Hoe AccuRanker zoekintentie bepaalt met AI

Het volgende artikel geeft je inzicht in de nieuwe AccuRanker (op AI gebaseerde) zoekintentie-functie.

Om dit artikel beter te begrijpen, raden we je aan eerst ons andere artikel te lezen: Wat is zoekintentie? Hier leer je dat we de zoekintentie waar Google zich op richt classificeren door meer naar de SERP (zoekmachine resultaatpagina) te kijken dan naar het zoekwoord. Je leert ook waarom de zoekintentie in de loop van de tijd kan veranderen en dat het mogelijk is om meerdere intenties te hebben voor één SERP/zoekwoord.

In de rest van dit artikel zullen we kortheidshalve verwijzen naar een SERP/keyword paar als een trefwoord, ook al kan een trefwoord verschillende SERP's hebben.

Inleiding

Zoekintentie is een genuanceerd onderwerp. En het is bijna onmogelijk om een set vaste regels op te stellen om de intentie te vinden waarop Google zich richt voor een bepaald trefwoord. Gelukkig maken de ontwikkelingen op het gebied van AI en machine learning in het afgelopen decennium nieuwe methoden haalbaar. We hebben nu de juiste toolset om de enorme hoeveelheden SERP data die AccuRanker dagelijks verwerkt te gebruiken om een machine learning model te 'trainen'.

Achter het zoekintentiemodel

Als trainingsgegevens voor het nieuwe zoekintentiemodel hebben we een combinatie van ongelabelde en handgelabelde gegevens gebruikt. Deze dataset bestaat uit de zoekintentie voor zoekwoorden zoals gelabeld door menselijke experts in combinatie met de bijbehorende SERP-gegevens. Met machine learning-technieken ontstaan patronen. Deze patronen worden vertaald naar een model dat kan worden gebruikt om de zoekintentie voor zoekwoorden buiten de trainingsdataset te vinden.

Door gebruik te maken van een machine-learningmodel kunnen we de zoekintentie met een grotere precisie voorspellen dan bij een op regels gebaseerde aanpak. Het bereiken van 100% precisie is echter om veel redenen onmogelijk. Enkele van deze redenen zijn:

• Zelfs mensen (tot 40%) die SERP's bekijken zijn het niet eens over de zoekintentie.
• De SERP kan meerdere intenties weergeven.
• Er is niet altijd 100% overeenstemming over de definitie van verschillende zoekintentiecategorieën.

We hebben geprobeerd de definities van AccuRanker te schetsen met voorbeelden. Door deze definities te gebruiken en het model voor machinaal leren te toetsen aan deze labels, kunnen we een overeenkomst bereiken met de handgelabelde gegevens van meer dan 90%. En we zijn vaak geneigd om het meer eens te zijn met het machine learning model dan met het menselijke label wanneer we de verschillen overlopen.

Welke kenmerken bepalen zoekintentie

Het nieuwe AccuRanker zoekintentiemodel gebruikt meer dan honderd kenmerken van de SERP om de zoekintentie te achterhalen. Deze kenmerken zijn onderling afhankelijk en het is dus niet eenvoudig om in detail uit te leggen hoe ze werken. Als dat het geval zou zijn, zouden we net zo goed een op regels gebaseerde aanpak kunnen gebruiken.

De kenmerken omvatten speciale woorden (vertaald naar meerdere talen) in zoekwoorden, titels, URL's en beschrijvingen, maar ook SERP-kenmerken en andere SERP-metagegevens zoals kosten-per-klik en AdWords-competitie.

Een manier om het nieuwe zoekintentiemodel te begrijpen is door te kijken naar SHAP-visualisaties van hoe de kenmerken de uitvoer van het model in verschillende gevallen beïnvloeden.

Visualiseren welke kenmerken zoekintentie bepalen

De onderstaande afbeelding toont de top twintig kenmerken die bepalen of de intentie transactioneel is.

Hier ziet u de binnenkant van het nieuwe zoekintentiemodel en hoe beslissingen worden genomen. Dit wordt enigszins vereenvoudigd weergegeven.

De grafiek wordt als volgt gelezen:

• Op de y-as heb je de meest impactvolle kenmerken om te achterhalen of een zoekwoord tot de categorie transactioneel behoort.
• Op de x-as zie je de impact op de uitvoer van het model van de individuele kenmerken oplopen van negatief naar positief. De verticale lijn scheidt negatieve en positieve impact.
• Elke stip komt overeen met een trefwoord. De kleur van de stip komt overeen met de waarde van het corresponderende kenmerk voor dit trefwoord. Rood betekent een hoge waarde, blauw een lage waarde.

Transactionele intentie

De grafiek uit de vorige paragraaf liet zien welke kenmerken bepalen of de zoekintentie transactioneel is. Laten we deze grafiek bekijken en de concurrentie op AdWords (competition_adwords) als voorbeeld nemen.

Je ziet naast competition_adowrds in de grafiek dat rode stippen rechts van de verticale lijn staan. Dit betekent dat hoge concurrentie op AdWords (een rode stip) het waarschijnlijker maakt dat het een transactioneel trefwoord is (rechts van de verticale lijn).

Kijk aan de andere kant naar de aanwezigheid van een featured snippet (pagefeaturedsnippet). Als deze waarde hoog is (rode stip), betekent dit dat er een featured snippet op de SERP staat. De rode stippen staan allemaal links van de verticale lijn. Dit betekent dat het minder waarschijnlijk is dat het een transactioneel trefwoord is wanneer er een featured snippet is.

Andere dingen die je kunt zien in de grafiek is dat wanneer Amazon één of meerdere keren aanwezig is (urlscountamazon.) het waarschijnlijker is dat de SERP transactioneel is en het tegenovergestelde geldt voor Wikipedia.

Deze bevindingen zijn niet verrassend. Het leuke is dat het machine-learningmodel dit niet van tevoren te horen heeft gekregen. Het heeft dit afgeleid uit de gegevens. Bovendien heeft het de relatie tussen de verschillende kenmerken afgeleid. Merk op dat de punten verspreid staan op de x-as in plaats van boven elkaar. Dit komt doordat de invloed van SERP-kenmerken op het model afhangt van welke andere kenmerken aanwezig zijn op de SERP. Dus alleen omdat er veel concurrentie is op AdWords zal het model niet noodzakelijkerwijs concluderen dat het zoekwoord transactioneel is.

Informatieve intentie

Aan de andere kant van het spectrum zie je de top twintig kenmerken die bepalen of de intentie informatief is.

Hier zie je dat een hoge concurrentie op AdWords betekent dat het onwaarschijnlijk is dat het om een informatieve intentie gaat. Je ziet ook dat kenmerken zoals videocarrousels, gerelateerde vragen en featured snippets overheersen voor SERP's met informatieve intentie.

Aan de andere kant duidt het woord "beste" eerder op een commerciële dan op een informatieve intentie. Hetzelfde geldt voor de review SERP-functie en lokale resultaten (pagemapslocal).

Een ander interessant inzicht is dat wanneer Facebook deel uitmaakt van de SERP, dit meestal geen informatieve intentie is. In plaats daarvan is het navigatie-intentie.

Navigatie-intentie

Voor navigatie-intentie zie je de onderstaande grafiek.

Uiteraard worden sitelinks vaak geassocieerd met navigatie-intentie. Je kunt ook zien dat kennispanelen vaak aanwezig zijn voor zoekwoorden met een navigatie-intentie. Maar ze zijn ook vaak aanwezig voor informatieve zoekwoorden.

LinkedIn, Twitter en Facebook verschijnen vaak op SERP's met navigatie-intentie. Lokale resultaten en resultaten over worden ook geassocieerd met navigatie-intentie. Merk op dat lokale resultaten ook worden geassocieerd met commerciële intentie, afhankelijk van de context.

Er zal doorgaans geen grote concurrentie zijn op AdWords, featured snippets of thumbnails voor navigatie-intentie.

Maar vergeet niet dat er altijd een uitzondering op elke regel is. En dat je gemakkelijk een trefwoord met navigatie-intentie kunt hebben dat kenmerken heeft die andere intenties laten zien. De grafieken en voorbeelden geven algemene indicaties voor elk type intentie.

Je zult ook merken dat in tegenstelling tot de meeste andere benaderingen voor zoekintentie, kenmerken in het AccuRanker model onderling afhankelijk kunnen zijn en ook een zoekintentie type minder waarschijnlijk kunnen maken. Het creëren van een dergelijk model is mogelijk door gebruik te maken van AccuRanker's enorme hoeveelheid gegevens in combinatie met geavanceerde machine learning technieken.

Commerciële intentie

Voor commerciële intenties zie je meestal items die we al hebben beschreven.

Meer specifiek worden lokale resultaten (maps_local) vaak geassocieerd met commerciële intentie. Hetzelfde kan worden gezegd van woorden als "top" en "beste" en SERP-functies zoals FAQ's en beoordelingen.

Aan de andere kant zul je woorden als "kopen" of "verkoop" meestal niet zien. Of domeinen zoals Amazon, Facebook of Wikipedia.

Inpakken

Dit artikel heeft je inzicht gegeven in de nieuwe AccuRanker (op AI gebaseerde) zoekintentie-functie. Het heeft onderdelen gepresenteerd van hoe het model werkt en wat voor soort kenmerken de verschillende soorten zoekintentie beïnvloeden in zowel positieve als negatieve richting.

De nieuwe zoekintentie-functie wordt niet verteld of regels geleerd. In plaats daarvan ontdekt het model zijn eigen regels door patronen te matchen met een groot aantal voorbeelden. Simpel gezegd, het nieuwe zoekintentiemodel leert van gegevens. Met nauwkeurige zoekintentie-labels kunt u zoekwoorden groeperen en richten op intentie. En dit is van het grootste belang bij het maken van inhoud.