Lazarina Stoy ile SEO'da Makine Öğrenimine Başlarken

SEO'nuzun ne kadarını otomatikleştiriyorsunuz? Ve şu anda yapmakta olduğunuz şeyi otomatikleştirmenin, bunu daha hızlı ve daha yüksek düzeyde doğrulukla yapmanıza yardımcı olabileceğini biliyor muydunuz?

Bugün, teknik ve verilerle ilgili her konuda uzmanlaşmış bir SEO yöneticisi ile SEO'da makine öğrenimine başlamanın altı adımını tartışıyoruz. Aynı zamanda, Data Studio gösterge tablolarını, komut dosyalarını ve diğer faydalı araçları paylaşan, diğer SEO'ların görevleri biraz daha verimli bir şekilde yerine getirmelerine yardımcı olan ve onları hedefleyen bir içerik yaratıcısıdır. Intrepid Digital, Lazarina Stoy'un SEO ve veri bilimi yöneticisine hoş geldiniz.

Adımlar:

1. Sınırlayıcı İnançlarınızı Anlayın ve Üstesinden gelin
2. Makine Öğreniminde Ortak Görev Belirtimlerini, Çözüm Belirtimlerini ve Veri Belirtimlerini Anlayın
3. Günlük Pratik Yapın ve Hareketlerden Geçmeye Başlayın
4. Makine Öğreniminin Ne Zaman Gerekli Olduğunu Anlamak için Yeni Görevleri, Çözümlerini ve Veri Özelliklerini Değerlendirin
5. Sınırlamaları Anlayın ve Makine Öğreniminin Çıktılarını İnceleyin
6. İşbirliği İçinde Çalışın ve Makul Beklentiler Belirleyin

SEO Makine Öğrenimi

Lazarina: Merhaba. Burada olmaktan mutluyum. Merhaba.

D: Burada olmana sevindim. Lazarina'yı lazarinastoy.com'da bulabilirsiniz. Peki Lazarina, makinelerin SEO'yu ele geçirmesine ne kadar var?

L:Umarım uzun bir süre sonra. Daha verimli olabilmemiz için makineyi devralmamız gerekiyor. Umarım bizi ele geçirmezler.

D: Belki beyne giden bir sinirsel bağlantı yardımcı olabilir.

L: Evet, onlardan çok daha iyi olacağız. Sadece onları doğru kullanmamız gerekiyor. Onları ihtiyacımız olan yere kanalize edin.

D: Senin için biraz pozitiflik var. Bugün SEO'da makine öğrenimine başlamanın altı adımını tartışıyoruz. Bir numaradan başlayarak, sınırlayıcı inançlarınızı anlayın ve bunların üstesinden gelin.

1. Sınırlayıcı İnançlarınızı Anlayın ve Üstesinden gelin

L: Bu küçük adım, aslında sizi biraz daha makine öğrenimini sürdürmekten alıkoyan şeyin ne olduğunu düşünmekle ilgili. SEO otomasyonuna başlamanızı ve süslü yeni komut dosyaları ve araçları ve bunun gibi şeyleri yapmanızı engelleyen nedir? Çünkü çoğu zaman birçok insanın yeni teknolojiden gerçekten ilham aldığını ve bunu denemek istediklerini duyuyorum. Ama onları bunu yapmaktan alıkoyan bu sınırlayıcı inançlara sahipler. Ve SEO endüstrisine özgü veya benzersiz bir şey değil. Aslında bu, makine öğrenimi topluluğunda da çok yaygın olarak kabul edilen bir şeydir, çünkü bu, aslında pek çok geliştiricinin sahip olduğu bir sorundur, çünkü kendileri makine öğrenimi ile başlamamışlardır.

Aslında, makine öğrenimi topluluğunda çok ünlü bir veri bilimcisi olan Jason Brownlee, aslında bazı sınırlayıcı inançların veya başlamamanızın bazı nedenlerinin bir listesini yaptı. Ve bunları ifadelere koymam gerekirse, genellikle kendimize söylediğimiz şeylerdir, başlamak için bir Python uzmanı veya başlamak için bir kodlama uzmanı olmanız veya A'dan makine öğrenimi alanını bilmeniz gerektiği gibi. Z. Ya da her algoritmanın başlamak için ne yaptığı. Ya da belki başlamak için çok boş zamanınız olmalı ya da programınızda biraz zamanınız olmalı ya da mükemmel bir PC ya da kendinize ne söylüyorsanız. Üstesinden gelinmesi en zor olanı, başlamanın çok zor veya zor olduğunu düşünmenizdir. Çoğu makine öğrenimi uzmanı aslında size bir makine öğrenimi modeli yürütmenin tam anlamıyla üç satır kod gerektirdiğini söyleyecektir. Bu, verilerinizi anlamak ve bunları nerede ve ne zaman uygulayabileceğinizi bilmekle ilgilidir. İşin zor kısmı bu.

Dolayısıyla bu sınırlayıcı inançların üstesinden gelmek ilk adımdır çünkü aslında başlamak zor değildir. Kelimenin tam anlamıyla Google makine öğrenimi ve 10 dakikalık öğreticiler yapabilir ve küçük başlayıp her gün bir alışkanlık oluşturabilirsiniz. Ve bu şekilde, sadece başlamayı bekliyorsanız ve henüz başlamamışken zihinsel olarak bazı kısıtlamalar hissediyorsanız, bunun yapmanız gereken çok küçük bir adım olduğunu görebilirsiniz. Sadece programınızın 10 dakikasını ayırmanız ve başlamanız gerekiyor. Ve ilk betiğinizi çalıştırdığınızda veya yüklediğinizde, kütüphaneler ve her şey, o zaman aslında o kadar da zor olmadığını göreceksiniz. Ve sonra oyun biraz değişir, o zaman modelleri bir SEO'nun günlük yaşamına nerede uygulayabileceğinizi görmeniz gerekir. Ve dürüst olmak gerekirse eğlenceli kısım da bu.

D: Anlaşıldı. Esasen, söylediğin şey teknolojinin seni bir şeyler yapmaktan alıkoymasına izin verme. Başlamadan önce teknolojinin tüm yönlerini anlamak zorunda değilsiniz.

L: Ayağınızı kapıdan içeri sokmak için her şeyi anlamak zorunda olmadığınız SEO alanına çok benziyor. Sadece bunu yapmak için tutku ve arzuya sahip olmalısınız.

D: Bence zorluk, birçok SEO'nun bir şey yapmadan önce her şeyi anlamak istedikleri zihniyette olmasıdır. Bence bir şey yapmadan önce nedenini anlamaları gereken bir beyinleri var.

İkincisi, makine öğreniminde ortak görev özelliklerini, çözüm özelliklerini ve veri özelliklerini anlamaktır.

2. Makine Öğreniminde Ortak Görev Belirtimlerini, Çözüm Belirtimlerini ve Veri Belirtimlerini Anlayın

L: Evet, önce verilerle başlayacağım. Belirli bir şeyi aradığınızda bilmeniz gerekir… Diyelim ki, birinci adımı geçtiniz, bazı günlük alıştırmalarınız var, belki 10 dakikalık eğitimler var, bunun süper havalı ve süslü olduğunu görüyorsunuz ve bir süre yapıyor. Ve şimdi günlük yaşamınızda bir tür görevle karşılaşıyorsunuz. Ve makine öğreniminin karşılaştığınız bazı zorlukların üstesinden gelmenize yardımcı olacak doğru çözüm olup olmadığını görmek istiyorsunuz. Düşünmeniz gereken üç şey, sahip olduğunuz veri özellikleridir. Yani, makine öğrenimini uygulayacağınız veri seti. Ve bu, metinsel, sayısal veriler olabilir veya görüntü tabanlı veriler de olabilir. Ama burada başlangıç ​​senaryosundan bahsediyoruz elbette, video veya ses dosyalarını uyguladığınız çok modlu makine öğrenmesi gibi başka şeyler var ve bunlara makine öğrenimi uyguluyorsunuz. Ama burada sadece yeni başlayanların durumundan bahsediyoruz. Ve çoğu zaman, SEO'lar olarak, modele verdiğimiz görevler metin tabanlı olacak, örneğin sayfadaki içerik veya sayısal olacaklar. Örneğin, organik trafiği tahmin etmeye çalışıyorsanız veya alacağınız tıklamaların sayısını ve bunun gibi şeyleri tahmin etmeye çalışıyorsanız.

Görev özellikleri söz konusu olduğunda, makine öğreniminde denetimli ve denetimsiz olmak üzere iki ana alan olduğunu biliyoruz. Ve en yaygın durumda bu belirli görev türleri için kullanabileceğiniz ana modelleri bilmemiz gerekiyor. Dolayısıyla bizim için denetimli öğrenme, modelin çıktısını doğrulamak için verileri etiketlediğiniz anlamına gelir. Denetimsiz, tam tersi anlamına gelir, sonuçları doğrulamak için bir yolunuz yoktur. Denetimli öğrenmede, tahmin yapmakla ilgili olan regresyon veya mevcut sınıflara göre gruplara ayrılma anlamına gelen sınıflandırma gibi şeylere sahipsiniz.

Her ikisine de bir örnek vermek gerekirse, organik trafiği veya bunun gibi şeyleri tahmin etmek gibi daha önce tartıştığımız tahminler yapmak, özellikle büyük verilerle veya gruplara ayırma sınıflandırmasıyla çalışırken iyi bir durumdur. Örneğin, blogunuzun belirli kategorilerle kategorize ettiğiniz bir bölümü varsa ve bu belirli gruplardan birinde sınıflandırmak istediğiniz yeni içeriğiniz varsa, size yardımcı olması için sınıflandırmayı kullanabileceğiniz yer burasıdır. Denetimli öğrenmede, çok büyük bir veri setiniz olduğunda veya gerçekten olmadığınız bir probleminiz olduğunda olduğu gibi, muhtemelen kullanacağınız, biraz daha gelişmiş olan kümeleme boyutluluk indirgemesine sahipsiniz. doğrulamanın bir yolu var. Ve çoğu zaman, iki yaklaşımı da birleştirebilirsiniz.

Çözüm özellikleri söz konusu olduğunda bilmeniz gereken en önemli şey makine öğrenimini ne zaman ve nerede uygulamanız gerektiğidir. Web sitemde ve bir blogda, Makine Öğrenimi Başlangıç ​​Kılavuzu için, makine öğrenimini nasıl uyguladığınıza ve bunun için doğru kullanım durumu olup olmadığına ilişkin süreçten geçmenize yardımcı olabilecek birkaç akış şeması listeledim. Örneğin, büyük verilerle çalışmıyorsanız, bu makine öğrenimi değildir, kelimenin tam anlamıyla bir elektronik tabloda ve veya birkaç istatistiksel formül içeren bir Google sayfasında yapılabilir. Çünkü özünde, çoğu makine öğrenimi modeli tam olarak böyledir. İstatistik. Ve evet, yaptığınız görevler gibi kritik bir görevse, makine öğrenimine hiç güvenmemelisiniz. Paydaşlarınızla, sonuçların nasıl elde edildiğiyle veya belki de bu modelin çıktısını açıklamaya veya çoğaltmaya çalışmanız gerekiyorsa, kaçınmanız gereken belirli modeller vardır, örneğin, denetimli makine öğrenimi veya derin öğrenme , çünkü çoğu bir tür kara kutu gibi çalışır. Ve özellikle büyük verilerle, çıktıya ulaşmak için modelin yaptıklarını kopyalamak oldukça zordur.

Burada düşünmek için bir sürü yiyecek var. Ama şunu söylemek istiyorum ki, eğer bu üç şeyi anlarsanız ve kendi özel probleminiz için diyebilirseniz, "Tamam, verilerim metinsel. İhtiyacım olan model regresyona dayalı ya da belki sınıflandırmaya dayalı ya da her neyse. bu, verilerinizin ne olduğunu, görevinizin ne olduğunu tam olarak belirlemeniz ve ne tür bir çözüm aradığınızı anlamanız gibi bir şey ve eğer bunu yapabilirseniz, o zaman çok daha kolay olacak amacınıza ulaşmanıza yardımcı olacak uygun kaynakları bulmak için.

D: Ve üç numara, günlük pratiğe olanak sağlamak ve hareketleri yapmaya başlamak.

3. Günlük Pratik Yapın ve Hareketlere Başlayın

L: Sanırım buna bir önceki adımda değinmiştim ama günlük pratik çok önemli. Ve bunun benim için kişisel anlamı, Python ile ilgili bir şeyler yapmak istiyorum çünkü bu benim ana dilim. Ancak JavaScript olabilir, ilgilendiğiniz başka bir dil olabilir ve makine öğrenimi için yeterli kaynak bulabilir ve her gün makine öğrenimi ile ilgili bir şeyler yapmaya çalışabilirsiniz. Şimdi, bu tam gelişmiş olmayabilir, bilirsiniz, her gün projeler, çünkü bu çok zaman alabilir, özellikle büyük bir proje üzerinde çalışıyorsanız. Ancak bu, örneğin işlevlerin nasıl çalıştığını anlamak olabilir, sahip olduğunuz geçmiş verilere dayalı bir model çalıştırıyor olabilir veya makine öğrenimini denetiminize dahil ederek makine öğrenimini test etmek için yeni yollar buluyor olabilir. Bu nedenle günlük uygulama çok önemlidir. Ve özellikle makine öğreniminin esasen neler yapabileceğini keşfetmenize yardımcı olduğu için sizi diken üstünde tutar. Ve ne yapabileceğini biliyorsanız, o zaman günlük rolünüze devam ettiğinizde, makine öğrenimini süreçlere dahil etme fırsatlarını bulmanız çok daha kolay olacaktır. Ve burada vurgulamak istiyorum, bu, bir düğme tıklamasıyla çalışan tam otomatik çözümlere sahip olmanız gerektiği ve işinizi tamamen otomatikleştirebileceğiniz anlamına gelmez. Bunun anlamı, üzerinde çalıştığınız belirli projeyi 10 farklı bite bölebilirseniz ve makine öğrenimini ve belki de bu 10'dan ikisini otomatikleştirmeye veya gömmeye kendinize yardımcı olabilirseniz, odaklanmak için çok daha fazla zamanınız olabilir. Bu 10'un geri kalanının çıktısı. Ya da belki bu zamanı, liderliğiniz, iletişiminiz ve bunun gibi şeyler üzerinde çalışmak gibi kariyer geliştirme projeleri için de kullanabilirsiniz. Esasen, makine öğreniminin ne zaman ve nerede kullanılacağını bilmekle ilgilidir. Ve bunu yapmanın en iyi yolu, ona aşina olmaktır. Yani günlük uygulama bunun için anahtardır.

D: Yeni görevlerle karşılaştığımızda, makine öğreniminin gerçekten gerekli olup olmadığını anlamak için görev çözümünü ve veri özelliklerini değerlendirerek bizi dört numaraya getiriyor.

4. Makine Öğreniminin Ne Zaman Gerekli Olduğunu Anlamak için Yeni Görevleri, Çözümlerini ve Veri Özelliklerini Değerlendirin

L: Evet, yine, daha önce değindiğim bir şey. Makine öğreniminin gerekli olup olmadığını değerlendirmenin farklı yolları vardır. Ve bu iki akış şemasından daha önce bahsetmiştim. Ama esasen, karşılaştığınız her bir görev ve örneğin meta açıklamalar yazmayı ele alalım, çünkü bu oldukça sık yaptığımız bir şey. Pekala, buna çok fazla zaman harcamamalıyız. SEO için çok önemli olmadıklarını biliyoruz, ancak bir sayfa optimizasyon projesinin parçası olarak yapmanız gereken bir şey bu, onları optimize etmelisiniz.

Burada bir görevin yapısını bozalım. Giriş verilerinizin metinsel olduğunu söylüyorsanız, bu evet, sayfa içeriğinin metinsel olduğu anlamına gelir. Ve bu durumda görev nedir? Denetimli mi yoksa denetimsiz mi? Denetimsiz olduğunu biliyoruz. Çıktının sonuçlarını doğrulamamızın bir yolu olmadığından, bunu kendimiz yapmalıyız, bunu yapmak için otomatik bir yolumuz yok. Bu durumda örneğin sayfanın metnini alıp 160 karakterden daha az çıktıya dönüştüren dönüşümsel bir model arıyor olacağız. Yani metinden cümle almak çıkarma anlamına gelir veya özetleme de olabilir. Ancak bunu yapmanın başka bir yolu da GPT-3 gibi üretken bir model kullanmaktır. Biz ona girdiyi, yani sayfadaki metni veriyoruz ve o meta açıklamaları oluşturuyor ve esasen onları sıfırdan yazıyor.

Görev açısından kritik olup olmadığına geri dönersek, olmadığını biliyoruz. Bu nedenle, makine öğrenimi bu tür egzersizler için iyidir. Bazen bu modeli aynı sayfa türü için çalıştırdığınızda farklı çıktılar almanız normal mi? Örneğin, modeli iki kez çalıştırırsanız, aynı sayfa için iki farklı meta açıklama alabilirsiniz. Bu kesinlikle sorun değil. İkisinden birini seçebiliriz. Bu hiç sorun değil. Bu meta açıklamaları nasıl yazdığımızın bir açıklamasına ihtiyacımız var mı? Hayır, hiç de değil. Ve bunu nasıl yaptığımızı paydaşlarımıza açıklamamız gerekmez. Ortalama yöntemlerden daha iyi performans gösteriyor mu? Makine öğrenimini kullanmak isteyip istemediğinizi değerlendirmek istediğinizde çok önemli bir soru ve kesinlikle evet diyebiliriz, çünkü bu çerçeveyi alıp kullanmanız gerekip gerekmediğini merak ettiğiniz görevlere uygularsanız çok daha hızlı olur. onlar için makine öğrenmesi olsun ya da olmasın, o zaman hangi görevlerin makine öğrenmesi için uygun olduğunu ve hangi görevlerin uygun olmadığını çok hızlı bir şekilde bulabilirsiniz. Sadece bir örnek vermek gerekirse, bu aynı zamanda nişe de bağlı olabilir, çünkü başlıklar ve H1'ler için mutlak aynı örneği alırsak, çok rekabetçi olmayan bir niş için şunu söyleyebiliriz: Bu Sizin Paranız veya Hayatınız türünden bir şey değil, o zaman kesinlikle, aynı duruş, kritik bir görev olmadığını söyleyebiliriz. Görevler otomatikleştirilebilir, makine öğrenmesini uygulayabiliriz ve başlıkları ve H1'leri nasıl yazdığımızı açıklamamıza gerek yok. Ama örneğin müvekkilimiz HMRC dersek, bunu doğru yapabilmek için bunun çok önemli olduğunu biliyoruz. Tamamen yerinde olmayan bazı başlıklar veya H1'ler veya meta açıklamalar önermek istemiyoruz. Bu nedenle, bazen bu araçlardan bazılarını uygulayamamanızın nedeninin müşterinizin veya çalıştığınız sektörün veya üzerinde çalıştığınız belirli bir sitenin olabileceğini de hissedebilirsiniz.

D: Bence bu bizi oldukça güzel bir şekilde, makine öğrenimi ile çalışırken, sınırlarını anlamada ve çıktıyı incelemede olan beş numaraya götürüyor.

5. Sınırlamaları Anlayın ve Makine Öğreniminin Çıktılarını İnceleyin

L: Kesinlikle ve bu çok önemli çünkü makine öğrenimi ile bir şeyler yapılabileceğini defalarca düşündüm ve bir model uyguladım veya bir komut dosyası veya bunun gibi bir şeyi test ettim çünkü çok fazla komut dosyası var dışarıda. Dürüst olmak gerekirse, onları nasıl arayacağınızı biliyorsanız, aklınıza gelebilecek herhangi bir görev için neredeyse bir komut dosyası vardır, SEO'daki belirli bir soruna nasıl uygulanacağını bilmeniz yeterlidir. Ve bazılarını test ettiğim ve çıktıyı kullanmadığım zamanlar çok fazla. Bu nedenle, makine öğreniminin neler yapabileceğini bilmeniz gerekir. Şu anda makine öğrenimi, dar görevlerde çok iyi olduğu bir aşamada, ancak modellerin çoğu, eğitilme biçimleri ve yeni başlayanlar olarak, çoğu zaman önceden eğitilmiş modelleri kullanacaksınız, Onları kendin eğitmeyeceksin. Ve bu başlı başına başka bir konu. Ancak önceden eğitilmiş modeller kullanıyorsanız ve bunları kendiniz eğitmiyorsanız, çoğu zaman eğitildikleri veri setinin belirli bir sektör için özellikle yararlı olmadığını göreceksiniz. olmasını istediğiniz kadar derinlemesine değil. Ve bu, özellikle NLP gibi metin tabanlı görevler ve bunun gibi şeyler için geçerlidir.

Ve burada, sadece iki şeyi bilmeniz gerekiyor. Her şeyden önce, çalışmak için bir temele sahip olmak bile sahip olmak için yeterince iyi bir şeydir. Bunu biliyorsanız, evet, örneğin, modelin oluşturduğu meta açıklamalar o kadar iyi değil ama düzeltilebilir. Ve eğer onları düzenlerseniz, nihai çıktıyı elde etmenin sizin için çok daha hızlı olacağını düşünüyorsanız, o zaman arkanıza yaslanmalısınız, harika bir iş çıkardınız çünkü kendinize bir ton para biriktirdiniz. zaman, bununla bile. Ve çıktının hiç yararlı olmadığını düşünüyorsanız, bu, tüm makine öğreniminin yararlı olmadığı anlamına gelmez. Bu, yalnızca bu belirli görev için kullandığınız bu belirli modelin kullanışlı olmadığı anlamına gelir. Ve bu tamamen sorun değil. Paydaşınıza veya müşterinize birkaç yaklaşımı test ettiğimizi bile söyleyebileceğiniz için, otomatik bir yaklaşımı test ettik. Ve bu ve bu sebepten dolayı işe yaramadı. Ve sonra, ekibinizin ürettiği çıktıyla karşılaştırmak ve kontrast oluşturmak için modelin çıktısını bile kullanabilirsiniz. Bu nedenle, her durumda, makine öğrenimini uygulamak veya denemek, durumunuzu çok daha güçlü hale getirecektir. Sadece ne zaman tamam diyeceğinizi bilmelisiniz, bunu denedik ama işe yaramadı ve bunu nasıl kendi avantajınıza kullanacağınızı da.

D: Ve bizi düzgünce altı numaraya götüren çıktılardan bahsediyoruz, bu da işbirliği içinde çalışmak ve makul beklentiler belirlemek.

6. İşbirliği İçinde Çalışın ve Makul Beklentiler Belirleyin

L: Bu son adım, ne zaman yardıma ihtiyacınız olduğunu ve doğru yardımı nasıl alacağınızı bilmekle ilgilidir. Ve burada, ihtiyacınız olan yardımı almak için takip edebileceğiniz birkaç şey olduğunu düşünüyorum. Her şeyden önce, bir makine öğrenimi arkadaşı bulun. Seninle aynı türden biri. Aynı sektörde çalışıyorlar. Aynı tür sorunları yaşıyorlar. Ve düşünüyorsunuz ve sorunlarla karşılaşıyorsunuz ve birlikte görevler için araştırma yapıyorsunuz. Ve birisi rol için faydalı bir şey bulduğunda, bunu arkadaşlarıyla paylaşır. Kendinizi sorumlu tutmanıza yardımcı olur, kendinizi motive etmenize yardımcı olur ve gerçekten olması çok iyi bir şeydir.

Burada başka bir çözüm, makine öğrenimi kabilesi gibi bir kabileye katılmak olabilir. Burada tekrar Jason Brownlee'yi arayacağım. Dışarıdaki farklı makine öğrenimi kabilelerinin bir dökümü olan bu çizelgeyi yarattı. Ve bizim için, SEO'lar olarak, ya bir iş kabilesine aitiz, bu yüzden bunlar, otomasyonun veya makine öğreniminin sorunları için doğru çözüm olup olmadığını veya ekipleri veya verileri için kullanılıp kullanılamayacağını görmeye çalışan yöneticiler olabilir. örneğin, verileri anlamada biraz daha iyi olmaya çalışan veri analistleri olan kabileler. Bu iki tür kabileden özellikle bahsetmemin nedeni, eğer böyle bir grup veya topluluk içindeyseniz, oradaki insanların aynı tür sonuçları bulmaya çalıştıklarını, ancak soruna yaklaşımlarının benzer olduğunu bilirsiniz. sizinkine. Dolayısıyla, örneğin, makine öğrenimi modelinin arkasındaki matematiği veya kodlamayla ilgili ileri düzey kavramları bilmiyorsanız, incelemeye alınmayacaksınız. Karşılaştığınız zorlukların türüne çok sempati duyan insanlarla çevrili olacaksınız. Ve bu farklı zorluklar olabilir. Örneğin, Python geliştiricilerinin olduğu bir topluluktaysanız ve benim modelim neden çalışmıyor diye soruyorsanız, virgül veya bunun gibi bir şey çıkıyor. Biraz daha dikkatli hissedebilirsiniz, sorunuza verilen yanıtlar biraz daha sert olabilir ve motivasyonunuzu kaybetmenizi istemeyiz. Bu yüzden doğru topluluk türünü veya doğru kabile türünü bulmayı vurguluyorum.

Üçüncüsü, ve bence bu, hangi yaklaşımı seçerseniz seçin uygulamanız gereken bir şey. Bu, yalnızca, sorguyu kendi başınıza çözemeyeceğinizi düşündüğünüzde, mümkün olduğunda geliştiricilere ulaşmak olmalıdır. StackOverflow'ta yaklaşık altı saat geçirdiyseniz ve yalnızca bir hataya takılıp kaldıysanız ve kendinizi aşırı motive hissetmiyorsanız, sadece birisine ulaşın, SEO topluluğunda bile çok sayıda süper yetenekli Python geliştiricisi var. Onlara ulaşırsanız, size yol tarifi verebilmeleri için zaten böyle bir sorunla karşılaşmış olabilirler. Ve onlara ulaşın demiyorum ki senaryonuzu sizin için yazsınlar. Ancak sizi doğru yönde yönlendirebilirler. Ve bu aynı zamanda çok ilham verici ve motive edici olabilir.

D: Lazarina, bu kesinlikle harikaydı. SEO için makine öğrenimi hakkında haftalarca konuşabileceğinizi biliyorum. Bu sadece kısa bir girişti. Ama gerçekten bilginizi gösterir. Ve eminim belirli alanlara dalabilirsin. Sizi bir noktada geri almak harika olurdu, belki sizi geri alabilir ve SEO için Python gibi bir şeye veya orada daha niş bir konuya dalabiliriz.

Pareto Turşu - Yeni Fırsatlar için SERP'yi Analiz Edin

Pareto Turşu ile bitirelim. Pareto, sonuçlarınızın %80'ini çabalarınızın %20'sinden elde edebileceğinizi söylüyor. Mütevazı düzeyde bir çaba için inanılmaz sonuçlar sağlayan tavsiye edeceğiniz bir SEO etkinliği nedir?

L: Bunu çok düşündüm. Ve sık sık görmediğimi düşündüğüm bir şey söylemek istedim. Ve benim için SERP analizi. Arama motoru sonuç sayfalarını özellikle geniş ölçekte analiz etmek için birçok fırsatımız var. Yani, anahtar kelime araştırmanızı zaten yaptıysanız ve sitenizin sıralamada yer aldığı anahtar kelimeleri, sitenin sıralamada yer almadığı anahtar kelimeleri, içerik boşluğunu ve her şeyi biliyorsanız. DataForSEO gibi bir araç kullanarak çok geniş çaplı bir SERP analizi yapabiliyorsanız, bu şekilde piyasanın çok iyi bir resmini elde edebileceğinizi söyleyebilirim. Kimin nerede sıralama yaptığı, hangi markalarla rekabet ettiğiniz, başlıklarını nasıl yapılandırdıkları, meta açıklamaları, içeriklerinin ne kadar uzun olduğu ve bunun gibi her türlü analiz gibi. Ve bu seviyede, makine öğrenimini ne zaman ve nerede uygulayacağınızı biliyorsanız, o zaman bu aktivite tek başına tüm içerik stratejinizi etkileyecektir. Ve daha sonra da rekabetçi kalabilmeniz için sizi yolda tutacak. Bu, bu belirli müşteri için bir kez yaptığınız ve koruduğunuz bir şeydir ve bunu birkaç ay boyunca size rehberlik etmesi ve yapacağınız diğer birçok stratejide sizi etkilemesi için kullanabilirsiniz.

D: Gerçekten buna dalmak istiyorum. Devam etmek ve size daha fazla soru sormak istiyorum. Ama bunun fazladan yarım saat süreceğini biliyorum ve şu anda bunu yapacak vaktimiz yok. Umarım sizi bir sonraki bölümde geri alırız. Şimdilik. Ev sahibiniz David Bain oldum. In Search SEO podcast'inde olduğunuz için çok teşekkür ederiz.

L: Bana sahip olduğun için çok teşekkür ederim, David. Bir zevkti.

D: Ve dinlediğiniz için teşekkürler.