Lazarina Stoy와 함께 SEO에서 머신 러닝 시작하기

SEO를 얼마나 자동화하고 있습니까? 그리고 현재 하고 있는 일을 자동화하면 더 빠르고 정확하게 수행하는 데 도움이 될 수 있다는 사실을 알고 계셨습니까?

오늘 우리는 SEO에서 기계 학습을 시작하기 위한 6단계에 대해 기술 및 데이터의 모든 것을 전문으로 하는 SEO 관리자와 함께 논의하고 있습니다. 그녀는 또한 데이터 스튜디오 대시보드, 스크립트 및 기타 유용한 도구를 공유하는 콘텐츠 제작자이며 다른 SEO가 작업을 좀 더 효율적으로 처리할 수 있도록 돕고 있습니다. Intrepid Digital의 SEO 및 데이터 과학 관리자인 Lazarina Stoy에 오신 것을 환영합니다.

단계는 다음과 같습니다.

1. 당신의 제한적인 믿음을 이해하고 그것을 극복하십시오
2. 기계 학습의 일반적인 작업 사양, 솔루션 사양 및 데이터 사양 이해
3. 매일 연습하고 운동을 시작하십시오
4. 기계 학습이 필요할 때 이해하기 위해 새로운 작업, 솔루션 및 데이터 특성 평가
5. 기계 학습의 한계를 이해하고 결과를 면밀히 조사
6. 협력하고 합리적인 기대치를 설정하십시오

SEO 기계 학습

라자리나: 안녕하세요. 이곳에 오게 되어 기쁩니다. 안녕하세요.

D: 당신이 여기 있어서 기쁩니다. Lazarinastoy.com에서 Lazarina를 찾을 수 있습니다. 그래서 Lazarina, 기계가 SEO를 인수할 때까지 얼마나 걸립니까?

L: 오래오래 바랍니다. 우리가 더 효율적으로 일할 수 있도록 기계를 인수해야 합니다. 그들은 우리를 인수하지 않습니다.

D: 아마도 뇌에 대한 신경 연결이 도움이 될 것입니다.

L: 예, 우리는 그들보다 훨씬 나아질 것입니다. 우리는 그것들을 적절하게 사용하기만 하면 됩니다. 필요한 곳으로 채널을 보내십시오.

D: 당신에게 긍정적인 부분이 있습니다. 그래서 오늘 우리는 SEO에서 머신 러닝을 시작하기 위한 6단계에 대해 논의하고 있습니다. 1번부터 시작하여 자신의 제한적 신념을 이해하고 극복하십시오.

1. 당신의 제한적인 믿음을 이해하고 그것을 극복하십시오

L: 이 작은 단계는 실제로 기계 학습을 조금 더 추구하는 데 방해가 되는 요소에 대해 실제로 생각하는 것입니다. SEO 자동화를 시작하고 멋진 새 스크립트 및 도구와 같은 일을 하는 것을 막는 이유는 무엇입니까? 종종 저는 많은 사람들이 새로운 기술에 정말 영감을 받고 시도하고 싶어한다는 말을 듣습니다. 그러나 그들은 그렇게 하지 못하도록 막는 이러한 제한적인 믿음을 가지고 있습니다. 그리고 그것은 SEO 업계에 고유하거나 특정한 것이 아닙니다. 사실 이것은 머신러닝 커뮤니티에서도 아주 널리 인정받고 있는 부분입니다. 왜냐하면 스스로 머신러닝을 시작하지 않은 개발자들이 실제로 많이 겪는 문제이기 때문입니다.

실제로, 기계 학습 커뮤니티에서 매우 유명한 데이터 과학자인 Jason Brownlee는 실제로 몇 가지 제한적인 신념 또는 시작하지 않는 몇 가지 이유의 목록을 만들었습니다. 그리고 그것들을 문장에 넣어야 한다면, 그것은 종종 우리가 스스로에게 하는 말입니다. 예를 들어 시작하려면 Python 전문가가 되어야 하고, 시작하려면 코딩 전문가가 되어야 하거나, A부터 기계 학습 분야를 알아야 합니다. Z. 또는 시작하기 위해 각 알고리즘이 수행하는 작업. 또는 시작하기 위해 많은 자유 시간이 있어야 하거나 일정에 약간의 시간이 있어야 하거나 완벽한 PC 또는 스스로에게 할 수 있는 모든 것이 있을 수 있습니다. 극복하기 가장 어려운 것은 시작하는 것이 매우 어렵거나 어렵다고 생각하는 것입니다. 대부분의 기계 학습 전문가는 실제로 기계 학습 모델을 실행하는 데 세 줄의 코드가 필요하다고 말합니다. 데이터를 이해하고 언제 어디서 데이터를 적용할 수 있는지 아는 것입니다. 그게 어려운 부분입니다.

따라서 이러한 제한적인 믿음을 극복하는 것이 첫 번째 단계입니다. 실제로 시작하는 것은 어렵지 않기 때문입니다. 말 그대로 구글 머신 러닝과 10분짜리 튜토리얼을 통해 매일 작게 시작하여 습관을 만들 수 있습니다. 그렇게 하면 시작하기를 기다리고 있고 아직 시작하지 않은 상태에서 정신적으로 어떤 제약을 느낀다면 수행해야 하는 아주 작은 단계라는 것을 알 수 있습니다. 10분의 일정을 예약하고 시작하기만 하면 됩니다. 그리고 일단 첫 번째 스크립트를 실행하거나 라이브러리와 모든 것을 설치하면 실제로 그렇게 어렵지 않다는 것을 알게 될 것입니다. 그런 다음 게임이 약간 바뀌고 SEO의 일상 생활에 모델을 적용할 수 있는 위치를 확인하기만 하면 됩니다. 그리고 솔직히 말하면 재미있는 부분입니다.

D: 알겠습니다. 본질적으로, 당신이 말하는 것은 기술이 당신이 일을 하는 것을 막도록 두지 말라는 것입니다. 실제로 시작하기 전에 기술의 모든 측면을 이해할 필요는 없습니다.

L: 그것은 당신이 문을 통과하기 위해 모든 것을 이해할 필요가 없는 SEO 분야와 매우 비슷합니다. 하고자 하는 열정과 의욕만 있으면 됩니다.

D: 문제는 많은 SEO가 무언가를 하기 전에 모든 것을 이해하고 싶어한다는 사고방식을 가지고 있다는 것입니다. 나는 그들이 무언가를 하기 전에 그 이유를 이해할 필요가 있는 그런 종류의 두뇌를 가지고 있다고 생각합니다.

두 번째는 기계 학습의 일반적인 작업 사양, 솔루션 사양 및 데이터 사양을 이해하는 것입니다.

2. 머신 러닝의 공통 작업 사양, 솔루션 사양 및 데이터 사양 이해

L: 네, 먼저 데이터부터 시작하겠습니다. 특정 항목을 검색할 때 알아야 합니다... 예를 들어, 이미 1단계를 통과했고, 매일 연습이 있고, 10분 정도의 자습서가 있습니다. 이것이 매우 멋지고 멋진 것을 알 수 있습니다. 잠시 하고 있습니다. 이제 일상 생활에서 일종의 작업에 직면하게 됩니다. 그리고 기계 학습이 직면한 몇 가지 문제를 극복하는 데 도움이 되는 올바른 솔루션인지 확인하고 싶습니다. 당신이 생각해야 할 세 가지는 당신이 가지고 있는 데이터 특성입니다. 즉, 기계 학습을 적용할 데이터 세트입니다. 텍스트, 숫자 데이터 또는 이미지 기반 데이터일 수도 있습니다. 그러나 여기서 우리는 초보자 시나리오에 대해 이야기하고 있습니다. 물론 비디오 또는 오디오 파일을 적용하고 여기에 기계 학습을 적용하는 다중 모드 기계 학습과 같은 다른 것들이 있습니다. 그러나 우리는 여기서 초보자의 경우에 대해 이야기하고 있습니다. 그리고 대부분의 경우 SEO로서 우리가 모델에 제공하는 작업은 텍스트 기반이 될 것이므로 예를 들어 페이지의 콘텐츠 또는 숫자가 될 것입니다. 예를 들어, 유기적 트래픽을 예측하려고 하거나 얻을 수 있는 클릭 수 등을 예측하려고 하는 경우입니다.

그리고 작업 특성과 관련하여 머신 러닝에는 지도 및 비지도의 두 가지 주요 분야가 있다는 것을 알고 있습니다. 그리고 가장 일반적인 경우 이러한 특정 유형의 작업에 사용할 수 있는 주요 모델을 알아야 합니다. 따라서 우리에게 지도 학습은 모델의 출력을 검증하기 위해 데이터에 레이블을 지정했음을 의미합니다. 그리고 unsupervised는 그 반대를 의미합니다. 결과를 검증할 방법이 없습니다. 지도 학습에는 예측을 수행하는 회귀 또는 기존 클래스를 기반으로 그룹으로 나누는 것을 의미하는 분류와 같은 것이 있습니다.

이 두 가지에 대한 예를 들자면, 유기적 트래픽이나 이와 유사한 것을 예측하는 것과 같이 이미 논의한 예측을 하는 것은 특히 빅 데이터로 작업하거나 분류를 그룹으로 나눌 때 좋은 경우입니다. 예를 들어, 블로그에서 이미 특정 카테고리로 분류한 부분이 있고 이러한 특정 그룹 중 하나로 분류하려는 새 콘텐츠가 있는 경우 분류를 사용하여 도움을 받을 수 있습니다. 지도 학습에서는 클러스터링 차원 축소가 있는데, 이는 약간 더 발전된 것으로, 매우 큰 데이터 세트가 있거나 실제로 사용하지 않는 문제가 있을 때 사용할 수 있습니다. 확인하는 방법이 있습니다. 그리고 종종 두 가지 접근 방식을 결합할 수도 있습니다.

솔루션 특성과 관련하여 가장 중요한 것은 머신 러닝을 적용해야 하는 시기와 위치입니다. 내 웹사이트와 블로그에서 기계 학습에 대한 초보자 가이드를 위해 실제로 기계 학습을 적용하는 방법과 이것이 올바른 사용 사례인지 여부에 대한 프로세스를 진행하는 데 도움이 될 수 있는 몇 가지 순서도를 나열했습니다. 예를 들어 빅 데이터로 작업하지 않는 경우 머신 러닝이 아닙니다. 말 그대로 스프레드시트나 몇 가지 통계 공식이 있는 Google 시트에서 수행할 수 있습니다. 본질적으로 대부분의 기계 학습 모델이 그 핵심이기 때문입니다. 통계. 그리고 네, 수행 중인 작업과 같이 미션 크리티컬한 작업이라면 기계 학습에 전혀 의존해서는 안 됩니다. 그리고 이해 관계자와 관계를 맺어야 하는 경우 결과가 달성된 방식, 또는 해당 모델의 출력을 설명하거나 복제하려는 경우 지도 머신 러닝 또는 딥 러닝과 같이 피해야 하는 특정 모델이 있습니다. , 대부분이 일종의 블랙박스처럼 작동하기 때문입니다. 그리고 특히 빅 데이터가 출력에 도달하기 위해 모델이 수행한 작업을 복제하는 것은 매우 어렵습니다.

여기에서 생각할 거리가 많습니다. 하지만 이 세 가지를 이해하고 특정 문제에 대해 "좋아, 내 데이터는 텍스트입니다. 내가 필요한 모델은 회귀 기반이거나 분류 기반이거나 무엇이든 상관없습니다. 데이터가 무엇인지, 작업이 무엇인지 정확히 파악해야 하는 것과 같습니다. 그리고 찾고자 하는 솔루션 유형이 무엇인지 이해해야 합니다. 그렇게 할 수 있다면 훨씬 더 쉬울 것입니다. 목표 달성에 도움이 되는 적절한 리소스를 찾을 수 있습니다.

D: 세 번째는 일상적인 연습을 가능하게 하고 동작을 시작하는 것입니다.

3. 매일 연습하고 운동을 시작하십시오

L: 이전 단계에서 다뤘던 것 같은데 일상적인 연습이 중요합니다. 그것이 나에게 개인적으로 의미하는 바는 Python과 관련된 일을 하고 싶다는 것입니다. 왜냐하면 Python이 제가 주로 사용하는 언어이기 때문입니다. 하지만 JavaScript일 수도 있고, 관심 있는 다른 언어일 수도 있고, 기계 학습을 위한 충분한 리소스를 찾고 매일 기계 학습과 관련된 무언가를 시도할 수 있습니다. 자, 알다시피, 매일 프로젝트를 진행하는 것이 본격적인 것은 아닐 수도 있습니다. 왜냐하면 특히 큰 프로젝트에서 작업하는 경우에는 많은 시간이 걸릴 수 있기 때문입니다. 그러나 예를 들어 기능이 작동하는 방식을 이해하거나 보유하고 있는 과거 데이터를 기반으로 모델을 실행하거나 기계 학습을 감사에 통합하여 기계 학습을 테스트하는 새로운 방법을 찾을 수 있습니다. 그래서 매일의 연습이 중요합니다. 특히 기계 학습이 본질적으로 무엇을 할 수 있는지 알아내는 데 도움이 되기 때문에 계속 긴장을 하게 됩니다. 그리고 그것이 무엇을 할 수 있는지 안다면 일상적인 역할을 수행할 때 기계 학습을 프로세스에 포함할 기회를 훨씬 더 쉽게 찾을 수 있을 것입니다. 여기에서 강조하고 싶은 것은 버튼 클릭으로 작동하는 완전히 자동화된 솔루션이 있어야 하고 작업을 완전히 자동화할 수 있다는 의미가 아닙니다. 즉, 작업 중인 특정 프로젝트를 10개의 다른 비트로 나눌 수 있고 머신 러닝을 자동화하거나 내장하는 데 도움이 되고 이 10개 중 2개를 할 수 있다면 집중하는 데 훨씬 더 많은 시간을 할애할 수 있습니다. 나머지 10개의 결과입니다. 또는 이 시간을 리더십, 커뮤니케이션 및 이와 유사한 작업과 같은 경력 개발 프로젝트에도 사용할 수 있습니다. 기본적으로 머신 러닝을 언제 어디서 사용해야 하는지 아는 것입니다. 그리고 이것을 하는 가장 좋은 방법은 그것에 익숙해지는 것입니다. 그래서 매일의 연습이 중요합니다.

D: 네 번째로 새로운 작업이 발생하면 작업 솔루션과 데이터 특성을 평가하여 머신 러닝이 실제로 필요한지 여부를 파악합니다.

4. 머신 러닝이 필요할 때 이해하기 위해 새로운 작업, 솔루션 및 데이터 특성 평가

L: 네, 다시 말씀드리지만 전에 만졌던 것입니다. 기계 학습이 필요한지 여부를 평가할 수 있는 다양한 방법이 있습니다. 그리고 나는 이미 그 몇 가지 순서도를 언급했습니다. 그러나 본질적으로 마주치는 모든 단일 작업을 예로 들어 보겠습니다. 메타 설명을 작성하는 것은 우리가 꽤 자주 하는 일이기 때문입니다. 글쎄, 우리는 그것에 너무 많은 시간을 할애해서는 안됩니다. SEO에서는 이것이 그다지 중요하지 않다는 것을 알고 있지만 온페이지 최적화 프로젝트의 일부로 이를 최적화해야 합니다.

여기서 작업을 분해해 보겠습니다. 입력 데이터가 텍스트라고 말하면 페이지 내용이 텍스트임을 의미합니다. 그리고 그 경우의 과제는 무엇입니까? 감독 또는 비 감독입니까? 우리는 그것이 감독되지 않는다는 것을 알고 있습니다. 출력 결과를 검증할 방법이 없기 때문에 우리 스스로 해야 하고 자동화된 방법이 없습니다. 이 경우, 예를 들어 페이지의 텍스트를 가져와 160자 미만의 출력으로 변환하는 변형 모델을 찾을 것입니다. 따라서 텍스트에서 문장을 취하는 것은 추출을 의미하거나 요약일 수도 있습니다. 그러나 이를 수행하는 또 다른 방법은 GPT-3과 같은 생성 모델을 사용하는 것입니다. 페이지의 텍스트와 같은 입력을 제공하면 메타 설명이 생성되고 기본적으로 처음부터 작성됩니다.

미션 크리티컬 여부로 돌아가서 그렇지 않다는 것을 알고 있습니다. 따라서 머신 러닝은 이러한 유형의 운동에 좋습니다. 때때로 동일한 유형의 페이지에 대해 이 모델을 실행할 때 다른 출력을 얻을 수 있다고 해도 괜찮습니까? 예를 들어, 모델을 두 번 실행하면 동일한 페이지에 대해 두 개의 다른 메타 설명을 얻을 수 있습니다. 괜찮습니다. 우리는 둘 중 하나를 선택할 수 있습니다. 전혀 문제가 되지 않습니다. 이러한 메타 설명을 작성하는 방법에 대한 설명이 필요합니까? 아니, 전혀. 그리고 이해 관계자들에게 우리가 이것을 어떻게 했는지 설명할 필요가 없습니다. 평균적인 방법을 능가합니까? 기계 학습을 사용할지 여부를 평가하고 싶을 때 매우 중요한 질문이며 절대적으로 예라고 말할 수 있습니다. 이 프레임워크를 사용해야 하는지 여부를 궁금해하는 작업에 적용하면 훨씬 더 빠르기 때문입니다. 머신 러닝이 필요한지 여부에 따라 머신 러닝에 적합한 작업과 그렇지 않은 작업을 매우 빠르게 찾을 수 있습니다. 예를 들자면, 그것은 또한 틈새 시장에 따라 달라질 수 있습니다. 왜냐하면 우리가 타이틀과 H1에 대해 절대적으로 동일한 예를 취한다면 우리는 매우 비경쟁적이며 중요하지 않은 틈새 시장에 대해 말할 수 있습니다 그것은 당신의 돈이나 당신의 삶의 유형이 아닙니다. 그렇다면 우리는 절대적으로 같은 입장이지만 미션 크리티컬하지 않다고 말할 수 있습니다. 작업을 자동화할 수 있고 기계 학습을 구현할 수 있으며 제목과 H1을 작성하는 방법에 대해 설명할 필요가 없습니다. 그러나 예를 들어 클라이언트가 HMRC라고 하면 이 작업을 올바르게 수행하는 데 이것이 매우 중요하다는 것을 알고 있습니다. 우리는 완전히 요점에 맞지 않는 일부 제목이나 H1 또는 메타 설명을 제안하고 싶지 않습니다. 따라서 때때로 고객이나 귀하가 일하는 업계 또는 작업 중인 특정 사이트 때문에 이러한 도구 중 일부를 구현할 수 없다고 느낄 수도 있습니다.

D: 제 생각에는 기계 학습으로 작업하고 한계를 이해하고 결과를 면밀히 조사할 때인 5번까지 우리를 꽤 훌륭하게 이끌었다고 생각합니다.

5. 기계 학습의 한계를 이해하고 결과를 면밀히 조사

L: 물론이고 이것은 머신 러닝으로 뭔가 할 수 있다고 생각한 횟수가 많기 때문에 매우 중요합니다. 스크립트가 너무 많기 때문에 모델을 구현하거나 스크립트 또는 이와 유사한 것을 테스트했습니다. 저 밖에. 솔직히 검색하는 방법을 안다면 생각할 수 있는 모든 작업에 대한 스크립트가 거의 있습니다. SEO의 특정 문제에 구현하는 방법만 알면 됩니다. 그리고 내가 일부를 테스트하고 결과를 사용하지 않은 횟수는 많습니다. 따라서 기계 학습이 무엇을 할 수 있는지 알아야 합니다. 현재 머신러닝은 협소한 작업을 아주 잘하는 단계인데, 대부분의 모델이 학습되는 방식이고, 초심자라면 대부분의 시간을 사전 학습된 모델을 사용하게 될 것이고, 그들 자신을 훈련하지 않을 것입니다. 그리고 그것은 그 자체로 완전히 다른 주제입니다. 그러나 사전 훈련된 모델을 사용하고 있고 직접 훈련하지 않은 경우 대부분의 경우 훈련된 데이터 세트가 특정 산업에 특히 유용하지 않거나 원하는 만큼 깊이가 없습니다. NLP와 같은 텍스트 기반 작업의 경우 특히 그렇습니다.

그리고 여기서 두 가지만 알면 됩니다. 우선, 작업할 기반이 있는 것만으로도 충분합니다. 예를 들어, 모델이 생성한 메타 설명이 좋지 않다는 것을 알고 있다면 수정할 수 있습니다. 그리고 만약 당신이 그것들을 편집한다면, 당신이 최종 출력을 생성하는 것이 훨씬 더 빨라질 것이라고 생각한다면, 당신은 스스로를 두드려야 합니다. 당신은 자신에게 엄청난 양의 비용을 절약했기 때문에 훌륭한 일을 한 것입니다. 시간, 그것으로도. 출력이 전혀 유용하지 않다고 생각한다고 해서 모든 기계 학습이 유용하지 않다는 의미는 아닙니다. 이는 이 특정 작업에 대해 사용했던 이 특정 모델이 유용하지 않았음을 의미합니다. 그리고 그것은 완벽하게 괜찮습니다. 이해 관계자나 고객에게 몇 가지 접근 방식을 테스트했다고 말할 수도 있기 때문에 자동화된 접근 방식을 테스트했습니다. 그리고 이것과 이것 때문에 작동하지 않았습니다. 그런 다음 모델의 출력을 사용하여 팀에서 생성한 출력과 비교 및 ​​대조할 수도 있습니다. 따라서 모든 경우에 기계 학습을 구현하거나 시도하는 것은 귀하의 사례를 훨씬 더 강력하게 만들 것입니다. 당신은 언제 OK라고 말해야 하는지 알아야 합니다. 우리는 그것을 시도했지만 작동하지 않았으며 이것을 당신에게 유리하게 사용하는 방법도 알고 있습니다.

D: 그리고 우리를 6번으로 깔끔하게 이끄는 결과물에 대해 이야기합니다. 그것은 협력적으로 일하고 합리적인 기대치를 설정하는 것입니다.

6. 협력하고 합리적인 기대치를 설정하십시오

L: 이 마지막 단계는 도움이 필요할 때와 적절한 도움을 받는 방법을 아는 것에 관한 것입니다. 그리고 여기에 필요한 도움을 받기 위해 추구할 수 있는 몇 가지 사항이 있다고 생각합니다. 먼저 머신러닝 친구를 찾으세요. 당신과 같은 유형의 사람입니다. 그들은 같은 업계에서 일합니다. 그들은 같은 유형의 문제를 가지고 있습니다. 그리고 당신은 문제를 생각하고 마주하며 함께 일을 하기 위해 연구하고 있습니다. 그리고 누군가가 역할에 유용한 것을 찾으면 친구와 공유합니다. 그것은 당신이 책임감을 유지하는 데 도움이 되고, 스스로 의욕을 유지하는 데 도움이 되며 진정으로 매우 좋은 것입니다.

여기서 또 다른 해결책은 기계 학습 부족과 같은 부족에 가입하는 것입니다. 다시 제이슨 브라운리에게 전화하겠습니다. 그는 이 차트를 만들었습니다. 세상에 존재하는 다양한 기계 학습 부족을 분류한 것입니다. 그리고 SEO로서 우리는 비즈니스 부족에 속하므로 자동화 또는 기계 학습이 문제에 대한 올바른 솔루션인지 또는 팀 또는 데이터에 사용할 수 있는지 여부를 확인하려는 관리자일 수 있습니다. 예를 들어, 데이터를 좀 더 잘 이해하려고 노력하는 데이터 분석가인 부족이 있습니다. 그리고 제가 이 두 가지 유형의 부족을 구체적으로 언급한 이유는 여러분이 그런 그룹이나 커뮤니티에 속해 있다면 그곳 사람들이 같은 유형의 결과를 찾으려고 노력하지만 문제에 대한 접근 방식이 비슷하다는 것을 알고 있기 때문입니다. 당신에게. 따라서 예를 들어 코딩과 관련된 고급 개념이나 머신 러닝 모델 이면의 수학을 모르는 경우 면밀히 조사하지 않을 것입니다. 당신은 당신이 겪는 유형의 도전에 매우 공감하는 사람들로 둘러싸여 있을 것입니다. 그리고 그것은 다른 도전이 될 수 있습니다. 예를 들어, Python 개발자 커뮤니티에 있고 내 모델이 작동하지 않는 이유를 묻는다면 쉼표 또는 이와 유사한 것으로 판명됩니다. 당신은 좀 더 면밀한 조사를 받을 수 있고, 당신의 쿼리에 대한 응답은 조금 더 거칠 수 있으며, 우리는 당신이 의욕이 없다고 느끼기를 원하지 않습니다. 그래서 저는 올바른 유형의 커뮤니티 또는 올바른 유형의 부족을 찾는 것을 강조합니다.

그리고 세 번째는 이것이 어떤 접근 방식을 선택하든 적용해야 하는 것입니다. 그것은 가능할 때마다, 스스로 쿼리를 해결할 수 없다고 느낄 때마다 개발자에게 연락해야 합니다. StackOverflow에서 6시간 정도 시간을 보냈는데 단 하나의 오류가 발생하고 너무 의욕이 없는 경우 누군가에게 연락하세요. SEO 커뮤니티에도 매우 숙련된 Python 개발자가 많이 있습니다. 그들에게 연락하면 이미 그런 문제에 직면했을 수 있으므로 방향을 알려줄 수 있습니다. 그리고 그들이 당신을 위해 스크립트를 작성할 수 있도록 그들에게 연락하라는 것이 아닙니다. 그러나 그들은 당신을 올바른 방향으로 안내할 수 있습니다. 그리고 그것은 매우 영감을 주고 동기를 부여할 수 있습니다.

D: Lazarina, 정말 훌륭했습니다. SEO를 위한 기계 학습에 대해 몇 주 동안 이야기할 수 있다는 것을 알고 있습니다. 간단한 소개였습니다. 그러나 그것은 실제로 당신의 지식을 보여줍니다. 그리고 나는 당신이 특정 분야에 뛰어들 수 있다고 확신합니다. 언젠가 다시 연락을 주시면 좋을 것 같습니다. 어쩌면 다시 돌아와서 Python for SEO나 다른 틈새 주제에 대해 자세히 알아볼 수도 있습니다.

파레토 피클 - 새로운 기회를 위한 SERP 분석

파레토 피클로 마무리합시다. 파레토는 노력의 20%에서 결과의 80%를 얻을 수 있다고 말합니다. 적당한 수준의 노력으로 놀라운 결과를 제공하는 SEO 활동은 무엇입니까?

L: 이것에 대해 많이 생각했습니다. 그리고 자주 해보지 못한 것 같다는 말을 하고 싶었습니다. 그리고 저에게는 SERP 분석입니다. 특히 대규모로 검색 엔진 결과 페이지를 분석할 수 있는 많은 기회가 있습니다. 따라서 이미 키워드 연구를 수행하고 사이트가 순위를 매길 수 있는 키워드, 사이트 순위가 아닌 키워드, 콘텐츠 격차 및 모든 것을 알고 있는 경우. DataForSEO와 같은 도구를 사용하여 매우 광범위한 SERP 분석을 수행할 수 있다면 시장에 대한 매우 좋은 그림을 얻을 수 있습니다. 누가 어디에 순위를 매겼는지, 어떤 브랜드와 경쟁하고 있는지, 제목을 어떻게 구성하고 있는지, 메타 설명, 콘텐츠 길이 및 이와 같은 모든 종류의 분석과 같은 것입니다. 그리고 그 수준에서 기계 학습을 언제 어디서 구현할지 알고 있다면 그 활동만으로도 전체 콘텐츠 전략에 영향을 미칠 것입니다. 그리고 나중에도 경쟁력을 유지할 수 있도록 계속해서 궤도에 오르게 할 것입니다. 따라서 이 특정 클라이언트에 대해 한 번 수행하고 보호하는 작업이며 앞으로 몇 달 동안 이를 사용하여 수행할 다른 많은 전략에서 사용자를 안내하고 영향을 줄 수 있습니다.

D: 정말 그것에 빠져보고 싶어요. 계속해서 질문하고 싶습니다. 하지만 그렇게 하려면 30분 정도 더 소요될 것이며 지금 당장은 그렇게 할 시간이 없다는 것을 압니다. 다음 에피소드에서 다시 만나실 수 있기를 바랍니다. 지금은. 나는 당신의 호스트 데이비드 베인이었습니다. In Search SEO 팟캐스트에 참여해주셔서 감사합니다.

L: 데이빗, 저를 가져주셔서 정말 감사합니다. 즐거웠습니다.

D: 그리고 들어주셔서 감사합니다.