Erste Schritte mit maschinellem Lernen im SEO mit Lazarina Stoy

Veröffentlicht: 2022-04-09



Wie viel von Ihrem SEO automatisieren Sie? Und wussten Sie, dass die Automatisierung dessen, was Sie gerade tun, Ihnen helfen könnte, es schneller und mit größerer Genauigkeit zu erledigen?

Heute besprechen wir die sechs Schritte zum Einstieg in maschinelles Lernen in SEO mit einem SEO-Manager, der sich auf alle technischen und datentechnischen Dinge spezialisiert hat. Sie ist auch Erstellerin von Inhalten, teilt Data Studio-Dashboards, Skripte und andere nützliche Tools und hilft und strebt anderen SEOs dabei an, Aufgaben etwas effizienter zu erledigen. Willkommen bei der SEO- und Data Science-Managerin bei Intrepid Digital, Lazarina Stoy.

Die Schritte sind:
  1. Verstehe deine einschränkenden Überzeugungen und überwinde sie
  2. Allgemeine Aufgabenspezifikationen, Lösungsspezifikationen und Datenspezifikationen beim maschinellen Lernen verstehen
  3. Üben Sie täglich und beginnen Sie, die Bewegungen durchzugehen
  4. Bewertet neue Aufgaben, ihre Lösungen und Datenmerkmale, um zu verstehen, wann maschinelles Lernen erforderlich ist
  5. Verstehen Sie die Einschränkungen und untersuchen Sie die Ergebnisse des maschinellen Lernens
  6. Arbeiten Sie kooperativ und setzen Sie angemessene Erwartungen



SEO maschinelles Lernen



Lazarina: Hallo, da. Froh hier zu sein. Hallo.

D: Ich freue mich, Sie hier zu haben. Sie finden Lazarina auf lazarinastoy.com. Also Lazarina, wie lange dauert es, bis die Maschinen SEO übernehmen?

L: Ich hoffe auf eine lange Zeit. Wir müssen die Maschine übernehmen, um effizienter zu sein. Sie übernehmen uns hoffentlich nicht.

D: Vielleicht hilft eine neurale Verbindung zum Gehirn.

L: Ja, wir werden viel besser sein als sie. Wir müssen sie nur richtig einsetzen. Leiten Sie sie dorthin, wo wir sie brauchen.

D: Es gibt etwas Positives für Sie. Deshalb besprechen wir heute die sechs Schritte zum Einstieg in maschinelles Lernen in SEO. Beginnen Sie mit Nummer eins, verstehen Sie Ihre einschränkenden Überzeugungen und überwinden Sie sie.



1. Verstehe deine einschränkenden Überzeugungen und überwinde sie



L: Bei diesem kleinen Schritt geht es darum, tatsächlich darüber nachzudenken, was Sie davon abhält, maschinelles Lernen ein bisschen mehr zu betreiben. Was hält Sie davon ab, mit der SEO-Automatisierung zu beginnen und Dinge zu tun, die die ausgefallenen neuen Skripte und Tools und solche Dinge sind? Weil ich oft höre, dass viele Leute wirklich von neuen Technologien inspiriert sind und sie ausprobieren wollen. Aber sie haben diese einschränkenden Überzeugungen, die sie davon abhalten. Und es ist nicht etwas, das einzigartig oder spezifisch für die SEO-Branche ist. Tatsächlich ist dies auch in der Community für maschinelles Lernen sehr weithin anerkannt, da es ein Problem ist, das viele Entwickler tatsächlich haben, da sie selbst nicht mit maschinellem Lernen beginnen.

Tatsächlich hat Jason Brownlee, ein in der Community für maschinelles Lernen sehr berühmter Datenwissenschaftler, tatsächlich eine Liste mit einigen einschränkenden Überzeugungen oder einigen Gründen erstellt, warum Sie nicht anfangen. Und wenn ich sie in Aussagen fassen muss, sind es oft die Dinge, die wir uns selbst sagen, wie dass man ein Python-Experte sein muss, um anzufangen, oder ein Programmierexperte, um anzufangen, oder dass man sich im Bereich des maschinellen Lernens von A bis B auskennen muss Z. Oder was jeder Algorithmus tut, um loszulegen. Oder vielleicht müssen Sie viel Freizeit haben, um anzufangen, oder Sie müssen etwas Zeit in Ihrem Zeitplan haben, oder den perfekten PC oder was auch immer Sie sich sagen mögen. Am schwierigsten zu überwinden ist, dass Sie denken, dass es sehr schwierig oder herausfordernd ist, anzufangen. Während die meisten Experten für maschinelles Lernen Ihnen tatsächlich sagen werden, dass die Ausführung eines maschinellen Lernmodells buchstäblich drei Zeilen Code erfordert. Es geht darum, Ihre Daten zu verstehen und zu wissen, wo und wann Sie sie anwenden können. Das ist der schwierige Teil.

Die Überwindung dieser einschränkenden Überzeugungen ist also der erste Schritt, denn eigentlich ist es nicht schwer, damit anzufangen. Sie können buchstäblich maschinelles Lernen und 10-minütige Tutorials googeln und klein anfangen und jeden Tag eine Gewohnheit aufbauen. Und auf diese Weise können Sie, wenn Sie nur darauf warten, anzufangen, und einige mentale Einschränkungen spüren, während Sie noch nicht angefangen haben, sehen, dass es ein sehr kleiner Schritt ist, den Sie tun müssen. Sie müssen nur 10 Minuten Ihres Zeitplans buchen und loslegen. Und sobald Sie Ihr erstes Skript ausführen oder installieren, die Bibliotheken und alles, dann werden Sie sehen, dass es eigentlich nicht so herausfordernd ist. Und dann verschiebt sich das Spiel ein wenig, dann muss man eben schauen, wo man die Modelle auf den SEO-Alltag anwenden kann. Und das ist der lustige Teil, um ehrlich zu sein.

D: Verstanden. Was Sie sagen, ist im Wesentlichen, dass Sie sich von der Technologie nicht davon abhalten lassen, Dinge zu tun. Sie müssen nicht alle Aspekte der Technologie verstehen, bevor Sie tatsächlich loslegen.

L: Es ist ähnlich wie im Bereich SEO, wo man nicht alles verstehen muss, um einen Fuß durch die Tür zu bekommen. Man muss nur die Leidenschaft und den Willen dazu haben.

D: Ich denke, die Herausforderung besteht darin, dass viele SEOs der Meinung sind, dass sie alles verstehen wollen, bevor sie etwas tun. Ich denke, sie haben diese Art von Gehirn, wo sie das Warum verstehen müssen, bevor sie etwas tun.

Die zweite besteht darin, allgemeine Aufgabenspezifikationen, Lösungsspezifikationen und Datenspezifikationen beim maschinellen Lernen zu verstehen.



2. Allgemeine Aufgabenspezifikationen, Lösungsspezifikationen und Datenspezifikationen im maschinellen Lernen verstehen



L: Ja, ich fange zuerst mit den Daten an. Sie müssen wissen, wann Sie nach etwas Bestimmtem suchen … Nehmen wir an, Sie haben Schritt eins bereits bestanden, Sie haben einige tägliche Übungen, vielleicht 10-minütige Tutorials, Sie sehen, dass dies super cool und schick ist, und Sie waren es tue es für eine Weile. Und jetzt begegnen Sie einer Art Aufgabe in Ihrem täglichen Leben. Und Sie möchten sehen, ob maschinelles Lernen die richtige Lösung ist, um Ihnen bei der Bewältigung einiger Herausforderungen zu helfen, denen Sie gegenüberstehen. Die drei Dinge, über die Sie nachdenken müssen, sind die Dateneigenschaften, die Sie haben. Das heißt, der Datensatz, auf den Sie maschinelles Lernen anwenden werden. Und das können textuelle, numerische Daten oder auch bildbasierte Daten sein. Aber wir sprechen hier natürlich über das Anfängerszenario, Sie haben andere Dinge wie multimodales maschinelles Lernen, bei dem Sie Video- oder Audiodateien anwenden, und Sie wenden maschinelles Lernen darauf an. Aber wir reden hier nur vom Einsteigerfall. Und die meiste Zeit, als SEOs, werden die Aufgaben, die wir dem Modell geben, textbasiert sein, also zum Beispiel der Inhalt auf der Seite, oder sie werden numerisch sein. Wenn Sie beispielsweise versuchen, den organischen Traffic vorherzusagen, oder wenn Sie versuchen, die Anzahl der Klicks vorherzusagen, die Sie erhalten werden, und ähnliches.

Und wenn es um Aufgabenmerkmale geht, wissen wir, dass es beim maschinellen Lernen zwei Hauptbereiche gibt, überwachtes und unüberwachtes Lernen. Und wir müssen die Hauptmodelle kennen, die Sie im häufigsten Fall für diese spezifischen Arten von Aufgaben verwenden können. Überwachtes Lernen bedeutet für uns also, dass Sie Daten gekennzeichnet haben, um die Ausgabe des Modells zu validieren. Und unbeaufsichtigt bedeutet das Gegenteil, Sie haben keine Möglichkeit, die Ergebnisse zu validieren. Beim überwachten Lernen gibt es Dinge wie Regression, bei der es darum geht, Vorhersagen zu treffen, oder Klassifizierung, was bedeutet, dass man sich auf der Grundlage bestehender Klassen in Gruppen aufteilt.

Nur um Ihnen ein Beispiel für diese beiden Dinge zu geben: Vorhersagen, die wir bereits besprochen haben, wie die Vorhersage des organischen Verkehrs oder ähnliches, sind ein guter Fall, insbesondere wenn Sie mit Big Data oder der Klassifizierung in Gruppen arbeiten. Wenn Sie beispielsweise einen Teil Ihres Blogs bereits mit bestimmten Kategorien kategorisiert haben und neue Inhalte haben, die Sie in eine dieser bestimmten Gruppen klassifizieren möchten, können Sie die Klassifizierung verwenden, um Ihnen dabei zu helfen. Beim überwachten Lernen haben Sie die etwas fortgeschrittenere Clustering-Dimensionsreduktion, die Sie wahrscheinlich verwenden werden, z. B. wenn Sie einen sehr großen Datensatz haben oder wenn Sie ein Problem haben, das Sie nicht wirklich haben haben eine Möglichkeit zu validieren. Und oft können Sie die beiden Ansätze auch kombinieren.

Wenn es um die Lösungseigenschaften geht, ist das Wichtigste zu wissen, wann und wo Sie maschinelles Lernen anwenden sollten. Auf meiner Website und in einem Blog, für Beginner's Guide to Machine Learning, habe ich tatsächlich ein paar Flussdiagramme aufgelistet, die Ihnen helfen können, den Prozess der Anwendung von maschinellem Lernen zu durchlaufen und festzustellen, ob dies der richtige Anwendungsfall dafür ist. Wenn Sie zum Beispiel nicht mit Big Data arbeiten, dann ist es kein maschinelles Lernen, es kann buchstäblich in einer Tabellenkalkulation und/oder einem Google-Blatt mit ein paar statistischen Formeln durchgeführt werden. Denn im Grunde genommen sind die meisten maschinellen Lernmodelle genau das. Statistiken. Und ja, wenn es geschäftskritisch ist, wie die Aufgaben, die Sie erledigen, sollten Sie sich überhaupt nicht auf maschinelles Lernen verlassen. Und wenn Sie sich mit Ihren Stakeholdern und der Art und Weise, wie die Ergebnisse erzielt wurden, in Verbindung setzen oder vielleicht versuchen müssen, die Ergebnisse dieses Modells zu erklären oder zu replizieren, sollten Sie bestimmte Modelle vermeiden, z. B. überwachtes maschinelles Lernen oder Deep Learning , denn die meisten funktionieren wie eine Blackbox. Und es ist ziemlich schwierig, besonders bei Big Data, zu replizieren, was das Modell getan hat, um die Ausgabe zu erreichen.

Hier gibt es viele Denkanstöße. Aber ich möchte nur sagen, dass Sie, wenn Sie diese drei Dinge verstehen und in der Lage sind, für Ihr spezifisches Problem zu sagen: „Okay, meine Daten sind textuell. Das Modell, das ich brauche, ist regressionsbasiert oder vielleicht klassifikationsbasiert oder was auch immer Es ist so, dass Sie genau bestimmen müssen, was Ihre Daten sind, was Ihre Aufgabe ist. Und Sie müssen verstehen, nach welcher Art von Lösung Sie suchen werden. Und wenn Sie das tun können, wird es viel einfacher um die geeigneten Ressourcen zu finden, die Ihnen bei Ihrem Ziel helfen.

D: Und Nummer drei ist, tägliches Üben zu ermöglichen und zu beginnen, die Bewegungen durchzugehen.



3. Üben Sie täglich und beginnen Sie, die Bewegungen durchzugehen



L: Ich glaube, ich habe das in einem früheren Schritt angesprochen, aber die tägliche Praxis ist entscheidend. Und das bedeutet für mich persönlich, dass ich gerne etwas mit Python machen würde, weil das meine Lieblingssprache ist. Aber es könnte JavaScript sein, es könnte jede andere Sprache sein, an der Sie interessiert sind, und Sie können genügend Ressourcen für maschinelles Lernen finden und versuchen, jeden Tag etwas im Zusammenhang mit maschinellem Lernen zu tun. Nun, das sind vielleicht keine ausgewachsenen Projekte, wissen Sie, jeden Tag, denn das kann viel Zeit in Anspruch nehmen, besonders wenn Sie an einem großen Projekt arbeiten. Aber es könnte zum Beispiel darum gehen, zu verstehen, wie Funktionen funktionieren, es könnte ein Modell auf der Grundlage historischer Daten ausführen, die Sie haben, oder vielleicht maschinelles Lernen in Ihr Audit integrieren, um neue Wege zu finden, maschinelles Lernen zu testen. Das tägliche Üben ist also entscheidend. Und es hält Sie auf Trab, insbesondere weil es Ihnen dabei hilft, herauszufinden, was maschinelles Lernen im Wesentlichen leisten kann. Und wenn Sie wissen, was es kann, dann wird es Ihnen viel leichter fallen, Möglichkeiten zu finden, maschinelles Lernen in Prozesse einzubetten, wenn Sie mit Ihrer täglichen Arbeit fortfahren. Und ich möchte hier betonen, dass dies nicht bedeutet, dass Sie vollautomatisierte Lösungen haben sollten, die auf Knopfdruck funktionieren und Ihre Arbeit vollständig automatisieren können. Das heißt, wenn Sie das spezifische Projekt, an dem Sie arbeiten, in 10 verschiedene Teile aufteilen können und wenn Sie sich selbst helfen können, maschinelles Lernen und vielleicht zwei dieser 10 zu automatisieren oder einzubetten, dann haben Sie viel mehr Zeit, sich darauf zu konzentrieren das Ergebnis der restlichen 10. Oder vielleicht können Sie diese Zeit auch für karrierefördernde Projekte nutzen, wie die Arbeit an Ihrer Führung, Kommunikation und ähnlichen Dingen. Im Wesentlichen geht es darum zu wissen, wann und wo maschinelles Lernen eingesetzt werden kann. Und der beste Weg, dies zu tun, ist, sich damit vertraut zu machen. Tägliches Üben ist also der Schlüssel dazu.

D: Womit wir bei Punkt vier wären: Wenn Sie auf neue Aufgaben stoßen, bewerten Sie die Aufgabenlösung und die Dateneigenschaften, um zu verstehen, ob maschinelles Lernen überhaupt benötigt wird.



4. Bewertet neue Aufgaben, ihre Lösungen und Datenmerkmale, um zu verstehen, wann maschinelles Lernen erforderlich ist



L: Ja, noch einmal, etwas, das ich zuvor berührt habe. Es gibt verschiedene Möglichkeiten, um zu beurteilen, ob maschinelles Lernen erforderlich ist. Und ich habe diese beiden Flussdiagramme bereits erwähnt. Aber im Grunde jede einzelne Aufgabe, auf die Sie stoßen, und nehmen wir zum Beispiel das Schreiben von Meta-Beschreibungen, denn das ist etwas, was wir ziemlich oft tun. Nun, wir sollten nicht zu viel Zeit damit verbringen. Wir wissen, dass sie für SEO nicht sehr wichtig sind, aber im Rahmen eines On-Page-Optimierungsprojekts sollten Sie das tun, Sie sollten sie optimieren.

Lassen Sie uns hier eine Aufgabe dekonstruieren. Wenn Sie sagen, dass Ihre Eingabedaten textuell sind, bedeutet dies, dass der Seiteninhalt textuell ist. Und was ist die Aufgabe in diesem Fall? Ist es beaufsichtigt oder unbeaufsichtigt? Wir wissen, dass es unbeaufsichtigt ist. Da es für uns keine Möglichkeit gibt, die Ergebnisse der Ausgabe zu validieren, müssen wir es selbst tun, wir haben keine automatisierte Möglichkeit, dies zu tun. In diesem Fall suchen wir nach einem Transformationsmodell, indem wir beispielsweise den Text der Seite nehmen und ihn in eine Ausgabe mit weniger als 160 Zeichen umwandeln. Das Entnehmen von Sätzen aus dem Text bedeutet also eine Extraktion, oder es kann auch eine Zusammenfassung sein. Aber eine andere Möglichkeit, dies zu tun, ist die Verwendung eines generativen Modells wie GPT-3. Wir geben ihm den Input, dh den Text auf der Seite, und er generiert die Meta-Beschreibungen und schreibt sie im Wesentlichen von Grund auf neu.

Um darauf zurückzukommen, ob es unternehmenskritisch ist, wissen wir, dass dies nicht der Fall ist. Maschinelles Lernen ist also gut für diese Art von Übung. Ist es in Ordnung, dass Sie manchmal unterschiedliche Ausgaben erhalten, wenn Sie dieses Modell für denselben Seitentyp ausführen? Wenn Sie das Modell beispielsweise zweimal ausführen, erhalten Sie möglicherweise zwei verschiedene Meta-Beschreibungen für dieselbe Seite. Das ist absolut in Ordnung. Wir können aus beiden wählen. Das ist überhaupt kein Problem. Brauchen wir eine Erklärung, wie wir diese Meta-Beschreibungen geschrieben haben? Nein überhaupt nicht. Und wir müssten unseren Stakeholdern nicht erklären, wie wir das gemacht haben. Übertrifft es durchschnittliche Methoden? Eine sehr wichtige Frage, wenn Sie beurteilen möchten, ob Sie maschinelles Lernen verwenden möchten, und wir können absolut ja sagen, da es viel schneller geht, wenn Sie dieses Framework nehmen und es auf die Aufgaben anwenden, bei denen Sie sich fragen, ob Sie es verwenden sollten maschinelles Lernen für sie oder nicht, dann finden Sie vielleicht sehr schnell heraus, welche Aufgaben für maschinelles Lernen geeignet sind und welche nicht. Nur um Ihnen ein Beispiel zu geben, das könnte auch von der Nische abhängen, denn wenn wir das absolut gleiche Beispiel für Titel und H1s nehmen, könnten wir sagen, dass für eine Nische, die sehr nicht wettbewerbsfähig ist, nicht wichtig in Bezug auf Es ist nicht Ihr Geld oder Ihr Leben, dann könnten wir sagen, dass es mit der gleichen Haltung absolut nicht geschäftskritisch ist. Die Aufgaben können automatisiert werden, wir können maschinelles Lernen implementieren und wir müssen nicht erklären, wie wir die Titel und die H1s geschrieben haben. Aber wenn wir zum Beispiel sagen, unser Kunde ist HMRC, wissen wir, dass dies sehr wichtig ist, um dies richtig zu machen. Wir möchten keine Titel oder H1s oder Meta-Beschreibungen vorschlagen, die nicht ganz auf den Punkt kommen. Vielleicht haben Sie auch manchmal das Gefühl, dass Ihr Kunde oder die Branche, in der Sie arbeiten, oder die bestimmte Website, an der Sie arbeiten, der Grund sein könnte, warum Sie einige dieser Tools nicht implementieren können.

D: Ich denke, das führt uns ganz gut zu Nummer fünf, nämlich der Arbeit mit maschinellem Lernen, dem Verständnis seiner Grenzen und der Überprüfung der Ergebnisse.



5. Verstehen Sie die Einschränkungen und untersuchen Sie die Ergebnisse des maschinellen Lernens



L: Absolut, und dieser hier ist sehr wichtig, da ich schon oft darüber nachgedacht habe, dass mit maschinellem Lernen etwas erreicht werden kann, und ich habe ein Modell implementiert oder ein Skript oder ähnliches getestet, weil es so viele Skripte gibt dort draußen. Ehrlich gesagt, wenn Sie wissen, wie man danach sucht, gibt es fast ein Skript für jede Aufgabe, die Ihnen einfällt, Sie müssen nur wissen, wie Sie es für das jeweilige Problem in SEO implementieren. Und die Anzahl der Male, die ich einige getestet habe und am Ende die Ausgabe nicht verwendet habe, ist eine Menge. Sie müssen also wissen, was maschinelles Lernen leisten kann. Im Moment befindet sich maschinelles Lernen in einem Stadium, in dem es sehr gut für enge Aufgaben geeignet ist, aber die meisten Modelle, die Art und Weise, wie sie trainiert werden, und als Anfänger werden Sie die meiste Zeit vortrainierte Modelle verwenden Ich werde sie nicht selbst ausbilden. Und das ist ein ganz anderes Thema für sich. Aber wenn Sie vortrainierte Modelle verwenden und sie nicht selbst trainieren, werden Sie meistens feststellen, dass der Datensatz, mit dem sie trainiert wurden, für die jeweilige Branche nicht besonders nützlich ist oder ist nicht so ausführlich, wie Sie es sich wünschen. Und das gilt besonders für textbasierte Aufgaben wie NLP und ähnliches.

Und hier muss man nur zwei Dinge wissen. Zunächst einmal ist es gut genug, eine Grundlage zu haben, mit der man arbeiten kann. Wenn Sie das wissen, ja, zum Beispiel sind die Meta-Beschreibungen, die das Modell generiert hat, nicht so gut, aber sie können behoben werden. Und wenn Sie denken, dass Sie, wenn Sie sie bearbeiten, die endgültige Ausgabe viel schneller generieren können, dann sollten Sie sich auf die Schulter klopfen, Sie haben einen großartigen Job gemacht, weil Sie sich eine Menge gespart haben Zeit, auch damit. Und wenn Sie der Meinung sind, dass die Ausgabe überhaupt nicht nützlich ist, heißt das nicht, dass das gesamte maschinelle Lernen nicht nützlich ist. Das bedeutet nur, dass dieses spezifische Modell, das Sie verwendet haben, für diese spezielle Aufgabe nicht nützlich war. Und das ist vollkommen in Ordnung. Da Sie Ihrem Stakeholder oder Ihrem Kunden sogar sagen können, dass wir einige Ansätze getestet haben, haben wir einen automatisierten Ansatz getestet. Und es hat aus diesem und diesem Grund nicht funktioniert. Und dann können Sie sogar die Ausgabe des Modells verwenden, um sie mit der Ausgabe zu vergleichen und gegenüberzustellen, die Ihr Team generiert hat. In allen Fällen wird die Implementierung oder der Versuch von maschinellem Lernen Ihren Fall also viel stärker machen. Man muss nur wissen, wann man Okay sagen muss, das haben wir versucht, aber es hat nicht funktioniert und wie man das auch zu seinem Vorteil nutzt.

D: Und wenn wir über Ergebnisse sprechen, die uns direkt zu Nummer sechs bringen, nämlich zusammenzuarbeiten und vernünftige Erwartungen zu setzen.



6. Arbeiten Sie kooperativ und setzen Sie angemessene Erwartungen



L: Bei diesem letzten Schritt geht es darum zu wissen, wann Sie Hilfe brauchen und wie Sie die richtige Hilfe bekommen. Und hier, denke ich, gibt es ein paar Dinge, die Sie verfolgen können, um Ihnen die Hilfe zu holen, die Sie brauchen. Finden Sie zunächst einen Machine-Learning-Buddy. Jemand, der die gleiche Art von Person ist wie Sie. Sie arbeiten in der gleichen Branche. Sie haben die gleichen Probleme. Und Sie denken nach und stoßen auf Probleme und Sie suchen gemeinsam nach Aufgaben. Und wenn jemand etwas Nützliches für die Rolle findet, dann teilt er es mit seinem Buddy. Es hilft Ihnen, Verantwortung zu übernehmen, es hilft Ihnen, motiviert zu bleiben, und es ist wirklich eine sehr gute Sache, es zu haben.

Eine andere Lösung wäre hier, sich einem Tribe wie einem Machine Learning Tribe anzuschließen. Auch hier werde ich Jason Brownlee anrufen. Er hat dieses Diagramm erstellt, eine Aufschlüsselung der verschiedenen Arten des maschinellen Lernens, die es gibt. Und für uns als SEOs gehören wir entweder zu einem Business Tribe, das können Manager sein, die versuchen zu sehen, ob Automatisierung oder maschinelles Lernen die richtige Lösung für ihr Problem ist oder ob es für ihr Team oder ihre Daten verwendet werden kann Stämme, das sind zum Beispiel Datenanalysten, die versuchen, Daten ein bisschen besser zu verstehen. Und der Grund, warum ich diese beiden Arten von Stämmen speziell erwähnt habe, ist, dass Sie, wenn Sie in einer solchen Gruppe oder Gemeinschaft sind, wissen, dass die Menschen dort versuchen, die gleichen Ergebnisse zu erzielen, aber ihre Herangehensweise an das Problem ist ähnlich zu dir. Sie werden also beispielsweise nicht unter die Lupe genommen, wenn Sie die fortgeschrittenen Konzepte im Zusammenhang mit der Codierung oder die Mathematik hinter dem Modell des maschinellen Lernens nicht kennen. Sie werden von Menschen umgeben sein, die für die Art von Herausforderungen, die Sie haben, sehr sympathisch sind. Und das können andere Herausforderungen sein. Wenn Sie zum Beispiel in einer Community mit Python-Entwicklern sind und fragen, warum funktioniert mein Modell nicht, und es stellt sich heraus, dass es sich um ein Komma oder etwas Ähnliches handelt. Möglicherweise fühlen Sie sich ein wenig kritischer, die Antworten auf Ihre Anfrage sind möglicherweise etwas strenger, und wir möchten nicht, dass Sie sich unmotiviert fühlen. Deshalb betone ich, die richtige Art von Gemeinschaft oder die richtige Art von Tribe zu finden.

Und die dritte Sache ist, und ich denke, das ist etwas, das Sie anwenden sollten, unabhängig davon, welchen Ansatz Sie wählen. Das sollte nur sein, sich an Entwickler zu wenden, wann immer Sie können, wenn Sie das Gefühl haben, dass Sie die Abfrage nicht alleine lösen können. Wenn Sie etwa sechs Stunden mit StackOverflow verbracht haben und bei nur einem Fehler stecken bleiben und sich super unmotiviert fühlen, wenden Sie sich einfach an jemanden, es gibt so viele super qualifizierte Python-Entwickler, sogar in der SEO-Community. Wenn Sie sich an sie wenden, sind sie möglicherweise bereits auf ein solches Problem gestoßen, sodass sie Ihnen möglicherweise Anweisungen geben können. Und ich sage nicht, dass Sie sich an sie wenden sollen, damit sie Ihr Drehbuch für Sie schreiben können. Aber sie können Sie einfach in die richtige Richtung führen. Und das kann auch sehr inspirierend und motivierend sein.

D: Lazarina, das war absolut genial. Ich weiß, dass man wochenlang über maschinelles Lernen für SEO reden kann. Das war nur eine kurze Einführung. Aber es zeigt wirklich Ihr Wissen. Und ich bin sicher, Sie können in bestimmte Bereiche eintauchen. Es wäre großartig, Sie irgendwann zurückzubringen, vielleicht können wir Sie zurückholen und in etwas wie Python für SEO oder ein anderes Nischenthema eintauchen.





The Pareto Pickle – Analysieren Sie das SERP auf neue Möglichkeiten



Lassen Sie uns mit der Pareto Pickle abschließen. Pareto sagt, dass Sie 80 % Ihrer Ergebnisse mit 20 % Ihrer Bemühungen erzielen können. Welche SEO-Aktivität würden Sie empfehlen, die mit geringem Aufwand unglaubliche Ergebnisse liefert?

L: Ich habe viel darüber nachgedacht. Und ich wollte etwas sagen, von dem ich glaube, dass ich es nicht oft gesehen habe. Und für mich ist es die SERP-Analyse. Wir haben viele Möglichkeiten, Suchmaschinen-Ergebnisseiten zu analysieren, insbesondere im großen Maßstab. Wenn Sie also bereits Ihre Keyword-Recherche durchgeführt haben und die Keywords kennen, bei denen Ihre Website möglicherweise rankt, diejenigen, bei denen die Website nicht rankt, und die Inhaltslücke und alles. Ich würde sagen, wenn Sie eine sehr breit angelegte SERP-Analyse mit einem Tool wie DataForSEO durchführen können, können Sie sich auf diese Weise ein sehr gutes Bild des Marktes machen. Zum Beispiel, wer wo rankt, mit welchen Marken konkurrieren Sie, wie strukturieren sie ihre Titel, Meta-Beschreibungen, wie lang ihre Inhalte sind und alle Arten von Analysen wie diese. Und wenn Sie auf dieser Ebene wissen, wann und wo Sie maschinelles Lernen implementieren müssen, dann wird diese Aktivität allein Ihre gesamte Inhaltsstrategie beeinflussen. Und es hält Sie auf Kurs, um auch später wettbewerbsfähig zu bleiben. Es ist also etwas, das Sie einmal für diesen speziellen Kunden tun und schützen, und Sie können dies für ein paar Monate später verwenden, um Sie bei vielen der anderen Strategien, die Sie durchführen werden, zu führen und zu beeinflussen.

D: Ich möchte wirklich darauf eingehen. Ich möchte weitermachen und Ihnen weitere Fragen stellen. Aber ich weiß, dass das ungefähr eine halbe Stunde länger dauern wird, und dafür haben wir im Moment keine Zeit. Hoffentlich bringen wir Sie in einer zukünftigen Episode zurück. Zur Zeit. Ich war Ihr Gastgeber David Bain. Vielen Dank, dass Sie beim In Search SEO-Podcast dabei sind.

L: Vielen Dank, dass Sie mich haben, David. Es war mir ein Vergnügen.

D: Und danke fürs Zuhören.