Esettanulmány a bejövő linkek fontossági tényezőiről

Rate this post

A Google egyik fontos rangsorolási faktora közé számít a weboldalunkra mutató linkek vagy is a bejövő linkek. Ezzel a témával most azért is foglalkozunk mert talán már a hazai SEO szakma már egy picit talán el is felejtette, hogy lesz idén egy Pingvin frissítés ami a Google közleménye szerint az utolsó is lesz egyben, mivel ezt követően az alap alagoritmus része lesz.

A Stone Tample Consuling az idén a bejövő linkek fontossági tényezőit vizsgálta Dublinban. Érdekes, egyedi meglátásait a stonetemple.com oldalukon tették közzé Eric Enge összefoglalásával.

A bejövő Linkek besorolási tényezőit az alábbi öt megközelítés alapján vizsgálták:

  1. További új rangsor tényezők jelenléte
  2. A tartalom minősége mindenekfelett
  3. A felhasználók elkötelezettsége
  4. Szociális média jelzői
  5. RankBrain mind közül a legjobb

Eric Enge állítása szerint a linkek tényezőinek rangsora durván elnagyolt képet mutatott az elmúlt időszakban, míg ezzel ellentétesen a linkek fontossága továbbra is erős maradt. Ezen állítását az alábbiak alapján igyekszik alátámasztani.

Ássunk melyebbre

Andrey Lippatsev szerint a RankBrain (keresőalgoritmus) csupán a harmadik legfontosabb rendszer. Az első kettő, mely előnyösebben járul hozzá az adott keresések találataihoz nem más, mint a linkek és a tartalmak. Ezt saját tanulmányában mutatja be, mely tanulmányok úttörőnek számítanak a rangsor és link tényezők tekintetében. Saját kutatása alapján a Moz és a Searchmetrics (keresőszámítás) jelentőségét tanulmányozta.

moz és a searchmetrics elemzése

moz és a searchmetrics elemzése

Lippatsev számításainak alapadatai ezen a diagrammon látható:
Minden egyes sáv megmutatja a korreláció szintjét a tényezők és magasabb rangok között. A Mozban és a keresőszámítás tanulmányokban egyaránt a korreláció a linkek számában relatíve nagy, de nem szignifikánsan magasabb, mint a többi tényező, amelyeket megvizsgáltunk, jelentette ki Lipatsev.
A kulcs a Mozhoz és a Keresőszámítás tanulmányokhoz a megértésen túl az, hogyan végzik az értékeléseket. Ezeket egyedi elbírálás szerint végezték el, minden egyes SERP-en, majd az összes további eredményen (továbbiakban: „Egyedi korrelációk jelentése” megközelítés). Mindkét tanulmány egyaránt kizárólag kereskedelmi feltételekre összpontosít, így az értéke nem releváns.

bejövő linkek kalkulációja

bejövő linkek kalkulációja

Mialatt a megközelítéseknek van érvényessége, a tapasztalataink a Stone Tample Consulting céggel az, hogy a linkek erőssége a rangsorban továbbra is elsődleges szempont. A linkek hatásainak vizsgálatára egyedi megközelítéseket használtak, de az egyedi korreláció még így sem nyújthatott teljes képet.

összefüggések PA és DA

összefüggések PA és DA

Konzultációkra építve két másik szakértővel Paul Berger, és Per Enge végeztek egy másik számítást, amely a négyzetes átlagra épül. Az ok, amiért ezt tették, az, hogy kihasználja a korrelációs változók terét. (Ahol a korrelációs érték R, a négyzetes közép használja az R – négyzetet. )
Ez valójában az R négyzet értéke, amely jelentéssel is bír a statisztikában. Például ha R értéke 0,8, akkor R négyzete 0,64. Így el lehet mondani, hogy a variabilitás 64 %-a az Y-ban X-el magyarázható, bár Paul Berker szerint nem születik jelentőségteljes tétel az R korrelációs tétel bevonásával sem. Bár az R négyzet ad némi értelmet, amely világosabb képet nyújt a korrelációs kapcsolatról. A folyamatot így vezették le:

Long tail összefüggés vizsgálata

A különböző számítási módszereken kívül egyedi módon további lekérdezéses típusokból álló keveréket is használtak. Kereskedelmi kifejezéseket teszteltek a „ long tail” (hosszú farkú kulcsszavak, a keresőmarketing azon ága, mely a több szóból álló kulcsszavakkal foglalkozik) ágat is bevonva. A némileg eltérő eredmények Berger szerint abból adódhattak, hogy a lekérdezések kétharmada csupán információs jellegű volt.

Rend Fishkin magyarázata szerint a saját linkek korrelációs eredménye magasabb volt, mint a DA és PA korrelációs pontszámai a rangsorolási tényezőben. Véleménye szerint ez azért lehetséges, mert szélesebb spektrumú kulcsszavakat használtak, hogy generálják a DA/PA algoritmusokat. Szerinte csak így van értelme annak, hogy a különböző típusú kulcsszavas keresések különböző korrelációkat kaphattak. Észlelte továbbá, hogy a nyers linkek számába jobban beleszámítanak ezek a különleges korpuszok. (Korpusz: egy adott nyelv adott időpontban használt változatára vonatkozó szövegek összessége https://hu.wikipedia.org/wiki/Long_Tail_SEO ) Kutatásaikat Fishkinék a továbbiakban arra hegyezve folytatják majd, hogy a Moz rendszerét képessé tegyék arra, hogy megmutassa adott kulcsszó esetében az összes mérőszám korrelációját, akár 1000 szavas keresések eredményeiben is.

Szintén figyelmet érdemel, hogy milyen magas volt linkjeink teljes pontszámösszefüggése, a MOZ és keresőszámításhoz képest.

Az egyedi korrelációk, azaz megközelítéseket figyelembe véve észrevehető, hogy a linkpontszám számítások fej-fej mellett, egymás mellett haladnak.

A számítási adatok szinte mindegyike a Moz Api segítségével jöhetett létre, így a linkek összesített értékelése és a rangsorolási tényezők is a Moz alkalmazási területeit vetítik elő.

A Stone Tample Consulting elmélete szerint az egyéni korrelációk és a négyzetes átlag jelentésének megközelítése erősen érvényes, de a velük rendelkező határok közül az egyik az, hogy a kisszámú eredmény egy nagyon negatív korrelációval jelentős módon ledöntheti a teljes pontszámot.
Ezen elmélet egyik megközelítése az, hogy a linkek mennyiségét normalizálni kell, hiszen csak így lehet releváns a keresési eredmény. Ennek egyenlete a következőképp néz ki:

A fenti egyenlet értéke az, amely elsimítja a különböző módon létrejött negatív korrelációk ütközését. Ennek megértése az alábbi különbségek összefüggésében rejlik.

Ebben a tézisben továbbra is a bejövő linkek normalizált összegét használják tízes csoportokba állítva őket úgy, hogy a legjobb 10 normalizált linkek összegét összeadják. Ugyanezt végezték el a rangsor pozíciókon 11-20, 21-30-ig és így tovább. Az összesítés és a korreláció kiszámítása után már látható, hogy ezek eredménye erősebb jelenlétet mutat.

Ez a megközelítés már részletesebb eredményeket ad, és egyszerűen összesíti a rangsor pozícióit a SERP (search engine results page) pozícióiba. Íme, az eredmény, mely még mindig kisimítja néhány korlátját az egyéni korrelációs módszer jelentésének.

Láthatjuk, hogy a 0,39-es tartományú számokból majdnem tökéletes korrelációkat kapunk, tehát az összesített megközelítésekhez tartozó kalkulációk bebizonyítják számunkra hogy a linkek sokkal fontosabbak, mint a felfedett hasonló bázisú kalkulációk.

Ennek a számításnak az elemzéséhez manuális elemzéseket végeztek, hogy kiderítsék az eredmények hány százalékban befolyásolták a találatokat.

Milyen típusú találatok ezek?

1. Helyi eredmények (nem térképeredmények, de eredmények, melyek helyileg befolyásolhatók)
2. A lekérdezés, mely változatosságot érdemel meg.
3. Mélyreható, alapos tartalmak

Bejövő link szorozva tartalommal ilyen egyszerű lenne?

A számítások szerint a találatok körülbelül 6%-a jött létre az ilyen típusú eredményekből. Azonban sokkal fontosabb probléma a tartalom minőségi szerepeinek megértése.

Eric Enge a tanulmány folyamán kifejtette, hogy amióta a Google a linket es a tartalmat a két legfontosabb rangsor tényezőnek tekinti nem nehéz elképzelni, azt az igencsak leegyszerűsített egyenlet, ami azon alapul, hogy egyszerűen összeszorozzuk a „link pontszámot” a „tartalmi pontszámmal”. Most ebben a teljesen hipotetikus vitában a linkpontszám a tartalmi pontszámmal szemben fölényes győzelmet arat.

bejövő link kalkuláció

bejövő link kalkuláció

Abban az esetben, ha a tartalom nem releváns, akkor ennek a „győzelemnek” nem kellene számítania. Arról nem is beszélve, hogy a tartalom egy darabjának fontossági szintje érthető módon folyamatosan változó.

A fenti ábra voltaképpen a második eset, amely a rangsorban magasabb értéket mutat, annak ellenére, hogy a link pontszáma jelentősen alacsonyabb. Ha elképzeljük, hogy a link pontszám csak 1-100-ig fut és a tartalom összefüggő pontozási tényezők helytállósága, valamint a tartalom pontozási tényezői (voltak kisebb eltérések minőségben és a relevanciában, amelyre nagy hatással van a tartalompontszám), a linkek nyilvánvalóan nem lesznek képesek legyőzni az alacsonyabb vonatkozású, fontosságú tartalmat, annak ellenére sem, hogy voltak kisebb eltérések minőségben és a relevanciában, amelyre nagy hatással van a tartalompontszám.

A fenti vitát abból a célból generálták, hogy illusztrálják a lényegét a tartalom pontozásnak és annak hatását a rangsor algoritmusokra.

Az állítás megszilárdítása az eset tanulmányokkal
Az esettanulmány elvégzésére egy sor felsőkategóriás tartalommarketing kampányt végeztek 500 sikeres cég bevonásával és segítségével.

A mintaeredményeket, melyeket itt bemutattak több száz alkalommal megismételték. Ennek ellenére sem tudták rangsorolni azokat a linkeket, melyek alacsony relevanciával, vagy alacsony tartalommal rendelkeztek. Ezek az adatok azonban nem alkalmasak a nagy mennyiségű linkek kiépítésére, tehát azok minimalizálására továbbra is törekedni kell.

Összefoglalva

Nem mondjuk azt, hogy könnyen és elsőre érthető a bejövő linkekkel kapcsolatos tanulmány minden pontja. Ami biztosan látható a felmérésekből, hogy a linkek fontosak a Google és egyéb keresők esetében is, de mint ahogyan mi is és mások is megjegyzik nem mindegy milyen forrásból, illetve a keresőoptimalizálás nem egyenlő a linkek esztelen gyűjtésével. Ezt erősítve érdemes újra elolvasni az utolsó bekezdést az összefoglalónk előtt, ami kitér az alacsony relevancia és tartalommal rendelkező linkekre.

Továbbra is inkább azt szorgalmazzuk, hogy építsünk kapcsolatokat, értékes hasznos tartalmat tegyünk közzé a weboldalunkon és azt a lehető legszélesebb körben kürtöljük szét a világnak – Facebook, hírlevéllel és egyéb csatornákon, eszközök segítségével.

Share Button

Nincsenek hozzászólások

Vélemény, hozzászólás?

Az e-mail címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöltük