[Webinar Digest] SEO en orbite: création d'un contenu à partir d'entités qui est converti

[Webinar Digest] SEO en orbite: création d'un contenu à partir d'entités qui est converti

Le webinaire Création d'un contenu basé sur une entité qui convertit fait partie du SEO dans la série Orbit, et diffusé le 15 mai 2019. Pour cet épisode, les ambassadeurs OnCrawl, Murat Yatağan et JP Sherman, explorent de près la question de la création de contenu que les machines comprennent pour augmenter le classement, le CTR et les conversions. Rejoignez-nous pour des informations sur la création de contenu pour le référencement en 2019.

SEO in Orbit est la première série de webinaires à envoyer le référencement dans l’espace. Tout au long de la série, nous avons discuté du présent et de l'avenir du référencement technique avec certains des meilleurs spécialistes du référencement et avons envoyé leurs meilleurs conseils dans l'espace le 27 juin 2019.

Regardez la rediffusion ici:

Présentation de JP Sherman

JP Sherman a plus de 10 ans d'expérience dans les domaines de la recherche, de la trouvabilité et de la veille concurrentielle. Il travaille en tant qu’expert Search & Findability sur le portail client Red Hat, où il est chargé de combler l’écart d’intention entre des dizaines de milliers de documents techniques et de support et les clients qui les recherchent sur Google et la plate-forme de recherche interne de Red Hat. Il a trouvé un talent naturel pour relier les données, le comportement, la recherche et la facilité de recherche afin d'apporter des changements exploitables et de la valeur aux studios Paramount, Skechers, Performance Bike, Dewalt et bien d'autres.
Vous pouvez le trouver sur Twitter @jpsherman, où il aime bavarder avec les shop, les non-séquenceurs et autres projets geek.

Cet épisode a été hébergé par Murat Yatağan, consultant en référencement avec plus de 9 ans d’expertise en référencement et en UX, dont 5 ans comme responsable principal de l’analyse des produits au sein de l’équipe qualité de la recherche Google (également appelée Trust & Safety) en Irlande. Au cours de sa carrière de consultant, il a développé une expertise en matière de référencement technique, de stratégie de création de contenu de haute qualité, de rayonnement et de référencement international, tout en gérant plus de 65 clients dans le monde, issus de divers secteurs d'activité.

Que sont les entités?

Pour le dire très simplement, les entités sont des choses qui ont des attributs. Par exemple, un chien a des attributs tels que des jambes, un cœur… Lorsque vous creusez au plus profond des entités, ce sont les attributs qui définissent et différencient réellement les choses décrites en tant qu’entités.

Ce ne sont pas toujours des concepts. Les marques peuvent aussi être des entités, en raison de leur association avec des produits et avec d'autres «choses».

Ce qui rend les entités intéressantes, c'est que les attributs sont partagés. Un chien et un chat ont des attributs communs.

Qu'est-ce qu'une donnée structurée?

Comme son nom l'indique, les données structurées sont des informations structurées et organisées sur une page pour aider les moteurs de recherche à comprendre en quoi consiste cette page. Il peut également aider les visiteurs de votre site Web, car vous utilisez également des données structurées pour organiser vos informations: listes, tableaux, etc.

Les moteurs de recherche, contrairement aux visiteurs humains, utilisent des graphes de connaissances basés sur des entités pour définir des relations entre ces entités.

Par exemple, Google utilise des données structurées pour créer de nouveaux éléments dans les résultats de recherche, tels que la page de questions / réponses et les pages de FAQ. Plus généralement, ces résultats sont connus sous le nom de résultats riches. Ils peuvent vous donner un avantage dans les résultats de la recherche en mettant vos résultats en évidence dans les pages de résultats, ainsi que d'autres avantages.

Qu'est-ce que Schema.org?

Schema.org est un standard développé par un consortium de grands acteurs des moteurs de recherche, notamment Google, mais aussi Bing, Yahoo !, Yandex, etc. Ce sont des définitions de la manière de construire des données structurées de manière à ce que les moteurs de recherche puissent mieux les comprendre.

Il fournit les règles et la structure des encodages à utiliser. Le standard complet est disponible sur le site web du projet, Schema.org, où vous pouvez trouver tous les détails et vous aider avec les types de balises, tels que JSON-LD.

Contraintes biologiques sur la recherche de personnes

La recherche de personnes est soumise à des contraintes biologiques. Il s'agit essentiellement d'une réponse en deux parties sur la manière dont les personnes accèdent aux informations, puis sur la manière dont elles reconnaissent et suivent ces informations pour répondre à une intention de recherche.

Accessibilité

La première partie d’une contrainte biologique à la recherche est l’accessibilité. Physiquement, tout le monde ne peut pas utiliser les informations de la même manière. Un exemple de base: tout le monde ne voit pas les couleurs de la même manière.

L’audience de recherche est variée et sa consommation d’informations varie. Ainsi, des éléments tels que la taille du texte, la couleur ou l'emplacement sont extrêmement importants pour la notion de trouvabilité ou pour l'accès des utilisateurs à la recherche et aux résultats de la recherche.

Google a laissé entendre qu'il existe de fortes corrélations – bien que pas nécessairement des relations de causalité – entre le classement et le niveau d'accessibilité de votre site. Cela remonte à E-A-T (Expertise, autorité et confiance), qui Marie Haynes a beaucoup parlé récemment. Plus le site est accessible, plus il gagne en autorité et en confiance.

Comportement de recherche de modèle

La deuxième partie des contraintes biologiques à la recherche est que les humains sont essentiellement des animaux à motifs. Nous voyons des modèles quand il n'y en a pas.

Par exemple, prenons le terme paradoia: les êtres humains voient des patrons qui ressemblent à des visages là où il n’y en a pas, comme dans l’aboiement d’un arbre.

En fait, nous recherchons des données; nous cherchons des modèles. Nous ne sommes pas simplement en train de reconnaître un modèle, mais nous en faisons une recherche.

En matière de recherche, il existe des concepts et des aspects biologiques concernant la manière dont les humains interagissent avec leur environnement, voire une page Web, qui s'appliquent à la recherche. La façon dont les gens recherchent des informations est relativement prévisible. la façon dont nous reconnaissons l'information est assez prévisible.

Parce que les entités sont des choses reconnaissables, elles se distinguent en tant que signaux de modèle. Quelqu'un qui cherche des informations et qui rencontre, dit, «Batman» va soudainement comprendre les associations déjà construites autour de cette entité:

  • Une location
  • copains
  • Ennemis
  • Films
  • Médias
  • Etc.

Cette coalesses en reconnaissance d'entité. Lorsqu'un utilisateur reconnaît quelque chose en tant qu'entité, cela crée ce que nous appelons un «sentier de senteur d'information». Cela signifie que l'utilisateur commence à se concentrer sur l'entité pour voir s'il existe ou non une relation avec ce que l'utilisateur recherche – en substance l'intention de recherche.

De nombreux comportements de recherche humaine reposent sur la reconnaissance d'entités d'un point de vue humain et sur la reconnaissance de modèles par la recherche de modèles.

Avant que l'apprentissage automatique ne soit à la mode, Murat travailla à la recherche sur les réseaux de neurones; Il croit qu'une meilleure compréhension de la manière dont les êtres humains recherchent et reconnaissent les informations est extrêmement utile pour étudier la conduite des machines et faciliter des tâches similaires.

Evolutions récentes dans les moteurs de recherche

La technologie des moteurs de recherche a connu de nombreuses évolutions: recherche neuronale, traitement du langage naturel, meilleure compréhension du contenu et des requêtes, et lutte contre le spam. Cela tient en partie au nombre élevé de requêtes nouvelles et jamais vues auparavant.

Certaines d'entre elles ont un impact important sur la manière dont nous trouvons les informations. Google a apporté un nombre important de modifications qui ont influencé l'idée de recherche et de possibilité de recherche; JP n'en a discuté que quelques-uns.

Comprendre les individus et leurs modèles

Les moteurs de recherche ont fait d'énormes progrès dans la compréhension de chaque chercheur et de leurs schémas de comportement en matière de recherche.

Par exemple, lorsque JP part travailler le matin, Google l'informe qu'il lui faudra 10 minutes pour se rendre à son café préféré, même s'il n'a aucune interaction numérique avec ce café en particulier, mais "son téléphone". sait qu'il s'arrête toujours là. Ceci est un exemple de fonctionnalité d'apprentissage sans saisie.

Le fait est que la capacité de Google à connaître et à comprendre le contexte de manière prévisible et affichable lui permet de présenter les résultats avant qu'un chercheur ne formule une demande de recherche. Cela permet à Google de fournir des informations sans interruption.

Comptabilisation du contexte

Dawn Anderson, le linguiste récemment cité John Firth, a déclaré récemment qu’il était possible de dire ce qu’un mot signifiait de la part de la société qu’il conserve.

Un clip de Dawn Anderson
Cela est vrai à propos de la reconnaissance des entités et des mots-clés. Dans le passé, et l'habitude a perduré dans certains domaines du référencement, nous avions tendance à considérer les mots clés comme un sac de mots dépourvus de contexte. Trop de SEO se sont concentrés sur cette tactique. Mais même lorsque les algorithmes des moteurs de recherche commencent à contextualiser les mots et les recherches, il est nécessaire de comprendre que les mots ont plus de sens dans le contexte:

  • Les mots sont associés à d'autres mots
  • Les mots sont associés à des entités
  • Les mots peuvent être contextualisés via la localisation mobile
  • Les mots peuvent être contextualisés lors de visites précédentes

Cela signifie que les recherches de JP, par exemple, seront très différentes de celles d’un autre, car son contexte est très différent.

Appliqué au SEO, JP a donné l'exemple de la façon dont il faisait du SEO pour une grande entreprise de bicyclettes en ligne. Le même mot clé (pneus de vélo) avait une signification différente à Colorado Springs qu'à Los Angeles. À Colorado Springs, il s’agissait généralement de pneus de vélo de montagne. À Los Angeles, c’était des pneus de vélo de route. Cependant, le mot clé lui-même était exactement le même: (pneus de vélo).

Comprendre que le même mot peut avoir une intention bifurquée au sein de groupes d’utilisateurs selon le contexte (dans ce cas: emplacement) a été extrêmement éclairant pour le développement de contenu, le référencement et la recherche d’un moyen de «cliquer» sur un niveau émotionnel pour obtenir les intérêts et les contenus. le clic des SERPs.

Classement SERP et optimisation du CTR

JP raconte ce que lui et la compagnie de vélo ont fait:

Le site ne s'était jamais classé pour le terme (vélos de route). JP a examiné les SERPs et tous les titres des gagnants ont été formatés de la même manière: «Vélos de route – Marque» ou «Vélos de route | Marque". JP a trouvé cela très peu attrayant du point de vue de la recherche.

Il a simplement remplacé la balise de titre de la page de la société sur le vélo de route par «Des vélos rapides et légers pour la route». Cela a conduit à l’idée que l’optimisation du référencement est l’intention et l’émotion.

Considérez le fait qu'un utilisateur passe généralement moins d'une seconde à regarder chaque extrait. Vous devez attirer leur attention et leur donner une perception immédiate de la valeur. Quand un utilisateur cherche «Vélos de route – Marque» contre «Vélos légers et rapides pour la route» (ou, en ce qui concerne les vélos pour enfants, «Vélos abordables et durables pour les enfants»), cela se démarque car il capture deux préoccupations importantes. Optimiser pour les émotions et les intentions offre une reconnaissance immédiate de la valeur du point de vue du SERP.

Au lieu du bourrage de mots-clés, JP a pu optimiser le clic en utilisant des mots pour cibler la bonne intention. Le résultat? Surclassant les grandes marques comme REI, Target ou Walmart pour des mots-clés pour lesquels elles n’avaient jamais été classées auparavant.

JP pense que la bataille du futur en matière de référencement va se jouer sur les SERP afin de lutter pour cette reconnaissance immédiate de la valeur. Cela permet de réduire la différence entre les positions 1 et 4, si vous pouvez immédiatement transmettre, par des mots, la valeur de votre contenu.

Différence entre le classement avec correspondance neuronale vs mots-clés

Il est important de reconnaître que Google évolue également: Google ne s'intéresse pas seulement au thème de votre page et à la fréquence de ses termes. Ils ont également des équipes d'ingénieurs qui travaillent sur le fonctionnement de l'esprit humain et sur la manière dont Google peut satisfaire les intentions des chercheurs.

Cela signifie que le type de contenu classé pour un mot clé de mot-sac et celui associé aux algorithmes de correspondance neuronale de Google ne sont pas les mêmes.

Déclenchement de réseaux neuronaux à des fins de recherche

Mettant en garde qu'il ne travaille pas pour Google et ne connaît pas intimement leurs algorithmes, JP découvre que, d'après ses observations et ses tests, le réseau de neurones doit déclencher la reconnaissance d'un niveau de contexte et d'entités.

Par exemple, si un chercheur recherche (chaussures rouges), il ne s'agit pas d'une entité et il est probablement dans une optique de commerce électronique. JP suppose qu’un facteur de reconnaissance associé au mot clé conduit à une hypothèse générale sur ce que le chercheur recherche: recherchent-ils des informations? Cherchent-ils à acheter?

En ce qui concerne la requête (chaussures rouges), l'algorithme est beaucoup plus direct et beaucoup plus discret.

Utilisation par Google d’entités pour déchiffrer des requêtes

Cependant, avec une requête telle que (comment réparer un tapis après des dégâts d'eau) ou (un film qui se moque de Star Wars), de nombreux concepts contextuels doivent être compris. Dans le second cas, le premier résultat sera Spaceballs.

[Webinar Digest] SEO en orbite: création d'un contenu à partir d'entités qui est converti 1

Google a besoin de comprendre:

  • Film (un type de média)
  • “Se moque de” (une parodie: pas la chose, mais quelque chose comme la chose)
  • Guerres des étoiles

Lorsque nous recherchons (film qui se moque de Star Wars), Google est en mesure de déterminer si nous voulons un film qui ne soit pas Star Wars.

Dans d'autres moteurs de recherche, vous obtenez toujours du contenu Star Wars, mais dans Google, vous obtenez Spaceballs.

[Webinar Digest] SEO en orbite: création d'un contenu à partir d'entités qui est converti 2
Pour JP, cela indique que Google effectue une analyse syntaxique de haut niveau et une reconnaissance de type de requête de haut niveau et qu'il est capable d'appliquer des synonymes nuancés permettant de modifier le résultat.

Graphes de connaissances

Il y a plusieurs années, Google a présenté le Knowledge Graph, construit à partir de dessins provenant de Wikipedia et d'autres sources.

Relations horizontales d'entités partageant des caractéristiques

L’avantage des Knowledge Graphs est que, en utilisant les données fournies par les entités et les balises Schema.org, il crée une couche horizontale de caractéristiques partagées.

Baleines, humains, gorilles et même chauves-souris: presque tous les mammifères ont cinq doigts à trois os. C’est un exemple de caractéristique partagée par différentes entités. La marge structurée a donné à Google un moyen d'accéder à ce type de relation horizontale entre différentes entités.

Combler les lacunes dans les modèles

Knowledge Graphs ont été organisés: un algorithme a été créé pour rechercher dans Google les informations manquantes dans les modèles d'entité. Par exemple, si aucune date de naissance n’était incluse dans le graphique de connaissances de Morgan Freeman, le programme effectuerait une recherche sur Google pour déterminer par consensus la date de naissance de Morgan Freeman afin de remplir le modèle Personne / Acteur célèbre pour ce type d’entité.

Balisage structuré et apprentissage automatique

C'est le type d'apprentissage que le balisage structuré aide. JP aime parler du balisage structuré comme étant un aliment à apprentissage automatique.

L'apprentissage automatique, malgré le battage publicitaire autour du terme, ne peut fonctionner aussi bien qu'il est nourri. Il doit consommer des données.

Conseil de JP: Si vous obtenez un produit qui inclut un apprentissage automatique, vous devez également évaluer les données qu’il utilisera – alors consultez celles de votre site. Qu'est-ce que cette machine va consommer? Sinon, les améliorations ne seront pas extrêmement importantes.

L’expérience de Murat montre que, lors de la construction d’algorithmes d’apprentissage automatique, le type de données que vous leur envoyez est essentiel. Les ingénieurs se posent des questions telles que: les signaux sont-ils suffisamment cohérents? Les données ont-elles un sens dans son ensemble? Pouvez-vous avoir confiance dans les résultats? Un mauvais apprentissage de la machine réduit la qualité de la sortie.

Balisage structuré pour signaler le contenu aux moteurs de recherche

Le niveau de visibilité que vous apportez à votre site Web avec des données structurées est extrêmement important. Si vous êtes en mesure de donner aux moteurs de recherche les bons signaux en ce qui concerne le contenu de votre contenu, cela aura un effet significatif.

Cependant, si vous fournissez des données ambiguës ou confuses, si vous utilisez une application mélangée de données structurées, vous ne verrez pas les mêmes résultats: cela ne sera pas très utile pour les moteurs de recherche.

Extraits en vedette

Google reconnaît toutes sortes de types de structure dans le contenu. Ils utilisent également la structure de contenu pour créer non seulement des résultats riches, mais également des extraits de code.

Présenter l'information de manière simple et claire

JP aime utiliser AJ KohnLa métaphore de l’intelligence de Google: Google est comme un enfant intelligent de cinq ans. Ils sont intelligents, mais ils sont aussi un peu paresseux et limités dans leur compréhension du monde.

Lorsque vous faites appel à Google pour capturer des extraits présentés, expliquez le contenu de manière simple et claire.

Support avec structure et balisage

Soutenez vos explications claires avec une structure telle que des listes ordonnées.

Eric Enge, de Stone Temple (maintenant Proficient Digital), a effectué de nombreuses recherches sur extraits sélectionnés et comment les obtenir. Voici les plats à emporter de base:

  • Répondez à une question de façon claire et concise
  • Organisez votre réponse de manière à pouvoir être immédiatement reconnue précieuse
  • Soutenez-le avec un balisage structuré (non requis, mais utile)

En ce qui concerne le balisage structuré, il n’est pas très utile de débloquer la possibilité d’obtenir un extrait vedette, mais de permettre à Google d’obtenir une meilleure compréhension du concept ou de l’entité. Il est ainsi plus facile pour Google de faire correspondre le contenu de votre page en tant que réponse idéale à une requête de recherche donnée.

Vitesse de compréhension

Le concept fondamental que JP essaie de promouvoir est la rapidité. Vous voulez qu'un humain soit capable de comprendre de quoi vous parlez en moins d'une seconde. Si vous pouvez le faire, vous créez le sentier d’information nécessaire. Le chercheur suivra essentiellement les informations car vous leur aurez fourni une donnée correspondant à ce qu’elles recherchent.

Cela signifie que d'un point de vue tactique, il peut s'avérer extrêmement bénéfique de se concentrer sur l'optimisation des taux de clic.

Utilisation dans la recherche vocale et les nouvelles fonctionnalités de Google

Les données structurées permettent également à la voix et aux autres appareils de fournir aux utilisateurs des informations plus pertinentes au lieu de simplement proposer des descriptions aléatoires et des titres qui n'auraient peut-être pas été écrits de la meilleure façon possible.

Il est également prouvé qu'ils pourraient être utiles dans les nouveautés publiées par Google et d'autres moteurs de recherche. Google Discover en est un exemple.

Collaborer avec des gens intelligents

Le truc préféré de JP est de collaborer avec des gens plus intelligents que lui. Il ne se sent pas expert mais a des expériences qu’il peut partager. Il a également découvert qu’il existe de nombreux pairs qui ont des choses à partager.

Une des compétences les plus importantes consiste à savoir reconnaître ce que vous devez améliorer et à le formuler dans une bonne question. Cela vous aide à apprendre d’autres personnes qui sont incroyables dans des domaines qui vous passaient mal, qu’il s’agisse de Python ou de JavaScript ou de la génération automatisée de rapports de données…

Comment Google gère-t-il les intentions basées sur SERP?

En ce qui concerne l'intention basée sur le SERP, il y a plusieurs choses à décompresser. En réponse à une question du téléspectateur sur la manière dont il pense que les algorithmes de Google traitent les intentions basées sur la SERP, JP en a détaillé certaines.

Consommer des données historiques

Les données historiques sur les recherches précédentes et les comportements antérieurs peuvent aider Google à déterminer l'intention.

Data mining du comportement des utilisateurs au niveau de la plateforme

Étant donné que Google est propriétaire de Chrome et d'Android, il est extrêmement probable qu'ils tirent des informations des données utilisateur provenant de ces sources, même si elles sont anonymisées. Ceci est probablement exploité via l'exploration de données au niveau de la plate-forme, par opposition à un niveau algorithmique. Chrome et Android envoient probablement des données concernant, sur leurs plates-formes, lorsque les utilisateurs recherchent un X, ils se dirigent généralement vers une chose donnée.

Affinement des mots clés

JP est très intéressé par la recherche sur site. Son expérience en matière de recherche sur site lui fait penser que Google s'intéresse notamment à l'affinement des mots clés. Si quelqu'un cherche quelque chose, puis revient et cherche autre chose, c'est une nouvelle recherche, ou est-ce un raffinement de la recherche précédente car elle n'a pas donné les résultats souhaités par le chercheur.

Cela signifie que Google doit avoir au moins une sorte de capacité de traitement du langage sophistiquée pour la compréhension des requêtes. Cela peut signifier qu’ils reconnaissent qu’il existe une entité dans une recherche et qu’un pourcentage élevé de ses attributs entretient une relation horizontale avec les concepts de la première recherche. Cela peut donc être traité comme un raffinement.

Recherches associées

Comme nous le voyons dans l’affichage des résultats avec la case «Les gens demandent aussi», il est probable que des recherches connexes soient effectuées. Les recherches associées sont incluses dans la structure naturelle de la SERP. Cela peut aider à encourager les internautes à cliquer sur une recherche recommandée au lieu de revenir en arrière et d'affiner la recherche.

Cela peut également être une solution d’entreprise qui cible l’intention du SERP.

Pointe supérieure

“Optimiser pour les intentions et les émotions et donner une perception immédiate de la valeur en moins d'une seconde dans les SERP”

SEO en orbite est allé dans l'espace

Si vous avez manqué notre voyage dans l'espace le 27 juin, attrapez-le ici et découvrez tous les conseils que nous avons envoyés dans l'espace.