Trafiği olan sitelerde çalışırken, SEO önerilerini uygulamaktan kazanılacak şeyler kadar kaybedilecek şeyler de vardır.
SEO uygulamasının yanlış gitmesi durumunda ortaya çıkabilecek olumsuz riskler, arama motoru sıralama faktörlerini önceden test etmek için makine öğrenimi modelleri kullanılarak azaltılabilir.
Ön testleri bir kenara bırakırsak, bölünmüş test, site genelinde uygulamaya geçip geçmeme kararı vermeden önce SEO teorilerini doğrulamanın en güvenilir yoludur.
SEO teorilerinizi test etmek için Python'ı nasıl kullanacağınıza dair gerekli adımları ele alacağız.
Sıralama Pozisyonlarını Seçin
SEO teorilerini test etmenin zorluklarından biri, test sonuçlarını istatistiksel olarak geçerli kılmak için gereken büyük örneklem büyüklükleridir.
SearchPilot'tan Will Critchlow tarafından popülerleştirilen bölünmüş testler, tıklamalar gibi trafiğe dayalı ölçümleri tercih eder; bu, şirketiniz kurumsal düzeydeyse veya yoğun trafiğe sahipse iyidir.
Siteniz bu kıskanılacak lükse sahip değilse, sonuç metriği olarak trafik muhtemelen nispeten nadir bir olay olacaktır; bu da deneylerinizin çalıştırılması ve test edilmesinin çok uzun süreceği anlamına gelir.
Bunun yerine, sıralama pozisyonlarını göz önünde bulundurun. Çoğu zaman, büyümeyi hedefleyen küçük ve orta ölçekli şirketler için sayfaları, henüz trafik elde etmek için yeterince yüksek sıralamaya sahip olmayan hedef anahtar kelimeler için sıralanır.
Testinizin zaman diliminde, örneğin gün, hafta veya ay gibi her bir zaman veri noktası için, birden fazla anahtar kelime için birden fazla sıralama konumu veri noktası olması muhtemeldir. Sayfa başına tarih başına çok daha az veriye sahip olma olasılığı olan bir trafik metriği kullanmaya kıyasla, sıralama konumu kullanıldığında minimum örneklem büyüklüğüne ulaşmak için gereken zaman aralığını azaltır.
Bu nedenle, SEO bölünmüş testleri yürütmek isteyen ve çok daha hızlı içgörüler elde edebilen kurumsal olmayan büyüklükteki müşteriler için sıralama konumu harika bir seçenektir.
Google Search Console Arkadaşınızdır
Google'daki sıralama konumlarını kullanmaya karar vermek, Google Search Console'da (GSC) veri kaynağının kullanılmasını basit (ve uygun maliyetli) bir karar haline getirir; tabii ki kurulumu yapılmışsa.
GSC burada iyi bir seçimdir çünkü zaman içinde binlerce veri noktasını çıkarmanıza ve URL dizelerine göre filtrelemenize olanak tanıyan bir API'ye sahiptir.
Veriler tam olarak gerçeği yansıtmasa da en azından tutarlı olacaktır ki bu da yeterince iyidir.
Eksik Verilerin Doldurulması
GSC yalnızca sayfaları olan URL'lerin verilerini raporlar, bu nedenle tarihler için satırlar oluşturmanız ve eksik verileri doldurmanız gerekir.
Kullanılacak Python fonksiyonları, URL başına eksik veri satırlarını eklemek için kullanılan merge() (Excel'deki VLOOKUP fonksiyonunu düşünün) ve bu URL'lerdeki eksik tarihler için girilmesini istediğiniz verileri doldurmak için kullanılan fonksiyonların bir kombinasyonu olacaktır.
Trafik ölçümleri için bu değer sıfır olurken, sıralama konumları için bu değer medyan (hiçbir gösterim oluşturulmadığında URL'nin sıralamada olduğunu varsayıyorsanız) veya 100 (sıralamada olmadığını varsayıyorsanız) olacaktır.
Kod burada verilmiştir.
Dağıtımı Kontrol Edin ve Modeli Seçin
Herhangi bir verinin dağılımı, belirli bir metrik için en popüler değerin (modun), örneğin sıralama pozisyonunun (bizim durumumuzda seçilen metrik) belirli bir örneklem popülasyonu için nerede olduğu açısından onun doğasını temsil eder.
Dağılım bize ayrıca veri noktalarının geri kalanının ortaya (ortalama veya medyan) ne kadar yakın olduğunu, yani veri kümesindeki sıralama konumlarının ne kadar yayıldığını (veya dağıtıldığını) da söyleyecektir.
Bu, SEO teori testinizi değerlendirirken model seçiminizi etkileyeceği için kritiktir.
Python kullanarak bunu hem görsel hem de analitik olarak yapabilirsiniz; görsel olarak şu kodu çalıştırarak:
ab_dist_box_plt = (
ggplot(ab_expanded.loc[ab_expanded['position'].between(1, 90)],
aes(x = 'position')) +
geom_histogram(alpha = 0.9, bins = 30, fill = "#b5de2b") +
geom_vline(xintercept=ab_expanded['position'].median(), color="red", alpha = 0.8, size=2) +
labs(y = '# Frequency n', x = 'nGoogle Position') +
scale_y_continuous(labels=lambda x: ['{:,.0f}'.format(label) for label in x]) +
#coord_flip() +
theme_light() +
theme(legend_position = 'bottom',
axis_text_y =element_text(rotation=0, hjust=1, size = 12),
legend_title = element_blank()
)
)
ab_dist_box_pltYukarıdaki grafik, dağılımın pozitif eğimli olduğunu gösteriyor (şişin sağa baktığını düşünün), yani anahtar kelimelerin çoğu daha yüksek sıralarda yer alıyor (kırmızı medyan çizgisinin solunda gösteriliyor). Bu kodu çalıştırmak için lütfen gerekli kütüphaneleri komut aracılığıyla yüklediğinizden emin olun pip pandas plotnine'ı kurun:
Şimdi, SEO teorisinin takip edilmeye değer olup olmadığını ayırt etmek için hangi test istatistiğini kullanacağımızı biliyoruz. Bu durumda, bu tür bir dağıtım için uygun bir model seçimi vardır.
Minimum Örneklem Büyüklüğü
Seçilen model aynı zamanda gerekli olan minimum örneklem büyüklüğünün belirlenmesinde de kullanılabilir.
Gerekli asgari örneklem büyüklüğü, gruplar arasında gözlemlenen farklılıkların (eğer varsa) gerçek olmasını ve rastgele şans eseri olmamasını sağlar.
Yani SEO deneyinizin veya hipotezinizin sonucu olarak ortaya çıkan fark istatistiksel olarak anlamlıdır ve testin farkı doğru bir şekilde raporlama olasılığı yüksektir (güç olarak bilinir).
Bu, hem test hem de kontrol için yukarıdaki desene uyan bir dizi rastgele dağılımın simüle edilmesi ve testlerin yapılmasıyla gerçekleştirilebilir.
Kod burada verilmiştir.
Kodu çalıştırdığımızda aşağıdaki sonucu görüyoruz:
(0.0, 0.05) 0
(9.667, 1.0) 10000
(17.0, 1.0) 20000
(23.0, 1.0) 30000
(28.333, 1.0) 40000
(38.0, 1.0) 50000
(39.333, 1.0) 60000
(41.667, 1.0) 70000
(54.333, 1.0) 80000
(51.333, 1.0) 90000
(59.667, 1.0) 100000
(63.0, 1.0) 110000
(68.333, 1.0) 120000
(72.333, 1.0) 130000
(76.333, 1.0) 140000
(79.667, 1.0) 150000
(81.667, 1.0) 160000
(82.667, 1.0) 170000
(85.333, 1.0) 180000
(91.0, 1.0) 190000
(88.667, 1.0) 200000
(90.0, 1.0) 210000
(90.0, 1.0) 220000
(92.0, 1.0) 230000Bunu parçalara ayırmak gerekirse, sayılar aşağıdaki örneği kullanarak şunları temsil eder:
(39.333,: Önem düzeyine ulaşılacağı simülasyon çalışmaları veya deneylerin oranı, yani önem düzeyine ulaşma ve sağlamlık arasındaki tutarlılık.
1.0) : İstatistiksel güç, testin sıfır hipotezini doğru bir şekilde reddetme olasılığı, yani deneyin, bu örneklem büyüklüğü düzeyinde bir farkın doğru bir şekilde tespit edileceği şekilde tasarlanmış olmasıdır.
60000: sample size
Yukarıdakiler ilginç ve istatistikçi olmayanlar için potansiyel olarak kafa karıştırıcı. Bir yandan, istatistiksel öneme ulaşan SEO deneylerini gözlemleme şansımızın %92 olması için 230.000 veri noktasına (bir zaman periyodundaki sıralama veri noktalarından oluşan) ihtiyacımız olduğunu gösteriyor. Öte yandan, 10.000 veri noktasıyla istatistiksel öneme ulaşacağız – peki, ne yapmalıyız?
Deneyimlerim bana, anlamlılığa erken ulaşılabileceğini öğretti, bu nedenle en azından %90 oranında geçerli olma olasılığı olan bir örneklem büyüklüğü hedeflemek isteyeceksiniz; ihtiyacımız olan şey 220.000 veri noktası.
Bu gerçekten önemli bir nokta çünkü birkaç kurumsal SEO ekibini eğittikten sonra, hepsi kazanan test değişikliklerini uygularken istenen sonuçları üretmeyen kesin testler yürütmekten şikayetçi oldular.
Dolayısıyla, yukarıdaki süreç, minimum örneklem büyüklüğünü bilmemenin ve testleri çok erken durdurmanın yol açtığı tüm bu gönül yarasını, boşa harcanan zamanı, kaynakları ve zedelenen güvenilirliği önleyecektir.
Atama ve Uygulama
Bunu aklımızda tutarak artık SEO teorimizi test etmek için test ve kontrol arasında URL'ler atamaya başlayabiliriz.
Python'da şunu kullanırdık: np.where() fonksiyonu (Excel'deki gelişmiş IF fonksiyonunu düşünün), burada SEO teorisini doğrulamak istediğinize bağlı olarak konularımızı dize URL düzenine, içerik türüne, başlıktaki anahtar kelimelere veya başka bir şeye göre bölmek için birkaç seçeneğimiz var.
Burada verilen Python kodunu kullanın.
Kesin olarak, bunu yeni bir deneyin parçası olarak ileriye dönük veri toplamak için çalıştırırsınız. Ancak hipotezle etkileşime girebilecek ve testin geçerliliğini değiştirebilecek başka bir değişiklik olmadığını varsayarak teorinizi geriye dönük olarak test edebilirsiniz.
Bunu aklınızda tutmanızda fayda var, çünkü bu biraz varsayımsal bir durum!
Ölçek
Veriler toplandıktan veya geçmiş verilere sahip olduğunuzdan emin olduktan sonra testi çalıştırmaya hazırsınız demektir.
Sıralama konumu durumumuzda, dağıtım özelliklerinden dolayı muhtemelen Mann-Whitney testi gibi bir model kullanacağız.
Ancak, örneğin Poisson dağılımına sahip tıklamalar gibi başka bir ölçüm kullanıyorsanız, o zaman tamamen farklı bir istatistiksel modele ihtiyacınız olacaktır.
Testi çalıştırmak için gereken kod burada verilmiştir.
Çalıştırdıktan sonra test sonuçlarının çıktısını yazdırabilirsiniz:
Mann-Whitney U Test Test Results
MWU Statistic: 6870.0
P-Value: 0.013576443923420183
Additional Summary Statistics:
Test Group: n=122, mean=5.87, std=2.37
Control Group: n=3340, mean=22.58, std=20.59Yukarıda, destekleyici blog rehberlerine dahili bağlantı veren ticari açılış sayfalarının, desteklenmeyen açılış sayfalarına kıyasla etkisini gösteren yürüttüğüm bir deneyin çıktısı yer almaktadır.
Bu durumda, içerik pazarlamasıyla desteklenen teklif sayfalarının ortalama 17 sıra daha yüksek bir Google sıralamasına (22,58 – 5,87) sahip olduğunu gösterdik. Fark da önemli, %98!
Ancak, daha fazla veri elde etmek için daha fazla zamana ihtiyacımız var – bu durumda, 210.000 veri noktası daha. Mevcut örneklem büyüklüğünde olduğu gibi, SEO teorisinin yalnızca %10'dan az bir zaman diliminde tekrarlanabilir olduğundan emin olabiliriz.
Bölünmüş Testler Becerileri, Bilgiyi ve Deneyimi Gösterebilir
Bu yazımızda SEO hipotezlerinizi test etme sürecini ele aldık ve geçerli bir SEO testi yapmak için gereken düşünce ve veri gereksinimlerini ele aldık.
Artık, SEO testlerini tasarlarken, çalıştırırken ve değerlendirirken çözülmesi ve dikkate alınması gereken çok şey olduğunu fark etmiş olabilirsiniz. SEO için Veri Bilimi video kursum, bölünmüş A/A ve bölünmüş A/B dahil olmak üzere SEO testlerinin bilimi hakkında çok daha derinlere (daha fazla kodla) iniyor.
SEO uzmanları olarak, içerik pazarlamasının SEO performansı üzerindeki etkisi gibi bazı bilgileri hafife alabiliriz.
Öte yandan, müşteriler sıklıkla bilgimizi sınayacaklarından, bölünmüş test yöntemleri SEO becerilerinizi, bilginizi ve deneyiminizi göstermede oldukça kullanışlı olabilir!
Daha fazla kaynak:
Öne Çıkan Görsel: UnderhilStudio/Shutterstock
Bir yanıt yazın