Come le azioni degli utenti modificano il ranking su Google

Enrico Altavilla

Come le (re)azioni degli utenti modificano il ranking su Google

Roma, 4 luglio 2014

Enrico Altavilla

Chi sono?

Consulente di search marketingHo iniziato nel 2000Esperienza in agenzia e da freelance

Enrico Altavilla

Argomenti

Stimare la soddisfazione degli utentiSegnali colti da GoogleLinee guida SEO

Enrico Altavilla

Mini-glossario

Enrico Altavilla

Mini-glossario

Query: cosa l'utente ha cercato

Enrico Altavilla

Mini-glossario

Ranking: il metodo usato dal motore per scegliere e ordinare i risultati

Enrico Altavilla

Mini-glossario

SERP: pagina dei risultati di ricerca

Enrico Altavilla

Introduzione

Enrico Altavilla

Tutto va misurato

Percezione SEO: mostrata la SERP, il gioco è terminato

Enrico Altavilla

Tutto va misurato

Ma che succede dopo che Google ha prodotto la SERP?

Enrico Altavilla

Tutto va misurato

Per esempio: come fa Google a capire se la SERP è utile agli utenti?

Enrico Altavilla

Tutto va misurato

O anche: come fa Google a capire se una specifica risorsa merita la posizione

conquistata?

Enrico Altavilla

Tutto va misurato

Anche i motori di ricerca devono definire degli indicatori di performance

Enrico Altavilla

Tutto va misurato

I motori hanno sempre raccolto segnali per

stimare la soddisfazione degli

utenti

Enrico Altavilla

Tutto va misurato

Se emerge che gli utenti sono insoddisfatti, allora bisogna aggiustare il

tiro

Enrico Altavilla

Tutto va misurato

Ovvero: bisogna presentare risultati differenti

Enrico Altavilla

Tutto va misurato

Ranking

Misurazione

Cambiodel criterio

Enrico Altavilla

Tutto va misurato

Questo ciclo è un processo continuo

Enrico Altavilla

4 grandi classi di dati

Enrico Altavilla

4 classi di dati

Azioni

Testi

Query

Link

Enrico Altavilla

4 classi di dati

Storicamente, I SEO si sono svenati per creare testi e link

Testi Link

Enrico Altavilla

4 classi di dati

Enrico Altavilla

4 classi di dati

L'attenzione alla qualità dell'esperienza dell'utente è sempre stata secondaria

Enrico Altavilla

4 classi di dati

Senza dare troppo peso ai segnali prodotti direttamente dagli utenti

Enrico Altavilla

4 classi di dati

Non è un caso che Google sia ricorso

ai ripari

Enrico Altavilla

4 classi di dati

Questo ruolo secondario dell'utente non è compatibile con quanto fa Google

Enrico Altavilla

4 classi di dati

Molte delle decisioni di ranking di Google vengono prese proprio in

funzione dell'utente

Enrico Altavilla

4 classi di dati

Una soddisfazione maggiore dell'utente aumenta le probabilità di fare più soldi

(detto brutalmente)

$€

Enrico Altavilla

4 classi di dati

Il ruolo dell'utente

Enrico Altavilla

4 classi di dati

Azioni

Enrico Altavilla

Feedback (riscontro)

Enrico Altavilla

Feedback

Tutti i motori di ricerca devono stimare la qualità dei risultati

Enrico Altavilla

Feedback

Google lo fa in due modi

Enrico Altavilla

Feedback

Attraverso i Quality Rater1

Enrico Altavilla

Feedback

Per stimare la qualità di una nuova metodologia di

ranking, Google fa valutare le SERP a personale

specializzato

1

Enrico Altavilla

Feedback

Questo viene chiamato feedback esplicito, perché viene fornita esplicitamente

un'opinione

1

Enrico Altavilla

Feedback

Monitorando come gli utenti interagiscono con i risultati di

ricerca

2

Enrico Altavilla

Feedback

Questo viene chiamato feedback implicito, perché è Google ad inferire un indice

di qualità osservando il comportamento degli utenti

2

Enrico Altavilla

Il feedback degli utenti

Enrico Altavilla


Le metodologie di valutazione usate da Google sono il risultato di ricerche e

studi

Enrico Altavilla


Molti di questi studi sono pubblici

Enrico Altavilla


Forniscono ampie indicazioni su come i motori solitamente sfruttano il feedback

degli utenti

Enrico Altavilla


L'informazione principe: il click

Enrico Altavilla


Click = rilevanza

(ma non sempre)

Enrico Altavilla


E' l'utente a fornire ai motori un'indicazione di quali sono i documenti

più rilevanti per una query

Enrico Altavilla


Lo ripeto: i documenti più rilevanti sono quelli che gli utenti definiscono

(implicitamente) più rilevanti

Enrico Altavilla


Il ranking è dunque fondato in parte su cosa gli utenti comunicano a Google

Enrico Altavilla


Errore tipico: concludere che più si clicca una risorsa e più essa sale

Enrico Altavilla


In secondo luogo il monitoraggio dei click non serve solo ad "aggiustare" il

ranking

Enrico Altavilla


Per esempio i click sono utili a calcolare la similarità tra le query (query simili

attraggono click verso le stesse risorse)

Enrico Altavilla


Terzo, non ci sono solo click

Enrico Altavilla


Enrico Altavilla

Interazione con la SERP

Enrico Altavilla


Tutto ciò che segue è stato estratto da studi pubblici svolti da Google e da altri

ricercatori

Enrico Altavilla


In genere, qualunque lista viene valutata dall'alto in basso

Enrico Altavilla


Position bias

Enrico Altavilla


Gli utenti cliccano più facilmente quello che sta in cima, per almeno due motivi

Enrico Altavilla


Per semplici ragioni di impaginazione dei risultati

1

Enrico Altavilla


Perché si dà fiducia alla capacità di Google di aver messo in cima i risultati più

attinenti

2

Enrico Altavilla


Quindi non sempre un click è indice di rilevanza

Enrico Altavilla


La probabilità del click su una risorsa cambia a seconda di quali sono le altre

risorse

Enrico Altavilla


Google valuta anche quali risultati non vengono cliccati!

Enrico Altavilla


1………………….

2………………….

3………………….

4………………….

Enrico Altavilla


Elementi grafici che attraggono lo sguardo possono aumentare la

probabilità di click ma dipende molto dai casi

Enrico Altavilla


Presentation bias

Enrico Altavilla


Le descrizioni dei risultati che stanno in cima vengono lette mediamente meno

di quelle dei risultati che stanno in fondo

Enrico Altavilla


Storicamente un "abbandono della ricerca" è stato considerato un

fenomeno negativo

Enrico Altavilla


Le cose sono cambiate da quando Google ha iniziato a dare risposte

dirette alle query

Enrico Altavilla


Esiste un "abbandono positivo" ed un "abbandono negativo"

Enrico Altavilla


Dopo il click, Google monitora i tempi di ritorno dell'utente sulla SERP

Enrico Altavilla


Long click e short click

Enrico Altavilla

Suggerimenti SEO

Enrico Altavilla

Suggerimenti SEO

Lo snippet è il biglietto da visita

Enrico Altavilla

Suggerimenti SEO

Confermate all'utente che la risorsa è la risposta alle

proprie necessità

1

Enrico Altavilla

Suggerimenti SEO

Chiarite all'utente quello che troverà dopo il click2

Enrico Altavilla

Suggerimenti SEO

Indicate benefici per l'utente che i concorrenti non

esplicitano

3

Enrico Altavilla

Suggerimenti SEO

Il click deve essere una conseguenza della rilevanza percepita dall'utente, non la

conseguenza di inviti espliciti al click

4

Enrico Altavilla

Suggerimenti SEO

Non create aspettative che non potete soddisfare5

Enrico Altavilla

Suggerimenti SEO

Fate in modo che la pagina web fornisca subito all'utente quanto lo snippet prometteva

6

Enrico Altavilla

Suggerimenti SEO

Non fatevi troppi problemi sui tempo di permanenza sulla pagina: non è un indicatore intrinsecamente positivo o

negativo

7

Enrico Altavilla

Suggerimenti SEO

Fatevi un giro sulle SERP delle query più strategiche per voi e comparate i vostri

snippet con quelli dei concorrenti

8

Enrico Altavilla

Suggerimenti SEO

Raggiungere una posizione è solo un primo passo: mettete l'utente al centro e prendete l'abitudine di chiedervi che

cosa succede dopo

9

Enrico Altavilla

Fonti

Enrico Altavilla

FontiDiscovering Common Motifs in Cursor Movement Data for Improving Web Search

http://www.cir.ru/docs/ips/publications/2014_wsdm2014_motifs.pdf

No Clicks, No Problem: Using Cursor Movements to Understand and Improve Search http://research.microsoft.com/en-us/um/people/sdumais/huangchi2011.pdf

Improving Searcher Models Using Mouse Cursor Activityhttp://jeffhuang.com/Final_CursorModel_SIGIR12.pdf

Beyond Position Bias: Examining Result Attractiveness as a Source of Presentation Bias in Clickthrough Datahttp://static.googleusercontent.com/media/research.google.com/en//pubs/archive/36363.pdf

Learning Dense Models of Query Similarity from User Click Logshttp://static.googleusercontent.com/media/research.google.com/en//pubs/archive/36252.pdf

Good Abandonment in Mobile and PC Internet Searchhttp://static.googleusercontent.com/media/research.google.com/en//pubs/archive/35486.pdf

Enrico Altavilla

FontiAn Experimental Comparison of Click Position-Bias Models

http://www.wsdm2009.org/wsdm2008.org/WSDM2008-papers/p87.pdf

A Dynamic Bayesian Network Click Model for Web Search Rankinghttp://olivier.chapelle.cc/pub/DBN_www2009.pdf

Query Chains: Learning to Rank from Implicit Feedbackhttp://www.cs.cornell.edu/people/tj/publications/radlinski_joachims_05a.pdf

Active Exploration for Learning Rankings from Clickthrough Datahttp://www.cs.cornell.edu/people/tj/publications/radlinski_joachims_07a.pdf

Ad Click Prediction: a View from the Trencheshttps://static.googleusercontent.com/media/research.google.com/en//pubs/archive/41159.pdf

Proud Member of

Grazie!Enrico Altavilla

www.searchbrain.it/altavilla

Come le azioni degli utenti modificano il ranking su Google

Marketing

Transcript of Come le azioni degli utenti modificano il ranking su Google