Rangsorolási tényező

A grafikonon négy példa korreláció és a hozzájuk tartozó görbék láthatók.

1. A faktor A: Nulla korreláció – lineáris görbe, vízszintes / magas átlag
2. Faktor B: Pozitív korreláció (legmagasabb) – exponenciális függvény, csökkenő
3. Faktor C: Negatív korreláció (legalacsonyabb) – lineáris görbe, növekvő
4. Faktor D: Pozitív korreláció – szabálytalan görbe, csökkenő

Magyarázat: Korrelációszámítás és értelmezési megközelítések

Az y-tengely az X pozícióban (x-tengely) vizsgált mind a 10 000 URL-nek az átlagértékét mutatja. A “nulla” értékű tényezők elemzésünk szerint arra utalnak, hogy nincs mérhető korreláció a jó és rossz Google találatok között. Minél magasabb a korreláció értéke, annál nagyobbak és szabályosabbak a pozíciók közötti különbségek. A negatív tartományba eső értékek leginkább az ellenkező állítást pozitívan értelmezve értendők.

Egyszerűen fogalmazva, minél nagyobbak a különbségek az 1. és a 30. pozíció között, annál magasabb a korreláció értéke. A tényezők értelmezéséhez mindig átlagértékeket használunk. Például a fenti grafikonon szereplő B és C faktorok korrelációs értéke megegyezik (azaz: 1), de görbéjüket tekintve teljesen különbözőek. Az A faktor esetében azonban az átlagérték 95 (y-tengely) minden pozícióra (x-tengely), de akár 5 is lehet (y-tengely). A korrelációs érték ugyanúgy 0 maradna, de a faktor értelmezése teljesen más lenne.

A Google keresőmotor algoritmusai és rangsorolási tényezői & Co.

A keresőmotorok úgy működnek, hogy algoritmusok segítségével értékelik a webhelyeket téma és relevancia szerint. Ezt az értékelést használják a keresőmotor indexében lévő oldalak strukturálására, ami végső soron azt eredményezi, hogy a felhasználói lekérdezések a lehető legjobb rangsorban jelenítik meg a találatok megjelenítését. A weboldalak értékelésének és e rangsor előállításának kritériumait általában rangsorolási tényezőknek nevezik.

Az okok egyszerűek: az interneten – és a keresőindexben – található dokumentumok exponenciálisan növekvő száma lehetetlenné teszi az oldalak rangsorolását automatikus algoritmus nélkül, az emberi “minőségértékelők” létezése ellenére. Ez az algoritmus egyszerre kötelező (elvégre a sorrendhez sémára van szükség), ugyanakkor a legjobban őrzött titok az internetes üzletágban, mivel a keresőmotorok számára elengedhetetlen, hogy az algoritmust alkotó mögöttes tényezőket szigorúan titokban tartsák.

Ez az eredendő titoktartás kevésbé a keresőmotorok közötti versengéshez, mint inkább alapvető okokhoz köthető: Ha a jó helyezések elérésének módjai széles körben ismertek lennének, irrelevánssá válnának, mivel folyamatosan manipulálnák őket. A Google-n kívül senki sem tudja, hogy mik a valódi rangsorolási tényezők. Az adatokat rangsor-korrelációs elemzéssel elemezzük, hogy a meglévő, organikus keresési eredmények tulajdonságai alapján készítsük el megállapításainkat. Ezekből következtetünk a rangsorolási tényezőkre és azok súlyozására. Hatalmas adatbázisunk megbízható alapot nyújt ezekhez az elemzésekhez.

Black Hat SEO: Keyword Stuffing, Cloaking & Co.

A keresőmotorok korának kezdetén a Google azokat az oldalakat tekintette relevánsnak bizonyos témákban, ahol a témához kapcsolódó keresőkifejezéseket (kulcsszavakat) gyakran használták. Az oldalak üzemeltetői hamarosan kihasználták ezt a tudást, és nagyon jó pozíciókat értek el a SERP-kben azáltal, hogy az oldalakat “megtömték” kulcsszavakkal, lehetővé téve, hogy a gyakran nem releváns oldalaik a kívánt keresőkifejezésekre jól rangsorolt helyeken találhatók legyenek.

Ez nemcsak valódi versenyt generált a keresőmotorok és a SEO-k között, hanem létrehozta a rangsorolási tényező mítoszát is. A szemantikus keresés célja olyan kritériumok hálózatát hozta létre, amelyek kezdetben szigorúan technikai jellegűek voltak (pl. a backlinkek száma), de kiegészültek kevésbé technikai összetevőkkel (pl. felhasználói jelzések).

Ez a fejlődés, valamint az optimális eredményre való törekvés a rangsorolási tényezők folyamatos fejlődésében csúcsosodott ki. Az állandó-iteratív frissítési ciklusok végtelen visszacsatolási hurokjának célja pusztán az, hogy olyan keresési eredményeket hozzon létre, amelyek folyamatos javulást kínálnak az egyes keresők számára. A rangsorolási tényezők struktúrája és összetettsége a felhasználói jelzések erős befolyásával kiegészülve úgy van kialakítva, hogy a felhasználó számára a legrelevánsabb tartalmat hozza létre.

Üzleti szempontból hosszú távú sikereket lehet elérni egy olyan fenntartható üzleti stratégia alkalmazásával, amely a releváns minőségi tényezők beépítésén alapul, hogy megőrizze az erős keresési pozíciókat. Ez a megközelítés a negatív befolyásolási lehetőségek figyelmen kívül hagyását és a releváns tartalomra való egyértelmű összpontosítást jelenti, egyúttal a spam és a rövidtávúság elleni küzdelmet.

Ok-okozati összefüggés ≠ korreláció

Mi nem a Google vagyunk. A rangsorolási tényezők elemzése és értékelése adataink felhasználásával a tények megalapozott értelmezésén – nem pedig spekuláción – alapul; nevezetesen a keresési eredményekben magas pozíciót elfoglaló webhelytulajdonságok értékelésén és strukturálásán.

A Searchmetrics rangsorolási értékelései pontosak, frissek és sok adaton alapulnak. Mi a Searchmetricsnél havonta több milliárd adatpontot aggregálunk – és itt a 64 millió dolláros kérdés: Mely tényezők különböztetik meg a jól pozícionált oldalakat a Google keresési találatokban alacsonyabb pozíciót elfoglalóktól?

Összehasonlítjuk a weboldalak tulajdonságait a Google-ban elfoglalt pozícióik összegével, és levezetjük a többé-kevésbé súlyozott tényezők strukturált listáját. Tehát, ha például a vizsgált SERP-k első pozícióiban sok oldal tartalmazza a kulcsszót a címcímben, akkor ezt magas korrelációnak ismerjük el a jó helyezéssel. Ezek a korrelációk tehát következtetéseket kínálhatnak arra vonatkozóan, hogy a keresési találati listák élén megjelenő oldalak milyen jellemzőkkel rendelkeznek.

Meg kell azonban jegyezni, hogy a korrelációk nem szinonimái az oksági kapcsolatoknak, és így nincs garancia arra, hogy az adott tényezők valóban hatással vannak a rangsorolásra – vagy hogy a Google valaha is jelként használja őket. Mi a Searchmetricsnél azonban értelmezzük ezeket az összefüggéseket.

“Cum hoc ergo propter hoc” – Logikai tévedés és látszatkorrelációk

A növények elszáradnak, ha nem kapnak vizet: a ház akkor meleg, ha felkapcsoljuk a fűtést – és mert egy oldalnak sok közösségi jele van, felkapaszkodik az első helyre? Állj!

A látszólagos összefüggésekre vagy értékelésekre számos példa van, amelyeket “logikai tévedésnek” (Cum hoc ergo propter hoc – lásd Wikipedia) neveznek. Ilyen például az olyan jelenségek együttes megjelenése, mint a gólyák száma és a magasabb születési arány bizonyos területeken, vagy a fagylalt eladása és a nyári leégés gyakoribb előfordulása közötti összefüggés. De vajon tényleg le lehet égni a fagylaltoktól? Természetesen nem. Ezek a példák egy (látszólagos) összefüggést mutatnak, nem pedig oksági kapcsolatot. (További példákat itt talál)

Mindenáron el akarjuk kerülni a logikai hibákat és az illuzórikus összefüggéseket, és tapasztalataink azt mutatják, hogy túl könnyű egy rangsoroló tényezőt ok-okozati jelentőségűnek értékelni ott, ahol nincs. Mi inkább a “rangsorbeli korrelációs együtthatóval” dolgozunk, és ehhez kiértékelt értelmezésre és megbízható adatbázisra van szükség.

Database for Searchmetrics Ranking Factors

Elemzésünk a Google U.S. 10.000 keresőkifejezésből álló, nagyon nagy kulcsszóhalmazra vonatkozó keresési eredményeken alapul. A kiindulási alap mindig a keresési volumen szerinti top 10.000 keresőkifejezés, amelyből azonban bizonyos navigáció-orientált kulcsszavakat kiveszünk, hogy ne torzítsuk az értékeléseket. Mivel navigáció-orientált kulcsszavas kereséseknek tekintjük azokat, ahol egy kivételével minden találat többé-kevésbé irreleváns a kereső számára (pl.: “Facebook Login”).

A Ranking Factor elemzésekhez használt adatbázisunk mindig az első három organikus keresési találati oldal. Az egymást követő évek kulcsszóhalmazai általában több mint 90 százalékban megegyeznek az előző évi adatbázissal. Itt egy középutat kerestünk, hogy két tényezőt vegyünk figyelembe, nevezetesen egyrészt a “legnagyobb közös nevező” megőrzését, mint az előző vizsgálattal való összehasonlítás optimális alapját, másrészt az új kulcsszavak figyelembevételét, amelyek keresési volumene nőtt az első tízezerben.

A Searchmetrics adatbázis mindig aktuális. Ezért az aktuális elemzésekhez olyan új, releváns kulcsszavakat használunk, mint például a “Samsung Galaxy S5” vagy az “iPhone 6”, amelyek korábban nem léteztek.

Bináris és numerikus tényezők – specifikáció kontra létezés

A vizsgált tényezőket bináris és numerikus jellemzőkre osztjuk. Ez azt jelenti, hogy az elemzésben használt tényezők jellege között eredendő különbség van. Ezt a különbséget nem szabad figyelmen kívül hagyni az értékek értelmezésénél.

A bináris faktorokkal leírt elemek – például az oldalon található meta leírás – vagy jelen vannak, vagy nincsenek. Nincsenek fokozatok. Léteznek olyan elemek is, amelyeknek a jellemzői különböző mértékben változnak. Például egy URL-nek lehet nulla vagy hatezer backlinkje – de a kettő közötti minden érték is lehetséges.

Ezek a numerikus tényezők bizonyos értelemben “jobbak” a korrelációs számításokat, például Spearman-féle korrelációs számításokat alkalmazó tanulmányoknál, ahol a sorok és/vagy a rangsorolási elvek fokozatokon alapulnak. Amikor pusztán a puszta korrelációs értéken alapuló értelmezésekről van szó, a numerikus faktorokra vonatkozó kijelentések gyakran jelentősebbek.

A tanulmányunkban szereplő bináris jellemzők korrelációinak érvényességének alátámasztására ezért a szabályban meg kell adni egy átlagértéket. Például a “Leírás megléte” tényezővel kapcsolatban előfordulhat, hogy csak közel nulla korreláció van a rangsorolással, de valójában az URL-ek majdnem 100%-a rendelkezik leírással (lásd a fenti A faktorra vonatkozó példakorrelációt).

Korrelációs értékek kontra átlagértékek és görbék

A sávként ábrázolt korrelációs értékeket mindig az összes rendelkezésre álló adat alapján számoljuk jellemzőnként, így egy vagy 10 000 kulcsszó esetén minden grafikonvonal 30 értéket tartalmaz kulcsszavanként.

Az átlagértékek ezekből az átlagos görbeértékekből kerülnek kiszámításra, amelyek az egyes jellemzők felső öt százalékát is kihagyják a lehető legsimább görbe és kezelhető skála (Y-tengely) érdekében, különben az egyes görbék néhány alacsonyabb átlaga nem lenne látható. Az egyedi medián- és átlagértékeket is úgy számoljuk ki a jellemzők esetében, hogy a megállapítások felső öt százalékát figyelmen kívül hagyjuk.

A márkafaktor

A rangsorolási tényezők vizsgálatának egyik állandója az adatok egy érdekes sajátossága, amelyet “márkafaktornak” neveztünk el, és amely számos tényezőben és megfigyelésben jelen van.

A márkafaktor alatt azt a megfigyelést értjük, hogy a nagy ismertségű márkák vagy bizonyos tekintéllyel rendelkező webhelyek általában a rangsor legelső pozícióit foglalják el, még akkor is, ha figyelmen kívül hagynak bizonyos tényezőket, amelyeket a valamivel lejjebb rangsorolt URL-ek betartanak.

Például a márkáknak átlagosan általában nincs h1-tag az oldalukon, a tartalmuk szószáma alacsonyabb, és a kulcsszó nem található meg olyan gyakran a meta-cím leírásában. Dióhéjban: SEO szempontból kevésbé optimalizáltak. Másfelől a márkás weboldalak jellemzően sokkal több backlinkkel és közösségi jellel rendelkeznek, mint más URL-ek.

A Google már most is nagyon hatékonyan képes azonosítani az egyes ágazatokból származó márkákat, és URL-jeiket előnyös rangsorolásban részesíti. Az olyan értékek, mint a felismerhetőség, a felhasználói bizalom és a márkaimázs bizonyos mértékig szintén tükröződnek a SERP-kben.

Szándék: Miért Ranking Factors?

Méltán mondhatjuk, hogy még maga a Google sem tudja, hogyan áll össze a saját algoritmusa, annyira összetetté váltak az értékelési mérőszámok.

A Searchmetrics “Ranking Factors” tanulmányainak célja nem az abszolút igazság evangéliumának előállítása. Ehelyett a Searchmetrics-tanulmányokat értelmező szemléletű módszertani elemzésnek tekintjük. Ez azt jelenti, hogy célunk, hogy az online iparág számára könnyű hozzáférést biztosítsunk egy adat-eszközkészlethez. Ennek az eszköztárnak a használatával az iparág megalapozott döntéseket hozhat a kritériumok széles skáláján végzett intenzív kutatásaink alapján.

A tanulmányhoz: Ranking Factors 2018: Célzott elemzés a nagyobb sikerért a Google-on és az online piacon.