AI로 검색 의도를 파악하는 AccuRanker의 방법

다음 문서에서는 새로운 AccuRanker(AI 기반) 검색 의도 기능에 대한 인사이트를 제공합니다.

이 글을 더 잘 이해하려면 먼저 다른 글을 읽어보시기 바랍니다: 검색 의도란 무엇인가요? 여기에서는 키워드가 아닌 검색 엔진 결과 페이지(SERP)를 살펴봄으로써 Google이 타겟팅하는 검색 의도를 분류하는 방법에 대해 설명합니다. 또한 검색 의도가 시간이 지남에 따라 변경될 수 있는 이유와 단일 SERP/키워드에 대해 여러 가지 의도를 가질 수 있는 이유에 대해 알아봅니다.

이 글의 나머지 부분에서는 간결성을 위해 하나의 키워드가 다양한 SERP를 가질 수 있지만 SERP/키워드 쌍을 키워드라고 지칭합니다.

소개

검색 의도는 미묘한 주제입니다. 그리고 특정 키워드에 대해 Google이 타겟팅하는 의도를 찾기 위해 일련의 고정된 규칙을 설정하는 것은 거의 불가능에 가깝습니다. 다행히도 지난 10년간 AI 및 머신러닝 분야의 발전으로 새로운 방법이 실현 가능해졌습니다. 이제 애큐랭커가 매일 처리하는 방대한 양의 SERP 데이터를 사용하여 머신 러닝 모델을 '훈련'할 수 있는 적절한 툴셋을 갖추게 되었습니다.

검색 의도 모델의 배경

새로운 검색 의도 모델의 학습 데이터로 레이블이 없는 데이터와 수작업으로 레이블을 지정한 데이터를 조합하여 사용했습니다. 이 데이터 세트는 인간 전문가가 라벨을 붙인 키워드에 대한 검색 의도와 해당 SERP 데이터를 결합한 것으로 구성됩니다. 머신 러닝 기술을 사용하면 패턴이 나타납니다. 이러한 패턴은 훈련 데이터 세트 외부의 키워드에 대한 검색 의도를 찾는 데 사용할 수 있는 모델로 변환됩니다.

머신러닝 모델을 사용하면 규칙 기반 접근 방식보다 더 정밀하게 검색 의도를 예측할 수 있습니다. 하지만 100%의 정확도에 도달하는 것은 여러 가지 이유로 불가능합니다. 그 이유 중 일부는 다음과 같습니다:

• SERP를 보는 사람(최대 40%)조차도 검색 의도에 대해 동의하지 않을 수 있습니다.
• SERP는 여러 의도를 표시할 수 있습니다.
• 서로 다른 검색 의도 카테고리의 정의가 항상 100% 일치하는 것은 아닙니다.

이러한 정의를 사용하고 이러한 레이블에 대해 머신 러닝 모델을 평가하면 90% 이상의 수작업 레이블 데이터와 일치하는 결과를 얻을 수 있습니다. 그리고 차이점을 검토할 때 사람이 직접 라벨을 붙인 것보다 머신 러닝 모델에 더 많이 동의하는 경향이 있습니다.

검색 의도를 결정하는 기능

새로운 AccuRanker 검색 의도 모델은 검색 의도를 파악하기 위해 SERP의 100가지 이상의 특징을 사용합니다. 이러한 기능은 상호 의존적이기 때문에 작동 방식을 자세히 설명하기는 쉽지 않습니다. 그렇다면 규칙 기반 접근 방식을 사용하는 것이 좋습니다.

이러한 기능에는 키워드, 제목, URL 및 설명의 특수 단어(여러 언어로 번역됨)는 물론, 클릭당 비용 및 애드워즈 경쟁과 같은 SERP 기능 및 기타 SERP 메타데이터가 포함됩니다.

새로운 검색 의도 모델을 이해하는 한 가지 방법은 다양한 경우에서 기능이 모델 출력에 어떤 영향을 미치는지 SHAP 시각화를 통해 살펴보는 것입니다.

검색 의도를 결정하는 기능 시각화하기

아래 이미지는 검색 의도가 트랜잭션인지 여부를 결정하는 상위 20개 피처를 보여줍니다.

여기에서 새로운 검색 의도 모델의 내부와 의사 결정이 어떻게 이루어지는지 확인할 수 있습니다. 약간 단순화된 방식으로 표시되어 있습니다.

차트는 다음과 같이 읽힙니다:

• Y축에는 키워드가 트랜잭션 카테고리에 속하는지 여부를 찾는 데 가장 영향력 있는 기능이 있습니다.
• X축에는 개별 피처가 모델 출력에 미치는 영향이 음수에서 양수로 변하는 것을 볼 수 있습니다. 세로선은 부정적인 영향과 긍정적인 영향을 구분합니다.
• 각 점은 키워드에 해당합니다. 점의 색은 이 키워드에 해당하는 기능의 값에 매핑됩니다. 빨간색은 높은 값을, 파란색은 낮은 값을 의미합니다.

트랜잭션 의도

이전 단락의 차트에서는 검색 의도가 트랜잭션인지 여부를 결정하는 기능을 보여주었습니다. 이 차트를 살펴보고 애드워즈 경쟁(competition_adwords)을 예로 들어 보겠습니다.

차트에서 competition_adowrds 옆에 세로선 오른쪽에 빨간색 점이 있는 것을 볼 수 있습니다. 즉, 애드워즈에서 경쟁이 치열하면(빨간색 점) 거래 키워드일 가능성이 높다는 의미입니다(세로선 오른쪽).

반면에 추천 스니펫 (페이지추천 스니펫)의 존재 여부를 살펴보세요. 이 값이 높으면(빨간색 점) SERP에 추천 스니펫이 있다는 뜻입니다. 빨간색 점은 모두 수직선의 왼쪽에 있습니다. 이는 추천 스니펫이 있을 때 트랜잭션 키워드일 가능성이 낮다는 것을 의미합니다.

차트에서 볼 수 있는 다른 사항은 Amazon이 한 번 이상(urlscountamazon.) 표시되면 SERP가 트랜잭션 키워드일 가능성이 높고, 그 반대의 경우 Wikipedia일 가능성이 높다는 것입니다.

이러한 결과는 놀라운 일이 아닙니다. 멋진 점은 머신 러닝 모델에 이러한 사실을 미리 알려주지 않았다는 것입니다. 데이터에서 추론한 것입니다. 또한 다양한 기능 간의 관계도 추론했습니다. 점들이 서로 겹쳐져 있는 것이 아니라 X축에 퍼져 있는 것을 볼 수 있습니다. 이는 SERP 기능이 모델에 미치는 영향은 SERP에 존재하는 다른 기능에 따라 달라지기 때문입니다. 따라서 애드워즈에서 경쟁이 치열하다고 해서 모델이 반드시 해당 키워드가 거래 키워드라고 결론을 내리는 것은 아닙니다.

정보 제공 의도

다른 쪽 끝에서는 의도가 정보 제공인지 여부를 결정하는 상위 20개 기능을 볼 수 있습니다.

여기에서 애드워즈 경쟁률이 높으면 정보 제공 의도가 아닐 가능성이 높다는 것을 알 수 있습니다. 또한 동영상 캐러셀, 관련 질문 및 추천 스니펫과 같은 기능이 정보 제공 의도가 있는 SERP에 널리 사용되는 것을 알 수 있습니다.

반면에 '최고'라는 단어는 일반적으로 정보 제공보다는 상업적 의도를 나타냅니다. 리뷰 SERP 기능 및 지역 결과 (페이지맵지역)도 마찬가지입니다.

또 다른 흥미로운 인사이트는 Facebook이 SERP의 일부인 경우 일반적으로 정보 제공 의도가 아니라는 점입니다. 그 대신 탐색 의도가 있습니다.

탐색 의도

탐색 의도에 대해서는 아래 차트를 참조하세요.

분명히 사이트 링크는 종종 탐색 의도와 관련이 있습니다. 또한 탐색 의도가 있는 키워드에는 지식 패널이 종종 존재하는 것을 볼 수 있습니다. 그러나 정보 제공 키워드에도 종종 지식 패널이 표시됩니다.

링크드인, 트위터, 페이스북은 탐색 의도가 있는 SERP에 표시되는 경우가 많습니다. 지역 결과 및 결과에 대한 결과도 탐색 의도와 연관됩니다. 지역 검색 결과는 상황에 따라 상업적 의도와도 연관될 수 있습니다.

일반적으로 애드워즈, 추천 스니펫 또는 탐색 의도에 대한 썸네일에는 경쟁이 치열하지 않습니다.

하지만 모든 규칙에는 항상 예외가 있다는 점을 명심하세요. 그리고 다른 의도를 보여주는 기능이 있는 탐색 의도가 있는 키워드를 쉽게 사용할 수 있습니다. 차트와 예시는 각 유형의 의도에 대한 전반적인 표시를 제공합니다.

또한 검색 의도에 대한 대부분의 다른 접근 방식과 달리, AccuRanker 모델의 기능은 상호 의존적일 수 있으며 검색 의도 유형을 덜 만들 수도 있다는 것을 알 수 있습니다. 이러한 모델을 생성하는 것은 고급 머신 러닝 기법과 함께 AccuRanker의 방대한 데이터를 활용함으로써 가능합니다.

상업적 의도

상업적 의도의 경우, 대부분 이미 설명한 항목이 표시됩니다.

보다 구체적으로, 지역 결과(maps_local)는 종종 상업적 의도와 관련이 있습니다. '인기', '최고'와 같은 단어와 FAQ 및 리뷰와 같은 SERP 기능도 마찬가지입니다.

반면에 '구매' 또는 '판매'와 같은 단어는 일반적으로 표시되지 않습니다. 또는 Amazon, Facebook 또는 Wikipedia와 같은 도메인도 마찬가지입니다.

마무리

이 도움말을 통해 새로운 AccuRanker(AI 기반) 검색 의도 기능에 대한 인사이트를 얻을 수 있었습니다. 모델이 작동하는 방식에 대한 구성 요소와 다양한 유형의 검색 의도에 긍정적인 방향과 부정적인 방향 모두에서 어떤 종류의 기능이 영향을 미치는지에 대해 설명했습니다.

새로운 검색 의도 기능은 어떤 규칙도 알려주거나 학습시키지 않습니다. 대신, 모델은 수많은 예제와의 패턴 매칭을 통해 자체 규칙을 발견합니다. 간단히 말해, 새로운 검색 의도 모델은 데이터로부터 학습합니다. 정확한 검색 의도 레이블이 있으면 의도별로 키워드를 그룹화하고 타겟팅할 수 있습니다. 이는 콘텐츠를 만들 때 가장 중요한 요소입니다.