SEO-optimering: Hur Googles AI fungerar (mars 2024)

Sökmotoroptimering (SEO) är processen att optimera faktorer på och utanför sidan som påverkar hur högt en webbsida rankas för ett specifikt sökord. Detta är en multifacetterad process som inkluderar optimering av sidhastighet, generering av en länkbyggnadsstrategi, användning av SEO-verktyg, samt lära sig att reverse-engineera Googles AI med hjälp av beräkningsorienterat tänkande.

Beräkningsorienterat tänkande är en avancerad typ av analys- och problemlösningsteknik som dataprogrammerare använder när de skriver kod och algoritmer. Beräkningsorienterade tänkare kommer att söka efter sanningen genom att bryta ner ett problem och analysera det med hjälp av första principernas tänkande.

Eftersom Google (GOOGL ) inte släpper sin hemliga sås till någon, kommer vi att förlita oss på beräkningsorienterat tänkande. Vi kommer att gå igenom några avgörande ögonblick i Googles historia som formade algoritmerna som används, och vi kommer att lära oss varför detta är viktigt.

Hur man skapar en hjärna

Vi kommer att börja med en bok som publicerades 2012, kallad “Hur man skapar en hjärna: Hemligheten bakom mänskligt tänkande avslöjad” av den kända futuristen och uppfinnaren Ray Kurzweil. Denna bok dissekerade den mänskliga hjärnan och bröt ner hur den fungerar. Vi lär oss från grunden hur hjärnan tränar sig själv med hjälp av mönsterigenkänning för att bli en förutsägelsemaskin, alltid arbetande med att förutsäga framtiden, även förutsäga nästa ord.

Hur känner människor igen mönster i vardagslivet? Hur bildas dessa kopplingar i hjärnan? Boken börjar med att förstå hierarkiskt tänkande, detta är att förstå en struktur som består av olika element som är arrangerade i ett mönster, denna arrangering representerar sedan en symbol som till exempel en bokstav eller tecken, och sedan arrangeras detta i ett mer avancerat mönster som till exempel ett ord, och slutligen bildar dessa mönster idéer, och dessa idéer omvandlas till de produkter som människor är ansvariga för att bygga.

Genom att efterlikna den mänskliga hjärnan, avslöjas en väg till att skapa en avancerad AI bortom de nuvarande förmågor som neurala nätverk hade vid tidpunkten för publiceringen.

Boken var en ritning för att skapa en AI som kan skala genom att suga in världens data, och använda sin multilagrade mönsterigenkänning för att tolka text, bilder, ljud och video. Ett system som är optimerat för uppskalning tack vare fördelarna med molnet och dess parallella bearbetningsförmåga. Med andra ord, det finns ingen maximal gräns för datainmatning eller utmatning.

Denna bok var så avgörande att strax efter publiceringen anställdes författaren Ray Kurzweil av Google för att bli chef för ingenjörer med fokus på maskinlärning och språkbehandling. En roll som perfekt matchade boken han hade skrivit.

Det skulle vara omöjligt att förneka hur inflytelserik denna bok var för Googles framtid och hur de rankar webbplatser. Denna AI-bok borde vara obligatorisk läsning för alla som vill bli SEO-experter.

DeepMind

Lanserad 2010, var DeepMind ett hett nytt startup som använde en revolutionerande ny typ av AI-algoritm som tog världen med storm, det kallades förstärkt inlärning. DeepMind beskrev det bäst som:

“Vi presenterar den första djupa inlärningsmodellen som lyckats lära sig kontrollpolicyer direkt från högdimensionella sensoriska indata med hjälp av förstärkt inlärning. Modellen är ett konvolutionellt neuronnät, tränat med en variant av Q-inlärning, vars ingång är råa pixlar och vars utgång är en värdefunktion som uppskattar framtida belöningar.”

Genom att kombinera djupinlärning med förstärkt inlärning blev det ett djupt förstärkt inlärningssystem. År 2013 använde DeepMind dessa algoritmer för att vinna mot mänskliga spelare på Atari 2600-spel – och detta uppnåddes genom att efterlikna den mänskliga hjärnan och hur den lär sig genom träning och upprepning.

Liknande hur en människa lär sig genom upprepning, antingen genom att sparka en boll eller spela Tetris, lärde sig AI:n också. AI:s neuronnätverk spårade prestationen och skulle förbättra sig själv, vilket resulterade i starkare drag i nästa iteration.

DeepMind var så dominant i sin teknologiska ledning att Google var tvunget att köpa tillgång till teknologin. DeepMind förvärvades för mer än 500 miljoner dollar 2014.

Efter förvärvet såg AI-branschen en rad genombrott, en typ som inte hade setts sedan 11 maj 1997, när schack mästare Garry Kasparov förlorade den första matchen i en sexmatch mot Deep Blue, en schackspelande dator utvecklad av forskare på IBM. 

2015 förbättrade DeepMind algoritmen för att testa den på Ataris samling av 49 spel, och maskinen slog mänsklig prestation på 23 av dem.

Det var bara början, senare 2015 började DeepMind fokusera på AlphaGo, ett program med det uttalade målet att besegra en professionell Go-världsmästare. Det forntida spelet Go, som först sågs i Kina för cirka 4000 år sedan, anses vara det mest utmanande spelet i mänsklig historia, med dess möjliga 10³⁶⁰ möjliga drag.

DeepMind använde övervakad inlärning för att träna AlphaGo-systemet genom att lära av mänskliga spelare. Strax därefter gjorde DeepMind rubriker efter att AlphaGo besegrade Lee Sedol, världsmästaren, i en femmatch i mars 2016.

Inte att vara överträffad, i oktober 2017 släppte DeepMind AlphaGo Zero, en ny modell med den viktiga differentiatorn att den krävde noll mänsklig träning. Eftersom den inte krävde mänsklig träning, krävde den inte heller någon märkning av data, systemet använde oövervakad inlärning. AlphaGo Zero överträffade snabbt sin föregångare, som beskrivs av DeepMind.

“Tidigare versioner av AlphaGo tränades initialt på tusentals mänskliga amatör- och proffsspel för att lära sig hur man spelar Go. AlphaGo Zero hoppar över detta steg och lär sig att spela genom att spela mot sig själv, från helt slumpmässigt spel. Genom att göra detta, överträffade den snabbt mänsklig nivå och besegrade den tidigare publicerade mästaren som besegrade versionen av AlphaGo med 100 matcher till 0.”

Under tiden var SEO-världen extremt fokuserad på PageRank, ryggraden i Google. Det började 1995, när Larry Page och Sergey Brin var doktorander vid Stanford University. Duon började samarbeta på ett nytt forskningsprojekt som kallades ” BackRub“. Målet var att ranka webbsidor efter en mått på betydelse genom att omvandla deras bakåtlänkar. En bakåtlänk är helt enkelt en länk från en sida till en annan, liknande denna länk.

Algoritmen döptes senare om till PageRank, uppkallad efter både termen “webbsida” och medgrundaren Larry Page. Larry Page och Sergey Brin hade det ambitiösa målet att bygga en sökmotor som kunde driva hela webben enbart med hjälp av bakåtlänkar.

Och det fungerade.

PageRank dominerar rubriker

SEO-proffs förstod omedelbart grunderna för hur Google beräknar en kvalitetsrankning för en webbsida med hjälp av PageRank. Några sluga svarta hatt-SEO-företagare gick ett steg längre, förstod att för att skala innehåll, kunde det vara klokt att köpa länkar istället för att vänta på att få dem organiskt.

En ny ekonomi uppstod runt bakåtlänkar. Ivriga webbplatsägare som behövde påverka sökmotorrankningar skulle köpa länkar, och i gengäld var desperata webbplatser villiga att sälja länkar.

Webbplatser som köpte länkar invaderade ofta Google och överträffade etablerade varumärken över en natt.

Att ranka med denna metod fungerade riktigt bra under en lång tid – tills det slutade fungera, förmodligen runt samma tid som maskinlärning sparkade in och löste det underliggande problemet.  Med introduktionen av djup förstärkt inlärning, skulle PageRank bli en rankningsvariabel, inte den dominerande faktorn.

För tillfället är SEO-samhället splittrat när det gäller länkköp som strategi. Jag tror personligen att länkköp erbjuder undermåliga resultat, och att de bästa metoderna för att skaffa bakåtlänkar är baserade på variabler som är specifika för branschen. En legitim tjänst som jag kan rekommendera är HARO (Help a Reporter Out). Möjligheten med HARO är att skaffa bakåtlänkar genom att uppfylla mediebegäranden.

Etablerade varumärken behövde aldrig oroa sig för att skaffa länkar, eftersom de hade fördelen av tid som arbetade till deras fördel. Ju äldre en webbplats är, desto mer tid har den haft att samla på sig högkvalitativa bakåtlänkar. Med andra ord, en sökmotorrankning var starkt beroende av webbplatsens ålder, om man beräknar med metriken tid = bakåtlänkar.

Till exempel skulle CNN naturligtvis få bakåtlänkar för en nyhetsartikel på grund av sitt varumärke, dess förtroende och eftersom det redan var listat högt – så det fick naturligt fler bakåtlänkar från människor som forskade i en artikel och länkade till det första sökresultatet de hittade.

Det betyder att högt rankade webbsidor fick organiskt fler bakåtlänkar. Tyvärr betydde detta att nya webbplatser ofta tvingades missbruka bakåtlänk-algoritmen genom att vända sig till en bakåtlänk-marknad.

I början av 2000-talet fungerade länkköp riktigt bra och det var en enkel process. Länkköpare köpte länkar från webbplatser med hög auktoritet, ofta sitewide footer-länkar, eller kanske per artikel (ofta maskerad som en gästpost), och säljarna var desperata att monetisera sina webbplatser och var villiga att samarbeta – Tyvärr ofta på bekostnad av kvalitet.

Till slut förstod Googles talangpool av maskinlärningsingenjörer att koda sökresultat för hand var futilt, och en hel del av PageRank var handskriven kod. Istället förstod de att AI:n så småningom skulle bli ansvarig för att fullständigt beräkna rankningarna med minimal mänsklig inblandning.

För att stanna konkurrenskraftiga använder Google alla verktyg i sin arsenal, inklusive djup förstärkt inlärning – den mest avancerade typen av maskinlärningsalgoritm i världen.

Denna system, som lagts till på Googles förvärv av MetaWeb, var en spelväxlare. Anledningen till att förvärvet av MetaWeb 2010 var så viktigt var att det minskade vikten som Google lade på nyckelord. Sammanhang blev plötsligt viktigt, detta uppnåddes genom att använda en kategorisering som kallas “entiteter”. Som Fast Company beskrev det:

När Metaweb väl har fastställt vilken entitet du hänvisar till, kan den tillhandahålla en uppsättning resultat. Den kan till och med kombinera entiteter för mer komplexa sökningar – “skådespelerskor över 40” kan vara en entitet, “skådespelerskor som bor i New York” kan vara en annan, och “skådespelerskor med en film som för närvarande spelas” kan vara en annan. “

Denna teknik rullades ut i en stor algoritmmässig uppdatering som kallades RankBrain som lanserades på våren 2015. RankBrain fokuserade på att förstå sammanhang istället för att vara rent nyckelordsbaserat, och RankBrain skulle också ta hänsyn till miljösammanhang (t.ex. sökarens plats) och extrapolera mening där det tidigare inte funnits någon. Detta var en viktig uppdatering, särskilt för mobilanvändare.

Nu när vi förstår hur Google använder dessa teknologier, låt oss använda beräkningsorienterat tänkande för att spekulera om hur det görs.

Vad är djupinlärning?

Djupinlärning är den vanligaste typen av maskinlärning – det vore omöjligt för Google att inte använda denna algoritm.

Djupinlärning påverkas avsevärt av hur den mänskliga hjärnan fungerar och försöker efterlikna hjärnans beteende i hur den använder mönsterigenkänning för att identifiera och kategorisera objekt.

Till exempel, om du ser bokstaven a, känner din hjärna automatiskt igen linjerna och formerna för att sedan identifiera den som bokstaven a. Samma sak gäller för bokstäverna ap, din hjärna försöker automatiskt förutsäga framtiden genom att komma med potentiella ord som app eller apple. Andra mönster kan inkludera siffror, vägskyltar eller att identifiera en älskad person i en folkmassa.

Man kan tänka sig de sammanhang som finns i ett djupinlärningssystem som liknar hur den mänskliga hjärnan fungerar med kopplingen av neuroner och synapser.

Djupinlärning är i slutändan den term som ges till maskinlärningsarkitekturer som kopplar samman många multilagerperceptron, så att det inte bara finns ett dolt lager utan många dolda lager. Ju “djupare” det djupa neuronnätverket är, desto mer avancerade mönster kan nätverket lära sig.

Fullt anslutna nätverk kan kombineras med andra maskinlärningsfunktioner för att skapa olika djupinlärningsarkitekturer.

Hur Google använder djupinlärning

Google kryper igenom världens webbplatser genom att följa hyperlänkar (tänk neuroner) som kopplar webbplatser till varandra. Detta var den ursprungliga metod som Google använde från dag ett, och det används fortfarande. När webbplatser är indexerade används olika typer av AI för att analysera denna skatt av data.

Googles system märker webbsidorna enligt olika interna mått, med endast minimal mänsklig inmatning eller ingrepp. Ett exempel på ett ingrepp skulle vara det manuella borttagandet av en specifik URL på grund av en DMCA-borttagning.

Googles ingenjörer är kända för att frustrera deltagare på SEO-konferenser, och det är för att Google-cheferna aldrig riktigt kan artikulera hur Google fungerar. När frågor ställs om varför vissa webbplatser misslyckas med att ranka, är det nästan alltid samma dåligt artikulerade svar. Svaret är så vanligt att deltagare ofta förutser att de har åtagit sig att skapa bra innehåll i månader eller till och med år utan några positiva resultat.

Förutsägbart instrueras webbplatsägare att fokusera på att bygga värdefullt innehåll – en viktig komponent, men långt ifrån att vara komplett.

Detta brist på svar är för att cheferna inte kan svara korrekt på frågan. Googles algoritm fungerar i en svart låda. Det finns indata, och sedan utdata – och det är så djupinlärning fungerar.

Låt oss nu återvända till en rankningsstraff som negativt påverkar miljontals webbplatser ofta utan webbplatsägarens kännedom.

PageSpeed Insights

Google är sällan transparent, PageSpeed Insights är undantaget. Webbplatser som misslyckas med denna hastighetstest kommer att skickas till en straffbox för långsam laddning – särskilt om mobilanvändare påverkas.

Vad som misstänks är att det någonstans i processen finns ett beslutsdiagram som parsar snabba webbplatser kontra långsamma webbplatser (PageSpeed Insights misslyckades). Ett beslutsdiagram är i princip en algoritmisk metod som delar upp datamängden i enskilda datapunkter baserat på olika kriterier. Kriterierna kan vara att negativt påverka hur högt en sida rankar för mobilanvändare kontra skrivbordsanvändare.

Hypotetiskt kan ett straff tillämpas på den naturliga rankningspoängen. Till exempel, en webbplats som utan straff skulle ranka som nummer 5, kan ha en -20, -50 eller någon annan okänd variabel som kommer att minska rankningen till nummer 25, 55 eller något annat nummer som valts av AI:n.

I framtiden kan vi se slutet på PageSpeed Insights, när Google blir mer säker på sin AI. Detta nuvarande ingrepp på hastighet från Google är farligt, eftersom det potentiellt kan eliminera resultat som skulle ha varit optimala, och det diskriminerar mot de mindre tekniskt kunniga.

Det är en stor begäran att kräva att alla som driver ett litet företag ska ha den expertis som krävs för att lyckas diagnostisera och åtgärda hastighetsproblem. En enkel lösning vore att Google släpper ett hastighetsoptimerings-plugin för WordPress-användare, eftersom WordPress driver 43% av internet.

Tyvärr är alla SEO-insatser förgäves om en webbplats misslyckas med att klara Googles PageSpeed Insights. Insatserna är ingenting mindre än en webbplats som försvinner från Google.

Hur man klarar denna test är en artikel för en annan gång, men som minimum bör du verifiera om din webbplats klarar testet.

En annan viktig teknisk parameter att oroa sig för är ett säkerhetsprotokoll som kallas SSL (Secure Sockets Layer). Detta ändrar webbplatsens URL från http till https och säkerställer en säker överföring av data. Alla webbplatser som inte har SSL aktiverat kommer att bestraffas. Medan det finns några undantag från denna regel, kommer e-handels- och finansiella webbplatser att påverkas mest.

Billiga webbhotell tar ut en årlig avgift för SSL-implementering, medan bra webbhotell som Siteground utfärdar SSL-certifikat gratis och integrerar dem automatiskt.

Meta-data

En annan viktig komponent på webbplatsen är Meta-titel och Meta-beskrivning. Dessa innehållsfält har en överdimensionerad betydelse som kan bidra lika mycket till framgång eller misslyckande för en sida som hela innehållet på sidan.

Detta beror på att Google har en hög sannolikhet att välja Meta-titeln och Meta-beskrivningen för att visa i sökresultaten.  Och det är därför det är viktigt att fylla i Meta-titel- och Meta-beskrivningsfältet så noggrant som möjligt.

Alternativet är att Google kan välja att ignorera Meta-titeln och Meta-beskrivningen och istället generera data som den tror kommer att resultera i fler klick. Om Google förutsäger dåligt vilken titel som ska genereras, kommer detta att bidra till färre klick från sökare och därmed bidra till förlorade sökmotorrankningar.

Om Google tror att den ingångna Meta-beskrivningen är optimerad för att få klick, kommer den att visas i sökresultaten. Om inte, kommer Google att plocka en slumpmässig bit text från webbplatsen. Ofta väljer Google den bästa texten på sidan, problemet är att detta är ett lotterisystem och Google är konsekvent dålig på att välja vilken beskrivning som ska visas.

Om du tror att innehållet på din sida är riktigt bra, kan det ibland vara klokt att låta Google välja den optimerade Meta-beskrivningen som bäst matchar användarfrågan. Vi kommer att välja att inte ha någon Meta-beskrivning för denna artikel, eftersom den är innehållsrik och Google troligen kommer att välja en bra beskrivning.

Under tiden klickar miljarder människor på de bästa sökresultaten – detta är människan-i-slingan, Googles sista återkopplingsmekanism – och det är här förstärkt inlärning sparkar in.

Vad är förstärkt inlärning?

Förstärkt inlärning är en maskinlärningsteknik som involverar att träna en AI-agent genom upprepning av handlingar och associerade belöningar. En förstärkt inlärningsagent experimenterar i en miljö, tar handlingar och belönas när rätt handlingar utförs. Över tid lär sig agenten att ta handlingar som kommer att maximera dess belöning.

Belöningen kunde baseras på en enkel beräkning som beräknar den tid som tillbringas på en rekommenderad sida.

Om du kombinerar denna metodik med en människa-i-slingan-underordnad rutin, skulle detta låta väldigt mycket som existerande rekommendationssystem som kontrollerar alla aspekter av våra digitala liv, såsom YouTube, Netflix (NFLX ), Amazon Prime – och om det låter som hur en sökmotor borde fungera, så är du rätt.

Hur Google använder förstärkt inlärning

Googles fläkt förbättras med varje sökning, människor tränar AI:n genom att välja det bästa resultatet som bäst svarar på deras fråga, och den liknande frågan från miljontals andra användare.

Förstärkt inlärningsagenten arbetar kontinuerligt med att förbättra sig själv genom att förstärka endast de mest positiva interaktionerna mellan sökning och levererat sökresultat.

Google mäter den tid det tar för en användare att scanna resultatsidan, den URL som klickas, och den tid som tillbringas på den besökta webbplatsen, och den registrerar återklicket. Dessa data sammanställs och jämförs för varje webbplats som erbjuder en liknande datamatch eller användarupplevelse.

En webbplats med en låg retentionsgrad (tid tillbringad på sidan), får sedan en negativ värdering av förstärkt inlärningssystemet, och andra konkurrerande webbplatser testas för att förbättra de erbjudna rankningarna. Google är opartisk, antar att det inte finns något manuellt ingrepp, Google erbjuder till slut det önskade sökresultatsidan.

Användare är människan-i-slingan som tillhandahåller Google med gratis data och blir den sista komponenten i det djupa förstärkta inlärningssystemet. I utbyte mot denna tjänst erbjuder Google användaren en möjlighet att klicka på en annons.

Annonserna utanför att generera intäkter fungerar som en sekundär rankningsfaktor, flytande mer data om vad som gör att en användare vill klicka.

Google lär sig i princip vad en användare vill ha. Detta kan löst jämföras med ett rekommendationssystem från en videoströmningstjänst. I det fallet skulle ett rekommendationssystem mata en användare med innehåll som är riktat mot deras intressen. Till exempel, en användare som vanligtvis njuter av en ström av romantiska komedier, kan njuta av parodier om de delar samma komiker.

Hur detta hjälper SEO?

Om vi fortsätter med beräkningsorienterat tänkande, kan vi anta att Google har tränat sig själv för att leverera de bästa resultaten, och detta uppnås ofta genom att generalisera och tillfredsställa mänskliga fördomar. Det vore i själva verket omöjligt för Googles AI att inte optimera resultaten för att tillfredsställa dessa fördomar, om den gjorde det, skulle resultaten vara undermåliga.

I andra ord, det finns ingen magisk formel, men det finns några bästa praxis.

Det är SEO-praktikerns ansvar att känna igen de fördomar som Google söker som är specifika för deras bransch – och mata in dessa fördomar. Till exempel, någon som söker efter valresultat utan att ange ett datum, söker troligen efter de senaste resultaten – detta är en fördom om aktualitet. Någon som söker efter ett recept, behöver troligen inte det senaste sidan, och kan i själva verket föredra ett recept som har stått sig över tiden.

Det är SEO-praktikerns ansvar att erbjuda besökare de resultat de söker. Detta är det mest hållbara sättet att ranka i Google.

Webbplatsägare måste överge tanken på att målinrikta ett specifikt nyckelord med förväntningen att de kan leverera vad de vill till slutanvändaren. Sökresultatet måste exakt matcha användarens behov.

Vad är en fördom?  Det kunde vara att ha ett domännamn som ser ut som en hög auktoritet, till exempel om domännamnet matchar marknaden du betjänar? Att ha ett domännamn med ordet Indien i det kan avskräcka USA-användare från att klicka på URL:en på grund av en nationalismfördom om att lita på resultat som kommer från en användares bosättningsland. Att ha ett ettordsdomännamn kan också ge illusionen av auktoritet.

Den viktigaste fördomen är vad en användare vill ha som matchar deras sökfråga? Är det en FAQ, en topp 10-lista, en bloggpost? Detta behöver besvaras, och svaret är lätt att hitta. Du behöver bara analysera konkurrensen genom att utföra en Google-sökning i din målmarknad.

Svart hatt SEO är död

Jämför detta med svart hatt SEO, en aggressiv metod för att ranka webbplatser som utnyttjar bedrägliga SPAM-tekniker, inklusive att köpa länkar, förfalska länkar, hacka webbplatser, automatiskt generera sociala bokmärken i stor skala och andra mörka metoder som tillämpas via ett nätverk av svarta hatt-verktyg.

Verktyg som ofta återanvänds och säljs på olika sökmotorforum, produkter med nästan inget värde och få chanser att lyckas. För tillfället möjliggör dessa verktyg för säljarna att bli rika, medan de erbjuder minimalt värde till slutanvändaren.

Detta är varför jag rekommenderar att överge svart hatt. Fokusera din SEO på att se det från maskinlärningens synvinkel. Det är viktigt att förstå att varje gång någon hoppar över ett sökresultat för att klicka på ett resultat som är begravt under, är människan-i-slingan som samarbetar med det djupa förstärkta inlärningssystemet. Människan hjälper AI:n att förbättra sig själv, och blir oändligt bättre med tiden.

Detta är en maskinlärningsalgoritm som har tränats av fler användare än något annat system i mänsklig historia.

Google hanterar 3,8 miljoner sökningar per minut i genomsnitt över hela världen. Detta motsvarar 228 miljoner sökningar per timme, 5,6 miljarder sökningar per dag. Det är en hel del data, och det är därför det är dumdristigt att försöka sig på svart hatt SEO. Antagandet att Googles AI kommer att förbli statisk är dumdristigt, systemet använder lagen om accelererande återvinning för att exponentiellt förbättra sig själv.

Googles AI blir så kraftfull att det är troligt att det så småningom kan bli den första AI:n att nå allmän artificiell intelligens (AGI). En AGI är en intelligens som kan använda överföringsinlärning för att bemästra ett område och sedan tillämpa den lärd intelligensen över flera domäner. Medan det kan vara intressant att utforska Googles framtida AGI-insatser, bör det förstås att när processen är i rörelse, är det svårt att stoppa den. Detta är naturligtvis spekulation mot framtiden, eftersom Google för närvarande är en typ av smal AI, men det är ett ämne för en annan artikel.

Att spendera en sekund mer på svart hatt är en dumdristig syssla.

Vit hatt SEO

Om vi accepterar att Googles AI kommer att fortsätta förbättra sig, har vi inget annat val än att ge upp på att försöka överlista Google. Istället, fokusera på att optimera en webbplats för att ge Google exakt vad den söker.

Som beskrivits, detta innefattar att aktivera SSL, optimera sidhastighet och optimera Meta-titel och Meta-beskrivning. För att optimera dessa fält, måste Meta-titeln och Meta-beskrivningen jämföras med konkurrerande webbplatser – Identifiera de vinnande elementen som resulterar i en hög klickfrekvens.

Om du har optimerat för att bli klickad, är nästa milstolpe att skapa den bästa landningssidan. Målet är en landningssida som optimerar användarvärdet så mycket att den genomsnittliga tiden som tillbringas på sidan överträffar liknande konkurrenter som kämpar om de bästa sökresultaten.

Endast genom att erbjuda den bästa användarupplevelsen kan en webbsida öka i rankning.

Hittills har vi identifierat dessa mått som de viktigaste:

• Hastighet
• SSL aktiverat
• Meta-titel och Meta-beskrivning
• Landningssida

Landningssidan är den svåraste komponenten, eftersom du konkurrerar mot hela världen. Landningssidan måste ladda snabbt och måste tillhandahålla allt som förväntas, och sedan förvåna användaren med mer.

Slutliga tankar

Det skulle vara lätt att fylla ytterligare 2000 ord med att beskriva andra AI-teknologier som Google använder, samt att gräva djupare i kaninhålet av SEO. Avsikten här är att återfokusera uppmärksamheten på de viktigaste måtten.

SEO-delare är så fokuserade på att spela systemet att de glömmer att det viktigaste elementet i SEO är att ge användare så mycket värde som möjligt.

En sätt att uppnå detta är genom att aldrig låta viktigt innehåll bli inaktuellt. Om jag om en månad kommer att tänka på en viktig bidrag, kommer det att läggas till denna artikel. Google kan sedan identifiera hur färskt innehållet är, matchat med sidans historia av att leverera värde.

Om du fortfarande är orolig för att skaffa bakåtlänkar, är lösningen enkel. Visa respekt för besökarnas tid och ge dem värde. Bakåtlänkarna kommer att komma naturligt, eftersom användare kommer att hitta värde i att dela ditt innehåll.

Frågan förskjuts sedan till webbplatsägaren om hur man tillhandahåller den bästa användarvärdet och användarupplevelsen.