Memulai Pembelajaran Mesin di SEO dengan Lazarina Stoy

Berapa banyak SEO Anda yang Anda otomatisasi? Dan tahukah Anda bahwa mengotomatiskan apa yang Anda lakukan saat ini dapat membantu Anda melakukannya dengan lebih cepat dan dengan tingkat akurasi yang lebih tinggi?

Hari ini, kita membahas enam langkah untuk memulai pembelajaran mesin di SEO , dengan manajer SEO yang berspesialisasi dalam semua hal teknis dan data. Dia juga seorang pembuat konten, berbagi dasbor Data Studio, skrip, dan alat berguna lainnya, membantu dan bercita-cita SEO lain untuk menyelesaikan tugas sedikit lebih efisien. Selamat datang di SEO dan manajer ilmu data di Intrepid Digital, Lazarina Stoy.

Langkah-langkahnya adalah:

1. Pahami Keyakinan Anda yang Membatasi dan Atasi Mereka
2. Memahami Spesifikasi Tugas Umum, Spesifikasi Solusi, dan Spesifikasi Data dalam Pembelajaran Mesin
3. Berlatih Setiap Hari dan Mulailah Melakukan Gerakan
4. Menilai Tugas Baru, Solusinya, dan Karakteristik Data untuk Dipahami Saat Machine Learning Dibutuhkan
5. Pahami Keterbatasan dan Cermati Hasil Pembelajaran Mesin
6. Bekerja Secara Kolaboratif dan Tetapkan Harapan yang Wajar

Pembelajaran Mesin SEO

Lazarina: Halo, di sana. Senang berada di sini. Halo.

D: Senang memiliki Anda di sini. Anda dapat menemukan Lazarina di lazarinastoy.com. Jadi Lazarina, berapa lama sampai mesin mengambil alih SEO?

L: Saya berharap dalam waktu yang lama. Kami perlu mengambil alih mesin agar kami bisa lebih efisien. Mereka tidak mengambil alih kita, kuharap.

D: Mungkin tautan saraf ke otak akan membantu.

L: Ya, kita akan jauh lebih baik dari mereka. Kita hanya perlu menggunakannya dengan benar. Salurkan mereka di mana kita membutuhkannya.

D: Ada beberapa hal positif untuk Anda. Jadi hari ini kita membahas enam langkah untuk memulai pembelajaran mesin di SEO. Mulailah dengan nomor satu, pahami keyakinan Anda yang membatasi dan atasi itu.

1. Pahami Keyakinan Anda yang Membatasi dan Atasi Mereka

L: Langkah kecil ini adalah tentang benar-benar memikirkan tentang apa yang menghentikan Anda untuk benar-benar mengejar pembelajaran mesin sedikit lagi. Apa yang menghentikan Anda dari memulai otomatisasi SEO dan melakukan hal-hal yang merupakan skrip dan alat baru yang mewah dan hal-hal seperti itu. Karena seringkali, saya mendengar banyak orang sangat terinspirasi oleh teknologi baru, dan mereka ingin mencobanya. Tetapi mereka memiliki keyakinan yang membatasi yang menghentikan mereka untuk melakukannya. Dan itu bukan sesuatu yang unik atau spesifik untuk industri SEO. Sebenarnya, ini adalah sesuatu yang telah diakui secara luas di komunitas pembelajaran mesin juga, karena ini adalah masalah yang sebenarnya dialami oleh banyak pengembang, karena mereka sendiri tidak memulai dengan pembelajaran mesin.

Sebenarnya, seorang ilmuwan data yang sangat terkenal di komunitas pembelajaran mesin, Jason Brownlee, sebenarnya telah membuat daftar beberapa keyakinan yang membatasi, atau beberapa alasan mengapa Anda tidak memulai. Dan jika saya harus memasukkannya ke dalam pernyataan, seringkali hal-hal yang kita katakan kepada diri kita sendiri, seperti Anda harus menjadi ahli Python untuk memulai atau ahli coding untuk memulai, atau Anda harus mengetahui bidang pembelajaran mesin dari A hingga Z. Atau apa yang dilakukan setiap algoritme untuk memulai. Atau mungkin Anda harus memiliki banyak waktu luang untuk memulai atau Anda harus memiliki beberapa waktu dalam jadwal Anda, atau PC yang sempurna atau apa pun yang mungkin Anda katakan pada diri sendiri. Yang paling sulit untuk diatasi adalah Anda merasa sangat sulit atau menantang untuk memulai. Sementara sebagian besar pakar pembelajaran mesin sebenarnya akan memberi tahu Anda bahwa mengeksekusi model pembelajaran mesin benar-benar membutuhkan tiga baris kode. Ini tentang memahami data Anda, dan mengetahui di mana dan kapan Anda dapat menerapkannya. Itulah bagian yang sulit.

Jadi mengatasi keyakinan yang membatasi ini adalah langkah pertama karena sebenarnya tidak sulit untuk memulainya. Anda benar-benar dapat belajar mesin Google dan tutorial 10 menit dan memulai dari yang kecil dan membangun kebiasaan setiap hari. Dan dengan begitu, jika Anda hanya menunggu untuk memulai dan Anda merasakan beberapa kendala mental saat Anda belum memulai, Anda dapat melihat bahwa itu adalah langkah yang sangat kecil yang perlu Anda lakukan. Anda hanya perlu memesan 10 menit dari jadwal Anda dan memulai. Dan begitu Anda menjalankan skrip atau instalasi pertama Anda, perpustakaan dan semuanya, maka Anda akan melihat bahwa itu sebenarnya tidak terlalu menantang. Dan kemudian permainan bergeser sedikit, maka Anda hanya perlu melihat di mana Anda dapat menerapkan model ke kehidupan sehari-hari SEO. Dan itu bagian yang menyenangkan untuk jujur.

D: Dipahami. Intinya, apa yang Anda katakan adalah jangan biarkan teknologi menghentikan Anda melakukan sesuatu. Anda tidak harus memahami semua aspek teknologi sebelum Anda benar-benar memulai.

L: Ini sangat mirip dengan bidang SEO di mana Anda tidak harus memahami segalanya untuk bisa melangkah. Anda hanya perlu memiliki semangat dan keinginan untuk melakukannya.

D: Saya pikir tantangannya adalah banyak SEO memiliki pola pikir yang ingin mereka pahami sebelum melakukan sesuatu. Saya pikir mereka memiliki otak seperti itu di mana mereka perlu memahami alasannya sebelum melakukan sesuatu.

Nomor dua adalah memahami spesifikasi tugas umum, spesifikasi solusi, dan spesifikasi data dalam pembelajaran mesin.

2. Memahami Spesifikasi Tugas Umum, Spesifikasi Solusi, dan Spesifikasi Data dalam Pembelajaran Mesin

L: Ya, saya akan mulai dengan datanya dulu. Anda perlu tahu kapan Anda mencari yang spesifik… Katakanlah, Anda telah melewati langkah pertama, Anda memiliki beberapa latihan harian, mungkin tutorial 10 menit, Anda melihat ini sangat keren dan mewah, dan Anda telah melakukannya untuk sementara waktu. Dan sekarang Anda menghadapi tugas dalam kehidupan sehari-hari Anda. Dan Anda ingin melihat apakah pembelajaran mesin adalah solusi yang tepat untuk membantu Anda mengatasi beberapa tantangan yang Anda hadapi. Tiga hal yang perlu Anda pikirkan adalah karakteristik data yang Anda miliki. Yaitu, kumpulan data tempat Anda akan menerapkan pembelajaran mesin. Dan itu bisa berupa data tekstual, numerik, atau bisa juga data berbasis gambar. Tapi kita berbicara tentang skenario pemula di sini, tentu saja, Anda memiliki hal-hal lain seperti pembelajaran mesin multimodal di mana Anda menerapkan file video atau audio, dan Anda menerapkan pembelajaran mesin untuk mereka. Tapi kita hanya berbicara tentang kasus pemula di sini. Dan sebagian besar waktu, sebagai SEO, tugas yang kami berikan pada model akan berbasis teks, jadi misalnya, konten pada halaman, atau mereka akan menjadi numerik. Jadi misalnya, jika Anda mencoba untuk memprediksi lalu lintas organik, atau Anda mencoba untuk memprediksi jumlah klik yang akan Anda dapatkan, dan hal-hal seperti itu.

Dan dalam hal karakteristik tugas, kita tahu bahwa ada dua bidang utama dalam pembelajaran mesin, terawasi dan tidak terawasi. Dan kita perlu mengetahui model utama yang dapat Anda gunakan, dalam kasus yang paling umum, untuk jenis tugas khusus ini. Jadi bagi kami, pembelajaran terawasi berarti Anda telah memberi label data untuk memvalidasi keluaran model. Dan tanpa pengawasan berarti sebaliknya, Anda tidak memiliki cara untuk memvalidasi hasil. Dalam pembelajaran terawasi, Anda memiliki hal-hal seperti regresi, yaitu tentang membuat prediksi, atau klasifikasi, yang berarti membagi menjadi beberapa kelompok berdasarkan kelas yang ada.

Sebagai contoh dari kedua hal ini, membuat prediksi yang telah kita bahas, seperti memprediksi lalu lintas organik atau hal-hal seperti itu, adalah kasus yang bagus, terutama saat Anda bekerja dengan data besar, atau membagi klasifikasi menjadi beberapa grup. Misalnya, jika Anda memiliki bagian dari blog Anda yang telah Anda kategorikan dengan kategori tertentu, dan Anda memiliki konten baru yang ingin Anda klasifikasikan ke dalam salah satu grup khusus ini, di situlah Anda dapat menggunakan klasifikasi untuk membantu Anda. Dalam pembelajaran terawasi, Anda memiliki pengurangan dimensi pengelompokan, yang sedikit lebih maju, yang mungkin akan Anda gunakan, seperti ketika Anda memiliki kumpulan data yang sangat besar, atau ketika Anda memiliki masalah yang sebenarnya tidak Anda ketahui. memiliki cara untuk memvalidasi. Dan seringkali, Anda mungkin dapat menggabungkan kedua pendekatan itu juga.

Dalam hal karakteristik solusi, hal terpenting untuk diketahui adalah kapan dan di mana Anda harus menerapkan pembelajaran mesin. Di situs web dan blog saya, untuk Panduan Pemula untuk Pembelajaran Mesin, saya sebenarnya telah membuat daftar beberapa diagram alur yang dapat membantu Anda melalui proses bagaimana Anda menerapkan pembelajaran mesin dan apakah itu kasus penggunaan yang benar untuk itu. Misalnya, jika Anda tidak bekerja dengan data besar, maka itu bukan pembelajaran mesin, itu benar-benar dapat dilakukan dalam spreadsheet dan atau lembar Google dengan beberapa rumus statistik. Karena pada dasarnya, pada intinya, sebagian besar model pembelajaran mesin persis seperti itu. Statistik. Dan ya, jika itu misi-kritis, seperti tugas yang Anda lakukan, Anda tidak boleh mengandalkan pembelajaran mesin sama sekali. Dan jika Anda perlu berhubungan dengan pemangku kepentingan Anda, cara hasil yang dicapai, atau mungkin mencoba menjelaskan atau mereplikasi keluaran model itu, ada model tertentu yang harus Anda hindari, misalnya, pembelajaran mesin yang diawasi, atau pembelajaran mendalam. , karena kebanyakan dari mereka bekerja seperti kotak hitam. Dan itu cukup sulit, terutama dengan data besar untuk mereplikasi apa yang telah dilakukan model untuk mencapai output.

Banyak makanan untuk dipikirkan di sini. Tetapi saya hanya ingin mengatakan bahwa jika Anda memahami tiga hal ini, dan Anda dapat mengatakan untuk masalah spesifik Anda, "Oke, data saya tekstual. Model yang saya butuhkan adalah berbasis regresi atau mungkin berbasis klasifikasi atau apa pun. itu seperti Anda perlu menentukan dengan tepat apa data Anda, apa tugas Anda. Dan Anda perlu memahami jenis solusi apa yang akan Anda cari. Dan jika Anda bisa melakukannya, maka itu akan menjadi jauh lebih mudah untuk menemukan sumber daya yang tepat untuk membantu Anda mencapai tujuan Anda.

D: Dan nomor tiga adalah untuk mengaktifkan latihan sehari-hari dan mulai melakukan gerakan.

3. Berlatih Setiap Hari dan Mulai Melakukan Gerakan

L: Saya rasa saya sudah menyentuh ini di langkah sebelumnya, tapi latihan sehari-hari sangat penting. Dan apa artinya bagi saya secara pribadi, saya ingin melakukan sesuatu yang berhubungan dengan Python karena itu adalah bahasa utama saya. Tapi itu bisa berupa JavaScript, bisa bahasa lain apa pun yang Anda minati, dan Anda dapat menemukan sumber daya yang cukup untuk pembelajaran mesin dan mencoba melakukan sesuatu yang terkait dengan pembelajaran mesin setiap hari. Sekarang, itu mungkin tidak sepenuhnya, Anda tahu, proyek setiap hari, karena itu mungkin memakan banyak waktu, terutama jika Anda sedang mengerjakan proyek besar. Tetapi mungkin pemahaman, misalnya, bagaimana fungsi bekerja, mungkin menjalankan model berdasarkan data historis yang Anda miliki, atau mungkin memasukkan pembelajaran mesin ke dalam audit Anda, menemukan cara baru untuk menguji pembelajaran mesin. Jadi latihan sehari-hari sangat penting. Dan itu membuat Anda tetap waspada, khususnya karena membantu Anda mengetahui apa yang dapat dilakukan pembelajaran mesin, pada dasarnya. Dan jika Anda tahu apa yang dapat dilakukannya, maka ketika Anda melanjutkan peran harian Anda, akan jauh lebih mudah bagi Anda untuk menemukan peluang untuk menanamkan pembelajaran mesin ke dalam proses. Dan saya ingin menyoroti di sini, itu tidak berarti bahwa Anda harus memiliki solusi yang sepenuhnya otomatis yang bekerja dengan mengklik tombol dan Anda dapat sepenuhnya mengotomatisasi pekerjaan Anda. Ini berarti bahwa jika Anda dapat membagi proyek tertentu yang sedang Anda kerjakan menjadi 10 bit yang berbeda, dan jika Anda dapat membantu diri Anda sendiri mengotomatisasi atau menyematkan pembelajaran mesin dan mungkin dua dari 10 ini, maka Anda dapat memiliki lebih banyak waktu untuk fokus output dari 10 ini. Atau mungkin Anda dapat menggunakan waktu ini juga untuk proyek peningkatan karir, seperti mengerjakan kepemimpinan Anda, komunikasi, dan hal-hal seperti itu. Pada dasarnya, ini tentang mengetahui kapan dan di mana harus menggunakan pembelajaran mesin. Dan cara terbaik untuk melakukannya adalah dengan membiasakan diri dengannya. Jadi latihan sehari-hari adalah kunci untuk itu.

D: Yang membawa kita ke nomor empat, ketika menghadapi tugas baru, menilai solusi tugas dan karakteristik data untuk memahami apakah pembelajaran mesin benar-benar diperlukan.

4. Menilai Tugas Baru, Solusinya, dan Karakteristik Data untuk Dipahami Saat Machine Learning Dibutuhkan

L: Ya, sekali lagi, sesuatu yang saya sentuh sebelumnya. Ada berbagai cara untuk menilai apakah pembelajaran mesin diperlukan. Dan saya sudah menyebutkan beberapa diagram alur itu. Tetapi pada dasarnya, setiap tugas yang Anda hadapi, dan mari kita, misalnya, menulis deskripsi meta, karena itu adalah sesuatu yang sering kita lakukan. Yah, kita seharusnya tidak menghabiskan terlalu banyak waktu untuk itu. Kami tahu bahwa mereka tidak terlalu penting untuk SEO, tetapi sebagai bagian dari proyek pengoptimalan halaman, itu adalah sesuatu yang harus Anda lakukan, Anda harus mengoptimalkannya.

Mari kita mendekonstruksi tugas di sini. Jika Anda mengatakan bahwa data input Anda tekstual, itu berarti ya, konten halaman adalah tekstual. Dan apa tugasnya dalam kasus itu? Apakah diawasi atau tidak diawasi? Kami tahu itu tanpa pengawasan. Karena tidak ada cara bagi kita untuk memvalidasi hasil output, kita harus melakukannya sendiri, kita tidak memiliki cara otomatis untuk melakukannya. Dalam hal ini, kita akan mencari model yang transformasional, misalnya, mengambil teks halaman, dan mengubahnya menjadi output kurang dari 160 karakter. Jadi mengambil kalimat dari teks berarti ekstraksi, atau bisa juga peringkasan. Tetapi cara lain untuk melakukannya adalah dengan menggunakan model generatif seperti GPT-3. Kami memberikan masukan, yaitu teks pada halaman, dan itu menghasilkan deskripsi meta dan menulisnya dari awal, pada dasarnya.

Kembali ke apakah itu misi-kritis, kita tahu bahwa itu tidak. Jadi pembelajaran mesin bagus untuk jenis latihan ini. Apakah boleh jika terkadang, ketika Anda menjalankan model ini untuk jenis halaman yang sama, Anda mungkin mendapatkan hasil yang berbeda? Misalnya, jika Anda menjalankan model dua kali, Anda mungkin mendapatkan dua deskripsi meta yang berbeda untuk halaman yang sama. Tidak apa-apa. Kita bisa memilih dari keduanya. Itu tidak masalah sama sekali. Apakah kami memerlukan penjelasan tentang bagaimana kami menulis deskripsi meta ini? Tidak, tidak sama sekali. Dan kami tidak perlu menjelaskan kepada pemangku kepentingan kami bagaimana kami melakukan ini. Apakah itu mengungguli metode rata-rata? Sebuah pertanyaan yang sangat penting ketika Anda ingin menilai apakah Anda ingin menggunakan pembelajaran mesin, dan kami dapat mengatakan ya, tentu saja, karena jauh lebih cepat jika Anda mengambil kerangka kerja ini dan menerapkannya pada tugas-tugas yang Anda ingin tahu apakah Anda harus menggunakan pembelajaran mesin untuk mereka atau tidak, maka Anda mungkin menemukan dengan sangat cepat tugas mana yang cocok untuk pembelajaran mesin dan tugas mana yang tidak. Sekedar memberi contoh, itu mungkin juga tergantung pada ceruknya juga, karena jika kita mengambil contoh yang sama, untuk judul dan H1, kita dapat mengatakan bahwa untuk ceruk yang sangat non-kompetitif, tidak penting dalam hal ini bukan jenis Uang Anda atau Hidup Anda, maka kita dapat mengatakan bahwa secara mutlak, dengan pendirian yang sama, ini bukanlah misi-kritis. Tugas dapat diotomatisasi, kami dapat menerapkan pembelajaran mesin, dan kami tidak perlu memberikan penjelasan tentang cara kami menulis judul dan H1. Tetapi jika kami mengatakan, misalnya, klien kami adalah HMRC, kami tahu bahwa ini sangat penting untuk mendapatkan hak ini. Kami tidak ingin menyarankan beberapa judul atau H1 atau deskripsi meta yang tidak sepenuhnya tepat sasaran. Jadi, terkadang Anda mungkin juga merasa bahwa klien atau industri tempat Anda bekerja, atau situs tertentu yang sedang Anda kerjakan, mungkin menjadi alasan mengapa Anda tidak dapat menerapkan beberapa alat ini.

D: Saya pikir itu membawa kita cukup baik ke nomor lima, yaitu ketika bekerja dengan pembelajaran mesin, memahami keterbatasannya, dan meneliti hasilnya.

5. Pahami Keterbatasan dan Cermati Hasil Pembelajaran Mesin

L: Tentu saja dan ini sangat penting karena beberapa kali saya berpikir bahwa sesuatu dapat dilakukan dengan pembelajaran mesin, dan saya telah menerapkan model atau menguji skrip atau semacamnya karena ada begitu banyak skrip di luar sana. Sejujurnya, jika Anda tahu cara mencarinya, hampir ada skrip untuk tugas apa pun yang dapat Anda pikirkan, Anda hanya perlu tahu cara menerapkannya pada masalah tertentu dalam SEO. Dan berapa kali saya menguji beberapa dan akhirnya tidak menggunakan output banyak. Jadi, Anda perlu tahu apa yang bisa dilakukan pembelajaran mesin. Saat ini pembelajaran mesin berada pada tahap di mana itu sangat baik pada tugas-tugas sempit, tetapi sebagian besar model, cara mereka dilatih, dan sebagai pemula, Anda akan sering menggunakan model pra-terlatih, Anda 'tidak akan melatih mereka sendiri. Dan itu adalah topik lain tersendiri. Tetapi jika Anda menggunakan model yang telah dilatih sebelumnya, dan Anda tidak melatihnya sendiri, sebagian besar waktu Anda akan melihat bahwa kumpulan data tempat mereka telah dilatih tidak terlalu berguna untuk industri tertentu, atau tidak sedalam yang Anda inginkan. Dan itu khususnya kasus untuk tugas berbasis teks seperti NLP dan hal-hal seperti itu.

Dan di sini, Anda hanya perlu tahu dua hal. Pertama-tama, bahkan memiliki fondasi untuk bekerja adalah hal yang cukup baik untuk dimiliki. Jika Anda tahu itu, ya, misalnya, deskripsi meta yang dihasilkan model tidak sebaik itu tetapi dapat diperbaiki. Dan jika Anda berpikir bahwa, jika Anda mengeditnya, akan jauh lebih cepat bagi Anda untuk menghasilkan hasil akhir, maka Anda harus menepuk punggung Anda sendiri, Anda telah melakukan pekerjaan dengan baik karena Anda telah menghemat banyak uang. waktu, bahkan dengan itu. Dan jika Anda berpikir bahwa outputnya tidak berguna sama sekali, bukan berarti semua machine learning tidak berguna. Itu hanya berarti bahwa untuk tugas khusus ini, model khusus yang Anda gunakan ini tidak berguna. Dan itu tidak apa-apa. Karena Anda bahkan dapat mengatakan kepada pemangku kepentingan Anda, atau klien Anda, bahwa kami menguji beberapa pendekatan, kami menguji pendekatan otomatis. Dan itu tidak berhasil karena ini dan alasan ini. Dan kemudian Anda bahkan dapat menggunakan keluaran model untuk membandingkan dan membedakan dengan keluaran yang telah dihasilkan oleh tim Anda. Jadi dalam semua kasus, menerapkan atau mencoba pembelajaran mesin akan membuat kasus Anda jauh lebih kuat. Anda hanya perlu tahu kapan harus mengatakan oke, kami mencobanya, tetapi tidak berhasil dan bagaimana menggunakannya untuk keuntungan Anda juga.

D: Dan berbicara tentang output yang membawa kita rapi ke nomor enam, yaitu bekerja secara kolaboratif dan menetapkan harapan yang masuk akal.

6. Bekerja Secara Kolaboratif dan Tetapkan Harapan yang Wajar

L: Langkah terakhir ini adalah tentang mengetahui kapan Anda membutuhkan bantuan dan mengetahui cara mendapatkan bantuan yang tepat. Dan di sini saya pikir ada beberapa hal yang dapat Anda kejar untuk mendapatkan bantuan yang Anda butuhkan. Pertama-tama, temukan teman pembelajaran mesin. Seseorang yang merupakan tipe orang yang sama denganmu. Mereka bekerja di industri yang sama. Mereka memiliki jenis masalah yang sama. Dan Anda berpikir dan menghadapi masalah dan Anda sedang meneliti untuk tugas-tugas semacam bersama-sama. Dan ketika seseorang menemukan sesuatu yang berguna untuk peran tersebut, mereka membaginya dengan teman mereka. Ini membantu Anda menjaga diri Anda bertanggung jawab, membantu Anda tetap termotivasi dan itu benar-benar hal yang sangat baik untuk dimiliki.

Solusi lain di sini adalah bergabung dengan suku seperti suku pembelajaran mesin. Sekali lagi, saya akan menelepon Jason Brownlee di sini. Dia telah membuat bagan ini, perincian dari berbagai suku pembelajaran mesin yang ada di luar sana. Dan bagi kami, sebagai SEO, kami termasuk dalam salah satu suku bisnis, jadi mereka mungkin adalah manajer yang mencoba melihat apakah otomatisasi atau pembelajaran mesin adalah solusi yang tepat untuk masalah mereka, atau apakah itu dapat digunakan untuk tim mereka, atau data suku, yang, misalnya, analis data yang mencoba sedikit lebih baik dalam memahami data. Dan alasan mengapa saya menyebutkan kedua jenis suku ini secara khusus, adalah karena jika Anda berada dalam kelompok atau komunitas seperti itu, Anda tahu bahwa orang-orang di sana berusaha untuk menemukan jenis hasil yang sama, tetapi pendekatan mereka terhadap masalah serupa. untuk Anda. Jadi, Anda tidak akan diperiksa, misalnya, jika Anda tidak mengetahui konsep lanjutan terkait pengkodean atau matematika di balik model pembelajaran mesin. Anda akan dikelilingi oleh orang-orang yang sangat bersimpati dengan jenis tantangan yang Anda hadapi. Dan itu mungkin tantangan yang berbeda. Misalnya, jika Anda berada di komunitas dengan pengembang Python, dan Anda bertanya, mengapa model saya tidak berfungsi, dan ternyata koma atau semacamnya. Anda mungkin merasa sedikit lebih teliti, tanggapan atas kueri Anda mungkin sedikit lebih keras, dan kami tidak ingin Anda merasa tidak termotivasi. Makanya saya tekankan mencari tipe komunitas yang tepat atau tipe suku yang tepat.

Dan hal ketiga adalah, dan saya pikir ini adalah sesuatu yang harus Anda terapkan, terlepas dari pendekatan apa yang Anda pilih. Itu seharusnya hanya menjangkau pengembang kapan pun Anda bisa, kapan pun Anda merasa tidak dapat menyelesaikan kueri sendiri. Jika Anda telah menghabiskan sekitar enam jam di StackOverflow, dan Anda terjebak hanya pada satu kesalahan, dan Anda merasa sangat tidak termotivasi, hubungi saja seseorang, ada begitu banyak pengembang Python yang sangat terampil, bahkan di komunitas SEO. Jika Anda menghubungi mereka, mereka mungkin telah mengalami masalah seperti itu sehingga mereka dapat memberi Anda petunjuk. Dan saya tidak mengatakan untuk menjangkau mereka, sehingga mereka dapat menulis naskah Anda untuk Anda. Tetapi mereka hanya dapat membimbing Anda ke arah yang benar. Dan itu juga bisa sangat menginspirasi dan memotivasi.

D: Lazarina, itu benar-benar brilian. Saya tahu bahwa Anda dapat berbicara selama berminggu-minggu tentang pembelajaran mesin untuk SEO. Itu hanya perkenalan singkat. Tapi itu benar-benar menunjukkan pengetahuan Anda. Dan saya yakin Anda bisa menyelami area tertentu. Akan sangat bagus untuk mendapatkan Anda kembali di beberapa titik, mungkin kami dapat membantu Anda kembali dan menyelami sesuatu seperti Python untuk SEO atau topik khusus lainnya di sana.

The Pareto Pickle - Analisis SERP untuk Peluang Baru

Mari kita akhiri dengan Pareto Pickle. Pareto mengatakan Anda bisa mendapatkan 80% dari hasil Anda dari 20% dari usaha Anda. Apa satu aktivitas SEO yang Anda rekomendasikan yang memberikan hasil luar biasa untuk tingkat usaha yang sederhana?

L: Saya sudah banyak memikirkan hal ini. Dan saya ingin mengatakan sesuatu yang menurut saya belum sering saya lakukan. Dan bagi saya, ini adalah analisis SERP. Kami memiliki banyak peluang untuk menganalisis halaman hasil mesin pencari, terutama dalam skala besar. Jadi, jika Anda telah melakukan riset kata kunci, dan Anda tahu kata kunci yang mungkin peringkat situs Anda, kata kunci yang tidak diberi peringkat, dan kesenjangan konten dan semuanya. Saya akan mengatakan bahwa jika Anda dapat melakukan analisis SERP skala luas, menggunakan alat seperti DataForSEO, dengan begitu, Anda bisa mendapatkan gambaran pasar yang sangat bagus. Seperti siapa yang memberi peringkat di mana, merek apa yang Anda lawan, bagaimana mereka menyusun judul, deskripsi meta, berapa lama konten mereka, dan segala macam analisis seperti itu. Dan jika pada tingkat itu, Anda tahu kapan dan di mana harus menerapkan pembelajaran mesin, maka aktivitas itu sendiri akan memengaruhi seluruh strategi konten Anda. Dan itu akan membuat Anda tetap pada jalurnya agar Anda tetap kompetitif di kemudian hari juga. Jadi itu adalah sesuatu yang Anda lakukan sekali untuk klien khusus ini dan lindungi dan Anda dapat menggunakan ini selama beberapa bulan ke depan untuk memandu Anda dan memengaruhi Anda dalam banyak strategi lain yang akan Anda lakukan.

D: Saya benar-benar ingin menyelami itu. Saya ingin melanjutkan dan mengajukan lebih banyak pertanyaan kepada Anda. Tapi saya tahu itu akan memakan waktu setengah jam atau lebih dan kita tidak punya waktu untuk melakukannya sekarang. Mudah-mudahan, kami akan mendapatkan Anda kembali di episode mendatang. Untuk sekarang. Saya telah menjadi tuan rumah Anda David Bain. Terima kasih banyak telah hadir di podcast In Search SEO.

L: Terima kasih banyak untuk memiliki saya, David. Itu menyenangkan.

D: Dan terima kasih telah mendengarkan.