Rankningsfaktor

I diagrammet visas fyra exempel på korrelationer och respektive kurvor.

1. Faktor A: Noll korrelation – linjär kurva, horisontell/högt genomsnitt
2. Faktor B: Positiv korrelation (högst) – exponentiell funktion, fallande
3. Faktor C: Negativ korrelation (lägst) – linjär kurva, stigande
4. Faktor D: Positiv korrelation – oregelbunden kurva, fallande

Förklaring: Korrelationsberäkning och tolkningsmetoder

Y-axeln anger medelvärdet för alla 10 000 studerade webbadresser på position X (x-axeln). Faktorer med värdet ”noll” pekar enligt vår analys på att det inte finns någon mätbar korrelation mellan bra och dåliga Google-resultat. Ju högre värde korrelationen har, desto större och mer regelbundna är skillnaderna mellan positionerna. Värden i ett negativt intervall förstås bäst med det motsatta påståendet positivt tolkat.

Simpelt uttryckt, ju större skillnaderna från position 1 till 30 är, desto högre är korrelationsvärdet. För att tolka faktorerna används alltid medelvärden. Till exempel har faktorerna B och C från grafen ovan samma korrelationsvärde (det vill säga: 1), men är helt olika när det gäller deras respektive kurvor. För faktor A är dock medelvärdet 95 (y-axeln) för varje position (x-axeln), men kan även ligga på 5 (y-axeln). Korrelationsvärdet skulle förbli identiskt på 0, men tolkningen av faktorn skulle vara helt annorlunda.

Sökmotoralgoritmer och rankingfaktorer hos Google & Co.

Sökmotorer fungerar genom att använda algoritmer för att utvärdera webbplatser efter ämne och relevans. Denna utvärdering används för att strukturera sidorna i sökmotorindexet, vilket i slutändan resulterar i att användarnas förfrågningar visar bästa möjliga rangordning i resultatdisplayen. Kriterierna för utvärderingen av webbsidor och för att åstadkomma denna rangordning kallas i allmänhet för rangordningsfaktorer.

Redovisningsfaktorerna är enkla: det exponentiellt ökande antalet dokument på Internet – och i sökindexet – gör det omöjligt att rangordna dessa sidor utan en automatisk algoritm, trots att det finns mänskliga ”kvalitetsbedömare”. Denna algoritm är både obligatorisk (ordning kräver trots allt ett mönster) och samtidigt den bäst bevarade hemligheten i Internetbranschen, eftersom det för sökmotorerna är viktigt att hålla de underliggande faktorer som ingår i algoritmen strikt konfidentiella.

Denna inneboende sekretess har mindre att göra med konkurrensen mellan sökmotorerna än med mer grundläggande skäl: Om metoderna för att få bra placeringar var allmänt kända skulle de bli irrelevanta eftersom de ständigt skulle manipuleras. Ingen annan än Google vet vilka de verkliga rankingfaktorerna är. Vi analyserar data via rangkorrelationsanalys för att ta fram våra slutsatser utifrån egenskaperna hos befintliga, organiska sökresultat. Utifrån dessa drar vi slutsatser om vilka rankningsfaktorerna och deras respektive viktningar skulle kunna vara. Vår enorma databas utgör en tillförlitlig grund för dessa analyser.

Black Hat SEO: I början av sökmotoråldern betraktade Google sidor som relevanta för specifika ämnen där de söktermer (nyckelord) som var kopplade till ämnet användes ofta. Webbplatsoperatörer drog snart fördel av denna kunskap och uppnådde mycket goda positioner i SERP genom att ”fylla” sidor med nyckelord, vilket gjorde att deras ofta icke-relevanta sidor kunde hittas på väl rankade positioner för de avsedda söktermerna.

Detta genererade inte bara en verklig konkurrens mellan sökmotorer och SEO:s, utan gav upphov till myten om rankningsfaktorn. Målet med semantisk sökning skapade ett nätverk av kriterier som till en början var strikt tekniska (t.ex. antalet bakåtlänkar), men som kompletterades med mindre tekniska komponenter (t.ex. användarsignaler).

Denna utveckling, tillsammans med strävan efter det optimala resultatet, har kulminerat i en ständig utveckling av rankningsfaktorerna. Den ändlösa återkopplingsslingan med permanent-iterativa uppdateringscykler är utformad enbart för att generera sökresultat som erbjuder ständiga förbättringar för den enskilde sökaren. Rankingfaktorernas struktur och komplexitet, tillsammans med det starka inflytandet från användarsignaler, är utformade för att producera det mest relevanta innehållet för användaren.

Från ett affärsperspektiv kan långsiktig framgång uppnås genom att använda en hållbar affärsstrategi som bygger på att införliva relevanta kvalitetsfaktorer för att bibehålla starka sökpositioner. Denna strategi innebär att man bortser från negativa påverkansmöjligheter och har ett tydligt fokus på relevant innehåll, samtidigt som man bekämpar spam och kortsiktighet.

Orsakssamband ≠ Korrelation

Vi är inte Google. Analysen och utvärderingen av rankingfaktorer med hjälp av våra data bygger på välgrundad tolkning – inte spekulation – av fakta; nämligen utvärdering och strukturering av webbplatsegenskaper med höga positioner i sökresultaten.

Rankingutvärderingarna av Searchmetrics är exakta, färska och baserade på mycket data. Vi på Searchmetrics aggregerar miljarder datapunkter varje månad – och här är 64-miljonersfrågan: Vilka faktorer skiljer välplacerade webbplatser från dem med lägre positioner i Googles sökresultat?

Vi jämför webbsidornas egenskaper med summan av deras positioner hos Google och härleder en strukturerad lista över mer eller mindre viktade faktorer. Så om till exempel många sidor i de främre positionerna i de undersökta SERP:erna innehåller nyckelordet i titeltaggen, erkänner vi det som en hög korrelation med en bra placering. Dessa korrelationer kan därför erbjuda slutsatser om vilka sidor som visas i de översta sökresultatlistorna som har egenskaper som liknar varandra.

Det är dock nödvändigt att påpeka att korrelationer inte är synonymt med orsakssamband, och därför finns det ingen garanti för att respektive faktor faktiskt har någon påverkan på rankingen – eller någonsin används av Google som en signal. Vad vi på Searchmetrics däremot gör är att tolka dessa korrelationer.

”Cum hoc ergo propter hoc” – Logical Fallacy And Illusory Correlations

Växter vissnar när de inte får vatten: Huset är varmt när du skruvar upp värmen – och för att en sajt har många sociala signaler klättrar den till plats 1? Sluta!

Det finns många exempel på illusoriska samband eller bedömningar som kallas ”logiska felsteg” (Cum hoc ergo propter hoc – se Wikipedia). Som exempel kan nämnas att fenomen som antalet storkar och den högre födelsenivån i vissa områden förekommer samtidigt, eller sambandet mellan försäljning av glass och ökad förekomst av solbränna på sommaren. Men får man verkligen solbränna av glass? Naturligtvis inte. Dessa exempel visar en (illusorisk) korrelation, inte ett orsakssamband. (Hitta fler exempel här)

Vi vill till varje pris undvika logiska falsarier och illusoriska samband, och vår erfarenhet visar att det är alltför lätt att värdera en rangordningsfaktor som att den har en kausal betydelse när det inte finns någon sådan. Vi föredrar att arbeta med en ”rangkorrelationskoefficient”, och detta kräver en utvärderad tolkning och en gedigen databas.

Databas för Searchmetrics Ranking Factors

Vår analys är baserad på sökresultat för en mycket stor uppsättning sökord på 10 000 söktermer för Google U.S.. Utgångspoolen är alltid de 10 000 bästa söktermerna efter sökvolym, men från vilka specifika navigeringsorienterade sökord extraheras för att inte snedvrida utvärderingarna. Eftersom navigeringsorienterade sökordssökningar anses vara sådana där alla resultat utom ett är mer eller mindre irrelevanta för den sökande (t.ex. ”Facebook Login”).

Vår databas för analyserna av rankningsfaktorer är alltid de tre första sidorna med organiska sökresultat. Nyckelordsuppsättningarna från på varandra följande år sammanfaller i regel till mer än 90 procent med databasen från föregående år. Här har vi sökt en medelväg, för att ta hänsyn till två faktorer, nämligen att bevara den ”största gemensamma nämnaren” som den optimala grunden för jämförelse med den föregående studien, och å andra sidan ta hänsyn till nya nyckelord, som har ökat i sökvolym i de 10 000 främsta.

Databasen hos Searchmetrics är alltid aktuell. Därför används nya, relevanta sökord för aktuella analyser, till exempel ”Samsung Galaxy S5” eller ”iPhone 6”, som inte fanns tidigare.

Binära och numeriska faktorer – specifikation kontra existens

De faktorer som undersöks är uppdelade i binära och numeriska egenskaper. Detta innebär att det finns en inneboende skillnad i karaktären hos de faktorer som används i denna analys. Denna skillnad bör inte försummas vid tolkningen av värdena.

Element som beskrivs med hjälp av binära faktorer – till exempel en metabeskrivning på sidan – är antingen närvarande eller inte. Det finns inga graderingar. Det finns också element med graderade egenskaper som förändras i olika grad. En URL kan till exempel ha noll eller sex tusen backlinks – men varje värde däremellan är också möjligt.

Dessa numeriska faktorer är på sätt och vis ”bättre” för studier som använder korrelationsberäkningar som Spearman, med rader och/eller rangordningsprinciper baserade på graderingar. När det gäller tolkningar baserade på enbart det rena korrelationsvärdet är uttalanden för numeriska faktorer ofta mer betydelsefulla.

För att stödja giltigheten av korrelationerna av binära egenskaper i vår studie måste därför ett medelvärde anges i regeln. Till exempel när det gäller faktorn ”Existence of Description” kan det vara så att det bara finns en korrelation nära noll med ranking, men i själva verket har nästan 100 % av alla webbadresser en beskrivning (se exempelkorrelationen för faktor A ovan).

Korrelationsvärden kontra genomsnittsvärden och kurvor

Korrelationsvärdena som plottas som staplar är alltid beräknade på grundval av alla tillgängliga data per funktion, så för ett eller 10 000 nyckelord har varje graflinje 30 värden per nyckelord.

Genomsnittsvärden beräknas från dessa medelvärden i kurvorna, som också utelämnar de fem översta procenten av varje funktion för att möjliggöra en så jämn kurva som möjligt och en hanterbar skala (Y-axeln), annars skulle vissa lägre medelvärden i respektive kurvor inte synas. Dessutom beräknas individuella median- och medelvärden för funktioner där man bortser från de fem procenten bästa resultaten.

Varumärkesfaktorn

En av konstanterna i studierna av rangordningsfaktorer är en intressant egenhet i uppgifterna som vi har döpt till ”varumärkesfaktorn”, som förekommer i många faktorer och observationer.

Vad vi menar med varumärkesfaktorn är observationen att webbplatser från högprofilerade varumärken eller med en viss auktoritet i allmänhet intar de allra översta positionerna i rankingen, även om de bortser från vissa faktorer som de webbadresser som rankas något lägre följer.

I genomsnitt tenderar till exempel varumärken att inte ha någon h1-tag på sin sida, deras innehåll har ett lägre antal ord och nyckelordet återfinns inte lika ofta i beskrivningen av meta-titeln. Kort sagt: ur ett SEO-perspektiv är de mindre optimerade. Å andra sidan har varumärkeswebbplatser vanligtvis många fler backlinks och sociala signaler än andra webbadresser.

Google är redan mycket effektiv när det gäller att identifiera varumärken från särskilda sektorer och att tilldela deras webbadresser en förmånlig ranking. Värden som igenkännbarhet, användarnas förtroende och varumärkesimage återspeglas också i viss mån i SERP:erna.

Avsikt: Det är rimligt att säga att inte ens Google självt vet hur dess egen algoritm är uppbyggd, så komplexa har utvärderingsmåtten blivit.

Syftet med Searchmetrics ”Ranking Factors”-studier är inte att producera ett evangelium om den absoluta sanningen. Istället betraktar vi Searchmetrics studier som en metodologisk analys ur ett tolkningsperspektiv. Vad detta innebär är att vi strävar efter att ge onlineindustrin enkel tillgång till en verktygslåda med data. Genom att använda denna verktygslåda kan branschen fatta välgrundade beslut baserade på vår intensiva forskning inom ett brett spektrum av kriterier.

Till studien: Ranking Factors 2018: Målinriktad analys för mer framgång på Google och på din onlinemarknad.