{"id":3525,"date":"2019-02-28T15:15:19","date_gmt":"2019-02-28T14:15:19","guid":{"rendered":"https:\/\/wordlift.io\/blog\/it\/?p=3525"},"modified":"2021-12-23T10:01:54","modified_gmt":"2021-12-23T09:01:54","slug":"seo-machine-learning","status":"publish","type":"post","link":"https:\/\/wordlift.io\/blog\/it\/seo-machine-learning\/","title":{"rendered":"Come aumentare il traffico del tuo sito utilizzando il machine learning"},"content":{"rendered":"

Come aumentare il CTR organico di un sito web? In questo post, ti illustrer\u00f2 come effettuare l’analisi dei dati della Google Search Console attraverso l’Intelligenza Artificiale<\/a>, allo scopo di ottenere informazioni rilevanti su quali pagine possano essere ottimizzate per migliorare il traffico organico di un sito web aziendale<\/strong>. Nello specifico, utilizzer\u00f2 il k-Meansclustering, una tecnica di raggruppamento dati che utilizza il machine learning<\/a> ed andr\u00f2 a evidenziare le nozioni che ho acquisito durante l\u2019utilizzo di questa tecnica per l\u2019ottimizzazione SEO di un sito web. <\/span><\/p>\n

Questo post mi ha anche aiutato a scoprire qualcosa di nuovo sui nostri clienti: quando propongo di utilizzare direttamente i loro dati, la reazione in generale \u00e8 sempre di estremo sollievo, si sentono sollevati all\u2019idea che l\u2019Intelligenza Artificiale possa occuparsi di un compito banale e ripetitivo come l\u2019analisi dei dati della GSC<\/a>. Questo permette effettivamente ai clienti del nostro servizio di gestione SEO su misura<\/a>, e al nostro team, di concentrarsi su compiti pi\u00f9 complessi e a dedicarsi alla creazione del valore aggiunto sui contenuti, occupandosi di scrittura ed eventualmente di monetizzazione.<\/span><\/p>\n

Il machine learning \u00e8 divertente<\/span><\/h2>\n

Questo esperimento pu\u00f2 essere svolto da chiunque e non prevede alcuna abilit\u00e0 specifica in termini di programmazione. Una buona padronanza di Google Sheet \u00e8, infatti, pi\u00f9 che sufficiente per iniziare ad occuparsi del data mining dei dati della Google Search Console del proprio sito web.<\/p>\n

Abbiamo utilizzato Orange<\/strong>, uno strumento open-source basato su Python e sviluppato per il data mining e l\u2019analisi, che utilizza un chiaro sistema di programmazione visuale<\/strong> (un\u2019interfaccia utente grafica che permette di svolgere i compiti che  sviluppatore Python porterebbe a termine scrivendo codice su un Jupyter Notebook, evviva!).<\/p>\n

\u00c8 possibile installare Orange da Anaconda, una nota piattaforma per il Data Science in Python, o semplicemente scaricarlo e installarlo dal loro sito web<\/a>. Durante l’esperimento, inoltre, sar\u00e0 possibile estrarre informazioni sulla lunghezza del titolo e della meta description e, per farlo, \u00e8 possibile usare un account WooRank<\/a><\/strong>, Sitebulb<\/a><\/span> o qualsiasi altro web crawler a tua scelta.<\/p>\n

Sulle spalle dei giganti<\/span><\/h2>\n

Iniziare a lavorare con il machine learning prevede, innanzitutto, un cambio di paradigma<\/em>. Si tratta sostanzialmente di fornire alla macchina dati sufficientemente accurati per permetterle di apprendere da questi e di autoprogrammarsi, aiutandoci nell\u2019analisi attraverso il raggruppamento dei dati, l\u2019elaborazione delle previsioni e ricavando modelli rilevanti all\u2019interno del nostro dataset. Scegliere i punti di riferimento e curare il dataset, quando si lavora con il machine learning, \u00e8 un passaggio strategico fondamentale tanto quanto la scrittura di un programma nell\u2019informatica tradizionale.<\/strong><\/p>\n

Decidendo con quale tipo di dati alimentare la macchina, le trasferiamo le conoscenze necessarie all\u2019addestramento. Per farlo, avremo bisogno dei cosiddetti domain expert<\/em>: quando ho iniziato questo esperimento, mi sono imbattuto in un tweet di Bill Slawski che mi ha aperto gli occhi sull’importanza di confrontare le impression con i click in pagina<\/strong>, forse uno dei dati pi\u00f9 rilevanti che ci vengono forniti dal Google Search Console.<\/p>\n

\n

A3 One of my favorite GSC Data points is comparing search impressions to click on a page, if they vary widely is a sign that rewriting titles or snippets would be a good idea – less of a sign of success of an ongoing campaign, but helpful to know about. #SEOChat<\/a><\/p>\n

\u2014 Bill Slawski \u2693 (@bill_slawski) January 10, 2019<\/a><\/p><\/blockquote>\n

Ho scoperto poi un’altra interessante conversazione sull’argomento tra Aleyda Solis e Cyrus Shepard.<\/p>\n

\n

+1000 ?<\/p>\n

I especially enjoy revising\/reoptimizing titles and meta descriptions from time to time, starting with those pages that are now in the top 3-5 positions but very low CTR. https:\/\/t.co\/RElxn7jSiC<\/a><\/p>\n

\u2014 Aleyda Solis (@aleyda) January 23, 2019<\/a><\/p><\/blockquote>\n

Dopo aver letto questi interventi, ho deciso di compilare un dataset composto dai seguenti attributi. I primi 6 provengono da GSC, mentre gli altri 2 derivano dal crawling delle pagine.<\/p>\n

\"\"<\/p>\n

L’idea generale, come spiegato da Bill Slawski, \u00e8 di ottimizzare il titolo e la meta descrizione su quelle pagine che ricevono un buon numero di impression e un basso numero di click.<\/strong><\/p>\n

\u201cVuoi sapere di pi\u00f9 sui <\/span><\/i>dati del Google Search Console<\/span><\/i><\/a>? Ecco un approfondimento esaustivo sul blog di WooRank.\u201d<\/span><\/i><\/p><\/blockquote>\n

Come abbiamo imparato dal tweet di Aleyda, un altro aspetto importante per vincere a questo gioco \u00e8 quello di concentrarsi solo sulle pagine che hanno gi\u00e0 una buona posizione (nello specifico lei parla di quelle tra la 3 e la 5<\/strong>). Questo consiglio \u00e8 estremamente importante, poich\u00e9 accelera il processo e ci porta a risultati quasi immediati. Ovviamente, questo range potrebbe essere diverso per i piccoli siti web (in alcuni casi potrebbe essere utile lavorare anche su pagine con una posizione compresa tra la 3 e la 10).<\/p>\n

Come faccio a portare i dati dalla GSC su Google Sheet?<\/h3>\n

Fortunatamente, GSC fornisce un accesso veloce e affidabile ai propri dati tramite le API e baster\u00e0 utilizzare un Google Sheet Add On chiamato searchanalyticsforsheets.com<\/a> per recuperare automaticamente i dati e archiviarli su Google Sheet senza dover scrivere una riga di codice. \u00c8 un tool gratuito, semplice da usare e ben documentato (complimenti al team di sviluppo ?).<\/span><\/p>\n

Se si ha familiarit\u00e0 con Python, \u00e8 possibile usare questo script<\/a> di Stephan Solomonidis disponibile su GitHub, che pu\u00f2 svolgere praticamente lo stesso lavoro con solo poche righe di codice. <\/span><\/p>\n

Nel mio dataset, volevo creare un file che contenesse sia le query che le pagine. Una pagina, infatti, di solito si posiziona su pi\u00f9 intenti ed \u00e8 importante scoprire qual \u00e8 la query principale che vogliamo ottimizzare per ottenere un risultato efficace.<\/span> <\/span><\/p>\n

Come posso accorpare due dataset in uno?<\/h3>\n

L’aggregazione dei dati dal crawler con i dati di GSC pu\u00f2 essere eseguita direttamente su Orange utilizzando il widget per il merge dei dati, in grado di combinare orizzontalmente due dataset utilizzando la pagina come attributo chiave. Per il mio esperimento, invece, ho usato Google Sheet con una combinazione di ARRAYFORMULA (che esegue la funzione su un\u2019intera colonna) e VLOOKUP (\u00e8 questa la funzione che si occupa di creare la corrispondenza e di riportare il titolo e la meta descrizione nella stessa tabella).<\/p>\n

=ARRAYFORMULA(VLOOKUP(A2:A,crawl_html!A6:C501,{1,2},false))<\/strong><\/pre>\n\n\n\n
\n
ARRAYFORMULA(VLOOKUP(<\/span>search_key<\/span>,<\/span>range<\/span>,<\/span>index<\/span>,<\/span>[is_sorted<\/span>]<\/span>))<\/span><\/pre>\n