince doğru bir topluluk oluşturmak için hala yeterli değildi, bu yüzden bazıları SERP özelliklerine, diğerleri NLP’ye dayalı birkaç model daha oluşturmaya başladık; her biri farklı bir örnekleme tekniğine veya önceden eğitilmiş bir NLP modeline dayanmaktadır. Son olarak, tüm modellerin sonuçlarına ağırlıklı bir ortalama uygulayarak inanılmaz derecede heyecan verici sonuçlar gösteren bir topluluk oluşturduk.

Sonuç: BVIntent

Uygun bir şekilde BVIntent olarak adlandırılan son model, herhangi bir SEO sağlayıcısından daha iyi sonuçlar gösteriyor. Tanınan amaçlar yalnızca daha doğru olmakla kalmaz, aynı zamanda tüm süreç üzerinde kontrol sahibi olarak, modelin yeterince emin olmadığı sorguları (en iyi niyette %50’den az güven) veya çok amaçlı sorguları (birden fazla) belirleyebiliriz. İkinci en iyi niyet için %35 güven).

BVIntent, diğer değerli avantajların yanı sıra müşterilerimiz için bir niyet haritası oluşturmamıza olanak tanır. Zaman içinde müşteri arama sorgularına bakarak, kullanıcıları için en önemli, en hızlı büyüyen ve en yüksek gelir getiren amaçları ortaya çıkarabiliriz. Niyeti bu kadar derin bir düzeyde bilmek, halkla ilişkilerden bağlantı oluşturmaya kadar işlevsel ekiplerin SEO eylemlerini optimize etmesine, daha iyi bir SEO stratejisi oluşturmasına ve nihayetinde marka için daha fazla değer sağlamasına olanak tanır.

BVIntent, yeni içeriği test etmek, meta etiketleri optimize etmek, bağlantı kurma ortaklarına öncelik vermek ve daha fazlası için dahili ekipler arasında kullanılır. Bu araç gerçekten de SEO yeteneklerimizi güçlendirdi. Yalnızca amacı belirlemekle kalmıyoruz, aynı zamanda bir grup kullanıcı için gelecekteki davranışları da tahmin edebiliyoruz. ‘İşlemsel’ trafikte bir artışa işaret eden sinyalleri ortaya çıkarabiliriz. Sadece marka terimlerine bakmanın ötesinde bir netlik düzeyinde kaç kullanıcının size doğrudan ulaştığına (“gezinme” amacı) bakarak markanızın değerini ölçebiliriz.

Sonuç olarak, BVIntent, daha sonra bu bilgileri SEO çalışmalarında daha iyi, veriye dayalı kararlar almak için kullanan uzmanlarımıza nokta atışı doğru niyet verileri sunar.


Kullanıcılarınızın amacını öğrenmek mi istiyorsunuz? İnsanların sitenize ‘neden’ geldiğini hiç merak ettiniz mi? Öğrenmek için mi buradalar? Satın almak? Karşılaştırmak? Kullanıcı amacınız zaman içinde nasıl değişti? Ve bunu nasıl tahmin edebilir ve buna göre yeni içerik planlayabilirsiniz?

Merak ediyor ve bu soruların cevaplarını ve daha fazlasını istiyorsanız, bize bir satır bırakın. Birlikte, yalnızca yerleşik en iyi uygulamaları kullanan değil, aynı zamanda en son teknoloji niyet analizi ile güçlendirilmiş birinci sınıf bir SEO stratejisi oluşturabiliriz.

Bir cevap yazın

Ready to Grow Your Business?

We Serve our Clients’ Best Interests with the Best Marketing Solutions. Find out More

How Can We Help You?

Need to bounce off ideas for an upcoming project or digital campaign? Looking to transform your business with the implementation of full potential digital marketing?

For any career inquiries, please visit our careers page here.
[contact-form-7 404 "Bulunamadı"]