Introdução ao aprendizado de máquina em SEO com Lazarina Stoy

Quanto do seu SEO você está automatizando? E você sabia que automatizar o que você está fazendo atualmente pode ajudá-lo a fazer isso mais rápido e com maior nível de precisão?

Hoje, estamos discutindo as seis etapas para começar com o aprendizado de máquina em SEO , com um gerente de SEO especializado em todas as coisas técnicas e de dados. Ela também é criadora de conteúdo, compartilhando painéis, scripts e outras ferramentas úteis do Data Studio, ajudando e aspirando outros SEOs a realizar tarefas com um pouco mais de eficiência. Bem-vindo à gerente de SEO e ciência de dados da Intrepid Digital, Lazarina Stoy.

Os passos são:

1. Entenda suas crenças limitantes e supere-as
2. Entenda as especificações de tarefas comuns, especificações de solução e especificações de dados no aprendizado de máquina
3. Pratique diariamente e comece a fazer os movimentos
4. Avalia novas tarefas, suas soluções e características de dados para entender quando o aprendizado de máquina é necessário
5. Entenda as limitações e examine a saída do aprendizado de máquina
6. Trabalhe de forma colaborativa e estabeleça expectativas razoáveis

Aprendizado de máquina de SEO

Lazarina: Olá, tudo bem. Feliz por estar aqui. Olá.

D: Feliz por ter você aqui. Você pode encontrar Lazarina em lazarinastoy.com. Então Lazarina, quanto tempo até as máquinas assumirem o SEO?

L: Espero que em muito tempo. Precisamos assumir a máquina para que possamos ser mais eficientes. Eles não estão tomando conta de nós, espero.

D: Talvez um link neural para o cérebro ajude.

L: Sim, nós seremos muito melhores que eles. Só precisamos usá-los corretamente. Canalize-os onde precisamos deles.

D: Há alguma positividade para você. Então, hoje estamos discutindo as seis etapas para começar a usar o aprendizado de máquina em SEO. Começando com o número um, entenda suas crenças limitantes e supere-as.

1. Entenda suas crenças limitantes e supere-as

L: Este pequeno passo é realmente pensar sobre o que está impedindo você de realmente buscar o aprendizado de máquina um pouco mais. O que está impedindo você de começar com a automação de SEO e fazer coisas que são os novos scripts e ferramentas extravagantes e coisas assim. Porque muitas vezes, ouço muitas pessoas realmente inspiradas por novas tecnologias e querem experimentá-las. Mas eles têm essas crenças limitantes que os impedem de fazê-lo. E não é algo único ou específico para a indústria de SEO. Na verdade, isso é algo que também foi amplamente reconhecido na comunidade de aprendizado de máquina, porque é um problema que muitos desenvolvedores realmente têm, pois eles não estão começando com aprendizado de máquina.

Na verdade, um cientista de dados muito famoso na comunidade de aprendizado de máquina, Jason Brownlee, fez uma lista de algumas crenças limitantes ou algumas razões pelas quais você não está começando. E se eu tiver que colocá-los em declarações, geralmente são as coisas que dizemos a nós mesmos, como que você precisa ser um especialista em Python para começar ou um especialista em codificação para começar, ou você precisa conhecer o campo de aprendizado de máquina de A a Z. Ou o que cada algoritmo faz para começar. Ou talvez você precise ter muito tempo livre para começar ou tenha algum tempo em sua agenda, ou o PC perfeito ou qualquer outra coisa que você esteja dizendo a si mesmo. O mais difícil de superar é que você acha que é muito difícil ou desafiador começar. Embora a maioria dos especialistas em aprendizado de máquina realmente diga que executar um modelo de aprendizado de máquina literalmente leva três linhas de código. Trata-se de entender seus dados e saber onde e quando você pode aplicá-los. Essa é a parte difícil.

Portanto, superar essas crenças limitantes é o primeiro passo porque, na verdade, não é difícil começar. Você pode literalmente aprender com o Google e tutoriais de 10 minutos e começar pequeno e criar um hábito todos os dias. E dessa forma, se você está apenas esperando para começar e está sentindo algumas restrições mentalmente enquanto ainda não começou, você pode ver que é um passo muito pequeno que você precisa dar. Você só precisa reservar 10 minutos da sua programação e começar. E assim que você executar seu primeiro script ou instalar, as bibliotecas e tudo mais, verá que na verdade não é tão desafiador. E aí o jogo muda um pouco, aí você só precisa ver onde você pode aplicar os modelos no dia a dia de um SEO. E essa é a parte divertida para ser honesto.

D: Entendido. Essencialmente, o que você está dizendo é que não deixe a tecnologia impedi-lo de fazer as coisas. Você não precisa entender todos os aspectos da tecnologia antes de realmente começar.

L: É muito parecido com o campo de SEO, onde você não precisa entender tudo para colocar o pé na porta. Você só precisa ter a paixão e o desejo de fazê-lo.

D: Acho que o desafio é que muitos SEOs têm a mentalidade de que querem entender tudo antes de fazer algo. Acho que eles têm esse tipo de cérebro em que precisam entender o porquê antes de fazer algo.

O número dois é entender as especificações de tarefas comuns, especificações de soluções e especificações de dados em aprendizado de máquina.

2. Entenda as especificações de tarefas comuns, especificações de solução e especificações de dados no aprendizado de máquina

L: Sim, vou começar com os dados primeiro. Você precisa saber quando está procurando por um específico… Digamos que você já passou da primeira etapa, você tem alguma prática diária, talvez tutoriais de 10 minutos, você vê que isso é super legal e chique, e você foi fazendo isso por um tempo. E agora você meio que encontra uma tarefa no seu dia-a-dia. E você quer ver se o aprendizado de máquina é a solução correta para ajudá-lo a superar alguns desafios que você está enfrentando. As três coisas que você precisa pensar são as características dos dados que você tem. Ou seja, o conjunto de dados ao qual você aplicará o aprendizado de máquina. E podem ser dados textuais, numéricos ou também podem ser dados baseados em imagens. Mas estamos falando do cenário iniciante aqui, é claro, você tem outras coisas como aprendizado de máquina multimodal onde você aplica arquivos de vídeo ou áudio e aplica aprendizado de máquina a eles. Mas estamos falando apenas do caso do iniciante aqui. E na maioria das vezes, como SEOs, as tarefas que damos ao modelo serão baseadas em texto, por exemplo, o conteúdo da página ou serão numéricos. Por exemplo, se você está tentando prever o tráfego orgânico, ou está tentando prever o número de cliques que vai receber, e coisas assim.

E quando se trata de características de tarefas, sabemos que existem dois campos principais no aprendizado de máquina, supervisionado e não supervisionado. E precisamos conhecer os principais modelos que você pode, no caso mais comum, usar para esses tipos específicos de tarefas. Portanto, para nós, o aprendizado supervisionado significa que você rotulou os dados para validar a saída do modelo. E sem supervisão significa o contrário, você não tem como validar os resultados. No aprendizado supervisionado, você tem coisas como regressão, que consiste em fazer previsões, ou classificação, que significa dividir em grupos com base nas classes existentes.

Apenas para dar um exemplo de ambas as coisas, fazer previsões que já discutimos, como prever tráfego orgânico ou coisas assim, é um bom caso, especialmente quando você está trabalhando com big data ou divisão de classificação em grupos. Por exemplo, se você tem uma parte do seu blog que já categorizou com categorias específicas e tem um novo conteúdo que deseja classificar em um desses grupos específicos, é aí que você pode usar a classificação para ajudá-lo. No aprendizado supervisionado, você tem redução de dimensionalidade de cluster, que é um pouco mais avançada, que você provavelmente usará, como quando tem um conjunto muito grande de dados ou quando tem um problema que não tem como validar. E, muitas vezes, você também pode combinar as duas abordagens.

Quando se trata das características da solução, o mais importante a saber é quando e onde você deve aplicar o aprendizado de máquina. No meu site e blog, para o Guia do Iniciante para Aprendizado de Máquina, listei alguns fluxogramas que podem ajudá-lo a passar pelo processo de como você está aplicando o aprendizado de máquina e se esse é o caso de uso correto para ele. Por exemplo, se você não está trabalhando com big data, então não é aprendizado de máquina, pode ser feito literalmente em uma planilha e/ou uma planilha do Google com algumas fórmulas estatísticas. Porque essencialmente, em sua essência, a maioria dos modelos de aprendizado de máquina é exatamente isso. Estatisticas. E sim, se for de missão crítica, como as tarefas que você está fazendo, você não deve confiar no aprendizado de máquina. E se você precisar se relacionar com suas partes interessadas, a maneira como os resultados foram alcançados, ou talvez tentar explicar ou replicar a saída desse modelo, existem alguns modelos que você deve evitar, por exemplo, aprendizado de máquina supervisionado ou aprendizado profundo , porque a maioria deles funciona como uma caixa preta. E é bastante difícil, especialmente com big data, replicar o que o modelo fez para alcançar a saída.

Muita coisa para pensar aqui. Mas eu só quero dizer que se você entende essas três coisas, e você é capaz de dizer para o seu problema específico, "Ok, meus dados são textuais. O modelo que eu preciso é baseado em regressão ou talvez baseado em classificação ou qualquer outra coisa é assim que você precisa identificar quais são seus dados, qual é sua tarefa. E você precisa entender que tipo de solução você está procurando. E se você puder fazer isso, será muito mais fácil para encontrar os recursos apropriados para ajudá-lo com seu objetivo.

D: E o número três é permitir a prática diária e começar a fazer os movimentos.

3. Pratique diariamente e comece a agir

L: Acho que já falei sobre isso em um passo anterior, mas a prática diária é crucial. E o que isso significa para mim pessoalmente é que eu gostaria de fazer algo relacionado ao Python porque essa é a minha linguagem preferida. Mas pode ser JavaScript, pode ser qualquer outra linguagem em que você esteja interessado, e você pode encontrar recursos suficientes para aprendizado de máquina e tentar fazer algo relacionado ao aprendizado de máquina todos os dias. Agora, isso pode não ser completo, você sabe, projetos todos os dias, porque isso pode levar muito tempo, especialmente se você estiver trabalhando em um grande projeto. Mas pode ser entender, por exemplo, como as funções funcionam, executar um modelo com base nos dados históricos que você possui ou talvez incorporar o aprendizado de máquina em sua auditoria, encontrando novas maneiras de testar o aprendizado de máquina. Portanto, a prática diária é crucial. E mantém você alerta, especificamente porque ajuda a descobrir o que o aprendizado de máquina pode fazer, essencialmente. E se você souber o que ele pode fazer, quando você continuar com sua função diária, será muito mais fácil encontrar oportunidades para incorporar o aprendizado de máquina nos processos. E eu quero destacar aqui, isso não significa que você deve ter soluções totalmente automatizadas que funcionam com o clique de um botão e você pode automatizar totalmente seu trabalho. Isso significa que, se você puder dividir o projeto específico em que está trabalhando em 10 bits diferentes e se puder automatizar ou incorporar o aprendizado de máquina e talvez dois desses 10, poderá ter muito mais tempo para se concentrar o resultado do restante desses 10. Ou talvez você possa usar esse tempo também para projetos de progressão na carreira, como trabalhar em sua liderança, comunicação e coisas assim. Essencialmente, trata-se de saber quando e onde usar o aprendizado de máquina. E a melhor maneira de fazer isso é se familiarizar com ele. Portanto, a prática diária é fundamental para isso.

D: O que nos leva ao número quatro, ao encontrar novas tarefas, avaliar a solução da tarefa e as características dos dados para entender se o aprendizado de máquina é realmente necessário.

4. Avalia novas tarefas, suas soluções e características de dados para entender quando o aprendizado de máquina é necessário

L: Sim, novamente, algo que eu toquei antes. Existem diferentes maneiras de avaliar se o aprendizado de máquina é necessário. E eu já mencionei esses dois fluxogramas. Mas essencialmente, cada tarefa que você encontra, e vamos pegar, por exemplo, escrever meta descrições, porque isso é algo que fazemos com bastante frequência. Bem, não deveríamos gastar muito tempo com isso. Sabemos que eles não são muito importantes para SEO, mas como parte de um projeto de otimização on-page, isso é algo que você deve fazer, você deve otimizá-los.

Vamos desconstruir uma tarefa aqui. Se você disser que seus dados de entrada são textuais, isso significa que sim, o conteúdo da página é textual. E qual é a tarefa nesse caso? É supervisionado ou não supervisionado? Sabemos que não é supervisionado. Como não há como validar os resultados da saída, temos que fazer isso sozinhos, não temos uma maneira automatizada de fazer isso. Nesse caso, vamos procurar um modelo que seja transformacional, por exemplo, pegar o texto da página e transformá-lo para uma saída com menos de 160 caracteres. Portanto, tirar frases do texto significa extração, ou também pode ser sumarização. Mas outra maneira de fazer isso é usar um modelo generativo como o GPT-3. Nós damos a entrada, ou seja, o texto na página, e ele gera as meta descrições e as escreve do zero, essencialmente.

Voltando ao fato de ser de missão crítica, sabemos que não é. Portanto, o aprendizado de máquina é bom para esse tipo de exercício. Tudo bem que, às vezes, quando você executa esse modelo para o mesmo tipo de página, você pode obter resultados diferentes? Por exemplo, se você executar o modelo duas vezes, poderá obter duas meta descrições diferentes para a mesma página. Isso é absolutamente certo. Podemos escolher entre os dois. Isso não é um problema. Precisamos de uma explicação de como escrevemos essas meta descrições? Não, de jeito nenhum. E não precisaríamos estar explicando aos nossos stakeholders como fizemos isso. Ele supera os métodos médios? Uma pergunta muito importante quando você quer avaliar se quer usar aprendizado de máquina, e podemos dizer que sim, com certeza, porque é muito mais rápido se você pegar esse framework e aplicá-lo nas tarefas que você está se perguntando se deveria estar usando aprendizado de máquina para eles ou não, você poderá descobrir rapidamente quais tarefas são adequadas para aprendizado de máquina e quais não são. Só para dar um exemplo, isso também pode depender do nicho, porque se pegarmos o mesmo exemplo absoluto, para títulos e H1s, podemos dizer que para um nicho que é muito não competitivo, não é importante em termos de não é o tipo de coisa Seu Dinheiro ou Sua Vida, então podemos dizer que absolutamente, a mesma postura, não é de missão crítica. As tarefas podem ser automatizadas, podemos implementar aprendizado de máquina e não precisamos dar explicações sobre como escrevemos os títulos e os H1s. Mas se dissermos, por exemplo, que nosso cliente é o HMRC, sabemos que isso é muito importante para acertar. Não queremos sugerir alguns títulos ou H1s ou meta descrições que não estejam completamente no ponto. Portanto, você também pode sentir às vezes que seu cliente ou o setor em que trabalha, ou o site específico em que está trabalhando, pode ser o motivo pelo qual você não pode implementar algumas dessas ferramentas.

D: Acho que isso nos leva muito bem ao número cinco, que é quando se trabalha com aprendizado de máquina, entendendo suas limitações e examinando a saída.

5. Entenda as limitações e examine a saída do aprendizado de máquina

L: Com certeza e este é muito importante por causa do número de vezes que pensei que algo pode ser feito com aprendizado de máquina, e implementei um modelo ou testei um script ou algo assim porque existem muitos scripts lá fora. Honestamente, se você sabe como procurá-los, há quase um script para qualquer tarefa que você possa imaginar, basta saber como implementá-lo para o problema específico de SEO. E a quantidade de vezes que testei alguns e acabei não usando a saída é muita. Então você precisa saber o que o aprendizado de máquina pode fazer. No momento, o aprendizado de máquina está em um estágio em que é muito bom em tarefas restritas, mas a maioria dos modelos, a maneira como são treinados e, como iniciante, você usará na maioria das vezes modelos pré-treinados, não vai treiná-los você mesmo. E isso é um outro tópico por conta própria. Mas se você estiver usando modelos pré-treinados e não estiver treinando-os sozinho, na maioria das vezes verá que o conjunto de dados em que eles foram treinados não é particularmente útil para o setor específico ou é não tão profundo quanto você gostaria que fosse. E esse é particularmente o caso de tarefas baseadas em texto como PNL e coisas assim.

E aqui, você só precisa saber duas coisas. Em primeiro lugar, mesmo ter uma base para trabalhar é uma coisa boa o suficiente para se ter. Se você sabe disso, sim, por exemplo, as meta descrições que o modelo gerou não são tão boas, mas podem ser corrigidas. E se você acha que, se você editá-los, será muito mais rápido para você gerar o resultado final, então você deve se dar um tapinha nas costas, você fez um ótimo trabalho porque economizou uma tonelada de tempo, mesmo com isso. E se você acha que a saída não é útil, isso não significa que todo aprendizado de máquina não seja útil. Isso significa apenas que, para essa tarefa específica, esse modelo específico que você usou não foi útil. E isso está perfeitamente bem. Como você pode até dizer ao seu stakeholder, ou ao seu cliente, que testamos algumas abordagens, testamos uma abordagem automatizada. E não deu certo por isso e por esse motivo. E então você pode até usar a saída do modelo para comparar e contrastar com a saída que sua equipe gerou. Portanto, em todos os casos, implementar ou experimentar o aprendizado de máquina tornará seu caso muito mais forte. Você só precisa saber quando dizer ok, nós tentamos isso, mas não funcionou e como usar isso a seu favor também.

D: E falando sobre os resultados que nos levam ao número seis, que é trabalhar de forma colaborativa e definir expectativas razoáveis.

6. Trabalhe de forma colaborativa e estabeleça expectativas razoáveis

L: Este último passo é saber quando você precisa de ajuda e saber como obter a ajuda certa. E aqui eu acho que há algumas coisas que você pode buscar para obter a ajuda que você precisa. Primeiro de tudo, encontre um amigo de aprendizado de máquina. Alguém que é o mesmo tipo de pessoa que você. Eles trabalham na mesma indústria. Eles têm o mesmo tipo de problemas. E você está pensando e encontrando problemas e está pesquisando para tarefas meio que juntos. E quando alguém encontra algo útil para a função, compartilha com seu amigo. Isso ajuda você a se manter responsável, ajuda a manter-se motivado e realmente é uma coisa muito boa de se ter.

Outra solução aqui seria se juntar a uma tribo como uma tribo de aprendizado de máquina. Mais uma vez, vou chamar Jason Brownlee aqui. Ele criou este gráfico, um detalhamento das diferentes tribos de aprendizado de máquina que existem por aí. E para nós, como SEOs, pertencemos a uma tribo de negócios, então esses podem ser gerentes que estão tentando ver se automação ou aprendizado de máquina é a solução correta para seu problema, ou se pode ser usado para sua equipe ou dados tribos, que são, por exemplo, analistas de dados que estão tentando ser um pouco melhores na compreensão dos dados. E a razão pela qual eu mencionei esses dois tipos de tribos especificamente, é que se você está em um grupo ou comunidade assim, você sabe que as pessoas estão tentando encontrar o mesmo tipo de resultados, mas sua abordagem do problema é semelhante ao seu. Portanto, você não será examinado, por exemplo, se não conhecer os conceitos avançados relacionados à codificação ou a matemática por trás do modelo de aprendizado de máquina. Você estará cercado por pessoas que simpatizam muito com o tipo de desafios que você tem. E isso pode ser desafios diferentes. Por exemplo, se você estiver em uma comunidade com desenvolvedores Python e estiver perguntando, por que meu modelo não está funcionando, e acaba por ser uma vírgula ou algo assim. Você pode sentir um pouco mais de escrutínio, as respostas à sua pergunta podem ser um pouco mais duras e não queremos que você se sinta desmotivado. É por isso que enfatizo encontrar o tipo certo de comunidade ou o tipo certo de tribo.

E a terceira coisa é, e acho que isso é algo que você deve aplicar, independentemente da abordagem que você escolher. Isso deve ser apenas entrar em contato com os desenvolvedores sempre que puder, sempre que sentir que não pode resolver a consulta sozinho. Se você passou seis horas no StackOverflow e está preso em apenas um erro e está se sentindo super desmotivado, basta entrar em contato com alguém, existem muitos desenvolvedores Python super habilidosos, mesmo na comunidade de SEO. Se você entrar em contato com eles, eles podem já ter encontrado um problema como esse para que possam fornecer orientações. E não estou dizendo para entrar em contato com eles, para que eles possam escrever seu roteiro para você. Mas eles podem apenas guiá-lo na direção certa. E isso também pode ser muito inspirador e motivador.

D: Lazarina, isso foi absolutamente brilhante. Eu sei que você pode falar por semanas sobre aprendizado de máquina para SEO. Essa foi apenas uma breve introdução. Mas realmente demonstra seu conhecimento. E tenho certeza que você pode mergulhar em áreas específicas. Seria ótimo ter você de volta em algum momento, talvez possamos recuperá-lo e mergulhar em algo como Python para SEO ou algum outro tópico mais de nicho lá.

The Pareto Pickle - Analise o SERP para novas oportunidades

Vamos terminar com o Picles de Pareto. Pareto diz que você pode obter 80% de seus resultados com 20% de seus esforços. Qual é uma atividade de SEO que você recomendaria que fornece resultados incríveis para níveis modestos de esforço?

L: Eu pensei muito sobre isso. E eu queria dizer algo que acho que não vi ser feito com tanta frequência. E para mim, é a análise SERP. Temos muitas oportunidades para analisar as páginas de resultados dos mecanismos de pesquisa, especialmente em escala. Portanto, se você já fez sua pesquisa de palavras-chave e conhece as palavras-chave em que talvez seu site esteja classificado, aquelas que o site não está classificando, a lacuna de conteúdo e tudo mais. Eu diria que se você puder fazer uma análise de SERP em larga escala, usando uma ferramenta como o DataForSEO, dessa forma, você pode ter uma imagem muito boa do mercado. Como quem está ranqueando onde, com quais marcas você está competindo, como eles estão estruturando seus títulos, meta descrições, quanto tempo seu conteúdo é e todo tipo de análise desse tipo. E se nesse nível você souber quando e onde implementar o aprendizado de máquina, essa atividade por si só influenciará toda a sua estratégia de conteúdo. E vai mantê-lo no caminho certo para que você permaneça competitivo mais tarde também. Portanto, é algo que você faz uma vez para esse cliente específico e protege e pode usar isso por alguns meses para orientá-lo e influenciá-lo em muitas das outras estratégias que você fará.

D: Eu realmente quero mergulhar nisso. Quero continuar e fazer mais perguntas. Mas eu sei que isso vai levar mais ou menos meia hora e não temos tempo para fazer isso agora. Espero que você volte em um episódio futuro. Por enquanto. Fui seu anfitrião David Bain. Muito obrigado por estar no podcast In Search SEO.

L: Muito obrigado por me receber, David. Foi um prazer.

D: E obrigado por ouvir.