Išmatuoti, kai AI padėjėjai ir paieškos sistemos nesutaria

Prieš pradėdami, svarbu atsižvelgti į šį įspėjimą: laukia matematika! Jei skaičiuojant ir mokantis lygtis svaigsta galva arba norisi atsisėsti ir suvalgyti visą pyragą, pasigaminkite (arba paimkite pyragą). Bet jei jums patinka matematika, jei jums patinka lygtys ir jūs tikrai tikite, kad k = N (jūs sadistas!), o, šis straipsnis jus sujaudins, nes mes tyrinėsime hibridinę paiešką šiek tiek giliau.

(Vaizdo kreditas: Duane Forrester)

Ilgus metus (dešimtmečius) SEO gyveno vienoje grįžtamojo ryšio kilpoje. Mes optimizavome, reitingavome ir stebėjome. Viskas buvo prasminga, nes „Google“ pateikė mums rezultatų suvestinę. (Per daug supaprastinu, bet supratai esmę.)

Dabar AI padėjėjai sėdi virš šio sluoksnio. Jie apibendrina, cituoja ir atsako į klausimus prieš spustelėjus. Jūsų turinys gali būti iškeltas į paviršių, perfrazuotas arba nepaisomas, o analizė nerodoma.

Dėl to SEO nepasensta. Tai reiškia, kad dabar lygiagrečiai yra naujos rūšies matomumas. Šiame straipsnyje pateikiamos idėjos, kaip išmatuoti tą matomumą be kodo, specialios prieigos ar kūrėjo ir kaip išlikti pagrįstam tuo, ką iš tikrųjų žinome.

Kodėl tai svarbu

Paieškos sistemos vis dar nukreipia beveik visą išmatuojamą srautą. Vien Google atlieka beveik 4 milijardus paieškų per dieną. Palyginimui, „Perplexity“ bendra metinė užklausų apimtis yra maždaug 10 mlrd.

Taigi taip, palyginus, padėjėjai vis dar yra maži. Tačiau jie formuoja, kaip informacija bus interpretuojama. Jau galite tai pamatyti, kai „ChatGPT Search“ arba „Perplexity“ atsako į klausimą ir pateikia nuorodas į jo šaltinius. Šios citatos atskleidžia, kokiais turinio blokais (gabalais) ir domenais modeliai šiuo metu pasitiki.

Iššūkis yra tas, kad rinkodaros specialistai neturi savosios informacijos suvestinės, rodančios, kaip dažnai tai vyksta. „Google“ neseniai įtraukė AI režimo našumo duomenis į „Search Console“. Remiantis „Google“ dokumentais, AI režimo parodymai, paspaudimai ir pozicijos dabar įtraukiamos į bendrą „žiniatinklio“ paieškos tipą.

Šis įtraukimas yra svarbus, bet jis yra sumaišytas. Šiuo metu nėra jokio būdo izoliuoti AI režimo srautą. Duomenys yra, tik sulankstyti į didesnį kibirą. Nėra procentų padalijimo. Nėra tendencijų linijos. Dar ne.

Kol šis matomumas nepagerės, siūlau naudoti tarpinio serverio testą, kad suprastume, kur asistentai ir paieška sutampa ir kur skiriasi.

Dvi paieškos sistemos, du būdai rasti

Tradicinės paieškos sistemos naudoja leksinę paiešką, kai žodžius ir frazes atitinka tiesiogiai. Dominuojantis algoritmas BM25 daugelį metų naudoja tokius sprendimus kaip Elasticsearch ir panašias sistemas. Jis taip pat naudojamas šiuolaikinėse paieškos sistemose.

AI padėjėjai remiasi semantine paieška. Vietoj tikslių žodžių jie apibūdina prasmę įterpimaimatematiniai teksto pirštų atspaudai. Tai leidžia jiems rasti konceptualiai susijusias ištraukas, net jei tikslūs žodžiai skiriasi.

Kiekviena sistema daro skirtingas klaidas. Leksinė paieška praleidžia sinonimus. Semantinė paieška gali sujungti nesusijusias idėjas. Tačiau kartu jie duoda geresnių rezultatų.

Daugumoje hibridinių paieškos sistemų abu metodai yra sujungti naudojant taisyklę, vadinamą Abipusio rango susiliejimas (RRF). Jūs neprivalote jo paleisti, tačiau suprasdami sąvoką galėsite suprasti, ką vėliau pamatysite.

RRF paprasta anglų kalba

Hibridinis gavimas sujungia kelis reitinguotus sąrašus į vieną subalansuotą sąrašą. Matematika už šios sintezės yra RRF.

Formulė paprasta: rezultatas lygus vienetui, padalytam iš k plius rango. Tai parašyta kaip 1 ÷ (k + rangas). Jei elementas yra keliuose sąrašuose, tuos balus sudedate kartu.

Čia „rangas“ reiškia elemento poziciją tame sąraše, pradedant nuo 1 kaip viršuje. „k“ yra konstanta, kuri išlygina skirtumą tarp aukščiausios ir vidutinio reitingo elementų. Dauguma sistemų paprastai naudoja maždaug 60, tačiau kiekviena gali ją suderinti skirtingai.

Verta prisiminti, kad vektorinis modelis nereitinguoja rezultatų skaičiuodamas žodžių atitikmenis. Jis matuoja kiekvieno dokumento artumą įterpimas yra į užklausos įterpimą į daugiamatę erdvę. Tada sistema surūšiuoja tuos panašumo balus nuo aukščiausio iki žemiausio ir efektyviai sukuria reitingų sąrašą. Tai atrodo kaip paieškos variklio reitingas, bet jį lemia atstumo matematikane termino dažnis.

(Vaizdo kreditas: Duane Forrester)

Padarykime tai apčiuopiamą mažais skaičiais ir dviem reitinguotais sąrašais. Vienas iš BM25 (raktinių žodžių atitikimas) ir vienas iš vektorinio modelio (semantinis atitikimas). Aiškumo dėlei naudosime k = 10.

Dokumentas A BM25 reitinge yra 1, o vektorių sąraše – 3.
Iš BM25: 1 ÷ (10 + 1) = 1 ÷ 11 = 0,0909.
Iš vektorių sąrašo: 1 ÷ (10 + 3) = 1 ÷ 13 = 0,0769.
Sudėkite juos kartu: 0,0909 + 0,0769 = 0,1678.

Dokumentas B BM25 reitinge užima 2 vietą, o vektorių sąraše – 1.
Iš BM25: 1 ÷ (10 + 2) = 1 ÷ 12 = 0,0833.
Iš vektorių sąrašo: 1 ÷ (10 + 1) = 1 ÷ 11 = 0,0909.
Pridėkite juos: 0,0833 + 0,0909 = 0,1742.

Dokumentas C BM25 reitinge yra 3, o vektorių sąraše – 2.
Iš BM25: 1 ÷ (10 + 3) = 1 ÷ 13 = 0,0769.
Iš vektorių sąrašo: 1 ÷ (10 + 2) = 1 ÷ 12 = 0,0833.
Pridėkite juos: 0,0769 + 0,0833 = 0,1602.

Dokumentas B čia laimi, nes užima aukštą vietą abiejuose sąrašuose. Jei padidinsite k iki 60, skirtumai sumažės ir susidarys sklandesnis, ne toks stiprus mišinys.

Šis pavyzdys yra tik iliustruojantis. Kiekviena platforma skirtingai koreguoja parametrus, ir jokie vieši dokumentai nepatvirtina, kurias k reikšmes naudoja bet kuris variklis. Pagalvokite apie tai kaip analogiją, kaip keli signalai apskaičiuojami kartu.

Kur ši matematika iš tikrųjų gyvena

Jums niekada nereikės jo koduoti patiems, nes RRF jau yra šiuolaikinės paieškos krūvos dalis. Štai tokio tipo sistemų pavyzdžiai iš jų pagrindinių teikėjų. Jei perskaitysite visa tai, geriau suprasite, kaip tokios platformos kaip „Perplexity“ daro tai, ką daro:

Visi jie atlieka tą patį pagrindinį procesą: paimkite naudodami BM25, paimkite naudodami vektorius, įvertinkite balą naudodami RRF ir sujunkite. Aukščiau pateikta matematika paaiškina sąvoką, o ne kiekvieno produkto pažodinę formulę.

Hibridų paieškos laukinėje gamtoje stebėjimas

Rinkodaros specialistai nemato tų vidinių sąrašų, bet galime stebėti, kaip sistemos elgiasi paviršiuje. Triukas yra lyginti „Google“ reitingą su tuo, ką cituoja asistentas, tada išmatuoti sutapimą, naujumą ir nuoseklumą. Ši išorinė matematika yra euristika, matomumo įgaliotinis. Tai nėra ta pati matematika, kurią platformos apskaičiuoja viduje.

1 veiksmas. Surinkite duomenis

Pasirinkite 10 jūsų verslui svarbių užklausų.

Kiekvienai užklausai:

1. Paleiskite jį „Google“ paieškoje ir nukopijuokite 10 geriausių natūralių URL.
2. Paleiskite jį asistente, kuriame rodomos citatos, pvz., Perplexity arba ChatGPT Search, ir nukopijuokite kiekvieną cituojamą URL arba domeną.

Dabar kiekvienai užklausai turite du sąrašus: „Google“ populiariausių 10 ir „Assistant Citations“.

(Atminkite, kad ne kiekvienas asistentas rodo visas citatas ir ne kiekviena užklausa jas suaktyvina. Kai kurie padėjėjai gali apibendrinti iš viso nenurodydami šaltinių. Kai taip atsitiks, praleiskite tą užklausą, nes jos tokiu būdu tiesiog neįmanoma išmatuoti.)

2 veiksmas. Suskaičiuokite tris dalykus

1. Sankryža (I): kiek URL ar domenų yra abiejuose sąrašuose.
2. Naujovė (N): kiek asistentų citatų nepatenka į „Google“ 10 geriausių.
   Jei asistentas turi šešias citatas ir tris sutampa, N = 6 − 3 = 3.
3. Dažnis (F): kaip dažnai kiekvienas domenas rodomas visose 10 užklausų.

3 veiksmas. Paverskite skaičiavimus greita metrika

Kiekvienam užklausų rinkiniui:

Bendrinamas matomumo rodiklis (SVR) = I ÷ 10.
Tai matuoja, kiek „Google“ 10 geriausių taip pat yra asistento citatose.

Unikalus asistento matomumo rodiklis (UAVR) = N ÷ bendras tos užklausos asistento citatų skaičius.
Tai parodo, kiek naujos medžiagos asistentas pristato.

Pakartotinis citatų skaičius (RCC) = (kiekvieno domeno F suma) ÷ užklausų skaičius.
Tai rodo, kaip nuosekliai domenas cituojamas įvairiuose atsakymuose.

Pavyzdys:

„Google“ populiariausių 10 = 10 URL. Asistento citatos = 6. Trys sutampa.
I = 3, N = 3, F (pavyzdžiui.com) = 4 (rodoma keturiuose asistento atsakymuose).
SVR = 3 ÷ 10 = 0,30.
Uavr = 3 ÷ 6 = 0,50.
RCC = 4 ÷ 10 = 0,40.

Dabar turite skaitmeninį momentinį vaizdą, kaip tiksliai padėjėjai atspindi arba nukrypsta nuo paieškos.

4 žingsnis. Išaiškinkite

Šie balai jokiu būdu nėra pramonės etalonas, tiesiog siūlomi atspirties taškai. Nedvejodami koreguokite, kai jaučiate poreikį:

• Aukštas SVR (> 0,6) reiškia, kad jūsų turinys suderinamas su abiem sistemomis. Leksinis ir semantinis aktualumas yra sinchronizuojami.
• Vidutinis SVR (0,3–0,6) su dideliu RCC rodo, kad jūsų puslapiai semantiškai patikimi, tačiau jiems reikia aiškesnio žymėjimo arba stipresnio susiejimo.
• Žemas SVR (< 0,3) ir didelis UAVR rodo, kad padėjėjai pasitiki kitais šaltiniais. Tai dažnai rodo struktūros ar aiškumo problemas.
• Didelis konkurentų RCC rodo, kad modelis nuolat cituoja jų domenus, todėl verta ištirti schemos ar turinio dizaino užuominas.

5 žingsnis. Veikti

Jei SVR mažas, patobulinkite antraštes, aiškumą ir tikrinamumą. Jei jūsų prekės ženklo RCC yra mažas, standartizuokite autoriaus laukus, schemą ir laiko žymes. Jei UAVR yra didelis, stebėkite tuos naujus domenus, nes jie jau gali turėti semantinį pasitikėjimą jūsų niša.

(Šis metodas ne visada veiks tiksliai taip, kaip aprašyta. Kai kurie padėjėjai riboja citatų skaičių arba keičia jas pagal regioną. Rezultatai gali skirtis priklausomai nuo geografijos ir užklausos tipo. Laikykite tai kaip stebėjimo pratimą, o ne griežtą sistemą.)

Kodėl ši matematika yra svarbi

Ši matematika suteikia rinkodaros specialistams būdą kiekybiškai įvertinti dviejų paieškos sistemų susitarimą ir nesutarimą. Tai diagnostinė matematika, o ne reitingavimo matematika. Jame nepasakoma, kodėl asistentas pasirinko šaltinį; jame nurodoma, kad tai padarė ir kaip nuosekliai.

Tas modelis yra matomas užkulisiuose veikiančios nematomos hibridinės logikos kraštas. Pagalvokite apie tai, kaip žiūrėti orą žiūrint į medžio judėjimą. Jūs ne imituojate atmosferą, tik skaitote jos poveikį.

Darbas puslapyje, padedantis hibridiniam atkūrimui

Kai pamatysite, kaip atsiranda sutapimas ir naujumas, kitas žingsnis yra sugriežtinti struktūrą ir aiškumą.

• Parašykite trumpais ieškinio ir įrodymų blokais, sudarytais iš 200–300 žodžių.
• Naudokite aiškias antraštes, kulkas ir stabilius inkarus, kad BM25 galėtų rasti tikslius terminus.
• Pridėkite struktūrinių duomenų (DUK, HowTo, Product, TechArticle), kad vektoriai ir asistentai suprastų kontekstą.
• Laikykite kanoninius URL stabilius ir atnaujinkite laiko žymą.
• Paskelbkite kanonines PDF versijas, skirtas didelio pasitikėjimo temoms; asistentai dažnai pirmiausia nurodo fiksuotus, patikrinamus formatus.

Šie veiksmai palaiko ir tikrinimo programas, ir LLM, nes jie naudojasi bendra kalba struktūra.

Ataskaitų teikimas ir vykdomasis rėmimas

Vadovams nerūpi BM25 ar įterpimai beveik tiek, kiek jiems rūpi matomumas ir pasitikėjimas.

Jūsų naujos metrikos (SVR, UAVR ir RCC) gali padėti paversti abstrakciją kažkuo išmatuojamu: kiek jūsų esamo SEO įneša į AI atradimą ir kur nurodomi konkurentai.

Susiekite šias išvadas su „Search Console“ AI režimo našumo sumomis, tačiau atminkite: šiuo metu negalite atskirti AI režimo duomenų nuo įprastų žiniatinklio paspaudimų, todėl bet kokį DI įvertinimą laikykite kryptingais, o ne galutiniais. Taip pat verta paminėti, kad duomenų prieinamumui vis dar gali būti taikomi regioniniai apribojimai.

Tačiau dėl šių ribų matematika nepadaro mažiau naudingos. Jie padeda išlaikyti realistiškus lūkesčius ir suteikia konkretų būdą kalbėti apie AI skatinamą matomumą vadovaujant.

Apibendrinant

Atotrūkis tarp paieškos ir padėjėjų nėra siena. Tai daugiau signalo skirtumas. Paieškos sistemos reitinguoja puslapius po to, kai žinomas atsakymas. Padėjėjai nuskaito gabalus prieš atsakydami.

Šiame straipsnyje pateikta matematika yra idėja, kaip stebėti šį perėjimą be kūrėjo įrankių. Tai ne platformos matematika; tai rinkodaros specialisto tarpinis serveris, padedantis padaryti nematomą matomą.

Galiausiai pagrindai išlieka tie patys. Vis tiek optimizuojate siekdami aiškumo, struktūros ir autoriteto.

Dabar galite išmatuoti, kaip ši institucija keliauja tarp reitingavimo sistemų ir paieškos sistemų, ir daryti tai turėdami realius lūkesčius.

Šis matomumas, suskaičiuotas ir kontekstualizuotas, yra tai, kaip šiuolaikinis SEO išlieka tikrovėje.

Daugiau išteklių:

Šis įrašas iš pradžių buvo paskelbtas Duane'as Forresteris dekoduoja.

Teminis vaizdas: Roman Samborskyi / Shutterstock