Iniziare con l'apprendimento automatico in SEO con Lazarina Stoy

Quanto del tuo SEO stai automatizzando? E sapevi che automatizzare ciò che stai facendo attualmente potrebbe aiutarti a farlo più velocemente e con un livello di precisione maggiore?

Oggi discutiamo i sei passaggi per iniziare con l'apprendimento automatico in SEO , con un manager SEO specializzato in tutte le cose tecniche e dati. È anche una creatrice di contenuti, condivide dashboard, script e altri strumenti utili di Data Studio, aiuta e aspira altri SEO a svolgere le attività in modo un po' più efficiente. Benvenuto al responsabile SEO e data science di Intrepid Digital, Lazarina Stoy.

I passaggi sono:

1. Comprendi le tue convinzioni limitanti e superale
2. Comprendere le specifiche delle attività comuni, le specifiche delle soluzioni e le specifiche dei dati in Machine Learning
3. Esercitati ogni giorno e inizia a seguire i movimenti
4. Valuta le nuove attività, le loro soluzioni e le caratteristiche dei dati per capire quando è necessario l'apprendimento automatico
5. Comprendere i limiti e analizzare l'output dell'apprendimento automatico
6. Lavora in modo collaborativo e stabilisci aspettative ragionevoli

Apprendimento automatico SEO

Lazarina: Ciao, ecco. Felice di essere qui. Ciao.

D: Felice di averti qui. Puoi trovare Lazarina su lazarinastoy.com. Allora Lazarina, quanto tempo ci vorrà prima che le macchine prendano il controllo della SEO?

L: Spero a lungo. Dobbiamo prendere in consegna la macchina per essere più efficienti. Non ci stanno prendendo il controllo, spero.

D: Forse un collegamento neurale al cervello aiuterà.

L: Sì, saremo molto meglio di loro. Dobbiamo solo usarli correttamente. Canalizzali dove ne abbiamo bisogno.

D: C'è un po' di positività per te. Quindi oggi discutiamo i sei passaggi per iniziare con l'apprendimento automatico in SEO. Partendo dal numero uno, comprendi le tue convinzioni limitanti e superale.

1. Comprendi le tue convinzioni limitanti e superale

L: Questo piccolo passo riguarda effettivamente il pensare a cosa ti impedisce di perseguire un po' di più l'apprendimento automatico. Cosa ti impedisce di iniziare con l'automazione SEO e di fare cose che sono nuovi fantastici script e strumenti e cose del genere. Perché spesso sento molte persone davvero ispirate dalla nuova tecnologia e vogliono provarla. Ma hanno queste convinzioni limitanti che gli impediscono di farlo. E non è qualcosa di unico o specifico per il settore SEO. In realtà, questo è qualcosa che è stato ampiamente riconosciuto anche nella comunità dell'apprendimento automatico, perché è un problema che molti sviluppatori hanno in realtà, poiché non stanno iniziando con l'apprendimento automatico.

In realtà, uno scienziato dei dati molto famoso nella comunità dell'apprendimento automatico, Jason Brownlee, ha effettivamente stilato un elenco di alcune convinzioni limitanti o di alcuni motivi per cui non stai iniziando. E se devo metterle in dichiarazioni, sono spesso le cose che ci diciamo, come che devi essere un esperto di Python per iniziare o un esperto di programmazione per iniziare, oppure devi conoscere il campo dell'apprendimento automatico dalla A alla Z. O cosa fa ogni algoritmo per iniziare. O forse devi avere molto tempo libero per iniziare o devi avere un po' di tempo nella tua agenda, o il PC perfetto o qualsiasi altra cosa tu possa dire a te stesso. La cosa più difficile da superare è che pensi che sia molto difficile o impegnativo iniziare. Mentre la maggior parte degli esperti di machine learning in realtà ti dirà che l'esecuzione di un modello di machine learning richiede letteralmente tre righe di codice. Si tratta di comprendere i tuoi dati e sapere dove e quando puoi applicarli. Questa è la parte difficile.

Quindi superare queste convinzioni limitanti è il primo passo perché in realtà non è difficile iniziare. Puoi letteralmente Google Machine Learning e tutorial di 10 minuti e iniziare in piccolo e creare un'abitudine ogni singolo giorno. E in questo modo, se stai solo aspettando di iniziare e senti dei vincoli mentalmente mentre non hai iniziato, puoi vedere che è un passo molto piccolo che devi fare. Devi solo prenotare 10 minuti del tuo programma e iniziare. E una volta che esegui il tuo primo script o installi, le librerie e tutto il resto, vedrai che in realtà non è così impegnativo. E poi il gioco cambia un po', quindi devi solo vedere dove puoi applicare i modelli alla vita quotidiana di un SEO. E questa è la parte divertente ad essere onesti.

D: Capito. In sostanza, quello che stai dicendo è non lasciare che la tecnologia ti impedisca di fare le cose. Non è necessario comprendere tutti gli aspetti della tecnologia prima di iniziare effettivamente.

L: È un po' come nel campo della SEO, dove non devi capire tutto per varcare la soglia. Devi solo avere la passione e la voglia di farlo.

D: Penso che la sfida sia che molti SEO hanno la mentalità di voler capire tutto prima di fare qualcosa. Penso che abbiano quel tipo di cervello in cui hanno bisogno di capire il perché prima di fare qualcosa.

Il numero due è comprendere le specifiche delle attività comuni, le specifiche delle soluzioni e le specifiche dei dati nell'apprendimento automatico.

2. Comprendere le specifiche delle attività comuni, le specifiche delle soluzioni e le specifiche dei dati in Machine Learning

L: Sì, inizierò prima con i dati. Devi sapere quando stai cercando uno specifico... Diciamo che hai già superato il passaggio uno, hai un po' di pratica quotidiana, forse tutorial di 10 minuti, vedi che è fantastico e stravagante e sei stato facendolo per un po'. E ora incontri un compito nella tua vita quotidiana. E vuoi vedere se l'apprendimento automatico è la soluzione corretta per aiutarti a superare alcune sfide che stai affrontando. Le tre cose a cui devi pensare sono le caratteristiche dei dati che hai. Vale a dire, il set di dati a cui applicherai l'apprendimento automatico. E possono essere dati testuali, numerici o anche dati basati su immagini. Ma stiamo parlando dello scenario per principianti qui, ovviamente, hai altre cose come l'apprendimento automatico multimodale in cui applichi file video o audio e applichi loro l'apprendimento automatico. Ma stiamo solo parlando del caso del principiante qui. E la maggior parte delle volte, come SEO, i compiti che diamo al modello saranno basati su testo, quindi ad esempio il contenuto della pagina, o saranno numerici. Ad esempio, se stai cercando di prevedere il traffico organico o stai cercando di prevedere il numero di clic che otterrai e cose del genere.

E quando si tratta di caratteristiche delle attività, sappiamo che ci sono due campi principali nell'apprendimento automatico, supervisionato e non supervisionato. E abbiamo bisogno di conoscere i modelli principali che puoi, nel caso più comune, utilizzare per questi specifici tipi di attività. Quindi, per noi, apprendimento supervisionato significa che hai etichettato i dati per convalidare l'output del modello. E senza supervisione significa il contrario, non hai un modo per convalidare i risultati. Nell'apprendimento supervisionato, hai cose come la regressione, che consiste nel fare previsioni, o la classificazione, che significa dividere in gruppi in base alle classi esistenti.

Giusto per darti un esempio di entrambe queste cose, fare previsioni di cui abbiamo già parlato, come prevedere il traffico organico o cose del genere, è un buon caso, specialmente quando lavori con i big data o la suddivisione della classificazione in gruppi. Ad esempio, se hai una parte del tuo blog che hai già classificato con categorie specifiche e hai nuovi contenuti che desideri classificare in uno di questi gruppi specifici, è qui che puoi utilizzare la classificazione per aiutarti. Nell'apprendimento supervisionato, hai la riduzione della dimensionalità del cluster, che è un po' più avanzata, che probabilmente utilizzerai, come quando hai un set di dati molto ampio o quando hai un problema che in realtà non hai avere un modo per convalidare. E spesso, potresti anche essere in grado di combinare i due approcci.

Quando si tratta delle caratteristiche della soluzione, la cosa più importante da sapere è quando e dove applicare l'apprendimento automatico. Sul mio sito Web e su un blog, per la Guida per principianti all'apprendimento automatico, ho effettivamente elencato un paio di diagrammi di flusso che possono aiutarti a seguire il processo di applicazione dell'apprendimento automatico e se questo è il caso d'uso corretto per esso. Ad esempio, se non stai lavorando con i big data, allora non è l'apprendimento automatico, può letteralmente essere fatto in un foglio di calcolo e/o in un foglio Google con un paio di formule statistiche. Perché essenzialmente, in sostanza, la maggior parte dei modelli di machine learning sono esattamente questo. Statistiche. E sì, se è mission-critical, come le attività che stai svolgendo, non dovresti assolutamente fare affidamento sull'apprendimento automatico. E se hai bisogno di relazionarti con i tuoi stakeholder, il modo in cui i risultati sono stati raggiunti, o magari provare a spiegare o replicare l'output di quel modello, ci sono alcuni modelli che dovresti evitare, ad esempio, l'apprendimento automatico supervisionato o il deep learning , perché la maggior parte di loro funziona come una scatola nera. Ed è abbastanza difficile, soprattutto con i big data, replicare ciò che il modello ha fatto per raggiungere l'output.

Molti spunti di riflessione qui. Ma voglio solo dire che se capisci queste tre cose e sei in grado di dire per il tuo problema specifico: "Ok, i miei dati sono testuali. Il modello di cui ho bisogno è basato sulla regressione o forse sulla classificazione o altro è come se dovessi individuare quali sono i tuoi dati, qual è il tuo compito. E devi capire che tipo di soluzione stai cercando. E se puoi farlo, sarà molto più semplice per trovare le risorse appropriate per aiutarti con il tuo obiettivo.

D: E il numero tre è abilitare la pratica quotidiana e iniziare a seguire i movimenti.

3. Esercitati quotidianamente e inizia a seguire i movimenti

L: Penso di aver toccato questo in un passaggio precedente, ma la pratica quotidiana è fondamentale. E ciò che significa per me personalmente è che mi piacerebbe fare qualcosa relativo a Python perché è il mio linguaggio di riferimento. Ma potrebbe essere JavaScript, qualsiasi altro linguaggio che ti interessa e puoi trovare risorse sufficienti per l'apprendimento automatico e provare a fare qualcosa di correlato all'apprendimento automatico ogni giorno. Ora, questo potrebbe non essere un progetto completo, sai, ogni singolo giorno, perché potrebbe richiedere molto tempo, specialmente se stai lavorando a un grande progetto. Ma potrebbe essere capire, ad esempio, come funzionano le funzioni, eseguire un modello basato sui dati storici di cui disponi o forse incorporare l'apprendimento automatico nel tuo audit, trovare nuovi modi per testare l'apprendimento automatico. Quindi la pratica quotidiana è fondamentale. E ti tiene all'erta, in particolare perché ti aiuta a scoprire cosa può fare l'apprendimento automatico, in sostanza. E se sai cosa può fare, quando andrai avanti con il tuo ruolo quotidiano, sarà molto più facile per te trovare opportunità per incorporare l'apprendimento automatico nei processi. E voglio sottolineare qui che non significa che dovresti avere soluzioni completamente automatizzate che funzionano con un clic di un pulsante e puoi automatizzare completamente il tuo lavoro. Significa che se puoi dividere il progetto specifico su cui stai lavorando in 10 bit diversi e se puoi aiutarti ad automatizzare o incorporare l'apprendimento automatico e forse due di questi 10, allora puoi avere molto più tempo su cui concentrarti l'output del resto di questi 10. O forse puoi usare anche questo tempo per progetti di avanzamento di carriera, come lavorare sulla tua leadership, comunicazione e cose del genere. In sostanza, si tratta di sapere quando e dove utilizzare l'apprendimento automatico. E il modo migliore per farlo è familiarizzare con esso. Quindi la pratica quotidiana è la chiave per questo.

D: Il che ci porta al numero quattro, quando incontriamo nuove attività, valutiamo la soluzione dell'attività e le caratteristiche dei dati per capire se l'apprendimento automatico è davvero necessario.

4. Valuta le nuove attività, le loro soluzioni e le caratteristiche dei dati per capire quando è necessario l'apprendimento automatico

L: Sì, di nuovo, qualcosa che ho toccato prima. Esistono diversi modi per valutare se è necessario l'apprendimento automatico. E ho già menzionato quei due diagrammi di flusso. Ma essenzialmente, ogni singola attività che incontri, e prendiamo, ad esempio, la scrittura di meta descrizioni, perché è qualcosa che facciamo abbastanza spesso. Beh, non dovremmo dedicarci troppo tempo. Sappiamo che non sono molto importanti per la SEO, ma come parte di un progetto di ottimizzazione on-page, è qualcosa che dovresti fare, dovresti ottimizzarli.

Decostruiamo un compito qui. Se dici che i tuoi dati di input sono testuali, significa che sì, il contenuto della pagina è testuale. E qual è il compito in quel caso? È sorvegliato o non sorvegliato? Sappiamo che è senza supervisione. Poiché non c'è modo per noi di convalidare i risultati dell'output, dobbiamo farlo da soli, non abbiamo un modo automatizzato per farlo. In tal caso, cercheremo un modello trasformativo, ad esempio, prendendo il testo della pagina e trasformandolo in un output di meno di 160 caratteri. Quindi prendere frasi dal testo significa estrazione, oppure può essere anche sintesi. Ma un altro modo per farlo è usare un modello generativo come GPT-3. Gli diamo l'input, cioè il testo sulla pagina, e genera le meta descrizioni e le scrive da zero, essenzialmente.

Tornando al punto se è mission-critical, sappiamo che non lo è. Quindi l'apprendimento automatico è buono per questo tipo di esercizio. Va bene che a volte, quando esegui questo modello per lo stesso tipo di pagina, potresti ottenere output diversi? Ad esempio, se esegui il modello due volte, potresti ottenere due meta descrizioni diverse per la stessa pagina. Va assolutamente bene. Possiamo scegliere tra entrambi. Non è affatto un problema. Abbiamo bisogno di una spiegazione di come abbiamo scritto queste meta descrizioni? No, per niente. E non avremmo bisogno di spiegare ai nostri stakeholder come lo abbiamo fatto. Supera i metodi medi? Una domanda molto importante quando vuoi valutare se vuoi usare l'apprendimento automatico, e possiamo dire di sì, assolutamente, perché è molto più veloce se prendi questo framework e lo applichi alle attività che ti stai chiedendo se dovresti usare machine learning per loro o meno, allora potresti scoprire molto rapidamente quali attività sono adatte per l'apprendimento automatico e quali no. Tanto per farti un esempio, che potrebbe dipendere anche dalla nicchia, perché se prendiamo lo stesso esempio assoluto, per titoli e H1, potremmo dire che per una nicchia molto non competitiva, non è importante in termini di non è il tipo di cosa Your Money o Your Life, quindi potremmo dire che assolutamente, la stessa posizione, non è mission-critical. Le attività possono essere automatizzate, possiamo implementare l'apprendimento automatico e non abbiamo bisogno di fornire spiegazioni su come abbiamo scritto i titoli e gli H1. Ma se diciamo, per esempio, che il nostro cliente è HMRC, sappiamo che questo è molto importante per farlo bene. Non vogliamo suggerire alcuni titoli o H1 o meta descrizioni che non sono completamente azzeccati. Quindi a volte potresti anche pensare che il tuo cliente o il settore in cui lavori, o il sito particolare su cui stai lavorando, potrebbero essere il motivo per cui non puoi implementare alcuni di questi strumenti.

D: Penso che questo ci porti abbastanza bene fino al numero cinque, ovvero quando si lavora con l'apprendimento automatico, comprendendo i suoi limiti e esaminando l'output.

5. Comprendere i limiti e analizzare l'output dell'apprendimento automatico

L: Assolutamente e questo è molto importante a causa del numero di volte in cui ho pensato che si potesse fare qualcosa con l'apprendimento automatico, e ho implementato un modello o testato uno script o qualcosa del genere perché ci sono così tanti script là fuori. Onestamente, se sai come cercarli, c'è quasi uno script per qualsiasi attività che ti viene in mente, devi solo sapere come implementarlo per il particolare problema in SEO. E la quantità di volte in cui ne ho testati alcuni e ho finito per non utilizzare l'output è molto. Quindi devi sapere cosa può fare l'apprendimento automatico. In questo momento l'apprendimento automatico è in una fase in cui è molto bravo in compiti ristretti, ma la maggior parte dei modelli, il modo in cui vengono addestrati e, come principiante, utilizzerai per la maggior parte del tempo modelli pre-addestrati, tu non li allenerai tu stesso. E questo è tutto un altro argomento a sé stante. Ma se stai usando modelli pre-addestrati e non li stai addestrando da solo, la maggior parte delle volte vedrai che il set di dati su cui sono stati addestrati non è particolarmente utile per il particolare settore, oppure è non così approfondito come vorresti che fosse. E questo è particolarmente vero per le attività basate su testo come la NLP e cose del genere.

E qui, devi solo sapere due cose. Prima di tutto, anche avere una base su cui lavorare è una cosa abbastanza buona da avere. Se lo sai, sì, ad esempio, le meta descrizioni generate dal modello non sono così buone ma possono essere corrette. E se pensi che, se li modifichi, sarà molto più veloce per te generare l'output finale, allora dovresti darti una pacca sulla spalla, hai fatto un ottimo lavoro perché ti sei risparmiato un sacco di tempo, anche con quello. E se pensi che l'output non sia affatto utile, ciò non significa che tutto il machine learning non sia utile. Ciò significa solo che per questa attività specifica, questo modello specifico che hai utilizzato non è stato utile. E questo è perfettamente a posto. Perché puoi anche dire al tuo stakeholder, o al tuo cliente, che abbiamo testato alcuni approcci, abbiamo testato un approccio automatizzato. E non ha funzionato per questo e per questo motivo. E poi puoi anche utilizzare l'output del modello per confrontare e contrastare l'output che il tuo team ha generato. Quindi, in tutti i casi, implementare o provare l'apprendimento automatico renderà il tuo caso molto più forte. Devi solo sapere quando dire ok, ci abbiamo provato, ma non ha funzionato e anche come usarlo a tuo vantaggio.

D: E parlando di risultati che ci portano esattamente al numero sei, ovvero lavorare in modo collaborativo e stabilire aspettative ragionevoli.

6. Lavorare in modo collaborativo e stabilire aspettative ragionevoli

L: Quest'ultimo passaggio riguarda il sapere quando hai bisogno di aiuto e sapere come ottenere l'aiuto giusto. E qui penso che ci siano alcune cose che puoi perseguire per ottenere l'aiuto di cui hai bisogno. Prima di tutto, trova un compagno di apprendimento automatico. Qualcuno che è il tuo stesso tipo di persona. Lavorano nello stesso settore. Hanno lo stesso tipo di problemi. E stai pensando e incontrando problemi e stai cercando compiti un po' insieme. E quando qualcuno trova qualcosa che è utile per il ruolo, lo condivide con il suo amico. Ti aiuta a mantenerti responsabile, ti aiuta a mantenerti motivato ed è davvero un'ottima cosa da avere.

Un'altra soluzione qui sarebbe quella di entrare a far parte di una tribù come una tribù di apprendimento automatico. Ancora una volta, chiamerò Jason Brownlee qui. Ha creato questo grafico, una ripartizione delle diverse tribù di apprendimento automatico che sono là fuori. E per noi, come SEO, apparteniamo a una tribù di business, quindi quelli potrebbero essere manager che stanno cercando di vedere se l'automazione o l'apprendimento automatico sono la soluzione corretta per il loro problema, o se possono essere utilizzati per il loro team o per i dati tribù, che sono, ad esempio, analisti di dati che stanno cercando di essere un po' più bravi nella comprensione dei dati. E il motivo per cui ho menzionato specificamente questi due tipi di tribù, è che se fai parte di un gruppo o di una comunità del genere, sai che le persone lì stanno cercando di trovare lo stesso tipo di risultati, ma il loro approccio al problema è simile al tuo. Quindi non verrai esaminato, ad esempio, se non conosci i concetti avanzati relativi alla codifica o la matematica dietro il modello di apprendimento automatico. Sarai circondato da persone che sono molto comprensive per il tipo di sfide che hai. E potrebbero essere sfide diverse. Ad esempio, se sei in una comunità con sviluppatori Python e ti stai chiedendo perché il mio modello non funziona e risulta essere una virgola o qualcosa del genere. Potresti sentirti un po' più controllato, le risposte alla tua domanda potrebbero essere un po' più dure e non vogliamo che ti senta demotivato. Ecco perché sottolineo trovare il giusto tipo di comunità o il giusto tipo di tribù.

E la terza cosa è, e penso che questo sia qualcosa che dovresti applicare, indipendentemente dall'approccio che scegli. Dovrebbe essere solo contattare gli sviluppatori ogni volta che puoi, ogni volta che ritieni di non poter risolvere la query da solo. Se hai passato circa sei ore su StackOverflow e sei bloccato su un solo errore e ti senti super demotivato, contatta qualcuno, ci sono così tanti sviluppatori Python super qualificati, anche nella comunità SEO. Se li contatti, potrebbero aver già riscontrato un problema del genere, quindi potrebbero darti indicazioni. E non sto dicendo di contattarli, così possono scrivere la tua sceneggiatura per te. Ma possono solo guidarti nella giusta direzione. E anche questo può essere molto stimolante e motivante.

D: Lazarina, è stato assolutamente geniale. So che puoi parlare per settimane di machine learning per SEO. Quella era solo una breve introduzione. Ma dimostra davvero la tua conoscenza. E sono sicuro che puoi tuffarti in aree specifiche. Sarebbe fantastico riaverti indietro ad un certo punto, forse possiamo riportarti indietro e tuffarci in qualcosa come Python per SEO o qualche altro argomento più di nicchia lì.

The Pareto Pickle - Analizza la SERP per nuove opportunità

Chiudiamo con il Pareto Pickle. Pareto dice che puoi ottenere l'80% dei tuoi risultati dal 20% dei tuoi sforzi. Qual è un'attività SEO che consiglieresti che fornisce risultati incredibili per livelli di impegno modesti?

L: Ci ho pensato molto. E volevo dire qualcosa che penso di non aver visto fare così spesso. E per me, è l'analisi SERP. Abbiamo molte opportunità per analizzare le pagine dei risultati dei motori di ricerca, soprattutto su larga scala. Quindi, se hai già fatto la tua ricerca di parole chiave e conosci le parole chiave in cui forse il tuo sito è in classifica, quelle in cui il sito non è in classifica e il divario di contenuto e tutto il resto. Direi che se riesci a fare un'analisi SERP su larga scala, usando uno strumento come DataForSEO, in questo modo, puoi ottenere un'immagine molto buona del mercato. Ad esempio, chi si classifica in quale posizione, con quali marchi stai gareggiando, come strutturano i loro titoli, meta descrizioni, quanto è lungo il loro contenuto e ogni tipo di analisi del genere. E se a quel livello sai quando e dove implementare l'apprendimento automatico, allora quell'attività da sola influenzerà l'intera strategia dei contenuti. E ti manterrà in carreggiata per rimanere competitivo anche in seguito. Quindi è qualcosa che fai una volta per questo specifico cliente e proteggi e puoi usarlo per un paio di mesi per guidarti e influenzarti in molte delle altre strategie che farai.

D: Voglio davvero immergermi in questo. Voglio andare avanti e farti altre domande. Ma so che ci vorrà circa mezz'ora in più e non abbiamo tempo per farlo proprio ora. Se tutto va bene, ti ritroveremo in un episodio futuro. Per adesso. Sono stato il tuo ospite David Bain. Grazie mille per essere presente nel podcast In Search SEO.

L: Grazie mille per avermi ospitato, David. È stato un piacere.

D: E grazie per l'ascolto.