Edit

Legújabb tartalmaink:

A Google és a Silo technika
is úgy működik, mint az agyad

Úgy tíz éve egy jóbarátom meghívott, hogy tartsak előadást nála a Corvinuson. Örültem a lehetőségnek, mivel gyakorolhattam a nyilvános szereplést és beszédet. Az első előadás jól sikerült. Vittem egy marék Google repi anyagot és az interaktivitást jutalmaztam vele. Imádták a diákok.

Az esemény sikerén felbuzdulva, azóta is minden évben megtartom az előadást egy vagy két alkalommal a csoportjainak. A téma többször átalakult, de a központi elemek maradtak: projektek szervezése, üzletszerzés, kommunikáció és cégvezetés. Az előadás végén rendszerint bedobtam egy kérdést, ami jó beszédtémának bizonyult: Vajon a manipuláció jó? 

Manipulation- Spongyabob meme

A csoport vérmérsékletétől függően hosszan vagy röviden megbeszéltük a témát. Általában abból az alapállásból indultak ki az emberek, hogy a manipuláció rossz. A szót egy negatív dologgal kapcsolták össze. Így én érveltem a hasznossága mellett, ilyen gondolatokkal, mint:

“A tanulás is a manipuláció egy formája” vagy “A manipuláció csak egy eszköz, a felhasználó szándéka teheti rosszá”.

Könnyen álltam ki mellette, mivel szenvedélyesen rajongtam a témáért. A viselkedéspszichológia, a társadalomtudományok, a hipnózis témaköre fiatal korom óta érdekelt. Részben ezért választottam a marketing világát is, hogy közel lehessek a gyakorlati alkalmazásukhoz. 

Az online marketinggel foglalkozók hajlamosak a szakmát technológiai tudománnyá degradálni. Azért mert mérhető és a digitális térben történik, el kell tűnnie az emberi oldalnak? 

Tévedés! 

A kommunikáció csatornája megváltozott, de a lényeg – az ember – ugyanaz. Torzításaink és az evolúciós attitűdünk maradt. De a folyamat, a mérhetőség miatt, kiszámíthatóbb lett.

Az asszociációs motor

A digitális tér korunk aktuális csodája. Több milliárd ember önti bele a tudata és cselekedetei lenyomatát. A webet a kollektív tudatalattinknak látom. Az agyunk működéséhez hasonló minták pedig könnyen tetten érhetőek a virtuális világban. 

Az emberek a találmányaikkal mindig a természet valamelyik jelenségét másolták le. Így van ez a digitális térrel is. Például a crypto pénzek, amik működésükben nagyon hasonlítanak a DNS-ünk működéséhez. Vagy ennek az anyagnak a témája, a Google keresője, ami az agyunk asszociációs motorját képezi le.

Robert B. Cialdini fantasztikus könyvében az Előhatásban írja, hogy “a gondolatok világában nincsenek árvák.” Azaz minden érzet, kép, hangulat, szag, amit felfogunk, valahogy kapcsolódik más gondolatokhoz. 

Például:

  • Egy kutyát látva eszünkbe juthat, hogy gyerekkorunkban szerettünk volna egyet, de a szüleink nem engedték. Erről pedig  az elmérgesedett viszonyunk apánkkal. Végül – tudat alatt – utálni fogjuk a kutyákat, mert ez a szokatlan asszociációs kapcsolat alakult ki bennünk. 
  • Egy gyorsétteremben járva, ha mindig ugyanazt az illatot érezzük, akkor összekapcsoljuk az ott szerzett élménnyel. Innentől, ha a jövőben megérezzük újra ezt az illatot anélkül, hogy látnánk a helyet, újra megkívánjuk az ételt.
  • A “Florida-hatás” egy pszichológiai kísérlet volt, ahol az alanyoknak olyan szavakkal kellett mondatokat alkotni, mint a kopasz, ősz, feledékeny vagy a ránc. Ezek után megkérték az alanyokat, hogy menjenek át a folyosó másik végén lévő irodába. Egy másik csoportnak olyan szavakat kellett használni, mint a látja, sárga vagy az azonnal. Az a csoport akik az idős korhoz kapcsolódó szavakat használták, sokkal lassabban mentek át a másik irodába, mint a gyorsaságot és lendületet használók. 

Minden élményünk és tapasztalatunk ilyen kapcsolatok formájában tárolódik az agyunkban. A folyamat a pillanat töredéke alatt zajlik le, és a legtöbbször észre se vesszük. A beszélgetéseink, vagy a világgal folytatott interakcióink során ezeket az asszociációkat használjuk.

Neveltetésünk során számos asszociációt összehangolunk a környezettel. Az NLP  “mind map”-nek, azaz “elme térképnek” nevezi ezt. Vagyis, az egyes fogalmakat milyen érzetekhez kapcsoljuk. Például ha azt mondom, hogy FA, akkor te is egy növényre gondolsz. Vannak ágai és levelei. Általában magasabb egy felnőtt embernél. A színe barna, fekete esetleg szürke. Ezen túl viszont a te fejedben megjelenő fa más lesz, mint az enyémben. Azt a fát fogod látni, amihez az első élményeid tartoznak. 

Ettől függetlenül mindketten tudjuk, hogy mi az a fa. A fejünkben van egy fa “feliratú” doboz, ami más fogalmakhoz kapcsolódik. Eszedbe juthat róla egy növény vagy az erdő és a legutóbbi kirándulásod. 

Készítettem egy mind mapet az alapján, amire én asszociáltam a fára gondolva, majd további asszociációkat kapcsoltam hozzájuk:

Fa mind map

Nagyon szeretem az erdei sétákat. Számos békés, csendes élmény kapcsol hozzá. Amikor egy fát látok, azok az élmények jutnak eszembe, amiket az asszociációim tárolnak. 

Jó eséllyel látva a fenti ábrát, te is érted, hogy miért gondolom kapcsolódónak a tiszta levegőt a fákhoz. Vagy miért gondolom, hogy a növénynek vagy a papírnak van hozzá köze. Nem biztos, hogy el tudnád magyarázni. Esetleg olyan magyarázatokat adnál, hogy “nyilván azért, mert a fák gondoskodnak a tiszta levegőről” vagy “mindenki tudja, hogy a fa egy növény”. 

Ez viszont csak egy okozat. Azért tudod ezt, mert az életed során megtanultad. Asszociációkat gyűjtöttél, azaz gyakoroltad ezt a tudást és ma már össze tudod kapcsolni. Jártál az erdőben és érezted a tiszta levegőt. Vagy egy számodra hiteles biológia tanár elmondta. Ezekre az emlékekre asszociálsz, amikor egy fogalommal találkozol. Persze, ezt nem tudatosan teszed, egyszerűen csak így működik az agyad.

A fenti ábrát most képzeld el nagyban! Több száz vagy több millió asszociáció kapcsolódik össze. Vannak témák, amikben jártasabb vagy, és vannak amikben kevésbé. Amiben jártasabb vagy az látványos, nagy halmazokba gyűlik. Ahol kevesebb a tapasztalatod, ott kisebbek a pontok. Az egész olyan érzést kelt, mint az idegsejtek. 

Neuronok
Forrás: https://news.harvard.edu/gazette/story/2020/12/how-neurons-form-long-term-memories/

Az asszociációk rendszeréről, és a hozzájuk kapcsolódó kiszámítható hibákról egyedülálló könyvet írt Daniel Kahneman. A Gyors és Lassú gondolkodásban összegzi élete munkáját, amiért egyébként Nobel-díjat kapott. A dologban az az igazán kiemelkedő, hogy ő az egyetlen Nobel-díjas, aki szakmáján kívül kapott Nobelt. Pszichológusként közgazdasági Nobellel jutalmazták.

A közgazdaságtan egyik eredendő tétele, hogy az emberek mindig racionális döntéseket hoznak. 

Csakhogy ez tévedés. Az emberek nagyon ritkán hoznak racionális döntéseket. Érzelmi és asszociatív döntéseket hoznak, amiről elhiteti az 1-es rendszerük, hogy racionális. Ezt bizonyította Kahneman. Ha többet akarsz tudni a témáról, olvasd el a mesterművét!

Az elme működése régóta foglalkoztatja a gondolkodókat. Az asszociációkról már Platón is írt a Phaidónban. Majd 1748-ban megjelent művében David Hume azt mondja, hogy az asszociációknak csak három alapelve van. Hasonlóság, térbeli és időbeli összefüggés és ok-okozati összefüggés. 

Az elmúlt évtizedekben jelentősen többet tudtunk meg az asszociációkról, mint amit Hume feltételezett. A legnagyobb változás, hogy nem csupán egy kapcsolatot feltételezünk a dolgok között. A “FA” nem csak az erdőhöz kapcsolódik, vagy a növény kategóriához. Az elménk egyszerre számos dologgal azonosítja a fát. Bizonyos kiszámítható szabályok szerint egyszerre akár 5-10 dolgot is előhozhat.

A Google és a témamodellezés

Számos újítást hozott a digitális térbe a Google. Az első és talán legnagyobb, a weboldalak link alapú megmérése. A 90-es évek során az első online keresők manuális katalógusok voltak. Biztos emlékszel még a startlap.hu-ra. Ilyen volt a Yahoo vagy az Altavista is. 

Fénykorában a Yahoot 15.000 ember tartotta karban. Mind önkéntesek, akik a honlapokat kategóriákba rendezték. Ezek az emberek – a saját asszociációik alapján – megvizsgálták a javasolt honlapokat, és ha kapcsolódónak látták, berakták azt a Yahoo adott kategóriájába. 

A zseniális újítás, amit Sergey és Larry (a Google alapítói) kitaláltak, lehetővé tette, hogy emberek helyett a gép mérje fel egy honlap értékét. Vagyis a digitális térben a honlapok nagy góc pontok, amiket linkek kötnek össze. Ha egy oldalra több link mutat, mint egy másikra, akkor valószínű az az állítás, hogy több ember gondolja érdekesnek. 

Mind map
Forrás: https://diging.github.io/tethne/tutorial.mallet.html

Kísértetiesen hasonlít a koncepció ahhoz, ahogy az idegsejteket vagy az asszociációs kapcsolatokat vizualizáltuk.

Önmagában egy honlap értékét nem döntheti el csak a rá mutató linkek összessége. Különben a Forbes magazinban megjelent Apple cikk jönne fel minden keresésemre, amikor egy új laptopot akarok venni. A keresőnek értenie kell azt is, hogy mi az oldal témája, hogy összekapcsolhassa a keresési kifejezéssel. Ráadásul “magyar webre magyar találatot!”, és az is jó, ha figyelembe veszi a saját érdeklődésem.

A Google számára a honlap csak kód: nullák és egyesek. Ha kötni akarom valamihez, akkor képek és szavak sorozata. Viszont jelentés és értelem nélküli. Hiszen csak egy lelketlen gép, ami az általunk leírt parancsokat hajtja végre. 

Szükség volt egy matematikai modellre, hogy megértse a kereső, miről szól egy honlap. Így került a képbe a témamodellezés.

A témamodellezés típusai:

Látens szemantikus analízis (LSA) és a látens szemantikus indexelés (LSI)

A természetes nyelvek feldolgozásának (natural language processing) egyik technikája. A lényege, hogy ha egyes szavak gyakran megjelennek egymás mellett hasonló szövegekben, akkor hasonló a jelentésük. 

Vegyünk például egy másik blogcikket a blogunkból, ami a SEO-ról szól. 

Astro cikk részlet karakterszámlálóba bemásolva

A szöveg 8318 szavából 104 alkalommal szerepel a Google, 82-ször a SEO és 59 alkalommal a linkek szó.

Ez alapján a kereső feltételezheti, hogy a SEO szóhoz van köze a cikknek. 

Nyilván nem ismeri azt a kifejezést, hogy SEO. Csak egy szó a katalógusában. Egy számsor, amihez más számsorok kapcsolódnak. Jelentést mi emberek tulajdonítunk neki a saját asszociációink alapján. 

Számomra például a munka, vagy a fejtörő témák jutnak eszembe róla. A kereső a saját adatai alapján mást tart kapcsolódónak:

SEO keresési találatok a Google-on

A TF-IDF mutatóval rangsorolják a szavakat és az egymáshoz kapcsolódó viszonyukat. A TF azaz term frequency azt jelenti, hogy hányszor jelent meg az adott szó a dokumentumban. 

Például a fenti cikkben a Google szó TF-je a 82 osztva 8318-al. Ez 0.009. 

Az IDF annyit tesz, hogy inverse document frequency. Vagyis a vizsgált dokumentumokban hányszor szerepel az adott szó. 

Például, ha az Astro oldalán van 100 db blogcikk, amiből 20-ban szerepel a keresőoptimalizálás szó, akkor 20/100 = 0.2 az IDF-je az Astro oldalnak. 

A kettőt összeadva, az Astro oldalán levő blogcikk TF-IDF-je 0.009 * 0.2 = 0.0018.

Nyilván ez csak egy szám, viszont értelmet nyer ha más honlapokhoz viszonyítjuk. Ha van 10 másik honlap, aminek hasonlóan kiszámolnánk ezt az értékét, akkor meg tudnánk mondani, hogy a SEO-hoz melyiknek van több köze.

Ennek az egésznek a leegyszerűsített verziója volt a kulcsszósűrűség. Egy oldalon belül jó sokszor bele kellett írni egy szót a szövegbe. Ezt a 2000-es évek során jelentősen kihasználták és túltolták a SEO szakemberek. Olyan vad szövegek születtek, amiket nem az embernek, hanem az algoritmusnak írtak.

Például a cikkekbe szándékosan az elgépelt szavakat írták bele, mivel sokszor a felhasználók is ezt írták be. Így rangsoroltak az ilyen esetekre. 

Sokat fejlesztette a rendszert a kereső óriás és nyilván számos más rangsorolási tényező is található még. Például az oldalra mutató linkek minősége és mennyisége. Mindemellett a mai napig kritikus fontosságú, hogy visszaírjuk a kulcsszavainkat a tartalmainkban, különben honnan tudná az algoritmus mire akarjuk rangsorolni?

Vagyis egy kicsit előre szaladva, például ha a SEO silódat fejlesztenéd: Ebben nem elég egyetlen cikket írnod, amiben a SEO-ról írsz. A silo elsődleges tartalmán kívül a többi kiegészítő tartalomban is szerepeltetned kell a SEO szót, mint kulcsszót. 

Látens dirichlet allokáció (LDA)

Az LSI segített megérteni az egyes szavak jelentését és összefüggést teremteni a szavak között. Az LDA segít abban, hogy mondatok, paragrafusok vagy dokumentumok témáját megértsük. 

Hogy néz ki egy jó példán keresztül? Vegyük ezeket a mondatokat:

  1. A keresőoptimalizálás több ingyenes forgalmat hoz a honlapodra a Google-ből.
  2. A keresőoptimalizálás részét képzi a linképítés és a tartalommarketing. 
  3. Az Astro egy olyan online cég, ahol csak digitálisan kommunikálunk, nincs irodánk és nagy hangsúlyt fektetünk a transzparenciára.
  4. A Marketing Astro egy nemzetközi projekteken edződöt performancia marketing cég.
  5. Ha felbéreled a Marketing Astrot keresőoptimalizálásra, fejlődni fognak az online eredményeid. 

Ez alapján elmondható a mondatokról:

  • Az 1-es és 2-es mondat: 100%-ban ‘A’ téma.
  • A 3-as és 4-es mondat: 100%-ban ‘B’ téma. 
  • Az 5. mondat: 30%-ban ‘A’ téma és 70%-ban ‘B’ téma.
  • ‘A’ téma: 30%-ban keresőoptimalizálás, 15%-ban tartalom marketing, 15%-ban linképítés, 15%-ban Google… akkor ez a téma az ‘online marketing’. 
  • ‘B’ téma: 45%-ban marketing, 15%-ban felbérel, 15%-ban performancia, 15%-ban eredmény… akkor ez a téma a ‘marketing ügynökség’.

Az egyes mondatokról vagy egész dokumentumokról ezzel meg tudjuk állapítani, hogy miről szól. Nyilván nem egyetlen dologról szól egy anyag. Ez a cikk például az asszociációs motorról, a Google témamodellezéséről és a silo technikáról szól. Mindhárom kapcsolódik egymáshoz, de nem fogsz találni egy másik cikket a weben erről. 

A Googlenek így meg kell érteni:

  1. 20% asszociációs motor
  2. 50% Google téma modellezés
  3. 30% silo technika

Valahogy így:

Van egy cikk.

A cikkben van 100 bekezdés.

A bekezdésekben van átlagosan 5 mondat.

Mondatonként 7 szó. 

Vegyük akkor a 27. bekezdést. Ebben az első mondat ⅓ részt online marketing, ⅔ részt témamodellezés. Akkor ez a bekezdés a témamodellezésről szól. 

A 100 bekezdésből 20 szól az asszociációs motorról. 50 a Google témamodellezésről. 30 a silo technikáról. 

Ilyen súllyal fog bekerülni a találatok közé.

Így érti meg és kapcsolja össze témákkal a mondataid, és a végén az egész dokumentumot. Ezért fontos az, hogy megfelelően tördeld a szöveged. Az egyes logikai kapcsolatokat megfelelően válaszd el fejlécekkel, írd vissza a kulcsszavaid, és használj szinonimákat a szövegeidben.

A 2000-es évek végén már aktívan megjelent az algoritmusban az LDA. Egyre többet értett meg a tartalmakból, és nem volt elég a kulcsszóhalmozás. Jobb blogcikkeket kellett írni ahhoz, hogy igazán jól rangsoroljunk. A Google asszociációs motorja már jó eséllyel meghatározta, hogy miről szól egy cikk és a benne található bekezdések. Az agyadnak több millió évnyi evolúció állt rendelkezésére, hogy ezt a képességet megszerezze. A Google mérnökeinek csupán pár évtizede volt hozzá. Szerencsére volt miről másolni. 

Explicit szemantikus analízis (ESA) 

Az LSI és LDA-hoz képest egy fontos különbség van a működésében. Az explicit, vagyis egyértelmű szemantikus analízis egy már meglévő adatbázisból épül fel. Általában a Wikipédiát használják kiindulási pontnak, ami több mint 6 millió angol nyelvű bejegyzésével kiváló adatbázis ehhez.

Wikipedia mérete: részletes adatok

Ezzel szemben a Google mára 56.5 milliárd honlapot regisztrált. Naponta 5.6 milliárd keresést hajtanak végre a keresőben. Csak a napi keresések a százszorosa a teljes Wikipédiának. Ezzel az adatmennyiséggel egy sokkal teljesebb könyvtárat használhatnak.

2012-ben vezették be a Knowledge Graphot. 2016-ra 70 milliárd kifejezést tartalmazott. 2020-ra 500 milliárd kifejezéssel rendelkezett. 

Az évek során az LSI és LDA módszerrel elemezték és kategorizálták a kifejezéseket. A felgyűlt adatok lehetővé tették, hogy egy hatalmas adatbázis jöjjön létre. Minden egyes szóhoz más szavak tartoznak. Az egyes kapcsolatokat különböző valószínűséggel jelölik.

Jó példa erre az asszociációs motornál használt ‘FA’ kifejezés. Mit hoz rá a kereső nekem:

Google találatai a "FA" kifejezésre

Mivel a digitális térben az elsődleges nyelvem az angol, eleve angol találatokat kapok. 

Viszont a lista elég változatos. 

Egyszerre szerepel a Facebook az első helyen, és a focihoz kapcsolódó keresések. 

Oldalt a kereső felajánlja a tisztázást segítő dobozt. 

“Erre gondolt?”

A FA anyag vagy a labdarúgáshoz kapcsolódó további találatok. 

Vagyis ezeket a tényezőket vette figyelembe:

  • Angol nyelven keresek általában
  • Ebben a térben az emberek gyakran használják tranzakciós kifejezésnek a ‘fa’-t, hogy eljussanak a Facebookra
  • A második legvalószínűbb, hogy valamilyen focihoz kapcsolódó témát keresek.

A kereséseinkkel és az azokra adott válaszokkal megtanítottuk a Googlet, hogy mi érdekel minket. A legtöbb ember ha beírja ezt a kifejezést, akkor ezeket a találatokat keresi. A gyerekek is így működnek. 

Az életünk elején beszélni se tudunk. A szüleink tanítanak meg az első szavakra. Aztán a körülöttünk lévő világot hallgatva megismerjük az egész nyelvet. Fogalmakat és témákat értünk meg és kapcsolunk össze. 

A folyamat során asszociációkat hozunk létre az agyunkban. Megjegyezzük, hogy a négylábú, szőrös, vakkantó hangot kiadó állat a kutya. Az ismételt élmények által összekötjük a kutya szó kimondott hangját az állathoz kapcsolódó érzéseinkkel. Begyakoroljuk az asszociációt.

Így tanítottuk meg mi is a Googlet, hogy mi a kutya vagy a fa. 

Ezután a Knowledge Graph-fal – ami az explicit szemantikus analízis egy fajtája – megtanulta a témákat. Ha a természet szeretetéről beszélünk, ehhez kapcsolódhat a fa és a kutya kifejezés is. Hiszen sétálhatunk az erdőben a házi kedvencünkkel.

Egy RankBrain mind fölött…

Szóval a kedvenc keresőnk valamikor a 2010-es évek elejére már felismert alapvető fogalmakat az alapján, hogy milyen tartalmakban szerepel. Csakhogy még mindig naponta 20-25%-ban ismeretlen dolgokat kérdeztek tőle. Ez bizony több száz millió kérdés volt, amit nem tudtak mihez kapcsolni.

Ehhez kellett egy öntanuló rendszer, ami képes volt igazán értelmezni az egyes szövegeket. Azaz absztrakt fogalmakat értett meg és összekapcsolta a kereséssel. Így született meg a RankBrain.

Képzeld el, hogy szomjas vagy. Gyakran megesik. 

Van előtted egy pohár tej, amit meg is iszol.

Felteszed magadnak a kérdést, jól esett? Oltotta a szomjam? Kellemesen érzem magam?

Ha a válasz igen, máskor is ezt választom. Ha a válasz nem, akkor kisebb eséllyel választom ezt.

Ezt a hatást képezték le a RankBrainnel is. 

Azoknál az új kereséseknél, ahol nincs pontos ismerete a keresőnek, egy ilyen öntanuló módszerrel állapítja meg, hogy milyen rangsorolási tényezőkkel válaszolja meg a kérdést.

Vagyis, ha újfent tejet akarnék inni, akkor a múltbeli tapasztalataim alapján döntenék, hogy jól esett-e vagy sem. Ha igen, újra iszom, ha nem akkor mást választok.

De a dolog nem ilyen egyszerű. 

Nézzük meg ezeket a kifejezéseket:

  • Milyen az idő Budapesten?
  • Kárpát-medence időjárás ma?
  • Esni fog délután?

Emberként tudjuk, hogy mindháromra nagyjából ugyanaz a válasz. A keresőnek viszont ehhez meg kell értenie a szándékot. Vagyis azt, hogy mi a pillanatnyi időjárást szeretnénk megtudni. 

Erre a válasz nem lehet az, hogy a Kárpát-medencében tavasszal gyakran esőzik. Bár távolról nézve még meg is válaszolhatja a kérdést, de nem aktuális.

Vagyis ha vesszük ezt a két lehetőséget:

Idojaras.hu napi jelentésWikipedia.com kárpátmedence időjárása 
Linkportfólió:KözepesMagas
Kulcsszóilleszkedés:KözepesKözepes
Aktualitás:MagasAlacsony
Domain rang:KözepesMagas
Engagement:AlacsonyMagas

A Wikipedia-találat minden “régi” szempont szerint veri az Idojaras.hu-t a kérdésben. Több a linkje, magasabb a domain rangja és sokkal több időt töltenek az oldalon az emberek. Hiszen a másiknál csak megnézik az oldalt és tovább állnak.

Mégis a jó válasz a napi időjárásra a “gyengébb” találat. 

Azaz a RankBrain igazi különlegessége, hogy megtanulta megérteni a szándékot. és ehhez kapcsolódóan mérlegeli a választ. Az egyes szándékokhoz más rangsorolási tényezőket helyez az első helyre. 

A fenti sarkított példában az aktualitás és frissesség teljesen felülírja a többi rangsorolási tényezőt. 

Az algoritmus teszteli az egyes szándékokat és a hozzájuk kapcsolódó rangsorolási pontokat. Amelyik megerősítést nyer, az marad. 

A tejes példára visszatérve ez olyan, mintha az alapján próbálnánk megérteni, hogy iható-e a tej, hogy milyen a hangja amikor kiöntjük a pohárba. Annak a vizsgálati pontnak semmi köze a kérdéshez. Bár ezt emberként pár évesen megtanuljuk. 

Mi a neved Muppet? BERT uram…

Google Bert update

Az utolsó nagy update a témában 2019-ben érkezett és nem csak a SEO hanem a mesterséges intelligencia világát is felforgatta. 

Az izgalmat az jelentette, hogy bevezették a részlegesen aktivált szakértői modellt. A régebbi természetes nyelvi modellek és témamodellezések jelentős erőforrással jártak. Ebben az esetben egy döntő expert réteg bevonásával jelentős energiát tudnak megspórolni. 

A számunkra érdekes rész mégsem az erőforrás reform. A BERT algoritmussal tovább léptek, és valóban megértik mindkét irányba az egyes szavak jelentését a kontextus függvényében. 

Például:

Amikor hideg front van, gyakran fáj a [kitakart szó].

Az algoritmus képes kitalálni a kitakart szót a mondatból. Ezzel az absztrakt fogalmak és szavak megértése kétirányúvá válik. 

Egyetlen generáció alatt eljutottunk oda, hogy a gépek cikkeket tudnak írni helyettünk

Megértik, miről beszélünk és érdekes tartalmat adnak vissza számunkra. 

Messze nem utópisztikus a reggelit behozó android képe sem.

A Silo technika, mint tartalomszervezési elv

A Google evolúcióját követve a szakmabeliek is alkalmazkodtak a változásokhoz. Ahogy az agyunk működését másolta a kereső, úgy másoltuk le mi, az újabb és újabb szabályokat. 

Eleinte ment a kulcsszóhalmozás, a link farmok vagy a háttér színnel írt szavak. Mára persze csak nevetünk ezen. Sokat változott a SEO, inkább a tartalom minőségére került a hangsúly. 

A 2010-es években jelent meg a Silo technika vagy más néven a content hub. Gyakorlatilag egy témakategorizálást jelent. Ahogy a neuronok gócokba gyűlnek, úgy csoportosítjuk a témákat silókba. 

Mit jelent ez vizualizálva? 

Kaotikus hamburger silo


A fenti példában a honlapon található tartalmak össze vissza vannak linkelve. A kategória oldalak egymásra linkelnek, a főoldallal nincsenek is kapcsolatban. 

Ugyanez egy rendszerezett megközelítéssel:

Rendezett hamburger silo

Ebben az esetben a silóink a burger receptek, a kézműves hamburger, a burger alapanyagok és a gyorséttermek. 

Ezzel a kategorizálással az a célunk, hogy logikailag és téma szerint összekapcsoljuk azokat a tartalmakat, amik összefüggenek. Így segítjük a kereső munkáját és irányítjuk, hogy melyik oldalakat szeretnénk rangsoroltatni.

Vagyis lemásoltuk az asszociációs blokkokat, ahogy a saját agyunk és a Google algoritmus is kezeli az információt. 

Mik a gyakorlati lépések egy Silo kialakítása során?

Tipp #1. – Kinek kell használni a Silókat?

Mindenképp érdemes lehet használni a silo alapú kategorizálást, azonban nem mindenki számára indokolt.

Jellemzően 3 különböző eset van a tartalom kezelése során:

  1. Havi 1-2 tartalmi elem a blogban
  2. Havonta 4 vagy több tartalom
  3. Ecommerce tartalom

Amikor egy honlapon havonta csak egy, vagy két blogcikk jelenik meg, ritkán indokolt egy teljes silo rendszer felépítése. Egyszerűen nincs annyi tartalom, hogy üzemeltetni tudjon több silót. Viszont ilyenkor is érdemes tudatosan építeni a silókat.

Egy aktív tartalommarketing tevékenységnél indokolt a silók kidolgozása és fenntartása. Irányítottan tudjuk rangsorolni az oldalakat a tevékenység során.

A webshopok tartalommarketingje sok tekintetben más, mint bármilyen más oldalé. Itt gyakran a kategóriaoldalak vannak a silók tetején, hiszen azokat szeretnénk rangsorolni, vagy a termékekhez is be vannak kötve a cikkek.

Tipp #2. – Linkekkel hozod létre őket

A weben az egyes oldalak között a kapcsolatot az URL-ek, azaz linkek adják. Ezekkel tudod irányítani, hogy az adott tartalom kapcsolatban legyen a másikkal. 

A burgeres példára visszatérve:

Burger receptek hamburger silo


Itt van 4 db tartalmad. 

A burger receptek egy átfogó tartalom. Kb. egy 2000 – 5000 szó közötti pillér elem, amit elsődlegesen rangsorolni szeretnél. 

Ehhez tartoznak rövidebb 500 – 750 szavas tartalmak, amik linkekkel vannak egymással  összekötve. Például az Angus burger receptjénél megemlíted, hogy ugyanazt a sajtot használod benne, mint a sajtburger receptnél, így tehetsz egy linket a sajtburgerre.

Viszont az fontos, hogy a silót ne keverd össze más silókkal, különben nem jön létre a hatás. 

Egy jó, első szintű kapcsolat, ha címkéket teszel a tartalomba, hogy összekapcsold őket. Viszont legyen a szövegben is link más tartalmakra!

Tipp #3. – A silóid kövessék le a tevékenységed

Az Astro 8 content silója (egy work in progress ponton): 

Astro 8 content silója

A fenti ábrán még a felülvizsgált és kihúzott elemek is látszanak. Jelenleg havi 5-6 tartalom elemmel tudunk ennyi silót üzemeltetni.

Az egyes silók a természetes tevékenységből fakadnak. Vedd figyelembe azt is, hogy kinek szeretnél tartalmat fejleszteni. Mi az alapján választottuk ki ezeket, hogy a tartalmaink iránt érdeklődők általában az egyes területek szakemberei. 

Például, ha egy fejlesztő cég vagy, el kell, hogy döntsd, hogy programozási témában hozol-e létre blogot vagy inkább a problémákról beszélsz, amiket a terméked megold? 

Tipp #4. – A kulcsszavaid szándék szerint kategorizáld

A RankBrainnel megjelent az intent, azaz a szándék, mint kategorizálási elv. 4 fajtája van:

  1. Információs szándék: többet szeretnék tudni valamiről.
  2. Navigációs szándék: egy honlapra szeretnék eljutni.
  3. Tranzakciós szándék: meg akarok venni valamit.
  4. Commercial szándék: összehasonlítanék termékeket.

A másodikkal nem nagyon van mit csinálni. A többire érdemes figyelni a silók kialakítása során. Azaz az info tartalmak kerüljenek egy silóba, a konverziós vagy tranzakciós tartalmak egy másikba. 

A legtöbb SEO szoftver közli már ezeket az adatokat:

Organikus kulcsszavak lista részlet SemRush-ban

A fenti ábra a SEMRush kulcsszó elemző részéből van. A második oszlop az Intent, ahol látszik, hogy a SEO egy commercial szó, azaz szolgáltatások összehasonlításáról szól. A többi pedig tanulásra fókuszál.

Tipp #5. – Vizsgáld meg a SERP funkciókat is!

Nem mindig egy blogcikk hoz eredményt. Az egyes SERP funkciók vizsgálatával kiderülhet, hogy inkább a videós tartalom az, ami működik az adott keresésre. A burgeres példánál maradva:

"Hamburger recept" videó találatok

Azaz érdekes lehet ilyen jellegű videó tartalmat fejleszteni, és ezt YouTube-ra kirakni, valamint az oldalra egy cikkbe beágyazni. 

Tipp #6. – URL struktúra

A silo struktúrát a legjobban az oldal URL-jeinek a felépítésével lehet irányítani. A lényeg, hogy ne csak a cikk címe legyen beszédesen az URL-ben, hanem a kategória is.

A könyvtár szerkezetet nézve:

  • burgeresoldal.hu/hamburger
  • burgeresoldal.hu/hamburger/kezmuves-hamburger
  • burgeresoldal.hu/hamburger/kezmuves-hamburger/zing.html

A link könyvtár szerkezetével egyértelműen lehet jelezni, hogy mi tartozik egy kategóriába. 

Tipp #7. – Használj tartalomjegyzéket

Az egyik leghatékonyabb taktika, ha a silón belül létrehozol egy tartalomjegyzéket. Például oldalt, a lap szélén, ami mindegyik cikknél elérhető. 

Az egyes cikkek között átjárást biztosít, könnyebben átlátható a téma és stabilan összeköti a silo elemeit. 

Záró gondolatok

A RankBrain és a BERT algoritmus jelentősen megváltoztatta a keresőmotor tartalomértelmezési képességét. Valóban igaz, hogy egyre inkább arra kerül a hangsúly, hogy kiemelkedő minőségű tartalmat hozz létre. 

Ha szeretnéd fejleszteni a céged online jelenlétét jobb tartalommal, vagy egy átgondolt SEO tevékenységgel, akkor keress minket