Linki zwrotne RankBrain: co jest nie tak w tych twierdzeniach

Trzy twierdzenia, weryfikowane jedno po drugim

Większość mitów dotyczących uczenia maszynowego w rankingach ma jeden kształt. System o publicznej nazwie zyskuje prywatną formułę. Formuła, wygodnie, sprzedaje coś. Weźmy trzy z tych powszechnych i zadajmy to samo pytanie do każdego: jaki jest test?

Czy RankBrain czyta tekst kotwicy?

Wyobraź sobie marketera, który buduje linki z jedną dokładną kotwicą, licząc, że RankBrain nauczy się strony. Google opisuje RankBrain jako system interpretujący zapytania, których nie widział wcześniej. Nie opisuje czytania kotwic, więc twierdzenie prosi system o wykonanie zadania, które nikt nie udokumentował.

Sprawiedliwszy test pyta, jakie teksty kotwic używają Twoi konkurenci i czy te strony się pozycjonują. To pytanie dotyczy Twojej próbki, a nie ukrytej wagi, a nasz wywołanie anchors zwraca sformułowania dla jednej strony za 2 kredyty.

Czy BERT karze przepełnione kotwice?

BERT to model językowy, który czyta słowa zapytania i fragmentu w kontekście. Google udokumentował go jako sposób na zrozumienie języka, a nie jako karę za powtarzające się frazy.

Polityka spamu to inna sprawa. Nagłe pojawienie się grupy identycznych komercyjnych kotwic budzi pytanie po stronie linków, a przewodnik po spamie omawia tę weryfikację.

Dokumentacja Google na temat BERT mówi o zapytaniach i fragmentach, co jest innym obiektem niż link. Pamiętaj o tym rozróżnieniu, gdy ktoś cytuję BERT w ofercie linkowej.

Czy wyższa liczba linków zawsze wygrywa?

Liczby wyglądają przekonująco w małym teście. Google wymienia jednak wiele sygnałów, a strona z większą liczbą domen odsyłających może nadal przegrać z tą, która lepiej odpowiada na zapytanie.

Porównaj liczby z pozycjami w ramach wszystkich Twoich zapytań. Jeśli relacja jest słaba, liczba nigdy nie była całą historią, a teoria potrzebuje innego powodu, aby stać.

Daty, które warto znać

Październik 2015: Google potwierdza RankBrain. Następnie 2018 przynosi aktualizację jądra z sierpnia, a październik 2019 przynosi BERT. Sierpień 2022 daje nam system treści przydatnych, po którym następuje aktualizacja spamu linkowego SpamBrain w grudniu.

W marcu 2024 roku treści przydatne stały się częścią rankingów jądra, a Google przeprowadziło aktualizację spamu tego samego dnia, 5 marca. Przeczytanie tych wpisów obok siebie pokazuje, że systemy po stronie linków i treści poruszają się w różnych rytmach.

Trzymaj ten harmonogram obok dowolnego wykresu ruchu. Większość twierdzeń o przyczynowości ML znika, gdy daty się nie pokrywają.

Co Google udokumentowało, a czego nie

Publiczny rekord jest węższy niż sugerują większość artykułów. Warto czytać go powoli, zanim zbudujesz na nim teorię.

Co jest w rejestrze

Google opublikowało krótkie opisy RankBrain, BERT i systemu treści przydatnych. Te notatki wymieniają zapytania, język i jakość treści jako pracę każdego z tych systemów. Formuła linkowa dla któregokolwiek z nich nie figuruje w opublikowanych opisach.

Czytaj uważnie. Ogłoszenie, że system istnieje, mówi o jego przeznaczeniu. Nie mówi o jego wagach.

Co nigdy nie zostało opublikowane

Google nie opublikowało, jak RankBrain waży linki względem treści, ani jak którykolwiek z trzech systemów ranguje stronę dla danego zapytania. Każdy, kto podaje te wagi, zgaduje, niezależnie od tonu, którego używa.

To milczenie działa w dwie strony. Nikt nie może również udowodnić, że link nic nie robi wewnątrz tych systemów, więc uczciwa pozycja jest wąska: nieznane i warte przetestowania, a nie zakładania.

Gdy źródło podaje Ci dokładną wagę, zapytaj, skąd pochodzi liczba. Figura bez dokumentu za nią to linia sprzedażowa, niezależnie od tego, jak naukowo wygląda wykres.

Skąd pochodzą mity

Uczenie maszynowe brzmi jak magia. Ludzie wypełniają lukę tym, co już sprzedają. Sprzedawcy linków mówią o linkach, agencje treści mówią o treści.

Własne sformułowania Google są węższe. W marcu 2016 roku lider wyszukiwania Google wymienił linki, treść i RankBrain jako trzy główne sygnały, jednak firma nigdy nie opublikowała, jak obliczany jest RankBrain czy co waży względem linków.

Więc czytaj ostrożną wersję: system istnieje, ma znaczenie, a jego wewnętrzne działanie jest niepublikowane. Poproś każde twierdzenie o podanie jego testu. Jeśli nie może, przejdź dalej.

Sprzedawcy i konsultanci nie są jedynymi, którzy zniekształcają historię. Entuzjaści powtarzają sprytną interpretację, aż brzmi jak fakt, więc traktuj każdą schludną eksplicację jako szkic, dopóki nie zobaczysz jej źródła.

Dlaczego czysta historia się rozchodzi

Schludna eksplicacja jest łatwa do powtórzenia i pasuje do slajdu. Prawdziwe systemy rzadko dają tego rodzaju czystą odpowiedź. Przepaść między dwoma jest miejscem, skąd pochodzi większość pewnych siebie twierdzeń.

Gdy widzisz schludny łańcuch przyczyny i skutku, zapytaj, który krok został zmierzony, a który tylko założony.

Dlaczego jedna anegdota nie jest próbką

Jedna strona, która odzyskała się po kampanii linkowej, dowodzi, że jedna strona odzyskała się. Nic nie mówi o stronach, które zrobiły to samo i pozostały w miejscu. Poproś o mianownik, zanim przyjmiesz historię.

Próbka trzydziestu porównywalnych stron uczy więcej niż pojedynczy dramatyczny przypadek.

Co marketer może naprawdę zrobić z tym

Pomiń teorię i uruchom porównanie. Nasz przykład z pracy pokazuje wywołania, używając wymyślonych stron, aby nikt nie pomylił tego z wynikiem.

Następnie spójrz na drugą stronę. Jeśli spadek nastąpił po fali dziwnych kotwic, przewodnik po spamie mówi Ci, czy działać, czy czekać. Często czekasz.

BERT pokazuje nadinterpretację. Hype był wysoki. Dotarł do wyszukiwań w języku angielskim w USA w październiku 2019 roku i do ponad 70 języków do grudnia, a wiele stron nie zauważyło niczego. Przepisanie każdej strony dla niego było stratą kwartału.

Jeśli Twój zespół ciągle się kłóci, która zmiana spowodowała spadek, zapisz dwa kandydujące przyczyny na jednej stronie z datą każdej. Strona jest krótsza niż debata i zwykle ustala kolejność weryfikacji.

Zapisz to prosto. Krótki memo z datami i jedną tabelą jest trudniejsze do nieprawidłowego odczytania niż prezentacja pełna strzałek.

Zrób następny test mniejszym

Jeśli pierwszy test był zbyt szeroki do odczytania, skróć go do jednej grupy zapytań i jednego zakresu dat. Wąski test może wyglądać nudno, ale jest jedynym rodzajem, który może czysto zawieść.

Zapisz oczekiwany wynik przed uruchomieniem testu. Test bez oczekiwanego wyniku jest łatwy do reinterpretacji później.