Une infinité de boîtes « Les gens demandent aussi » : Recherche et opportunités de référencement

Une infinité de boîtes « Les gens demandent aussi » : Recherche et opportunités de référencement

Une infinité de boîtes "Les gens demandent aussi" : Recherche et opportunités de référencement

Un aperçu de l’apprentissage automatique de Google ?

Vous avez probablement vu les cases « Les gens se posent aussi des questions » (Related Questions) dans les SERP. Ces boîtes de questions et réponses en forme d’accordéon sont la façon dont Google dit : « Hé, toi, beau chercheur, toi ! Ces questions se rapportent également à votre recherche… peut-être souhaitez-vous les explorer vous aussi ? Enlève tes chaussures, reste un peu ! »

Cependant, peu de gens ont rencontré des AAP infinis. Celles-ci se produisent lorsque vous agrandissez une boîte de questions AAP pour voir apparaître en bas 2 ou 3 autres questions connexes. Ces listes infinies de CPA peuvent se compter par centaines, et j’ai eu la chance de tomber sur plus de 75 de ces joyaux !

Alors, prenez un café et attachez votre ceinture ! J’aimerais vous faire découvrir mes recherches infinies sur l’AAP, mes découvertes, l’hypothèse de l’apprentissage automatique et comment vous pouvez trouver des possibilités d’AAP.

Pourquoi l’AAP devrait-elle être importante pour vous ?

Les PAA ont connu une croissance de 1 723% des SERP depuis le 31/07/15 via Websterdatacast ! ← Tweeter cette statistique !

Comparez cela aux extraits de reportages, qui n’ont connu qu’une croissance de 328 % depuis cette date.

Les recherches ont également montré qu’une seule AAP peut apparaître dans 21 SERP uniques ! Et pourquoi pas les pommes ! Les opportunités d’AAP peuvent prendre le dessus sur de sérieux SERP immobiliers.

Mon obsession infinie pour l’AAP

Ces mini-FAQ dans les résultats de recherche me fascinent depuis que Google a commencé à les tester en 2015. Puis, en novembre 2016, j’ai découvert le test dynamique PAA de Google :

L’AAP infinie ci-dessus s’est étendue à des centaines ! C’est devenu une obsession pour moi lorsque j’ai commencé à les remarquer sur plusieurs appareils (pour une variété de recherches différentes) et que je les ai appelés « PAA Black Holes ».

J’ai commencé à sauvegarder les données de ces AAP infinis pour voir si je pouvais trouver des modèles, explorer comment Google pourrait tirer ces données, et plonger plus profondément dans la façon dont les questions/sujets ont changé à la suite de l’expansion de mes boîtes à questions, etc.

Après avoir vu deux douzaines de CPA infinis, j’ai commencé à me demander si c’était vraiment un test à mettre en œuvre dans la recherche, mais plusieurs leaders de l’industrie m’ont assuré qu’il s’agissait plus probablement d’un bug.

Ils avaient tort.

Les boîtes à questions Infinite People Also Ask sont en ligne

Maintenant intégré aux SERPs américains (désolé les amis étrangers, mais préparez-vous à ce que cela puisse potentiellement migrer à votre façon) vous pouvez jouer avec ceux-ci sur le bureau et le mobile :

Pourquoi Google veut-il que les gens passent plus de temps sur des SERP individuels (au lieu d’en regarder plusieurs) ? Pourrait-il faire payer plus cher les annonces sur les SERP avec ces PAA collants et expansifs ? Pourraient-ils éventuellement commencer à mettre des annonces dans les PAA ? Ce sont les questions qui me suivent comme une ombre.

Pour avoir une meilleure idée de l’essor des AAP, voici une chronologie de mes recherches exploratoires sur les AAP :

Chronologie de l’AAP

17 avril 2015 – Google commence à tester les PAA

29 juillet 2015 – Le Dr Pete demande à Google de confirmer le nom préféré pour les « Questions connexes

15 août 2015 – Google teste les carrousels PAA sur les ordinateurs de bureau

30 déc. 2015 – Les questions connexes (PAA) augmentent de +500% en 5 mois

11 mars 2016 – Voir une autre grande hausse dans Questions connexes (PAA) dans Websterdatacast

11 nov. 2016 – Robin Rozhon remarque le trou noir du PAA

23 nov. 2016 – Le Britannique remarque un trou noir de l’AAP

29 nov. 2016 – STAT Analytics publie une étude sur les PAA

12 déc. 2016 – Les nouveaux résultats de l’AAP réalisés changeraient en fonction de l’AAP élargie

14 déc. 2016 – Une preuve supplémentaire que les CPA se chargent dynamiquement en fonction de ce que vous cliquez

19 déc. 2016 – Toujours les trous noirs de l’AAP

22 déc. 2016 – Découverte d’un seul résultat d’AAP (et non d’un paquet de trois)

11 janvier 2016 – Une découverte et une hypothèse sur l’apprentissage machine (TensorFlow) !

22 janv. 2016 – Découverte d’un trou noir de l’AAP sur un téléphone

25 janv. 2016 – Découverte d’un trou noir de l’AAP qui a atteint son maximum à 9

10 février 2017 – Les trous noirs de l’AAP sont en ligne !

14 février 2017 – Britney Muller ne sait toujours pas si les trous noirs de l’AAP seront mis en ligne et continue d’émettre des hypothèses sur la façon dont ils sont peuplés par le biais de ML basé sur des graphiques d’entités.

3 grandes découvertes infinies de l’AAP :
#1 – Google s’intéresse aux modèles de navigation en temps réel

Il m’a fallu un certain temps pour comprendre que je peux manipuler les nouvelles boîtes à questions en fonction de ce que je choisis d’élargir.

Ci-dessous, j’encourage la création de nouveaux CPA relatifs aux camionnettes en cliquant sur « Puis-je mettre mes camionnettes dans la machine à laver ? Ensuite, j’encourage d’autres questions sur la moisissure en cliquant simplement sur un CPA « Comment éliminer l’odeur de moisissure des vêtements » ci-dessus :

Un autre exemple est lorsque j’ai cliqué sur « organic SEO » tout en haut d’un trou noir PAA 100+ (le gif vous donnerait le vertige, alors j’ai pris une capture d’écran à la place). Cela a modifié mes résultats, passant de « comment nettoyer le cuir » à « qu’est-ce que le référencement » et « qu’entendez-vous par recherche organique » :

#2 – Il y a des impasses dynamiques

Lorsque j’atteindrai un point d’exhaustivité dans mes extensions d’AAP (généralement ~300+), Google me demandera les deux premiers AAP, comme dans : « Nous ne sommes pas sûrs de ce qu’il faut fournir d’autre, vous êtes à nouveau intéressé par ceux-ci ?

Voici un exemple de ce qui se passe : Je passe d’un CPA lié à la « mitose » (~300 CPA de profondeur) à une répétition des deux premiers CPA : « Sur quoi se base le classement Alexa ? » et « A quoi servent les liens de retour ?

Cela me rappelle une histoire racontée par les ingénieurs en apprentissage de Google : lorsqu’un modèle de ML ne pouvait pas identifier une photographie, il répondait par défaut « je ne sais pas » : « Des hommes qui parlent au téléphone portable. » Il pouvait s’agir d’une photo d’un éléphant dansant, et si le modèle de ML n’était pas sûr de ce que c’était, il répondait : « Des hommes qui parlent au téléphone portable ».

Mon instinct me dit que G revient aux cas les plus forts (les deux premiers PAA) à votre requête initiale lorsqu’il manque un certain seuil relationnel de PAA.

Il vous suggérera ensuite les troisième et quatrième CPA lorsque vous pousserez ces limites pour les répéter, et ainsi de suite.

#3 – Développer et rétracter une question pour explorer les questions les plus proches

Non seulement cela vous permet d’obtenir les CPA les plus pertinents pour la question que vous élargissez ou que vous retirez, mais si elle se trouve dans votre timonerie, vous pouvez rapidement découvrir d’autres possibilités de CPA très pertinentes.

Ici, je continue d’élargir et de rétracter « Quelle est la définition du référencement ?

Remarquez comment « SEO » ou « optimisation pour les moteurs de recherche » est dans chaque AAP suivante ! Ce n’est pas une coïncidence et cela a beaucoup à voir avec le graphique des entités.

Tout d’abord, comprenons mieux l’apprentissage machine et pourquoi un modèle basé sur les entités et semi-supervisé est si pertinent pour la recherche. Ensuite, je vais dessiner ce que je pense qu’il se passe avec les résultats ci-dessus (comme un enfant de 5 ans), et passer en revue les façons dont vous pouvez saisir ces opportunités ! Woohoo !

Le rôle des données de formation dans l’apprentissage machine

Les confusions sont monnaie courante dans l’apprentissage machine, principalement en raison du manque de données de qualité sur la formation.

Des données de formation bien étiquetées sont généralement le principal élément nécessaire à la formation d’un modèle de ML précis.

Récemment, l’équipe de recherche vocale de Google est tombée sur une quantité impressionnante de données vocales européennes interprétées comme « kdkdkdkd ». Une exclusion évidente dans leurs données de formation (qui dit « kdkdkkdkd » ?!), les ingénieurs n’avaient aucune idée de ce qui pouvait provoquer ce bruit. Confus, ils ont finalement compris que c’était les trains et les métros qui faisaient ce bruit !

C’est un exemple idiot, mais Google est maintenant en mesure de rendre compte de ces fâcheuses inclusions « kdkdkkdkd ».

Les données relationnelles à la rescousse

Comme nous n’avons pas toujours assez de données de formation pour former correctement un modèle de ML, nous nous tournons vers les données relationnelles pour obtenir de l’aide.

Exemple : Si je vous montrais l’image suivante, vous pourriez en tirer quelques éléments, n’est-ce pas ? Peut-être qu’il s’agit d’une femme marchant dans une rue, et qu’elle est peut-être tombée par son chapeau, son écharpe, et les feuilles sur le sol. Mais il est difficile de déterminer beaucoup d’autres choses, n’est-ce pas ?

Et maintenant ? Voici deux autres photos de la chronologie de la photo ci-dessus :

Aha ! il semble qu’elle soit une voyageuse américaine en visite à Londres (avec son appareil photo Canon Ti3). Nous avons maintenant une certaine compréhension des régions, de la démographie et des produits. Ce n’est pas beaucoup d’informations supplémentaires, mais cela fournit un contexte beaucoup plus large pour la photo cryptée originale, n’est-ce pas ?

Peut-être que si Google avait intégré des données géo-relationnelles à son apprentissage par machine vocale, il aurait pu identifier plus rapidement que ces bruits se produisaient aux mêmes géolocalisations. Ce n’est qu’un exemple ; les ingénieurs de Google sont bien plus intelligents que moi et ont sûrement pensé à de bien meilleures solutions.

Google exploite les graphiques d’entités de la même manière pour la recherche

Google exploite les données relationnelles (de manière très similaire à l’exemple ci-dessus) pour mieux comprendre les objets numériques afin de fournir les résultats de recherche les plus pertinents.

Un exemple effrayant est celui de Google Expander : Une plateforme ML à grande échelle pour « exploiter les relations entre les objets de données ».

L’apprentissage machine est généralement « supervisé » (des données de formation sont fournies, ce qui est plus courant) ou « non supervisé » (aucune donnée de formation). Expander, cependant, est « semi-supervisé », ce qui signifie qu’il comble le fossé entre les données fournies et non fournies. ← Jeu de mot SEO voulu !

Expander s’appuie sur un vaste système graphique pour déduire les relations entre les ensembles de données. Vous êtes-vous déjà demandé pourquoi vous commencez à recevoir des publicités sur un produit que vous avez commencé à envoyer par e-mail à votre ami ?

Expander comble le fossé entre les plateformes pour mieux comprendre les données en ligne et ne fera que s’améliorer.

Graphiques d’entités relationnelles pour la recherche

Voici une diapositive d’un exposé sur Google I/O 2016 qui présente un graphique de mots relationnels pour les résultats de recherche :

Diapositive tirée de la vidéo « Breakthroughs in Machine Learning Google I/O 2016 ».

Les bords pleins représentent des relations plus fortes entre les nœuds que les lignes pointillées. L’exemple ci-dessus montre qu’il existe une relation forte entre « Quelles sont les traditions d’Halloween » et « la tradition d’Halloween », ce qui est logique. Les personnes qui recherchent l’une ou l’autre de ces informations seraient chacune satisfaites par un contenu de qualité sur les « traditions d’Halloween ».

La force de la bordure peut également être déterminée par la similarité de la distribution, la similarité lexicale, la similarité basée sur l’intégration des mots, etc.

Hypothèse de l’apprentissage machine de l’AAP à l’infini :

Google fournit des AAP supplémentaires basées sur les bords relationnels les plus forts à la requête étendue.

Vous pouvez continuer à voir ce phénomène se produire dans des ensembles de données d’AAP infinis. Lorsqu’un mot présentant deux similarités lexicales chevauche les AAP proposés, le sujet change en conséquence :

Le changement de sujet ci-dessus s’est produit par le biais d’une série de petites suggestions relationnelles. Un PAA au-dessus de cette capture d’écran était « Que signifie SMO ? (pas une faute de frappe, juste un réseau de neurones faisant de son mieux !) qui a conduit à « Quelle est la signification de l’OMU », à « Qu’est-ce qu’une accolade ? (pour les chevilles).

Cela m’a immédiatement fait penser au mot graphe relationnel et à ce que j’envisage pour Google :

J’espère que mes parents l’accrocheront sur leur frigo.

Mon hypothèse est que le modèle d’apprentissage par machine calcule que parce que je suis intéressé par « SMO », je pourrais aussi être intéressé par une attelle de cheville « SMO ».

Il existe des moyens pour les SEO et les spécialistes du marketing numérique de tirer parti de la pertinence de l’actualité et de saisir les opportunités de PAA.

4 façons d’optimiser l’apprentissage machine et d’étendre votre portée thématique pour les PAA :

Il est toujours possible d’établir des liens avec l’actualité au sein de votre contenu et, en ajoutant du contenu supplémentaire de haute qualité lié à l’actualité, vous pouvez renforcer les bords de votre contenu (et développer votre immobilier SERP). Voici quelques moyens simples et rapides de découvrir des sujets connexes :

#1 : Découvrez rapidement les sujets connexes via WebsterdataBar

WebsterdataBar est un module complémentaire gratuit pour navigateur SEO qui vous permet de faire une analyse SEO rapide des pages web et des SERPs. La fonction « On-Page Content Suggestions » est un moyen simple et rapide de trouver d’autres sujets liés à votre page.

Étape 1 : Activez WebsterdataBar sur la page avec laquelle vous essayez d’étendre la portée de vos mots clés, et cliquez sur l’optimisation de la page :

Étape 2 : Saisissez le mot avec lequel vous essayez d’étendre la portée de votre mot-clé :

Étape 3 : Cliquez sur Suggestions de contenu de la page pour obtenir la liste complète des sujets liés aux mots clés.

Étape 4 : Évaluez quels mots clés connexes peuvent être incorporés naturellement dans votre contenu actuel de la page. Dans ce cas, il serait utile d’incorporer les termes « tutoriel de référencement », « outils de référencement » et « stratégie de référencement » dans le Guide du référencement pour les débutants.

Étape 5 : Certains peuvent sembler être un ajout gênant à la page, comme les « services de référencement » et le « classement dans les moteurs de recherche », mais ils sont pertinents pour les produits/services que vous offrez. Essayez d’ajouter ces sujets à une page mieux adaptée, de créer une nouvelle page ou de mettre en place une FAQ solide avec d’autres questions liées à l’actualité.

#2 : Page Wikipédia + SEOBook Keyword Density Checker*

Disons que vous essayez d’élargir vos mots-clés d’actualité dans un secteur que vous ne connaissez pas très bien, comme « réparation de toits ». Vous pouvez utiliser ce hack gratuit pour attirer l’attention sur des sujets fréquents et connexes.

Étape 1 : Trouvez et copiez l’URL de la page Wikipédia sur les toits.

Étape 2 : Collez l’URL dans le vérificateur de densité de mots-clés de SEOBook :

Étape 3 : Cliquez sur « Envoyer » et visualisez les mots les plus utilisés sur la page Wikipédia :

Etape 4 : Vous pouvez plonger encore plus profondément (et souvent de manière plus thématique) en cliquant sur l’onglet « Liens » pour évaluer le texte d’ancrage des liens Wikipédia sur la page. Si un sous-thème est suffisamment important, il y aura probablement une autre page à lier :

Étape 5 : Utilisez les mots clés appropriés pour créer des idées de contenu plus solides basées sur le sujet.

*Cette tactique a été mentionnée dans l’épisode d’Experts On The Wire sur les outils de recherche par mot-clé.

#No 3 : Répondre au public

Répondre au public est une excellente ressource gratuite pour découvrir des questions sur un sujet particulier. N’oubliez pas de changer de pays si vous ne souhaitez pas obtenir de résultats du Royaume-Uni (par défaut).

Étape 1 : Entrez votre mot-clé/sujet et sélectionnez votre pays :

Étape 2 : Explorez la visualisation des questions que les gens posent sur votre mot-clé :

Cette personne n’a-t-elle pas l’air de s’admirer dans un miroir (ou de se prendre pour un égoïste) ? Une loupe ne fonctionne pas à cette distance, les gens !

Remarque : toutes les questions ne seront pas pertinentes pour votre recherche, comme « pourquoi le palais des accusés fait mal » et « pourquoi le palais des accusés démange ».

Étape 3 : Faites défiler l’écran vers le haut pour exporter les données au format CSV en cliquant sur le gros bouton jaune (en haut à droite) :

La loupe semble beaucoup plus grande ici… peut-être qu’elle fonctionnerait à cette distance ?

Étape 4 : Nettoyez les données et téléchargez les requêtes vers votre outil de recherche par mot-clé préféré (Websterdata Keyword Explorer, SEMRush, Google Keyword Planner, etc.) pour découvrir le volume de recherche et les données sur les caractéristiques du SERP, comme les extraits de reportages, les critiques, les questions connexes (cases PAA), etc.

Remarque : le Google Keyword Planner ne prend pas en charge les données relatives aux caractéristiques du SERP et fournit un volume de recherche vague, basé sur le panier.

#4 : Recherche par mot-clé « uniquement des questions ».

L’explorateur de mots-clés de Websterdata fournit un filtre « uniquement des questions » pour découvrir les possibilités d’AAP.

Étape 1 : Entrez votre mot-clé dans KWE :

Étape 2 : Cliquez sur Suggestions de mots-clés :

Étape 3 : Filtrez par « sont des questions » :

Conseil : Trouvez des possibilités de mots clés de questions groupées en regroupant les mots clés par « faible similarité lexicale » et en les classant du plus grand volume de recherche au plus petit :

Étape 4 : Sélectionnez des mots clés et ajoutez-les à une liste nouvelle ou précédente :

Étape 5 : Une fois dans une liste, KWE vous indiquera combien de possibilités de « questions connexes » (cases « Les gens aussi demandent ») se trouvent dans votre liste. Dans ce cas, nous en avons 18 :

Étape 6 : Exportez votre liste de mots-clés vers une campagne dans Websterdata Pro :

Étape 7 : Filtrez les fonctionnalités du SERP par « Questions connexes » pour afficher les possibilités de boîtes AAP :

Étape 8 : Explorez les possibilités actuelles des boîtes AAP et évaluez votre classement actuel pour les mots-clés « Questions connexes ». Si vous êtes à la page 1, vous avez plus de chances de voler une boîte AAP.

+Évaluez les autres caractéristiques de ces SERP. Ici, le Dr. Pete me dit que je pourrais obtenir un extrait riche en critiques pour « l’installation de gouttières ». Merci, Dr. Pete !

J’espère que ces recherches vous donneront l’énergie nécessaire pour faire vos propres recherches sur des sujets d’actualité afin d’obtenir des AAP pertinents ! Les AAP ne vont pas disparaître de sitôt et je suis très enthousiaste à l’idée que nous en apprenions davantage à leur sujet.

Veuillez partager vos expériences, questions ou commentaires sur les CPA ci-dessous.

60
23