خدمات سئو سایت
یکی از مفیدترین کمک ها در انجام سئو این است که بدانید چه عواملی واقعاً بر رتبه شما تأثیر می گذارد. ظاهراً واضح به نظر می رسد، اما همه کار سئوی خود را با آگاهی از اینکه چگونه تغییرات در یک سایت و نمایه پیوند واقعاً بر SERP تأثیر می گذارد اولویت بندی نمی کنند. داشتن حداقل اکتشافی برای به دست آوردن رتبه های بالاتر مهم است، و اگرچه همیشه آسان نیست، می توان تکنیک های بهینه سازی را با حرکت مثبت (یا منفی) در SERP ها مرتبط کرد.

SEOmoz سعی می کند این همبستگی ها را در پروژه دو سالانه عوامل رتبه بندی موتورهای جستجو با اجرای آزمایش ها و مشاوره با SEO های حرفه ای ایجاد کند. به عنوان مثال، در سال 2009، ما متوجه شدیم که متن لنگر متمرکز بر کلیدواژه از پیوندهای خارجی به شدت با رتبه بندی های مثبت همبستگی دارد (ما در حال حاضر در حال کار بر روی یک تکرار جدید از گزارش برای سال 2011 هستیم، پس چشمان خود را بخوبی نگاه دارید!). همانطور که احتمالا می دانید، و همانطور که رند در جمعه تخته سفید این هفته زمان کمی را صرف توضیح می کند، همبستگی علیت نیست. همانطور که گفته شد، همبستگی ها هنوز اطلاعات مهم و مفیدی هستند! در پست امروز، رند یک سری دو قسمتی در مورد نحوه استفاده از داده های همبستگی در تحقیقات SEO و رسانه های اجتماعی را آغاز می کند.

رونویسی ویدیو سلام، طرفداران SEOmoz. به نسخه دیگری از جمعه تخته سفید خوش آمدید. امروز یک موضوع عالی داریم، موضوع واقعاً هیجان انگیز. ما در مورد داده های همبستگی و نحوه استفاده از آن در SEO و تجزیه و تحلیل رسانه های اجتماعی صحبت خواهیم کرد.

بسیاری از شما در حال حاضر از داده‌های همبستگی استفاده می‌کنید، و احتمالاً بسیاری از شما در وبلاگ ما و در انتشار اولیه داده‌های نظرسنجی عوامل رتبه‌بندی ما در سال جاری دیده‌اید که ما مجموعه‌ای از داده‌های همبستگی را ارائه خواهیم کرد. ما در چند سال گذشته چندین بار این کار را انجام داده ایم. نگاه کردن به آن همیشه بسیار بسیار جالب است. گاهی اوقات به طور بالقوه بحث برانگیز است زیرا برخی از داده ها واقعا جالب و شگفت انگیز هستند.

در این مورد، داده‌های همبستگی چیزی است که من افراد زیادی را در زمینه سئو و حوزه رسانه‌های اجتماعی می‌شناسم که مانند من سابقه چندانی در آمار ندارند. یعنی بیایید با آن روبرو شویم. فکر می کنم در کلاس آمارم در کالج نمره D گرفتم و تقریباً مطمئن هستم که سه کلاس آخر را رد کردم و حتی به فینال نرفتم زیرا مطمئن بودم که شکست خواهم خورد. سپس به نحوی از کنار آن اسکیت کردم. اما این در کنار موضوع است. به هر حال من کالج را رها کردم، بنابراین به D نیازی نداشتم.

همبستگی، به نظر می رسد یک کلمه فانتزی بزرگ، اما در واقع واقعا، واقعا ساده است. این اساساً درجه ای است که یک متریک، یک پیش بینی، همبستگی، ارتباط با دیگری دارد. اجازه دهید چند مثال ساده برای شما بیاورم تا بتوانید این موضوع را درک کنید و سپس در مورد روش‌هایی برای استفاده از آن در سئو و شبکه‌های اجتماعی صحبت خواهیم کرد.

بیایید برای یک لحظه تصور کنیم که شما یک پیمانکار هستید. شما در حال نوشتن محتوا هستید و به شرکت هایی که می نویسید به صورت ساعتی صورتحساب می دهید. شما ده ساعت کار می کنید، مثلاً با 10 دلار در ساعت، و 100 دلار دریافت می کنید. ساعت های صورتحساب و دلارهای دریافتی همبستگی بسیار بسیار خوبی دارند. در واقع، آنها امیدواریم همبستگی 1.0 داشته باشند. امیدواریم برخی از ساعات را صورت‌حساب نگیرید و سپس مردم پرداخت نکنند یا ساعت‌هایی را بیشتر از آنچه که شما قبض کرده‌اید به شما پرداخت کنند. شاید آن چیزها اتفاق بیفتد، اما معمولاً همبستگی 1 به 1 است. 1.0 همبستگی است. به یاد داشته باشید که همه اعداد همبستگی، حداقل از نظر آماری، از منظر ریاضی بین 0 تا 1 همبستگی مثبت هستند، حداقل. سپس ما همبستگی منفی نیز داریم. ما برای یک ثانیه نگران آن ها نخواهیم بود.

در دلار دریافتی، ساعت صورتحساب، این یک همبستگی کامل است. ببینید من 1 ساعت صورتحساب دادم، 10 دلار گرفتم. من 2 ساعت صورتحساب می دهم، 20 دلار گرفتم. من برای 3 ساعت صورتحساب می گیرم، بسیار خطی کامل، همبستگی خوب 1.0. شما می توانید تصور کنید که سیستم های زیادی وجود دارد، سیستم های ساده ای که اینگونه عمل می کنند. به عنوان مثال، تعداد قدم هایی که برمی دارید و مسافتی که طی می کنید. اینها نوعی همبستگی کامل و خوب دارند.

سپس چیزهایی وجود دارد که همبستگی دارند اما همبستگی ممکن است کاملاً پیش‌بینی‌کننده نباشد و ما می‌خواهیم اعدادی در مورد این همبستگی‌ها داشته باشیم. در اینجا یک مثال بسیار ساده است. این تعداد روزهایی است که کفش زرد می پوشم. می بینید که امروز آنها را نمی پوشم. اما تعداد روزهایی که کفش های زرد می پوشم و تعداد روزهایی که ارائه حرفه ای انجام می دهم. اغلب، اینها کاملاً به هم مرتبط هستند. اما معلوم می شود روزهایی هم هست که کفش زرد می پوشم و ارائه نمی دهم یا ارائه می دهم اما کفش های زرد را نمی پوشم. آن چیزها اتفاق می افتد. الزامی نیست که هر بار که روی صحنه بلند می شوم کفش زرد بپوشم، اما این اتفاق زیاد می افتد.

بنابراین ما می توانیم آنها را نقشه برداری کنیم. می‌توان گفت، اوه، خوب، پنج روز بود که رند کفش‌های زرد پوشید و هر پنج روز را ارائه داد. سپس چند روز بعد، اوه، می دانید چیست؟ رند کفش های زرد را در اطراف شهر پوشید. او در حال شکستن در یک جفت جدید. بنابراین چند روز دیگر وجود دارد که او آنها را پوشید، اما فقط یک روز دیگر که او ارائه داد. بنابراین نمودار کوچکی مانند این بدست می آوریم.

کاری که امتیازهای همبستگی می توانند انجام دهند این است که می توانند به دادن عددی مانند 0.7 به ارتباط بین این دو عدد کمک کنند. می توانی به نوعی بگویی خخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخخ

این دقیقاً همان چیزی است که این اعداد برای پیش بینی طراحی شده اند. اکنون، در سناریوهای واقعاً ساده ای مانند این، نمره همبستگی 0.7، نسبتاً بالاست. اما برای اینکه بتوانیم چیزی به نام «خطای استاندارد» را پیش‌بینی کنیم، در واقع به چند نقطه داده نیاز داریم. بنابراین، خطای استاندارد میزان اطمینان ما از ارتباط این دو چیز را به ما می گوید.

اگر یک خطای استاندارد مثلاً .25 داشته باشیم، ممکن است خطای استاندارد بسیار بالایی باشد زیرا ما فقط چند نقطه داده داریم. این بدان معناست که به طور بالقوه نوسانات زیادی وجود دارد. این می تواند همبستگی بسیار کمتری نسبت به آنچه ما فکر می کنیم یا بسیار بالاتر باشد، بسته به این. اما اگر هزاران نقطه داده به دست آوریم، اگر زمانی که کفش های زرد می پوشیدم، هر نقطه داده ای در اطراف داشته باشیم، زمانی که یک ارائه حرفه ای ارائه کرده ام، این خطای استاندارد ممکن است به طور چشمگیری کاهش یابد و مثلاً 0.05 باشد. اکنون، می‌توانیم مطمئن‌تر باشیم که، اوه، بله، به وضوح یک ارتباط وجود دارد، و با کمی نوسان، می‌دانیم که عدد همبستگی چقدر است. بنابراین ما می‌توانیم پیش‌بینی کنیم که رند هر چند وقت یک بار کفش‌های زرد می‌پوشد، بر اساس میانگین داده‌های قبلی. این چیزی است که این طراحی شده است تا به ما بگوید. این دقیقاً همان چیزی است که از همبستگی می توان برای آن استفاده کرد.

بیایید در مورد روش هایی برای استفاده از داده های همبستگی در سئو و کمپین های رسانه های اجتماعی خود صحبت کنیم. اول از همه، در بسیاری از موارد، شما در واقع به یک مجموعه داده عظیم نیاز ندارید. بیایید ابتدا در مورد روش هایی صحبت کنیم که احتمالاً قبلاً از داده های همبستگی استفاده می کنید، که با نقاط داده جداگانه است. اینها چیزهایی هستند که در آن جمع می شوید، به نتایج جستجو نگاه می کنید یا به عملکرد خود در رسانه های اجتماعی نگاه می کنید. شما به وضعیت دیگران نگاه می کنید. شما در ذهن خود همبستگی ایجاد می کنید. مثلاً، پسر، می‌دانی چیست، هر بار که می‌بینم کسی فهرست ده برتر را در مورد چیزی می‌نویسد، به نظر می‌رسد که لینک‌های زیادی و ریتوییت‌های زیاد و توجه زیادی به خود جلب می‌کند. به نظر می رسد که لیست های X برتر راه بسیار خوبی برای تولید محتوا هستند. مردم واقعاً این ده لیست برتر یا لیست های X برتر را دوست دارند. شاید این راه خوبی باشد. آن نوع اتصال نقطه داده در ذهن شما همبستگی است. این چیزی است که در آن شما این چیزها را به هم وصل می کنید به نظر می رسد موفقیت را پیش بینی می کند، بنابراین من به طور بالقوه از آنها تقلید می کنم و ببینم آیا آنها موفقیت را برای من پیش بینی می کنند یا خیر.

این در واقع کار خوبی است. شما می توانید کاری انجام دهید، مانند، هوم، به نظر می رسد زمانی که من یک توییت با لینکی دارم که نرخ کلیک بالاتری دارد، بازتوییت های بیشتری نیز دریافت می کند. بنابراین اگر بتوانم فرمول دریافت یکی از اینها را پیدا کنم، به احتمال زیاد با هر دوی آنها خوب عمل خواهم کرد. من قصد دارم روی نرخ کلیک خود کار کنم. من روی چیزهایی کار خواهم کرد که نرخ کلیک بالاتری را پیش‌بینی می‌کنند. من قصد دارم آن عناوین کوتاه کوتاه را بدست بیاورم. من قصد دارم یک کوتاه کننده URL خوب دریافت کنم. من می روم نگه دارم. . . فرمت توییتی که ارسال می‌کنید و یکی از این‌ها را دریافت می‌کند هر چه باشد، می‌توانید به طور کلی پیش‌بینی کنید که دیگری را دریافت خواهید کرد، شاید در برخی موارد.

این لزوما برای همه صدق نمی کند. اغلب اوقات این فقط تجربه شخصی شماست و استفاده از آن چیز خوبی است. به اشتراک گذاری فیس بوک، ممکن است متوجه شوید که در حساب فیس بوک خود، زمانی که محتوایی را به اشتراک می گذارید که تصویری از چهره انسان دارد. بنابراین، کمی وجود دارد، اوه، نگاه کنید، یک عکس زیبا از رند وجود دارد. من امروز کاملا “چسبیده” به نظر می رسم. بله، من مثل بچه های کلاس دوم نقاشی می کشم. عجیب است که من جمعه تخته سفید را انجام می دهم. اشتراک‌گذاری‌های فیس‌بوک که چهره انسانی دارند به‌عنوان تصویر کوچک کلیک‌های بیشتری دریافت می‌کنند. با خود فکر می‌کنید، خوب، شاید لازم باشد از چهره‌های انسانی بیشتری در تصویر کوچک آنچه در فیس‌بوک قرار داده‌ام استفاده کنم، می‌دانید، تصویری که هنگام اشتراک‌گذاری محتوا در آنجا انتخاب می‌کنید. این ممکن است چیز خوبی برای کشف باشد. شما می توانید آن را بر اساس شهود استفاده کنید، یا در واقع می توانید آن را اندازه گیری کنید. اگر از ردیاب URL یا کوتاه‌کننده‌ای مانند bit.ly استفاده می‌کنید، می‌توانید از طریق حساب خود بازگردید و به همه نرخ‌های کلیکی که کسب کرده‌اید نگاه کنید. سپس می توانید ببینید که آیا واقعاً چنین است؟ اعداد را در اکسل قرار دهید و داده ها را اجرا کنید، به طور متوسط ​​عملکرد خود را ببینید. این یک راه بسیار ساده برای انجام کارها است.

شما همچنین ممکن است متوجه چیزی مانند یک اخطار مشاهده ای شوید. پیوندهایی با کلمات کلیدی در متن لنگر باعث افزایش بیشتر رتبه در گوگل می شود. هنگامی که پیوندها، پیوندهای خارجی، و آنها حاوی کلمه کلیدی مورد نظر شما در جایی در متن لنگر هستند، آنگاه رتبه بندی بیشتری را دریافت می کنید. بنابراین، شما با خودتان فکر می کنید، انکر متن. این باید یک سیگنال قدرتمند باشد. من شروع به تلاش برای انجام آن خواهم کرد. وقتی متن لنگر را در سایت‌های دیگر دریافت می‌کنم، شاید می‌خواهم آن را در بیو خود قرار دهم، بنابراین وقتی مردم به من پیوند می‌دهند، از آن کلمه کلیدی خاص استفاده می‌کنند و به صفحاتی که می‌خواهم اشاره می‌کنند.

این همبستگی مشاهده‌ای چیزی است که سئوکاران و بازاریابان رسانه‌های اجتماعی و بازاریابان دیجیتال از همه رده‌ها برای سال‌ها از آن استفاده کرده‌اند. آنها برای همیشه از این نوع همبستگی مشاهده ای استفاده کرده اند. اما چیزهای جالبی وجود دارد که می‌توانید بر اساس تحقیقات انجام دهید که ما آن‌ها را همبستگی‌های انبوه یا متوسط ​​می‌نامیم که چیزهای واقعاً جالب زیادی را نیز تولید می‌کند. من چند نمونه از آن ها را به شما می زنم.

بنابراین، در HubSpot، دانشمند رسانه‌های اجتماعی آن‌ها، دن زارلا، چیزی به نام «علم ریتوییت‌ها» تولید می‌کند، که در مورد نحوه انتشار ریتوییت‌ها در وب و آنچه که به خوبی با چیزهایی که بازتوییت‌های بیشتر در مقابل بازتوییت‌های کمتر دریافت می‌کنند، ارتباط دارد، صحبت می‌کند. او همچنین کاری را انجام می‌دهد که در علم زمان‌بندی عالی است، در مورد اینکه بهترین زمان برای توییت کردن یا تولید یک پست وبلاگ چه زمانی است.

این نوع داده های همبستگی در همه جا، در هزاران تن در زمینه های مختلف، قطعاً در بازاریابی دیجیتال استفاده می شود. ما در اینجا در SEOmoz کارهای جالبی انجام می دهیم که در آن صدها یا هزاران نقطه داده جمع آوری می کنیم تا بتوانیم همبستگی کل یا متوسط ​​را با دو معیار مختلف نشان دهیم.

به عنوان مثال، در نظرسنجی اخیر خود، 10000 نتیجه جستجوی مختلف را جمع آوری کردیم. دلیلی که ما چنین مقدار بالایی را به خاطر بسپاریم این است که ما آن خطای استاندارد پایین و پایین را می خواهیم که از داشتن داده های زیاد ناشی می شود. بنابراین، ما 10000 را جمع آوری می کنیم و سپس می بینیم، اوه، چگونه توییت ها با رتبه های بالاتر یا پایین تر در گوگل مرتبط هستند؟ اشتراک گذاری فیس بوک با رتبه های بالاتر یا پایین تر در گوگل چگونه ارتباط دارد؟

در واقع می توانید ببینید که برخی از چیزهای جالبی که از جمع آوری این نوع داده ها متوجه شده ایم این است که، برای مثال، کلمات کلیدی در ویژگی alt یک تصویر، میانگین همبستگی بالاتری را نسبت به استفاده از کلمه کلیدی در H1 پیش بینی می کنند. . بنابراین بسیاری از سئوکاران به شما می گویند، اوه، می دانید، که تگ H1، این یک برچسب واقعا مهم است. شما باید کلمات کلیدی را در تگ H1 دریافت کنید، باید H1s را در هر صفحه داشته باشید.

به نظر ما مانند همبستگی با H1s، کلمات کلیدی در H1 بهتر از این نیست که کلمه کلیدی را دقیقاً نزدیک، در بالای صفحه، که H1s معمولاً به هر حال پیش‌بینی می‌کنند، نیست. بنابراین، شاید این H1 نیست که کمک می کند. شما نمی دانید. داده های همبستگی است. علت نیست. ما به طور قطع نمی دانیم که این چیزی است که باعث آن شده است، اما می دانیم که یک ارتباط عددی بین این معیارها وجود دارد.

آن ویژگی alt، خخ، مثبت به نظر می رسد. ما هرگز فکر نکردیم، اوه، شاید باید آن را توصیه کنیم. بنابراین، در چند سال گذشته، توصیه می‌کنیم یک تصویر خوب در صفحه قرار دهید و مطمئن شوید که کلمه کلیدی شما در آن وجود دارد.

می توانید ببینید که ما این کار را با داده های توییتر انجام دادیم. ما یک مطالعه جالب با داده های توییتر انجام دادیم که در آن تعداد زیادی توییت را بررسی کردیم. گفتیم “چه چیزی نرخ کلیک بالاتر را پیش بینی می کند؟” مشخص شد که توییت‌های کوتاه‌تر نرخ کلیک بالاتری دارند. احتمالاً جای تعجب نیست، درست است. بنابراین به جای استفاده از تمام 140 کاراکتر، شما فقط از 60 کاراکتر، 80 کاراکتر استفاده می کنید. به نظر می رسد افراد بیشتری روی پیوندهای موجود در توییت های کوتاه تر کلیک می کنند. این یه جورایی جالبه، یه جورایی باحال. شاید به این معنی باشد که وقتی عناوین و سرفصل‌هایی را می‌نویسیم که می‌خواهیم مردم روی آن کلیک کنند، باید آن توییت‌ها را بسیار کوتاه کنیم. ما به قرار دادن پیوند در توییت در جلوی توییت در مقابل انتهای توییت در مقابل وسط نگاه کردیم. وسط کمی بهتر از دو تای دیگر به نظر می رسد.

شما می توانید انواع چیزهای جالب را یاد بگیرید. این چیزی است که در مورد داده های همبستگی شگفت انگیز است. لزوماً به این معنا نیست که چیزها را پیش‌بینی می‌کند، اما معنایش این است که چیزهایی که این ویژگی‌ها را دارند، تمایل بیشتری به انجام خوب دارند. بنابراین، در برخی موارد، حداقل برای من، خیلی کمتر به این موضوع اهمیت می‌دهم که آیا علت و معلولی وجود دارد یا خیر. من اهمیت می دهم، اما نسبت به همبستگی خام خیلی کمتر به علت اهمیت می دهم.

دلیل علاقه من به همبستگی این است که می گوید چیزهایی که این ویژگی را دارند بهتر یا بدتر انجام می دهند. بنابراین، چه دلیل آنها این باشد یا نه، من دوست دارم چیزهایی را که بهتر انجام می دهند تقلید کنم و از چیزهایی که بدتر هستند تقلید نکنم. من نمی دانم که آیا مستقیماً علت است یا یک اثر مرتبه دوم یا یک اثر ثالث یا فقط بخشی از یک اثر. برای من مهم نیست. من می خواهم شبیه افرادی باشم که موفق هستند. من می خواهم کاری را انجام دهم که افراد موفق انجام می دهند، و این همان چیزی است که داده های همبستگی برای آن بسیار خوب است.

بنابراین، در قسمت دوم، هفته آینده، ما در مورد چیزهای بسیار جالبی که با داده های همبستگی پیدا کردیم صحبت خواهیم کرد و ایده هایی در مورد اینکه در مراحل بعدی به کجا خواهیم رفت را به شما ارائه می دهیم. مراقب همه باشید رونویسی ویدیو توسط SpeechPad.com