SEO 최적화: Google AI의 작동 방식(2024년 XNUMX월)

검색 엔진 최적화(SEO)는 특정 검색어에 대한 웹 페이지 순위에 영향을 미치는 온 페이지 및 오프 페이지 요소를 최적화하는 프로세스입니다. 이것은 페이지 로딩 속도 최적화, 링크 구축 전략 생성, 검색 엔진 최적화 도구을 사용하여 Google의 AI를 리버스 엔지니어링하는 방법을 배웁니다. 컴퓨터 사고.

컴퓨팅 사고력은 컴퓨터 프로그래머가 코드와 알고리즘을 작성할 때 사용하는 고급 유형의 분석 및 문제 해결 기술입니다. 컴퓨팅 사상가는 문제를 분해하고 첫 번째 원칙 사고를 사용하여 분석함으로써 실측을 추구합니다.

Google은 누구에게도 비밀 소스를 공개하지 않기 때문에 컴퓨팅 사고력에 의존할 것입니다. 사용되는 알고리즘을 형성한 Google의 역사에서 몇 가지 중추적인 순간을 살펴보고 이것이 왜 중요한지 알아볼 것입니다.

마음을 창조하는 방법

2012년에 출판된 ““마음을 창조하는 방법: 밝혀진 인간 생각의 비밀” 저명한 미래학자이자 발명가인 레이 커즈와일(Ray Kurzweil)의 말입니다. 이 책은 인간의 뇌를 해부하고 작동 방식을 분석했습니다. 우리는 두뇌가 패턴 인식을 사용하여 예측 기계가 되기 위해 스스로 훈련하고 항상 미래를 예측하고 다음 단어를 예측하는 데 어떻게 노력하는지 처음부터 배웁니다.

인간은 일상 생활에서 패턴을 어떻게 인식합니까? 이러한 연결은 뇌에서 어떻게 형성됩니까? 이 책은 계층적 사고를 이해하는 것에서 시작하여 패턴으로 배열된 다양한 요소로 구성된 구조를 이해하고, 이 배열은 문자나 문자와 같은 기호를 나타내고, 이를 더 발전된 패턴으로 배열합니다. 예를 들어 단어, 그리고 결국 문장. 결국 이러한 패턴은 아이디어를 형성하고 이러한 아이디어는 인간이 구축할 책임이 있는 제품으로 변환됩니다.

인간의 두뇌를 모방함으로써 출판 당시의 신경망의 현재 기능을 넘어서는 고급 AI를 만드는 경로가 밝혀졌습니다.

이 책은 전 세계의 데이터를 진공 청소기로 청소하여 확장할 수 있고 다층 패턴 인식 처리를 사용하여 텍스트, 이미지, 오디오 및 비디오를 구문 분석할 수 있는 AI를 만들기 위한 청사진이었습니다. 클라우드의 장점과 병렬 처리 능력으로 업스케일링에 최적화된 시스템입니다. 즉, 데이터 입력 또는 출력에 최대값이 없습니다.

이 책은 매우 중추적이어서 출판 직후 저자는 Ray Kurzweil은 Google에 고용되었습니다. 기계 학습 및 언어 처리에 중점을 둔 엔지니어링 이사가 되려면 그가 쓴 책과 완벽하게 일치하는 역할.

이 책이 구글의 미래에 얼마나 영향을 미쳤는지, 그리고 그들이 웹사이트 순위를 어떻게 매겼는지 부인하는 것은 불가능할 것입니다. 이것 AI 책 SEO 전문가가 되고자 하는 사람이라면 누구나 반드시 읽어야 할 필독서입니다.

Deepmind

2010년에 출시된 DeepMind는 혁신적이고 새로운 유형의 AI 알고리즘을 사용하여 전 세계를 강타한 강화 학습이라고 하는 핫한 신생 기업이었습니다. DeepMind는 이를 다음과 같이 가장 잘 설명했습니다.

“우리는 강화 학습을 사용하여 고차원 감각 입력에서 직접 제어 정책을 성공적으로 학습할 수 있는 최초의 딥 러닝 모델을 제시합니다. 이 모델은 입력이 원시 픽셀이고 출력이 미래 보상을 추정하는 가치 함수인 Q-learning의 변형으로 훈련된 컨볼루셔널 신경망입니다.”

딥 러닝과 강화 학습을 융합하여 심층 강화 학습 체계. 2013년까지 DeepMind는 이러한 알고리즘을 사용하여 Atari 2600 게임에서 인간 플레이어를 상대로 승리를 거두었습니다. 그리고 이것은 인간의 두뇌를 모방하고 훈련과 반복을 통해 학습하는 방법을 통해 달성되었습니다.

인간이 공을 차거나 테트리스를 하든 반복해서 학습하는 것과 유사하게 AI도 학습합니다. AI의 신경망은 성능을 추적하고 점진적으로 자체 개선되어 다음 반복에서 더 강력한 이동 선택을 제공합니다.

DeepMind는 기술적 우위에서 너무 지배적이어서 Google은 이 기술에 대한 액세스 권한을 구입해야 했습니다. 딥마인드를 인수했습니다. 500년에 2014억 달러 이상.

인수 후 AI 산업은 이후 볼 수 없었던 유형의 연속적인 혁신을 목격했습니다. 11년 1997월 XNUMX일 체스 그랜드 마스터 게리 카스파로프 패배 IBM의 과학자들이 개발한 체스 게임 컴퓨터인 Deep Blue와의 XNUMX게임 경기 중 첫 번째 게임입니다. 

2015년에 DeepMind는 알고리즘을 개선하여 Atari의 49개 게임 제품군에서 테스트했으며 그 중 23개에서 기계가 인간의 성능을 능가했습니다.

그것은 시작에 불과했으며, 2015년 후반에 DeepMind는 알파 고, 전문 바둑 세계 챔피언을 물리치는 것을 목표로 하는 프로그램입니다. 약 4000년 전 중국에서 처음 등장한 고대 바둑은 인류 역사상 가장 도전적인 게임으로 여겨진다. 10³⁶⁰ 가능한 움직임.

DeepMind는 감독 학습을 사용하여 인간 플레이어로부터 학습하여 AlphaGo 시스템을 훈련했습니다. 얼마 지나지 않아 AlphaGo가 승리한 후 DeepMind가 헤드라인을 장식했습니다. 이세돌, 2016년 XNUMX월 XNUMX경기 경기에서 세계 챔피언.

2017년 XNUMX월 DeepMind는 제로를 필요로 한다는 주요 차별화 요소를 갖춘 새로운 모델인 AlphaGo Zero를 출시했습니다. 인간 훈련. 사람의 교육이 필요하지 않았기 때문에 데이터에 라벨을 붙일 필요도 없었습니다. 비지도 학습. AlphaGo Zero는 전작을 빠르게 능가했습니다. 딥마인드가 설명하는.

“이전 버전의 AlphaGo는 처음에 바둑을 두는 방법을 배우기 위해 수천 명의 인간 아마추어 및 프로 게임을 훈련했습니다. AlphaGo Zero는 이 단계를 건너뛰고 완전히 무작위 플레이에서 시작하여 단순히 자신과 게임을 하는 것으로 플레이하는 방법을 배웁니다. 그렇게 함으로써 인간의 플레이 수준을 빠르게 넘어서고 이전에 출판 알파고 100승 0패”

그동안 SEO 세계는 Google의 중추인 PageRank에 극도로 집중했습니다. 그것은 Larry Page와 Sergey Brin이 박사 학위를 받았던 1995년에 시작됩니다. 스탠포드 대학의 학생들. 듀오는 "라는 새로운 연구 프로젝트에 대한 공동 작업을 시작했습니다.BackRub". 목표는 백링크 데이터를 변환하여 웹 페이지를 중요도 척도로 순위를 매기는 것이었습니다. 백링크는 아주 간단하게 한 페이지에서 다른 페이지로 연결되는 모든 링크입니다. 링크.

이 알고리즘은 나중에 "웹 페이지"라는 용어와 공동 창립자 Larry Page의 이름을 따서 PageRank로 이름이 변경되었습니다. Larry Page와 Sergey Brin은 순전히 백링크를 통해 전체 웹을 구동할 수 있는 검색 엔진을 구축하려는 야심찬 목표를 가지고 있었습니다.

그리고 효과가있었습니다.

PageRank가 헤드라인을 장악하다

SEO 전문가는 Google이 PageRank를 사용하여 웹 페이지의 품질 순위를 계산하는 방법의 기본 사항을 즉시 이해했습니다. 일부 정통한 검은 모자 SEO 기업가는 한 단계 더 나아가 콘텐츠를 확장하기 위해 링크를 유기적으로 획득하기 위해 기다리는 대신 링크를 구매하는 것이 합리적일 수 있음을 이해했습니다.

백링크를 중심으로 새로운 경제가 등장했습니다. 검색 엔진 순위에 영향을 미치고 싶은 열성적인 웹사이트 소유자는 링크를 구매하고 그 대가로 웹사이트에서 수익을 창출하기 위해 필사적으로 링크를 판매했습니다.

링크를 구매한 웹사이트는 종종 하룻밤 사이에 기존 브랜드를 제치고 Google에 침입했습니다.

이 방법을 사용한 순위 지정은 오랫동안 매우 효과적이었습니다. 작동이 중단될 때까지 아마도 같은 시기에 기계 학습이 시작되어 근본적인 문제를 해결했을 것입니다. 심층 강화 학습이 도입되면 PageRank는 지배적인 요소가 아닌 순위 변수가 됩니다.

이제 SEO 커뮤니티는 전략으로 링크 구매로 나뉩니다. 저는 개인적으로 링크 구매가 최적이 아닌 결과를 제공하며 백링크를 획득하는 가장 좋은 방법은 산업별 변수를 기반으로 한다고 믿습니다. 제가 추천할 수 있는 합법적인 서비스 중 하나는 HARO (기자 돕기). HARO의 기회는 미디어 요청을 이행하여 백링크를 획득하는 것입니다.

기존 브랜드는 자신에게 유리하게 일하는 시간의 이점이 있었기 때문에 링크 소싱에 대해 걱정할 필요가 없었습니다. 웹사이트가 오래될수록 고품질 백링크를 수집하는 데 더 많은 시간이 걸립니다. 즉, 메트릭을 사용하여 계산하면 검색 엔진 순위는 웹 사이트의 연령에 크게 의존했습니다. 시간 = 백링크.

예를 들어, CNN은 브랜드, 신뢰, 처음부터 순위가 높기 때문에 뉴스 기사에 대한 백링크를 자연스럽게 받습니다. .

더 높은 순위의 웹페이지가 유기적으로 더 많은 백링크를 수신했음을 의미합니다. 불행하게도 이것은 새로운 웹사이트가 종종 백링크 시장으로 전환하여 백링크 알고리즘을 남용하도록 강요당했다는 것을 의미했습니다.

2000년대 초반에는 백링크 구매가 눈에 띄게 잘 작동했으며 절차도 간단했습니다. 링크 구매자는 권위 있는 웹사이트, 종종 사이트 전체 바닥글 링크 또는 아마도 기사당(종종 게스트 게시물로 위장) 링크를 구매했으며, 웹사이트에서 수익을 창출하기 위해 필사적인 판매자는 기꺼이 의무를 다했습니다. 품질.

결국 기계 학습 엔지니어로 구성된 Google 인재 풀은 검색 엔진 결과를 손으로 코딩하는 것이 무의미하며 많은 PageRank가 손으로 코딩하는 것임을 이해했습니다. 대신 그들은 AI가 궁극적으로 인간의 간섭 없이 순위를 완전히 계산하는 책임을 지게 될 것임을 이해했습니다.

경쟁력을 유지하기 위해 Google은 무기고에 있는 모든 도구를 사용하며 여기에는 다음이 포함됩니다. 심층 강화 학습 – 세계에서 가장 진보된 유형의 기계 학습 알고리즘.

위에 쌓인 이 시스템은 구글의 메타웹 인수 게임 체인저였습니다. 2010년 MetaWeb 인수가 매우 중요한 이유는 Google이 키워드에 부여하는 가중치를 줄였기 때문입니다. 컨텍스트가 갑자기 중요해졌습니다. 이는 '엔티티'라는 범주화 방법론을 사용하여 달성되었습니다. 처럼 패스트 컴퍼니 설명:

Metaweb이 참조하는 엔터티를 파악하면 일련의 결과를 제공할 수 있습니다. 더 복잡한 검색을 위해 엔터티를 결합할 수도 있습니다. "40세 이상의 여배우"가 하나의 엔터티일 수 있고, "뉴욕에 거주하는 여배우"가 또 다른 엔터티일 수 있으며, "현재 상영 중인 영화가 있는 여배우"가 또 다른 엔터티일 수 있습니다. ".

이 기술은 주요 알고리즘 업데이트인 RankBrain 2015년 봄에 출시되었습니다. RankBrain은 순전히 키워드 기반이 아닌 맥락 이해에 중점을 두었고 RankBrain은 또한 환경적 맥락(예: 검색자 위치)을 고려하고 이전에는 없었던 의미를 외삽했습니다. 이것은 특히 모바일 사용자에게 중요한 업데이트였습니다.

이제 Google이 이러한 기술을 사용하는 방법을 이해했으므로 계산 이론을 사용하여 수행 방법을 추측해 보겠습니다.

딥러닝이란?

깊은 학습 가장 일반적으로 사용되는 기계 학습 유형입니다. Google이 이 알고리즘을 사용하지 않는 것은 불가능합니다.

딥 러닝은 인간의 뇌가 작동하는 방식에 크게 영향을 받으며 패턴 인식을 사용하여 물체를 식별하고 분류하는 방식에서 뇌의 행동을 반영하려고 시도합니다.

예를 들어 편지를 본다면 a, 당신의 뇌는 선과 모양을 자동으로 인식하여 문자로 식별합니다. a. 문자에도 동일하게 적용됩니다. ap, 당신의 두뇌는 자동으로 다음과 같은 잠재적인 단어를 생각해냄으로써 미래를 예측하려고 시도합니다. 앱 or 사과. 다른 패턴에는 숫자, 도로 표지판 또는 붐비는 공항에서 사랑하는 사람을 식별하는 것이 포함될 수 있습니다.

딥 러닝 시스템의 상호 연결은 인간의 뇌가 뉴런과 시냅스의 연결로 작동하는 방식과 유사하다고 생각할 수 있습니다.

딥 러닝은 궁극적으로 많은 다층 퍼셉트론을 함께 결합하여 하나의 숨겨진 레이어가 아니라 많은 숨겨진 레이어가 있는 기계 학습 아키텍처에 부여된 용어입니다. 심층 신경망이 "깊을수록" 네트워크가 더 정교한 패턴을 학습할 수 있습니다.

완전히 연결된 네트워크는 다른 기계 학습 기능과 결합하여 다양한 딥 러닝 아키텍처를 생성할 수 있습니다.

Google이 딥 러닝을 사용하는 방법

Google은 웹사이트를 서로 연결하는 하이퍼링크(뉴런을 생각하십시오)를 따라 전 세계 웹사이트를 스파이더합니다. 이것은 Google이 처음부터 사용한 최초의 방법론이며 여전히 사용되고 있습니다. 웹 사이트의 색인이 생성되면 다양한 유형의 AI를 사용하여 이 보물 창고 데이터를 분석합니다.

Google 시스템은 다양한 내부 측정 기준에 따라 웹페이지에 라벨을 지정하며 사람의 입력이나 개입은 미미합니다. 개입의 예로는 특정 URL을 수동으로 제거하는 것입니다. DMCA 제거 요청.

Google 엔지니어는 참석자를 실망시키는 것으로 유명합니다. SEO 컨퍼런스, 이는 Google 경영진이 Google의 운영 방식을 제대로 설명할 수 없기 때문입니다. 특정 웹사이트가 순위에 오르지 못하는 이유에 대해 질문을 받으면 거의 항상 똑같은 답변이 제대로 표현되지 않습니다. 응답이 너무 빈번해서 참석자들은 종종 긍정적인 결과 없이 몇 달 또는 몇 년 동안 좋은 콘텐츠를 만들기 위해 최선을 다했다고 선제적으로 말합니다.

예상대로 웹 사이트 소유자는 가치 있는 콘텐츠(중요한 구성 요소이지만 포괄적이지는 않음)를 구축하는 데 집중하도록 지시받습니다.

이러한 답변 부족은 경영진이 질문에 제대로 답변하지 못하기 때문입니다. 구글의 알고리즘은 블랙박스에서 작동합니다. 입력이 있고 출력이 있습니다. 이것이 바로 딥 러닝이 작동하는 방식입니다.

이제 웹 사이트 소유자 모르게 종종 수백만 개의 웹 사이트에 부정적인 영향을 미치는 순위 페널티로 돌아가 보겠습니다.

PageSpeed​​ 인사이트

Google은 종종 투명하지 않으며 PageSpeed ​​Insights는 예외입니다. 이 속도 테스트에 실패한 웹사이트는 느린 로딩에 대한 페널티 박스로 보내집니다 – 특히 모바일 사용자가 영향을 받는 경우.

의심되는 것은 프로세스의 어느 시점에서 빠른 웹사이트와 느린 로딩(PageSpeed ​​Insights 실패) 웹사이트를 비교 분석하는 결정 트리가 있다는 것입니다. 의사결정 트리는 본질적으로 다양한 기준에 따라 데이터 세트를 개별 데이터 포인트로 분할하는 알고리즘 접근 방식입니다. 기준은 모바일 사용자와 데스크톱 사용자의 페이지 순위에 부정적인 영향을 미칠 수 있습니다.

가상적으로 페널티가 자연 순위 점수에 적용될 수 있습니다. 예를 들어, 페널티 없이 5위가 되는 웹사이트는 -20, -50 또는 순위를 25위, 55위 또는 AI가 선택한 다른 숫자로 낮추는 기타 알 수 없는 변수를 가질 수 있습니다.

앞으로 Google이 AI에 대해 더 확신을 갖게 되면 PageSpeed ​​Insights의 끝을 볼 수 있습니다. Google의 현재 속도 개입은 최적의 결과를 잠재적으로 제거할 수 있고 기술에 정통하지 않은 사람들을 차별하기 때문에 위험합니다.

중소기업을 운영하는 모든 사람이 속도 테스트 문제를 성공적으로 진단하고 해결할 수 있는 전문 지식을 갖추도록 요구하는 것은 큰 요청입니다. 한 가지 간단한 해결책은 Google이 워드프레스 사용자를 위한 속도 최적화 플러그인을 간단히 출시하는 것입니다. 워드프레스 파워 43% 인터넷의.

안타깝게도 웹사이트가 통과하지 못하면 모든 SEO 노력이 헛수고가 됩니다. Google의 PageSpeed ​​Insights. 지분은 Google에서 사라지는 웹 사이트에 불과합니다.

이 테스트를 통과하는 방법은 다른 시간에 대한 기사이지만 최소한 다음을 확인해야 합니다. 웹사이트 패스.

걱정해야 할 또 다른 중요한 기술 메트릭은 SSL (보안 소켓 계층). 이것은 도메인의 URL을 http에서 https로 변경하고 데이터의 안전한 전송을 보장합니다. SSL이 활성화되지 않은 모든 웹사이트는 불이익을 받게 됩니다. 이 규칙에는 몇 가지 예외가 있지만 전자상거래 및 금융 웹사이트가 가장 큰 영향을 받습니다.

저비용 웹호스트는 SSL 구현에 대해 연회비를 청구하는 반면 다음과 같은 좋은 웹호스트는 Siteground SSL 인증서를 무료로 발급하고 자동으로 연동합니다.

메타 데이터

웹 사이트의 또 다른 중요한 요소는 메타 제목과 메타 설명입니다. 이러한 콘텐츠 필드에는 해당 페이지의 전체 콘텐츠만큼 페이지의 성공 또는 실패에 기여할 수 있는 매우 큰 중요도가 있습니다.

이는 Google이 검색 결과에 표시할 메타 제목 및 메타 설명을 선택할 확률이 높기 때문입니다. 이것이 바로 메타 제목과 메타 설명 필드를 가능한 한 주의 깊게 작성하는 것이 중요한 이유입니다.

대안은 Google이 메타 제목과 메타 설명을 무시하도록 선택하여 대신 더 많은 클릭이 발생할 것으로 예측하는 데이터를 자동 생성하는 것입니다. Google이 자동 생성할 제목을 잘못 예측하면 검색자의 클릭률이 낮아지고 결과적으로 검색 엔진 순위가 손실됩니다.

Google에서 포함된 메타 설명이 클릭수를 수신하도록 최적화되었다고 생각하면 검색 결과에 표시됩니다. 실패하면 Google은 웹 사이트에서 임의의 텍스트 덩어리를 가져옵니다. 종종 Google은 페이지에서 최고의 텍스트를 선택합니다. 문제는 이것이 복권 시스템이고 Google이 선택할 설명을 지속적으로 선택하지 않는다는 것입니다.

물론 페이지의 콘텐츠가 정말 좋다고 생각되면 Google이 사용자 쿼리와 가장 일치하는 최적화된 메타 설명을 선택하도록 허용하는 것이 때때로 합리적입니다. 콘텐츠가 풍부하고 Google이 좋은 설명을 선택할 가능성이 높으므로 이 기사에 대한 메타 설명을 선택하지 않습니다.

그동안 수십억 명의 사람들이 최고의 검색 결과를 클릭하고 있습니다. 고리 안에 갇힌 사람, Google의 마지막 피드백 메커니즘 – 여기에서 강화 학습이 시작됩니다.

강화 학습이란 무엇입니까?

강화 학습 행동의 반복과 관련 보상을 통해 AI 에이전트를 훈련시키는 기계 학습 기술입니다. 강화 학습 에이전트는 환경에서 실험하고 조치를 취하고 올바른 조치가 취해질 때 보상을 받습니다. 시간이 지남에 따라 에이전트 보상을 극대화하는 행동을 취하는 법을 배웁니다.

보상은 추천 페이지에서 보낸 시간을 계산하는 간단한 계산을 기반으로 할 수 있습니다.

이 방법론을 Human-in-the-Loop 하위 루틴과 결합하면 YouTube, Netflix, Amazon Prime과 같은 디지털 생활의 모든 측면을 제어하는 ​​기존 추천 엔진과 매우 흡사하게 들릴 것입니다. 검색 엔진이 작동해야 합니다.

Google이 강화 학습을 사용하는 방법

Google 플라이휠은 검색할 때마다 개선되고 인간은 쿼리에 가장 잘 응답하는 최상의 결과를 선택하여 AI를 훈련하고 수백만 명의 다른 사용자의 유사한 쿼리를 선택합니다.

강화 학습 에이전트는 검색과 제공된 검색 결과 간의 가장 긍정적인 상호 작용만 강화하여 자체 개선을 위해 지속적으로 작업합니다.

Google은 사용자가 결과 페이지, 클릭한 URL을 스캔하는 데 걸리는 시간을 측정하고 방문한 웹사이트에 머문 시간을 측정하여 반환 클릭을 등록합니다. 그런 다음 이 데이터는 유사한 데이터 일치 또는 사용자 경험을 제공하는 모든 웹 사이트에 대해 컴파일 및 비교됩니다.

낮은 유지율(사이트에서 보낸 시간)을 가진 웹사이트는 강화 학습 시스템에 의해 음수 값을 제공하고 다른 경쟁 웹사이트는 제공된 순위를 개선하기 위해 테스트됩니다. 수동 개입이 없다고 가정하면 Google은 편파적이지 않으며 Google은 결국 원하는 검색 결과 페이지를 제공합니다.

사용자는 Google에 무료 데이터를 제공하는 인간 참여자이며 심층 강화 학습 시스템의 최종 구성요소가 됩니다. 이 서비스에 대한 대가로 Google은 최종 사용자에게 광고를 클릭할 수 있는 기회를 제공합니다.

수익 창출 이외의 광고는 XNUMX차 순위 요소로 작용하여 사용자가 클릭하고 싶게 만드는 요소에 대한 더 많은 데이터를 제공합니다.

Google은 기본적으로 사용자가 원하는 것을 학습합니다. 이는 비디오 스트리밍 서비스의 추천 엔진과 느슨하게 비교할 수 있습니다. 이 경우 추천 엔진은 사용자의 관심사를 대상으로 하는 콘텐츠를 사용자에게 제공합니다. 예를 들어, 습관적으로 로맨틱 코미디 스트림을 즐기는 사용자는 동일한 코미디언을 공유하는 경우 일부 패러디를 즐길 수 있습니다.

이것이 SEO에 어떻게 도움이 됩니까?

컴퓨팅 사고를 계속한다면 Google이 최상의 결과를 제공하도록 스스로 훈련했다고 가정할 수 있으며 이는 종종 인간의 편견을 일반화하고 만족시킴으로써 달성됩니다. 실제로 Google의 AI가 이러한 편향에 맞는 결과를 최적화하지 않는 것은 불가능할 것입니다. 그렇게 한다면 결과는 차선책이 될 것입니다.

즉, 마법의 공식은 없지만 몇 가지 모범 사례가 있습니다.

Google이 추구하는 업계 고유의 편향을 인식하고 이러한 편향에 반영하는 것은 SEO 실무자의 책임입니다. 예를 들어, 날짜를 지정하지 않고 선거 여론 조사 결과를 검색하는 사람은 가장 최근 결과를 검색할 가능성이 높습니다. 이는 최근 편향입니다. 레시피를 검색하는 사람은 가장 최근 페이지가 필요하지 않을 가능성이 높으며 사실 시간 테스트를 견뎌낸 레시피를 선호할 수 있습니다.

방문자가 찾고 있는 결과를 제공하는 것은 SEO 전문가의 책임입니다. 이것은 Google에서 순위를 매기는 가장 지속 가능한 방법입니다.

웹사이트 소유자는 최종 사용자에게 원하는 모든 것을 제공할 수 있다는 기대와 함께 특정 키워드 타겟팅을 포기해야 합니다. 검색 결과는 사용자의 요구와 정확히 일치해야 합니다.

편견이란 무엇입니까? 권한이 높아 보이는 도메인 이름을 가질 수 있습니다. 즉, 도메인 이름이 귀하가 서비스를 제공하는 시장과 일치합니까? 인도라는 단어가 포함된 도메인 이름을 사용하면 미국 사용자가 URL을 클릭하지 않을 수 있습니다. 이는 사용자의 거주 국가에서 발생한 결과를 신뢰하는 민족주의 편향으로 인해 발생합니다. 한 단어 영역을 갖는 것은 또한 권위의 환상을 줄 수 있습니다.

가장 중요한 편향은 사용자가 자신의 검색어와 일치시키기를 원하는 것입니다. FAQ, 상위 10개 목록, 블로그 게시물입니까? 이것은 답이 필요하며 답은 쉽게 찾을 수 있습니다. 목표 시장에서 Google 검색을 수행하여 경쟁을 분석하기만 하면 됩니다.

검은 모자 SEO는 죽었다

이를 백링크 구매, 백링크 위조, 웹사이트 해킹, 규모에 따른 소셜 북마크 자동 생성 및 블랙햇 도구 네트워크를 통해 적용되는 기타 어두운 방법론을 포함하여 악의적인 스팸 기술을 악용하는 공격적인 웹 사이트 순위 지정 방법인 Black Hat SEO와 비교하십시오. .

다양한 검색 엔진 마케팅 포럼에서 종종 용도 변경 및 재판매되는 도구, 가치가 거의 없고 성공 가능성이 거의 없는 제품. 현재 이러한 도구를 통해 판매자는 최종 사용자에게 최소한의 가치를 제공하면서 부자가 될 수 있습니다.

이것이 제가 Black Hat을 포기할 것을 권장하는 이유입니다. 머신 러닝의 관점에서 보는 데 SEO에 집중하세요. 누군가가 검색 결과를 건너뛰고 아래에 묻힌 결과를 클릭할 때마다 딥 강화 학습 시스템과 협력하는 인간 참여형 루프라는 점을 이해하는 것이 중요합니다. 인간은 시간이 지남에 따라 무한히 더 좋아지는 자체 개선으로 AI를 돕고 있습니다.

이것은 인류 역사상 그 어떤 시스템보다 더 많은 사용자에 의해 훈련된 기계 학습 알고리즘입니다.

Google은 전 세계적으로 분당 평균 3.8만 건의 검색을 처리합니다. 시간당 228억 XNUMX만 건의 검색이 발생합니다. 하루 5.6 억 검색. 그것은 많은 데이터이며, 검은 모자 SEO를 시도하는 것이 어리석은 이유입니다. Google의 AI가 정체될 것이라고 가정하는 것은 어리석은 일입니다. 수익 가속화의 법칙 기하 급수적으로 자기 개선.

Google의 AI는 너무 강력해져서 결국 도달하는 최초의 AI가 될 수 있다고 상상할 수 있습니다. 인공 지능 (AGI). AGI는 사용할 수 있는 지능입니다. 전학 학습 하나의 분야를 마스터하여 학습한 인텔리전스를 여러 도메인에 적용합니다. Google의 향후 AGI 노력을 살펴보는 것은 흥미로울 수 있지만 일단 프로세스가 시작되면 중단하기 어렵다는 점을 이해해야 합니다. 이것은 물론 Google이 현재 좁은 AI의 한 유형이기 때문에 미래에 대한 추측이지만 다른 기사의 주제입니다.

검은 모자에 XNUMX초만 더 투자한다는 사실을 아는 것은 어리석은 일입니다.

화이트 햇 SEO

Google의 AI가 지속적으로 자체 개선된다는 점을 인정한다면 Google을 능가하려는 시도를 포기할 수밖에 없습니다. 대신 웹사이트를 최적화하여 Google이 찾고 있는 것을 구체적으로 최적으로 제공하는 데 집중하세요.

설명된 대로 여기에는 SSL 활성화, 페이지 로딩 속도 최적화, 메타 제목 및 메타 설명 최적화가 포함됩니다. 이러한 필드를 최적화하려면 메타 제목 및 메타 설명을 경쟁 웹사이트와 비교해야 합니다. 높은 클릭률을 초래하는 우승 요소를 식별합니다.

클릭을 최적화했다면 다음 이정표는 최고의 랜딩 페이지를 만드는 것입니다. 목표는 사용자 가치를 최적화하여 페이지에 머문 평균 시간이 최고의 검색 엔진 결과를 위해 경쟁하는 유사한 경쟁업체보다 우수한 랜딩 페이지입니다.

최고의 사용자 경험을 제공해야만 웹 페이지 순위가 올라갈 수 있습니다.

지금까지 다음 측정항목이 가장 중요한 것으로 확인되었습니다.

• 로딩 속도
• SSL 사용
• 메타 제목 및 메타 설명
• 방문 페이지

랜딩페이지는 세상과 경쟁하는 입장에서 가장 어려운 요소입니다. 랜딩 페이지는 빠르게 로드되어야 하고 예상되는 모든 것을 제공한 다음 더 많은 것으로 사용자를 놀라게 해야 합니다.

최종 생각

Google이 사용하는 다른 AI 기술을 설명하는 또 다른 2000단어를 채우고 SEO의 토끼굴을 더 깊이 파고드는 것은 쉬울 것입니다. 여기서 의도는 가장 중요한 지표에 다시 집중하는 것입니다.

SEO 파티셔너는 시스템 게임에 너무 집중한 나머지 결국 SEO의 가장 중요한 요소가 사용자에게 가능한 한 많은 가치를 제공한다는 사실을 잊습니다.

이를 달성하는 한 가지 방법은 중요한 콘텐츠가 오래되지 않도록 하는 것입니다. 한 달 안에 중요한 기여를 생각하면 이 문서에 추가됩니다. 그런 다음 Google은 가치를 제공하는 페이지의 기록과 일치하는 콘텐츠가 얼마나 최신인지 식별할 수 있습니다.

여전히 백링크 획득이 걱정된다면 해결책은 간단합니다. 방문자의 시간을 존중하고 가치를 부여하십시오. 사용자가 귀하의 콘텐츠를 공유할 때 가치를 찾게 되므로 백링크는 자연스럽게 올 것입니다.

그런 다음 최고의 사용자 가치와 사용자 경험을 제공하는 방법에 대한 질문은 웹사이트 소유자에게로 이동합니다.