La combinaison des données d’audience, de vos data business ainsi que des données SEO permet aujourd’hui de prédire le ROI de vos actions SEO. Cet atelier présentera comment intégrer vos données AT Internet aux données de logs, et de crawl afin de produire des rapport d’analyse actionnable en matière de SEO. Vous découvrirez ainsi comment prédire les gains de trafic organique ou de revenus potentiels pour chaque action SEO.
11. ▪ Données de crawl
▪ Données AT Internet
▪ Données de logs
▪ Données GSC
De quoi avons-nous besoin ?
12. Pourquoi c’est important ?
8%
19%
26%
32%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Active pages in structure
Pages in structure that are ranked in Google
Pages in structure crawled by Google
Pages in structure
Voici ce que nous avons appris lors de l’analyse de 5 triliards de logs et 2 Milliards d’URLs
17. Ce que Google dit
If you observe that new pages are usually explored the same day
they are published, then you don't really have to worry about
the exploration budget
[…] if a site has less than a few thousand URLs, it will be browsed
correctly most of the time
[…] we do not have a single term to describe everything this term
seems to mean on the outsidene
18.
19. Ce que Google devrait dire
Help me point in the right direction,
Help me discover and value your money pages!
20. Ce que Google devrait dire
Help me point in the right direction,
Help me discover and value your money pages!
21. Ce que Google devrait dire
I hate your " pages I am crawling every day.
23. Quelles données maitrisées ?
▪ Les pages actives
Les pages qui génèrent du trafic naturel
▪ Les données d’usages
▪ Taux de rebond
▪ Time spent on page
▪ Profitez de vos données business.
Pour avoir des vues orientées “métiers”
27. Utiliser les données d’audience pour voir plus loinUtiliser les données d’audience pour voir plus loinUtiliser les données d’audience pour voir plus loinUtiliser les données d’audience pour voir plus loin
33. La méthode avant la Data Science
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
34. La méthode avant la Data Science
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
Répondons à l’habituel : Pourquoi ? Combien ? Quand ?
35. La méthode avant la Data Science
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
1. Savoir ce qu’il faut regarder :
36. La méthode avant la Data Science
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
1. Savoir ce qu’il faut regarder
2. Connaitre les taux de clics
3. Connaitre le volume de Trafic
37. La méthode avant la Data Science
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
1. Savoir ce qu’il faut regarder
2. Connaitre les taux de clics
3. Connaitre le volume de Trafic
4. Récupérer les données
Avec Oncrawl Data Explorer / API
38. Le cas ”à la main”
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
ü Je prouve que les taux de clics sont plus importants quand j’ai des
données structurées
ü Je connais le volume de pages que je souhaite améliorer
ü Je connais leurs positions
ü Je connais leur trafic
39. Le cas ”à la main”
Maitriser, Fiabiliser, Prédire
Un exemple sur les données structurées:
ü Je sais déterminer le volume de trafic généré en plus
40. Vous pouvez automatiser et appliquer l’état de l’art de la Data Science
Avec des outils Avec des experts
Des données fiables