Mejora de la relevancia semán1ca por SEO. Junio de 2015

Transcripción

1 Mejora de la relevancia semán1ca por SEO Junio de 2015

2 RESUMEN 1. Datos brutos 2. El concepto de contenido ú1l 3. El concepto de relevancia semán1ca 4. Recapitulamos 5. Conclusiones 6. Anexos

3 Datos brutos/ problemas concretos

4 Conocer toda la red es dimcil La red mundial con/ene más de 60 trillones de páginas y se expande unos 11 millones de páginas adicionales todos los días Si se quisiera ver cada página una vez por día, habría que rastrear de páginas por segundo Cada año octetos de información son publicados en el mundo. Es decir, 912,5 exaoctetos por año (es/mación hecha en 2012 por IBM) - Casi el 30% de la red mundial es contenido duplicado Fuente: h"ps:// 4

5 Comunicar con palabras es ambiguo palabras (lemas) en el diccionario de la RAE Algunas palabras son omnipresentes : El + de = 13,11% de las palabras del Corpus de Referencia del Español Actual ( entradas) 15,17% de palabras está en desuso (aparecen en el diccionario acepciones en desuso repar/das en entradas) 72,06% de las palabras no aparece casi nunca en la lista de frecuencias del Corpus palabras forman el 98,63% del Corpus En la vigésima tercera edición del diccionario hay nuevos lemas (variación leve de +1,44%) Los cinco lemas más largos del diccionario son contencioso- administra1vo, electroencefalografista, in pár1bus infidélium, esternocleidomastoideo y electroencefalográfico. Fuente: h"p:// y h"p://dirae.es/ 5

6 Clasificar es costoso Google invir/ó en 2013, millones de dólares en solo 3 meses para centros de datos Hoy un centro de datos consume 50 MW al año (una ciudad de personas). En 2011, había 40 centros de datos. Serían MW, es decir 2 centrales nucleares o turbinas eólicas El tráfico de los centros de datos de Google representa el 7% del tráfico de la red mundial Fuente: h"p:// on- data- centres- reaches billion- dollars h"p:// datacenters- les- nouveaux- pollueurs html 6

7 Responder rápidamente es fundamental En 2011, Kyle Rush, de la campaña presidencial de Barack Obama, enseñaba que una bajada de 3 segundos del 1empo de carga (5 a 2 segundos) aumentaba el volumen de donaciones en un 14% Amazon calculó que tenía una pérdida anual de millones de dólares por cada segundo adicional en el /empo de carga Google trata entre y búsquedas por segundo y /ene un promedio de respuesta de 1/8 de segundo (0,125 segundos). Empeorando su 1empo en 0,4 segundos pierde 8 millones de búsquedas por día Previsiones banda ancha (en Megaoctetos/segundo) Fuente: Cisco, 2015 Asia Pacific La/n America North America Western Europe Central and Eastern Europe Fuente: h"p://velocityconf.com/velocity2013/public/schedule/detail/28316 h"p:// provider/visual- networking- index- vni/vni_hyperconnecavity_wp.html 7

8 Consecuencias Buscadores Obligación de trabajar en paralelo No se debe mirar la misma página varias veces Hay que evitar duplicidades Webs Responder rápidamente Tener autoridad Presentar contenido ú/l Excelente nivel de redacción Contenido correctamente clasificado Enlazar documentos similares 8

9 El concepto de contenido ú1l

10 Necesidad informacional Necesidad informacional/ búsqueda Resultados Un documento es relevante si responde a la necesidad informacional del usuario. Por otro lado: - 85% de los usuarios solo consultan la primera página de Google - 75% de las búsquedas no son reformuladas 10

11 Quién se posiciona mejor en España? Fuente: h"p://suite.searchmetrics.com/es/research/visibility- charts/organic/visibility?cc=es&acc=142889&p=0 11

12 Entonces es fácil hacerse rico? Generar millones de páginas de todas las temá/cas y expresiones de búsqueda posibles (resultados de búsqueda, textos generados con soiwares de spinning o feed automa/zado) Incluir millones de enlaces op/mizados dentro de las páginas Subir sitemaps para dar a conocer las páginas Incluir publicidad para mone/zar Fuente: h"p://ms- managementsoluaons.es/ 12

13 La era post- panda/ penguin Generar contenido masivamente en 2015 no es suficiente. Hay que generar contenido relevante. Fuente: h"p:// los- dominios- perdedores- de- 2014/ 13

14 Criterios fundamentales www Contenido textos relevantes únicos Enlaces propiedades de los caminos Semán1ca posicionamiento temá/co por cluster Autoridad índice de confianza y volumen de citaciones 14

15 A evitar www Contenido textos duplicados Enlaces descontrolados, redundantes Semán1ca intentar estar en todas las temá/cas Autoridad varios dominios y subdominios, nombres largos con guiones, extensiones pocas usadas 15

16 La relevancia semán1ca

17 Qué es la op1mización semán1ca?/ on page Enlaces contextuales Estructuración Hn E1quetas SEO URL: h"p:// municipales- y- autonomicas/ /ada- colau- plantea- desobedecer- leyes- injustas- y- poner- limites- al- turismo- en- barcelona_865549/ 17

18 Resultados en Google España Top2 en No/cias Top1 en Web 18

19 Es relevante contar las ocurrencias? Si contamos las repe/ciones de 1 palabra o de expresiones con varias palabras, solo salen contenidos irrelevantes Fuente: h"p:// 19

20 El concepto de relevancia semán1ca La relevancia es un concepto semán/co dikcil de definir. Dentro de paginas web, nos gustaría ser capaces de encontrar contenidos similares a la búsqueda del usuario. Para esto, nos gustaría ir a cada página y luego comprobar todas las demás para hacer un matching y una valoración. La capacidad del sistema para ordenar los resultados de una búsqueda, basado en el grado de similaridad entre cada documento de la colección y la consulta, se llama relevancia parcial. La ponderación de los términos en los documentos, no limitándose a señalar la presencia o ausencia de los mismos, permite asignar a cada término en cada documento un número que refleje su importancia en el documento. La ponderación de los términos en la consulta, asigna pesos a cada palabra de la consulta que reflejen su importancia en relación a la necesidad informa1va. 20

21 Hashing Usando una función matemá/ca de Hashing, conver/mos el contenido texto de una página en una serie única de números. Comparando varios hash de una web, se pueden detectar duplicidades muy fácilmente. Fuente: Screaming frog h"p:// spider/ Problema No tenemos información semán/ca, por lo que no sabemos de qué habla el texto 21

22 Bolsa de palabras Comparamos 2 series de palabras para sacar las que son iguales en las 2 series. Ejemplo comparamos las 2 e/quetas TITLES del Top1 y Top2 en Google España por la búsqueda Periodismo de datos : - - Jornadas de Periodismo y Open Data Periodismo de datos - Wikipedia, la enciclopedia libre Jornadas de y Open Data Perio- dismo de datos - Wikipedia, la enciclopedia libre Problemas - Falta una ponderación (q/ idf, coseno de Salton, ) - Falta la definición de stopwords para quitar el ruido alrededor del contenido editorial (arrculos, preposiciones) - Falta descartar los footers, headers, 22

23 Shingles El problema con la "bolsa de palabras" es que no /ene en cuenta el contexto de las palabras. En par/cular, las palabras que rodean las otras palabras de la página. Por tanto, en lugar de simplemente tratar cada página de una web como una bolsa de palabras, vamos a considerarla como un conjunto de expresiones de varias palabras imbricadas. Este método (en base a un calculo algorítmico) se conoce como Shingles porque cada frase se superpone a sus vecinas, al igual que las tejas de un tejado. URL: SMP/ h"p:// municipales- y- autonomicas/ /ada- colau- plantea- desobedecer- leyes- injustas- y- poner- limites- al- turismo- en- barcelona_865549/ 23

24 Shingles vs literatura Visualización de los shingles de 1984 de Georges Orwell ( palabras) URL: SMP/ h"p://ocw.uca.es/pluginfile.php/1485/mod_resource/content/1/1984.pdf 24

25 Shingles vs teatro Acto 1 Acto 4 En el ejemplo del análisis semán/co de La gaviota de Antón Chejov ( palabras) vemos que podemos analizar tanto un corpus entero como partes relevantes de la estructura por separado (los actos por ejemplo) URL:SMP/ h"p:// %20La%20gaviota.pdf 25

26 N- grams de Google Google ha puesto en marcha en 2010, una herramienta de análisis por N- grams (equivalentes a Shingles) para visualizar datos estadís/cos en base a su corpus de libros de Google Books (la base de datos se puede descargar en 23 idiomas diferentes y cubre los años 1800 a 2008). Fuente: h"ps://books.google.com/ngrams 26

27 Con wildcard (*) Fuente: h"ps://books.google.com/ngrams 27

28 A evitar Incluir palabras que ocultan la temá1ca Pedir la redacción de textos a personas que no son na1vos del país irrelevancia Redactar sin conocer la temá1ca Omi1r palabras singulares de la temá1ca Usar un lenguaje ambiguo 28

29 Recapitulamos

30 Análisis de contenido on page Fuente: SMP/ h"p://periodismodatos.okfn.es/ palabras incluyendo código fuente 30

31 Análisis de e1quetas SEO Fuente: SMP/ h"p://periodismodatos.okfn.es/ - solo eaquetas SEO 31

32 Análisis de textos de enlaces Fuente: SMP/ h"p://periodismodatos.okfn.es/ - solo textos de enlaces 32

33 Análisis de pagina de inicio/ MD Cospedal Fuente: h"ps://presidentacospedal.com/ 33

34 Análisis de pagina de inicio/ Pedro Sánchez Fuente: h"p://sanchezcastejon.es/ 34

35 Shingles/ Web de María Dolores de Cospedal Pagina de inicio Mis ideas Realidades Fuente: SMP/ h"ps://presidentacospedal.com/ 35

36 Shingles/ web de Pedro Sánchez Pagina de inicio Fuente: SMP/ h"p://sanchezcastejon.es/ 36

37 Herramientas

38 Herramientas gra1s/ extensiones (ejemplos) Crawl Xenu Site orbiter Análisis on page Web developer Firebug SEO quake Análisis de los SERPs SEO quake Performance Pagespeed Yslow Webpage test 38

39 Herramientas de pago (lista no exhaus/va) Shingles SMP Creación de textos op1mizados Master spin Crawl/ análisis de logs Advanced SEO toolbox (ATB) Bo/fy Harobaz Screaming frog (sin logs) Análisis de los SERPs Advanced SEO toolbox (ATB) 39

40 Conclusiones

41 Sugerencias Siempre pensar en términos de con1nuidad semán1ca Rodear las páginas existentes de contenidos con una relación estrecha, y ampliar progresivamente Contextualizar con la técnica del comunicado de prensa (Quién, qué, dónde, cómo, por qué) Adquirir o desarrollar una herramienta de cálculo de similaridad para evitar malas sorpresas Siempre monitorizar los resultados en los buscadores en base a un corpus de calidad para sacar conclusiones 41

42 Anexos

43 Shingles/ periódicos españoles Pagina de inicio/ Elpais.com Pagina de inicio/ Elconfidencial.com Pagina de inicio/ Eldiario.es Pagina de inicio/ Marca.com Pagina de inicio/ Elmundo.es Fuente: SMP/ Paginas de inicio de periodicos y radio el 03/06/

44 Shingles/ radios españolas Pagina de inicio/ Cadenaser.com Pagina de inicio/ RTVE.es Fuente: SMP/ Paginas de inicio de periodicos y radio el 03/06/

45 Shingles/ New York Times Pagina de inicio/ Ny/mes.com Pagina Opinions Fuente: SMP/ Paginas de inicio de periodicos y radio el 03/06/

46 Gracias a Guillaume Peyronnet Sara Delgado Manso Hafid Mermouri