RankBrain-backlinks: waar de claims tekortschieten

Drie claims, één voor één getoetst

De meeste mythes over machine learning-rankings hebben dezelfde vorm. Een systeem met een publieke naam krijgt een privéformule. De formule verkoopt, handig genoeg, iets. Neem drie van de veelvoorkomende en stel dezelfde vraag aan elk: wat is de test?

Leest RankBrain anchor text?

Stel je een marketeer voor die links bouwt met één exacte anchor text, in de hoop dat RankBrain de pagina leert. Google beschrijft RankBrain als een systeem voor het interpreteren van queries die het nog niet heeft gezien. Het beschrijft niet het lezen van anchors, dus de claim vraagt het systeem om een taak uit te voeren die niemand heeft gedocumenteerd.

Een eerlijkere test vraagt welke anchors je concurrenten gebruiken en of die pagina's ranken. Die vraag gaat over je steekproef, niet over een verborgen gewicht, en onze anchors-aanroep retourneert de wording voor één site voor 2 credits.

Straft BERT overmatig gebruik van anchors af?

BERT is een taalmodel dat de woorden van een query en van een passage in context leest. Google documenteerde het als een manier om taal te begrijpen, niet als een straf voor herhaalde zinsdelen.

Spambeleid is een ander onderwerp. Een plotselinge golf identieke commerciële anchors roept een vraag op aan de linkerkant, en het spam runbook loopt die controle door.

Google's documentatie over BERT gaat over queries en passages, wat een ander object is dan een link. Houd dat onderscheid in gedachten als iemand BERT citeert in een linkpitch.

Wint een hoger linkaantal altijd?

Aantallen zien er overtuigend uit in een kleine test. Google noemt echter veel signalen, en een site met meer verwijzende domeinen kan nog steeds verliezen van een site die de query beter beantwoordt.

Vergelijk de aantallen met de posities over al je queries. Als de relatie zwak is, was het aantal nooit het hele verhaal en moet de theorie een andere reden hebben om stand te houden.

Data die het waard zijn om te kennen

Oktober 2015: Google bevestigt RankBrain. Dan brengt 2018 de core update van augustus, en oktober 2019 brengt BERT. Augustus 2022 geeft ons het Helpful Content-systeem, gevolgd door de linkspam-update van SpamBrain in december van dat jaar.

In maart 2024 werd Helpful Content onderdeel van de core ranking en voerde Google dezelfde dag, 5 maart, een spam-update uit. Die vermeldingen naast elkaar lezen toont aan dat de linksystemen en contentsystemen op verschillende klokken draaien.

Houd die tijdlijn naast elke verkeersgrafiek. De meeste claims over ML-causality verdwijnen als de data niet overeenkomen.

Wat Google heeft gedocumenteerd, en wat niet

Het publieke record is smaller dan de meeste artikelen suggereren. Het is de moeite waard om langzaam te lezen voordat je er een theorie op bouwt.

Wat er op het publieke record staat

Google heeft korte beschrijvingen gepubliceerd van RankBrain, BERT en het Helpful Content-systeem. Die notities noemen queries, taal en contentkwaliteit als het werk van elk systeem. Een linkformule voor een van hen staat niet in de gepubliceerde beschrijvingen.

Lees de wording nauwkeurig. Een aankondiging dat een systeem bestaat, vertelt je het doel. Het vertelt je niet de gewichten.

Wat nooit is gepubliceerd

Google heeft niet gepubliceerd hoe RankBrain links weegt tegen content, of hoe een van de drie systemen een pagina rangschikt voor een bepaalde query. Iemand die die gewichten noemt, raadt, ongeacht de toon.

Die stilte werkt in beide richtingen. Niemand kan ook bewijzen dat een link niets doet binnen die systemen, dus de eerlijke positie is smal: onbekend, en het waard om te testen in plaats van aan te nemen.

Als een bron je een precies gewicht geeft, vraag dan waar het nummer vandaan komt. Een figuur zonder document erachter is een verkoopzin, hoe wetenschappelijk de grafiek er ook uitziet.

Waar de mythes vandaan komen

Machine learning klinkt als magie. Mensen vullen de leegte met wat ze al verkopen. Linkvendors zeggen links, contentbureaus zeggen content.

Google's eigen wording is smaller. In maart 2016 noemde een Google-search lead links, content en RankBrain als de drie top signalen, maar het bedrijf publiceerde nooit hoe RankBrain wordt berekend of wat het weegt tegen links.

Lees dus de zorgvuldige versie: een systeem bestaat, het doet ertoe, en de interne werking is niet gepubliceerd. Vraag elke claim om zijn test te noemen. Als dat niet kan, ga dan verder.

Vendors en consultants zijn niet de enigen die een verhaal verbuigen. Enthousiasten herhalen een slimme interpretatie totdat het als een feit klinkt, dus behandel elke nette uitleg als een concept totdat je de bron hebt gezien.

Waarom een schoon verhaal zich verspreidt

Een nette uitleg is makkelijk te herhalen en past op een dia. Echte systemen geven zelden zo'n schoon antwoord. De kloof tussen de twee is waar de meeste zelfverzekerde claims vandaan komen.

Als je een nette keten van oorzaak en gevolg ziet, vraag dan welke stap is gemeten en welke stap alleen is aangenomen.

Waarom een anekdote geen steekproef is

Eén site die herstelde na een linkpush bewijst dat één site herstelde. Het zegt niets over de sites die hetzelfde deden en vlak bleven. Vraag naar de noemer voordat je het verhaal accepteert.

Een steekproef van dertig vergelijkbare sites leert meer dan een enkel dramatisch geval.

Wat een marketeer er eigenlijk mee kan doen

Sla de theorie over en voer een vergelijking uit. Onze worked example toont de calls, met verzonnen sites zodat niemand het voor een bevinding houdt.

Kijk dan naar de andere kant. Als een daling volgde op een golf vreemde anchors, vertelt het spam runbook je of je moet handelen of wachten. Vaak wacht je.

BERT toont overinterpretatie goed. De hype was hoog. Het bereikte Engelstalige zoekopdrachten in de VS in oktober 2019 en meer dan 70 talen in december, en veel sites zagen helemaal niets. Elke pagina herschrijven daarvoor was een verspilting van een kwartaal.

Als je team blijft discussiëren over welke wijziging een daling veroorzaakte, schrijf dan de twee kandidaat-oorzaken op één pagina met de datum van elk. De pagina is korter dan het debat, en het regelt meestal de volgorde van controles.

Houd de beschrijving eenvoudig. Een kort memo met data en één tabel is moeilijker te mislezen dan een presentatie vol pijlen.

Maak de volgende test kleiner

Als de eerste test te breed was om te lezen, beperk hem dan tot één querygroep en één datumreeks. Een smalle test kan saai lijken, maar het is het enige type dat schoon kan falen.

Schrijf het verwachte resultaat op voordat je de test uitvoert. Een test zonder verwacht resultaat is makkelijk achteraf te herinterpreteren.