Débuter avec l'apprentissage automatique dans le référencement avec Lazarina Stoy

Quelle part de votre référencement automatisez-vous ? Et saviez-vous qu'automatiser ce que vous faites actuellement pourrait vous aider à le faire plus rapidement et avec un plus grand niveau de précision ?

Aujourd'hui, nous discutons des six étapes pour démarrer avec l'apprentissage automatique dans le référencement , avec un responsable SEO spécialisé dans tout ce qui concerne la technique et les données. Elle est également créatrice de contenu, partageant des tableaux de bord, des scripts et d'autres outils utiles de Data Studio, aidant et aspirant d'autres référenceurs à accomplir des tâches un peu plus efficacement. Bienvenue à la responsable du référencement et de la science des données chez Intrepid Digital, Lazarina Stoy.

Les étapes sont :

1. Comprenez vos croyances limitantes et surmontez-les
2. Comprendre les spécifications de tâches courantes, les spécifications de solution et les spécifications de données dans l'apprentissage automatique
3. Entraînez-vous quotidiennement et commencez à suivre les mouvements
4. Évalue les nouvelles tâches, leurs solutions et les caractéristiques des données pour comprendre quand l'apprentissage automatique est nécessaire
5. Comprendre les limites et examiner les résultats de l'apprentissage automatique
6. Travaillez en collaboration et définissez des attentes raisonnables

Apprentissage automatique du référencement

Lazarina : Bonjour, là. Heureux d'être ici. Bonjour.

D: Heureux de vous avoir ici. Vous pouvez trouver Lazarina sur lazarinastoy.com. Alors Lazarina, combien de temps avant que les machines ne prennent le relais du SEO ?

L : J'espère que dans longtemps. Nous devons reprendre la machine pour être plus efficaces. Ils ne nous prennent pas en charge j'espère.

D : Peut-être qu'un lien neuronal avec le cerveau aidera.

L : Ouais, nous allons être bien meilleurs qu'eux. Nous devons juste les utiliser correctement. Canalisez-les là où nous en avons besoin.

D : Il y a une certaine positivité pour vous. Aujourd'hui, nous discutons donc des six étapes pour démarrer avec l'apprentissage automatique dans le référencement. En commençant par le numéro un, comprenez vos croyances limitantes et surmontez-les.

1. Comprenez vos croyances limitantes et surmontez-les

L: Cette petite étape consiste à réfléchir à ce qui vous empêche de poursuivre un peu plus l'apprentissage automatique. Qu'est-ce qui vous empêche de vous lancer dans l'automatisation du référencement et de faire des choses qui sont de nouveaux scripts et outils sophistiqués et des choses comme ça. Parce que souvent, j'entends beaucoup de gens vraiment inspirés par les nouvelles technologies, et ils veulent l'essayer. Mais ils ont ces croyances limitantes qui les empêchent de le faire. Et ce n'est pas quelque chose qui est unique ou spécifique à l'industrie du référencement. En fait, c'est quelque chose qui a également été très largement reconnu dans la communauté de l'apprentissage automatique, car c'est un problème que beaucoup de développeurs ont en fait, car ils ne commencent pas eux-mêmes avec l'apprentissage automatique.

En fait, un data scientist très célèbre dans la communauté de l'apprentissage automatique, Jason Brownlee, a dressé une liste de certaines croyances limitantes ou de certaines raisons pour lesquelles vous ne vous lancez pas. Et si je dois les mettre dans des énoncés, c'est souvent les choses qu'on se dit, comme ça il faut être un expert Python pour débuter ou un expert coder pour débuter, ou il faut connaître le domaine du machine learning de A à Z. Ou ce que fait chaque algorithme pour commencer. Ou peut-être que vous devez avoir beaucoup de temps libre pour commencer ou vous devez avoir du temps dans votre emploi du temps, ou le PC parfait ou quoi que ce soit d'autre que vous pourriez vous dire. Le plus difficile à surmonter est que vous pensez qu'il est très difficile ou difficile de commencer. Alors que la plupart des experts en apprentissage automatique vont en fait vous dire que l'exécution d'un modèle d'apprentissage automatique prend littéralement trois lignes de code. Il s'agit de comprendre vos données et de savoir où et quand vous pouvez les appliquer. C'est la partie difficile.

Surmonter ces croyances limitantes est donc la première étape car en fait, il n'est pas difficile de se lancer. Vous pouvez littéralement Google Machine Learning et des didacticiels de 10 minutes et commencer petit et créer une habitude chaque jour. Et comme ça, si vous n'attendez que de commencer et que vous ressentez des contraintes mentalement alors que vous n'avez pas commencé, vous pouvez voir que c'est un tout petit pas qu'il vous reste à faire. Il vous suffit de réserver 10 minutes de votre emploi du temps et de vous lancer. Et une fois que vous avez exécuté votre premier script ou installé, les bibliothèques et tout, vous allez voir que ce n'est en fait pas si difficile. Et puis le jeu bascule un peu, il n'y a plus qu'à voir où on peut appliquer les modèles au quotidien d'un SEO. Et c'est la partie amusante pour être honnête.

D : Compris. Essentiellement, ce que vous dites, c'est qu'il ne faut pas laisser la technologie vous empêcher de faire les choses. Vous n'avez pas besoin de comprendre tous les aspects de la technologie avant de vous lancer.

L : C'est un peu comme dans le domaine du SEO où vous n'avez pas besoin de tout comprendre pour mettre le pied dans la porte. Il suffit d'avoir la passion et l'envie de le faire.

D : Je pense que le défi est que de nombreux référenceurs sont dans l'état d'esprit qu'ils veulent tout comprendre avant de faire quelque chose. Je pense qu'ils ont ce genre de cerveau où ils doivent comprendre le pourquoi avant de faire quelque chose.

La deuxième consiste à comprendre les spécifications de tâches courantes, les spécifications de solutions et les spécifications de données dans l'apprentissage automatique.

2. Comprendre les spécifications de tâches courantes, les spécifications de solution et les spécifications de données dans l'apprentissage automatique

L : Ouais, je vais d'abord commencer par les données. Vous devez savoir quand vous recherchez un spécifique… Disons que vous avez déjà passé la première étape, vous avez une pratique quotidienne, peut-être des tutoriels de 10 minutes, vous voyez que c'est super cool et fantaisiste, et vous avez été le faire pendant un certain temps. Et maintenant, vous rencontrez en quelque sorte une tâche dans votre vie de tous les jours. Et vous voulez voir si l'apprentissage automatique est la bonne solution pour vous aider à surmonter certains défis auxquels vous êtes confrontés. Les trois choses auxquelles vous devez penser sont les caractéristiques des données dont vous disposez. C'est-à-dire l'ensemble de données auquel vous allez appliquer l'apprentissage automatique. Et cela peut être des données textuelles, numériques, ou il peut également s'agir de données basées sur des images. Mais nous parlons ici du scénario débutant, bien sûr, vous avez d'autres choses comme l'apprentissage automatique multimodal où vous appliquez des fichiers vidéo ou audio, et vous leur appliquez l'apprentissage automatique. Mais nous ne parlons ici que du cas du débutant. Et la plupart du temps, en tant que référenceurs, les tâches que nous confions au modèle seront basées sur du texte, par exemple, le contenu de la page, ou elles seront numériques. Ainsi, par exemple, si vous essayez de prédire le trafic organique, ou si vous essayez de prédire le nombre de clics que vous allez obtenir, et des choses comme ça.

Et en ce qui concerne les caractéristiques des tâches, nous savons qu'il existe deux domaines principaux dans l'apprentissage automatique, supervisé et non supervisé. Et nous avons besoin de connaître les principaux modèles que vous pouvez, dans le cas le plus courant, utiliser pour ces types de tâches spécifiques. Donc pour nous, l'apprentissage supervisé signifie que vous avez des données étiquetées pour valider la sortie du modèle. Et non supervisé signifie le contraire, vous n'avez aucun moyen de valider les résultats. Dans l'apprentissage supervisé, vous avez des choses comme la régression, qui consiste à faire des prédictions, ou la classification, qui signifie se diviser en groupes en fonction des classes existantes.

Juste pour vous donner un exemple de ces deux choses, faire des prédictions dont nous avons déjà parlé, comme prédire le trafic organique ou des choses comme ça, est un bon cas, surtout lorsque vous travaillez avec des données volumineuses ou que la classification se divise en groupes. Par exemple, si vous avez déjà classé une partie de votre blog dans des catégories spécifiques et que vous souhaitez classer un nouveau contenu dans l'un de ces groupes spécifiques, vous pouvez utiliser la classification pour vous aider. Dans l'apprentissage supervisé, vous avez la réduction de dimensionnalité de clustering, qui est un peu plus avancée, que vous allez probablement utiliser, comme lorsque vous avez un très grand ensemble de données, ou lorsque vous avez un problème que vous n'avez pas vraiment avoir un moyen de valider. Et souvent, vous pourrez également combiner les deux approches.

En ce qui concerne les caractéristiques de la solution, la chose la plus importante à savoir est quand et où vous devez appliquer l'apprentissage automatique. Sur mon site Web et un blog, pour Beginner's Guide to Machine Learning, j'ai répertorié quelques organigrammes qui peuvent vous aider à suivre le processus d'application de l'apprentissage automatique et à déterminer si c'est le bon cas d'utilisation. Par exemple, si vous ne travaillez pas avec des données volumineuses, il ne s'agit pas d'apprentissage automatique, cela peut littéralement être fait dans une feuille de calcul et/ou une feuille Google avec quelques formules statistiques. Parce qu'essentiellement, à la base, la plupart des modèles d'apprentissage automatique sont exactement cela. Statistiques. Et oui, si c'est essentiel à la mission, comme les tâches que vous effectuez, vous ne devriez pas du tout compter sur l'apprentissage automatique. Et si vous avez besoin d'établir un lien avec vos parties prenantes, la manière dont les résultats ont été obtenus, ou peut-être d'essayer d'expliquer ou de reproduire la sortie de ce modèle, il y a certains modèles que vous devriez éviter, par exemple, l'apprentissage automatique supervisé ou l'apprentissage en profondeur. , car la plupart d'entre eux fonctionnent un peu comme une boîte noire. Et c'est assez difficile, surtout avec les mégadonnées, de reproduire ce que le modèle a fait pour atteindre la sortie.

Beaucoup de matière à réflexion ici. Mais je veux juste dire que si vous comprenez ces trois choses, et que vous êtes capable de dire pour votre problème spécifique, "D'accord, mes données sont textuelles. Le modèle dont j'ai besoin est basé sur la régression ou peut-être sur la classification ou autre c'est comme si vous deviez identifier quelles sont vos données, quelle est votre tâche. Et vous devez comprendre quel type de solution vous allez rechercher. Et si vous pouvez le faire, alors ce sera beaucoup plus facile trouver les ressources appropriées pour vous aider à atteindre votre objectif.

D : Et le numéro trois est de permettre la pratique quotidienne et de commencer à passer par les mouvements.

3. Entraînez-vous quotidiennement et commencez à suivre les mouvements

L : Je pense que j'en ai parlé dans une étape précédente, mais la pratique quotidienne est cruciale. Et ce que cela signifie pour moi personnellement, c'est que j'aimerais faire quelque chose lié à Python parce que c'est mon langage de prédilection. Mais il peut s'agir de JavaScript, de n'importe quel autre langage qui vous intéresse, et vous pouvez trouver suffisamment de ressources pour l'apprentissage automatique et essayer de faire quelque chose en rapport avec l'apprentissage automatique tous les jours. Maintenant, ce ne sont peut-être pas des projets à part entière, vous savez, tous les jours, car cela peut prendre beaucoup de temps, surtout si vous travaillez sur un gros projet. Mais il peut s'agir de comprendre, par exemple, le fonctionnement des fonctions, d'exécuter un modèle basé sur des données historiques dont vous disposez, ou peut-être d'intégrer l'apprentissage automatique dans votre audit, de trouver de nouvelles façons de tester l'apprentissage automatique. La pratique quotidienne est donc cruciale. Et cela vous garde sur vos gardes, en particulier parce qu'il vous aide à découvrir ce que l'apprentissage automatique peut faire, essentiellement. Et si vous savez ce qu'il peut faire, alors lorsque vous vous occuperez de votre rôle quotidien, il vous sera beaucoup plus facile de trouver des opportunités d'intégrer l'apprentissage automatique dans les processus. Et je tiens à souligner ici que cela ne signifie pas que vous devriez avoir des solutions entièrement automatisées qui fonctionnent en un clic et que vous pouvez automatiser entièrement votre travail. Cela signifie que si vous pouvez diviser le projet spécifique sur lequel vous travaillez en 10 parties différentes, et si vous pouvez vous aider à automatiser ou à intégrer l'apprentissage automatique et peut-être deux de ces 10, alors vous pouvez avoir beaucoup plus de temps pour vous concentrer sur le résultat du reste de ces 10. Ou peut-être que vous pouvez également utiliser ce temps pour des projets d'avancement de carrière, comme travailler sur votre leadership, votre communication et des choses comme ça. Il s'agit essentiellement de savoir quand et où utiliser l'apprentissage automatique. Et la meilleure façon de le faire est de se familiariser avec elle. La pratique quotidienne est donc essentielle pour cela.

D : Ce qui nous amène au numéro quatre, lorsque vous rencontrez de nouvelles tâches, évaluez la solution de la tâche et les caractéristiques des données pour comprendre si l'apprentissage automatique est vraiment nécessaire.

4. Évalue les nouvelles tâches, leurs solutions et les caractéristiques des données pour comprendre quand l'apprentissage automatique est nécessaire

L : Ouais, encore une fois, quelque chose que j'ai abordé avant. Il existe différentes façons d'évaluer si l'apprentissage automatique est nécessaire. Et j'ai déjà mentionné ces quelques organigrammes. Mais essentiellement, chaque tâche que vous rencontrez, et prenons, par exemple, la rédaction de méta descriptions, parce que c'est quelque chose que nous faisons assez souvent. Eh bien, nous ne devrions pas y consacrer trop de temps. Nous savons qu'ils ne sont pas très importants pour le référencement, mais dans le cadre d'un projet d'optimisation on-page, c'est quelque chose que vous devriez faire, vous devriez les optimiser.

Déconstruisons ici une tâche. Si vous dites que vos données d'entrée sont textuelles, cela signifie que oui, le contenu de la page est textuel. Et quelle est la tâche dans ce cas ? Est-ce supervisé ou non supervisé ? Nous savons que ce n'est pas supervisé. Parce qu'il n'y a aucun moyen pour nous de valider les résultats de la sortie, nous devons le faire nous-mêmes, nous n'avons pas de moyen automatisé de le faire. Dans ce cas, nous allons rechercher un modèle transformationnel, par exemple, en prenant le texte de la page et en le transformant en une sortie de moins de 160 caractères. Donc, prendre des phrases du texte signifie une extraction, ou cela peut aussi être un résumé. Mais une autre façon de procéder consiste à utiliser un modèle génératif comme GPT-3. Nous lui donnons l'entrée, c'est-à-dire le texte sur la page, et il génère les méta descriptions et les écrit à partir de zéro, essentiellement.

Pour en revenir à la question de savoir si c'est essentiel à la mission, nous savons que ce n'est pas le cas. L'apprentissage automatique est donc bon pour ce type d'exercice. Est-il normal que parfois, lorsque vous exécutez ce modèle pour le même type de page, vous obteniez des résultats différents ? Par exemple, si vous exécutez le modèle deux fois, vous pouvez obtenir deux méta descriptions différentes pour la même page. C'est tout à fait correct. Nous pouvons choisir entre les deux. Ce n'est pas du tout un problème. Avons-nous besoin d'une explication sur la façon dont nous avons écrit ces méta descriptions ? Non pas du tout. Et nous n'aurions pas besoin d'expliquer à nos parties prenantes comment nous avons procédé. Est-ce qu'il surpasse les méthodes moyennes ? Une question très importante lorsque vous souhaitez évaluer si vous souhaitez utiliser l'apprentissage automatique, et nous pouvons dire oui, absolument, car c'est beaucoup plus rapide si vous prenez ce cadre et l'appliquez aux tâches que vous vous demandez si vous devriez utiliser l'apprentissage automatique pour eux ou non, alors vous pourriez trouver très rapidement quelles tâches sont adaptées à l'apprentissage automatique et quelles tâches ne le sont pas. Juste pour vous donner un exemple, ça peut aussi dépendre de la niche aussi, parce que si on prend absolument le même exemple, pour les titres et les H1, on pourrait dire que pour une niche qui est très peu compétitive, pas importante en terme de ce n'est pas du genre votre argent ou votre vie, alors nous pourrions dire qu'absolument, la même position, ce n'est pas essentiel à la mission. Les tâches peuvent être automatisées, nous pouvons implémenter le machine learning, et nous n'avons pas besoin de donner d'explications sur la façon dont nous avons écrit les titres et les H1. Mais si nous disons, par exemple, que notre client est HMRC, nous savons que c'est très important pour bien faire les choses. Nous ne voulons pas suggérer des titres ou des H1 ou des méta-descriptions qui ne sont pas tout à fait pertinentes. Ainsi, vous pourriez aussi parfois avoir l'impression que votre client ou le secteur dans lequel vous travaillez, ou le site particulier sur lequel vous travaillez, pourrait être la raison pour laquelle vous ne pouvez pas mettre en œuvre certains de ces outils.

D : Je pense que cela nous amène assez bien au numéro cinq, qui consiste à travailler avec l'apprentissage automatique, à comprendre ses limites et à examiner le résultat.

5. Comprendre les limites et examiner les résultats de l'apprentissage automatique

L : Absolument et celui-ci est très important en raison du nombre de fois où j'ai pensé que quelque chose pouvait être fait avec l'apprentissage automatique, et j'ai implémenté un modèle ou testé un script ou quelque chose comme ça parce qu'il y a tellement de scripts là-bas. Honnêtement, si vous savez comment les rechercher, il existe presque un script pour n'importe quelle tâche à laquelle vous pouvez penser, il vous suffit de savoir comment l'implémenter pour le problème particulier du référencement. Et le nombre de fois où j'en ai testé et fini par ne pas utiliser la sortie est beaucoup. Vous devez donc savoir ce que l'apprentissage automatique peut faire. À l'heure actuelle, l'apprentissage automatique est à un stade où il est très bon pour les tâches étroites, mais la plupart des modèles, la façon dont ils sont formés, et en tant que débutant, vous allez utiliser la plupart du temps des modèles pré-formés, vous n'allez pas les former vous-même. Et c'est un tout autre sujet en soi. Mais si vous utilisez des modèles pré-formés et que vous ne les formez pas vous-même, la plupart du temps, vous verrez que l'ensemble de données sur lequel ils ont été formés n'est pas particulièrement utile pour l'industrie en question, ou c'est pas aussi approfondi que vous pourriez le souhaiter. Et c'est particulièrement le cas pour les tâches basées sur du texte comme la PNL et des choses comme ça.

Et là, il suffit de savoir deux choses. Tout d'abord, même avoir une fondation avec laquelle travailler est une bonne chose à avoir. Si vous le savez, oui, par exemple, les méta descriptions générées par le modèle ne sont pas aussi bonnes mais elles peuvent être corrigées. Et si vous pensez que, si vous les éditez, cela va être beaucoup plus rapide pour vous de générer la sortie finale, alors vous devriez vous féliciter, vous avez fait un excellent travail parce que vous vous êtes épargné une tonne de temps, même avec ça. Et si vous pensez que la sortie n'est tout simplement pas utile du tout, cela ne signifie pas que tout l'apprentissage automatique n'est pas utile. Cela signifie simplement que pour cette tâche spécifique, ce modèle spécifique que vous avez utilisé n'a pas été utile. Et c'est parfaitement bien. Parce que vous pouvez même dire à votre intervenant, ou à votre client, que nous avons testé quelques approches, nous avons testé une approche automatisée. Et cela n'a pas fonctionné à cause de ceci et de cette raison. Et puis vous pouvez même utiliser la sortie du modèle afin de comparer et de contraster avec la sortie que votre équipe a générée. Donc, dans tous les cas, la mise en œuvre ou l'essai de l'apprentissage automatique rendra votre cas beaucoup plus solide. Vous devez juste savoir quand dire d'accord, nous avons essayé cela, mais cela n'a pas fonctionné et comment l'utiliser également à votre avantage.

D : Et parler des résultats qui nous amènent au numéro six, qui consiste à travailler en collaboration et à définir des attentes raisonnables.

6. Travaillez en collaboration et fixez des attentes raisonnables

L : Cette dernière étape consiste à savoir quand vous avez besoin d'aide et à savoir comment obtenir la bonne aide. Et ici, je pense qu'il y a quelques choses que vous pouvez poursuivre afin d'obtenir l'aide dont vous avez besoin. Tout d'abord, trouvez un partenaire d'apprentissage automatique. Quelqu'un qui est le même type de personne que vous. Ils travaillent dans le même secteur. Ils ont le même type de problèmes. Et vous pensez et rencontrez des problèmes et vous recherchez des tâches en quelque sorte ensemble. Et quand quelqu'un trouve quelque chose d'utile pour le rôle, il le partage avec son copain. Cela vous aide à rester responsable, cela vous aide à rester motivé et c'est vraiment une très bonne chose à avoir.

Une autre solution ici serait de rejoindre une tribu comme une tribu d'apprentissage automatique. Encore une fois, je vais appeler Jason Brownlee ici. Il a créé ce tableau, une ventilation des différentes tribus d'apprentissage automatique qui existent. Et pour nous, en tant que référenceurs, nous appartenons soit à une tribu commerciale, donc ce sont peut-être des managers qui essaient de voir si l'automatisation ou l'apprentissage automatique est la bonne solution à leur problème, ou s'il peut être utilisé pour leur équipe, ou les données tribus, qui sont, par exemple, des analystes de données qui essaient d'être un peu meilleurs pour comprendre les données. Et la raison pour laquelle j'ai mentionné spécifiquement ces deux types de tribus, c'est que si vous êtes dans un groupe ou une communauté comme ça, vous savez que les gens là-bas essaient de trouver le même type de résultats, mais leur approche du problème est similaire a la votre. Ainsi, vous ne serez pas examiné, par exemple, si vous ne connaissez pas les concepts avancés liés au codage ou aux mathématiques derrière le modèle d'apprentissage automatique. Vous allez être entouré de gens qui sont très sensibles au type de défis que vous avez. Et cela pourrait être des défis différents. Par exemple, si vous êtes dans une communauté avec des développeurs Python et que vous demandez pourquoi mon modèle ne fonctionne pas, et qu'il s'agit d'une virgule ou quelque chose comme ça. Vous pourriez vous sentir un peu plus scruté, les réponses à votre question pourraient être un peu plus dures et nous ne voulons pas que vous vous sentiez démotivé. C'est pourquoi j'insiste sur le fait de trouver le bon type de communauté ou le bon type de tribu.

Et la troisième chose est, et je pense que c'est quelque chose que vous devriez appliquer, quelle que soit l'approche que vous choisissez. Cela devrait simplement tendre la main aux développeurs chaque fois que vous le pouvez, chaque fois que vous sentez que vous ne pouvez pas résoudre la requête par vous-même. Si vous avez passé environ six heures sur StackOverflow, et que vous êtes bloqué sur une seule erreur, et que vous vous sentez super démotivé, contactez simplement quelqu'un, il y a tellement de développeurs Python super qualifiés, même dans la communauté SEO. Si vous les contactez, ils ont peut-être déjà rencontré un problème de ce type, ils pourraient donc vous donner des instructions. Et je ne dis pas de les contacter, afin qu'ils puissent écrire votre script pour vous. Mais ils peuvent simplement vous guider dans la bonne direction. Et cela peut aussi être très inspirant et motivant.

D : Lazarina, c'était absolument génial. Je sais que vous pouvez parler pendant des semaines de machine learning pour le SEO. Ce n'était qu'une brève introduction. Mais cela démontre vraiment vos connaissances. Et je suis sûr que vous pouvez plonger dans des domaines spécifiques. Ce serait formidable de vous faire revenir à un moment donné, peut-être que nous pourrons vous faire revenir et plonger dans quelque chose comme Python pour le référencement ou un autre sujet plus spécialisé là-bas.

Le cornichon de Pareto - Analysez le SERP pour de nouvelles opportunités

Terminons avec le Pareto Pickle. Pareto dit que vous pouvez obtenir 80 % de vos résultats à partir de 20 % de vos efforts. Quelle est une activité de référencement que vous recommanderiez qui fournit des résultats incroyables pour des niveaux d'effort modestes ?

L : J'y ai beaucoup réfléchi. Et je voulais dire quelque chose que je pense que je n'ai pas vu faire aussi souvent. Et pour moi, c'est l'analyse SERP. Nous avons de nombreuses opportunités d'analyser les pages de résultats des moteurs de recherche, en particulier à grande échelle. Donc, si vous avez déjà fait votre recherche de mots-clés et que vous connaissez les mots-clés où votre site se classe peut-être, ceux que le site ne classe pas, et l'écart de contenu et tout. Je dirais que si vous pouvez faire une analyse SERP à très grande échelle, en utilisant un outil comme DataForSEO, de cette façon, vous pouvez obtenir une très bonne image du marché. Comme qui classe où, avec quelles marques êtes-vous en concurrence, comment structurent-elles leurs titres, leurs méta-descriptions, la durée de leur contenu et toutes sortes d'analyses de ce genre. Et si à ce niveau, vous savez quand et où mettre en œuvre l'apprentissage automatique, alors cette activité à elle seule va influencer l'ensemble de votre stratégie de contenu. Et cela vous permettra de rester sur la bonne voie afin que vous restiez également compétitif plus tard. C'est donc quelque chose que vous faites une fois pour ce client spécifique et que vous protégez, et vous pouvez l'utiliser pendant quelques mois pour vous guider et vous influencer dans de nombreuses autres stratégies que vous allez mettre en place.

D : Je veux vraiment plonger là-dedans. Je veux continuer et vous poser d'autres questions. Mais je sais que cela va prendre environ une demi-heure de plus et nous n'avons pas le temps de le faire pour le moment. J'espère que nous vous retrouverons dans un prochain épisode. Pour le moment. J'ai été votre hôte David Bain. Merci beaucoup d'être sur le podcast In Search SEO.

L : Merci beaucoup de m'avoir invité, David. C'était un plaisir.

D : Et merci pour votre écoute.