Moja prezentacja z 9 edycji wydarzenia SemKRK. W prezentacji pokazuje w jaki sposób machine learning & data science może zmienić branżę SEO. Przeanalizowałem też możliwości machine learning w zakresie dekodowania algorytmu sztucznej inteligencji Rank Brain.

1. Machine learning & data science w SEO
Rozszyfrowujemy Rank Brain

2. 2
2004 - 2013 - Black box SEO

3. 3

4. 4
2013 - 2015/16 - White Hat SEO

5. 5

6. 6
2016 - dziś - Technical SEO

7. 7

8. 8
2019 - Data science SEO?
Co raz więcej danych…

9. 9
Data driven SEO…

10. 10
Data science w SEO - obecnie
U mnie
zielono!
U mnie też!

11. 11
Rank Brain
Używany przez Google od 28 października 2015 algorytm sztucznej
inteligencji. Jego celem jest zwracanie użytkownikowi lepiej dopasowanych
wyników wyszukiwania.

12. 12

13. 13
Jak działa rank brain? Przykład word2vec

14. 14
Jak działa rank brain? Przykład word2vec

15. 15
Przykład - tworzenie treści
- Foteliki samochodowe dla dzieci - TAK
- Siodełka samochodowe dla dzieci - NIE
- LSI Keywords (Bezpieczeństwo, jazda samochodem, kodeks drogowy)

16. 16
Przykład - tworzenie treści

17. 17
Czynniki algorytmiczne

18. 18
Czynniki algorytmiczne
Zapytanie użytkownika
Wynik odpowiedni (czynniki UX, intencje)
Dopasowane Niedopasowane
Niczego nie
zmieniamy
Inny zestaw
czynników

19. Google's Paul Haahr:
We Don't Fully Understand
RankBrain

20. 20
Czynniki algorytmiczne
Makijaż Opony zimowe
0
15
30
45
60
Tytuł Długość treści Domain authority
0
10
20
30
40
Tytuł Długość treści Domain authority

21. Kary też są
kontekstowe. Anomalie.

22. Przewidujemy czynniki
Rank brain.

23. 23
Data Set
Dla określonej grupy fraz (najlepiej z tej samej kategorii) zbieramy TOP 50 i tyle danych ile
zdołamy:
- Widoczność domeny
- Długość treści
- Liczba linków wychodzących/przychodzących
- Wiek domeny
- Domain authority
- Citation flow
- Trust flow
- Czas odpowiedzi
- Mobile friendly
- SSL
Etc…
*TOP 50 bo porównujemy różnicę pomiędzy domenami w TOP 10 i poza

24. 24
Work flow
Pozyskanie danych Analiza danych
*Można też tylko R
Storage danych

25. 25
Budowanie data set
Pakiety:
• Rcrawler
• Dplyr
• Plyr
• RJSONIO
• Rcurl
• Tidyverse

26. 26
Przykład

27. 27
Przykład - Crawler
Data set na bazie własnej domeny -
zbieramy wszystko co możemy i np.
Sprawdzamy jak na to, że tekst jest
widoczny wpływa to, że pisze go
Jstyna Mądro.
Mam nadzieje, że RODO mnie nie
dojedzie.

28. 28
Analiza danych

29. 29
Modele analizy
*Wyklucz dane nie wpływające na analizę (keyword, url)

30. 30
Poprawność danych
Realne dane Predykcja

31. 31
Random tree

32. 32
Random tree
Tworzy losowe drzewa decyzyjne i łączy je ze sobą w celu poprawy jakości
wyników.

33. 33
XGBoost
Opiera się na kilku technikach, główną zaletą jest szybkość i dokładność
poprzez trening na słabych przykładach.

34. 34
Ważny Mniej ważny
Porównanie wpływu 2 czynników na TOP 10

35. 35
Wizualizacja

36. 36
Co jeszcze? Analiza logów

37. 37
Co jeszcze? Analiza logów

38. 38
Co jeszcze? Analiza logów

39. 39
Możliwości są nieskończone

40. 40
SEO data
scientist?

41. Dziękuje za uwagę!
Damian Sałkowski
d.salkowski@senuto.com