Hvor pålidelige er søgetermer for SEO- og SEM-resultater?

Med milliarder af dollars brugt hvert år på søgemaskineoptimering (SEO) og søgemaskinemarkedsføring (SEM), kraften i søgetermer har mere værdi end nogensinde. Men mere end et par digitale marketingmedarbejdere er blevet frustrerede over årene over grænserne, hvor meget der kan antages og forudsiges baseret på selve søgetermerne.

Det samme ord eller udtryk brugt i fem forskellige søgninger kan repræsentere fem forskellige betydninger. Dette kræver, at SEO- og SEM-professionelle drager spekulative konklusioner om, hvilke søgetermer der kan være mest effektive for en given marketingkampagne eller et givet initiativ.

Dette problem er i centrum for en nylig undersøgelse, der afslørede, at en anden tilgang kunne give den nødvendige kontekst til at forbedre SEO- og SEM-projekter og -programmer markant.

Undersøgelsen vil blive offentliggjort i november-udgaven af ​​tidsskriftet INFORMS Marketing Science har titlen "A Semantic Approach for Estimating Consumer Content Preferences from Online Search Queries, " og er forfattet af Jia Liu fra Hong Kong University of Science and Technology og Olivier Toubia fra Columbia Business School.

Forskerne fokuserede på udfordringen for digitale marketingfolk, når det kommer til at udlede indholdspræferencer i en mere kvantificeret, nuanceret og detaljeret måde. Hvis de kunne, forskerne tilbød, så kunne SEO og SEM-indsatser planlægges, implementeret og evalueret med mere præcision, forudsigelighed og effektivitet.

"På grund af arten af ​​tekstdata i onlinesøgning, at udlede indholdspræferencer fra søgeforespørgsler giver flere udfordringer, " sagde Liu. "En første udfordring er, at søgetermer har tendens til at være tvetydige; det er, forbrugere kan bruge det samme udtryk på forskellige måder. En anden udfordring er, at antallet af mulige søgeord eller forespørgsler, som forbrugerne kan bruge, er enormt; og en tredje udfordring er sparsomheden af ​​søgeforespørgsler. De fleste søgeforespørgsler indeholder kun op til fem ord."

Gennem deres forskning, undersøgelsens forfattere har fastslået, at en anden tilgang bedre kan give kontekst for individuelle søgetermer.

Forskerne brugte en "emnemodel", der hjælper med at kombinere information fra flere søgeforespørgsler og deres tilknyttede søgeresultater, og kvantificerede derefter kortlægningen mellem forespørgsler og resultater. Denne model er drevet af en læringsalgoritme, der udtrækker "emner" fra tekst baseret på forekomsten af ​​teksten. Modellen er designet til at etablere kontekst, hvor en type term er semantisk relateret til en anden type term. Dette hjælper med at give systemet kontekst for brugen af ​​udtrykket.

Som en del af deres forskning, undersøgelsens forfattere testede forskelligt indhold ved at overvåge undersøgelsesdeltagernes adfærd på søgemaskinen i et kontrolleret miljø. For at gøre det, undersøgelsens forfattere byggede deres egen søgemaskine kaldet "Hoogle, " som fungerede som et filter mellem Google og brugeren. "Hoogle" kørte alle forespørgsler for undersøgelsesdeltagere og afslørede, hvordan læringsalgoritmen kunne fungere i et virkeligt miljø.

"Vi var i stand til at vise, at vores model kan bruges til at forklare og forudsige forbrugernes klikrater i onlinesøgeannoncering baseret på graden af ​​tilpasning mellem søgeannonceteksten, der vises på søgemaskinens resultatside, og indholdspræferencerne estimeret af vores model, sagde Toubia. Til sidst, hvad dette gør det muligt for digitale marketingfolk at gøre, er bedre at matche faktiske søgeresultater med, hvad brugerne mener eller har til hensigt, når de indtaster specifikke søgetermer."