Fermer

mars 27, 2020

Générer du contenu local à grande échelle – Tableau blanc vendredi11 minutes de lecture

Générer du contenu local à grande échelle - Tableau blanc vendredi


La création de pages locales de n'importe quelle quantité peut être une tâche pénible. Il est difficile de trouver la bonne combinaison de contenu, d'expertise et de localisation sur le sujet, et la tentation de prendre des raccourcis a toujours été tempérée par le fait qu'un bon contenu unique est presque impossible à mettre à l'échelle.

Dans l'édition de cette semaine de Tableau blanc Vendredi, Russ Jones partage sa technique de chapeau blanc préférée utilisant la génération du langage naturel pour créer des pages locales à votre guise.

Cliquez sur l'image du tableau blanc ci-dessus pour ouvrir une version haute résolution dans un nouvel onglet!

Vidéo Transcription

Hé, les amis, voici Russ Jones ici avec Moz à nouveau pour vous parler d'importants problèmes d'optimisation des moteurs de recherche. Aujourd'hui, je vais parler d'une de mes techniques préférées, quelque chose que j'ai inventé il y a plusieurs années pour un client particulier et qui est devenu de plus en plus important au fil des ans.

Utilisation de la génération en langage naturel pour créer du contenu hyper-local

J'appelle cela en utilisant la génération en langage naturel pour créer du contenu hyper-local. Maintenant, je sais qu'il y a un tas de longs mots là-dedans. Certains d'entre vous les connaissent, d'autres non.

Alors laissez-moi vous donner un peu le scénario, qui est probablement celui que vous connaissez à un moment ou à un autre. Imaginez que vous avez un nouveau client et que ce client a quelque chose comme 18 000 emplacements à travers les États-Unis.

Ensuite, Google vous dit que vous devez créer un contenu unique. Maintenant, bien sûr, il n'est pas nécessaire que ce soit 18 000 personnes. Même 100 emplacements peuvent être difficiles, non seulement pour créer un contenu unique, mais pour créer un contenu d'une valeur unique qui a une certaine pertinence pour cet emplacement particulier.

Donc, ce que je veux faire aujourd'hui, c'est parler d'une méthodologie particulière qui utilise la génération du langage naturel afin de créer ces types de pages à grande échelle.

Qu'est-ce que la génération du langage naturel?

Maintenant, il pourrait y avoir quelques questions que nous devons simplement aller de l'avant et retirer de nos assiettes au début. Alors d'abord, qu'est-ce que la génération du langage naturel? Eh bien, la génération du langage naturel a en fait été créée dans le but de générer des avertissements météorologiques. Vous l'avez probablement déjà vu 100 000 fois.

Chaque fois qu'il y a comme un orage ou disons un avertissement de vent fort ou quelque chose comme ça, vous avez vu au bas d'un téléviseur, si vous êtes plus vieux comme moi, ou que vous en avez un sur votre téléphone portable et que le National dit Le service météorologique a émis une sorte d'avertissement concernant une sorte d'alerte météorologique dangereuse et vous devez vous mettre à couvert.

Eh bien, le langage que vous y voyez est généré par une machine. Il prend en compte toutes les données auxquelles ils sont arrivés concernant la météo, puis les met en phrases que les humains comprennent automatiquement. C'est un peu comme Mad Libs, mais beaucoup plus technique dans le sens où ce qui en sort, au lieu d'être drôle ou idiot, est en fait une information vraiment utile.

C'est notre objectif ici. Nous voulons utiliser la génération du langage naturel pour produire des pages locales pour une entreprise qui possède des informations très utiles.

N'est-ce pas un chapeau noir?

Maintenant, la question que nous obtenons presque toujours ou que je reçois presque toujours est: Est-ce que ce chapeau noir? L'une des choses que nous ne sommes pas censés faire est simplement de générer automatiquement du contenu.

Je vais donc prendre un moment vers la fin pour discuter exactement de la façon dont nous différencions ce type de création de contenu du style Mad Libs standard, en branchant différents mots de la ville dans la génération de contenu et ce que nous faisons ici. Ce que nous faisons ici, c'est fournir un contenu d'une valeur unique à nos clients, et pour cette raison, il passe le test du contenu de qualité.

Regardons un exemple

Alors faisons-le. Parlons probablement de ce que je pense être la méthodologie la plus simple, et j'appelle cela la méthode Google Trends.

1. Choisissez les articles à comparer

Alors prenons un peu de recul et parlons de cette entreprise qui compte 18 000 emplacements. Maintenant, que savons-nous de cette entreprise? Eh bien, les entreprises ont deux ou trois choses en commun, quelle que soit leur industrie.

Elles ont des produits ou des services similaires, et ces produits et services peuvent avoir des styles, des saveurs ou des garnitures, juste toutes sortes de choses. que vous pouvez comparer sur les différents articles et services qu'ils proposent. C'est là que réside notre opportunité de produire un contenu unique dans presque toutes les régions des États-Unis.

L'outil que nous allons utiliser pour y parvenir est Google Trends. Donc, la première étape que vous allez faire est de prendre ce client, et dans ce cas, je vais juste dire que c'est une chaîne de pizza, par exemple, et nous allons identifier les articles qui nous pourrions vouloir comparer. Dans ce cas, je choisirais probablement des garnitures par exemple.

Nous serions donc intéressés par le pepperoni et les saucisses et les anchois et Dieu interdisent l'ananas, juste toutes sortes de garnitures différentes qui pourraient différer d'une région à l'autre, d'une ville à l'autre et d'un endroit à l'autre en termes de demande. Alors, ce que nous ferons, c'est que nous irons directement à Google Trends.

La meilleure partie de Google Trends est qu'ils ne fournissent pas seulement des informations au niveau national. Vous pouvez le réduire au niveau de la ville, au niveau de l'État, ou même dans certains cas au niveau du code postal, et à cause de cela, il nous permet de collecter des informations hyper-locales sur cette catégorie particulière de services ou de produits.

Ainsi, par exemple, il s'agit en fait d'une comparaison de la demande de garnitures au pepperoni par rapport aux champignons par rapport aux saucisses à Seattle en ce moment. Ainsi, la plupart des gens, lorsque les gens recherchent de la pizza sur Google, chercheraient du pepperoni.

2. Collecter des données par emplacement

Donc, ce que vous feriez, c'est que vous preniez tous les différents emplacements et que vous collectiez ce type d'informations à leur sujet. Vous savez donc que, par exemple, ici, il y a probablement environ 2,5 fois plus d'intérêt pour le pepperoni que pour la pizza aux saucisses. Eh bien, cela ne va pas être le même dans chaque ville et dans chaque état. En fait, si vous choisissez beaucoup de garnitures différentes, vous trouverez toutes sortes de choses, pas seulement la comparaison de la quantité de commandes ou de la volonté des gens, mais peut-être de la façon dont les choses ont changé au fil du temps.

Par exemple, le pepperoni est peut-être devenu moins populaire. Si vous deviez regarder dans certaines villes, c'est probablement le cas car le végétarien et le véganisme ont augmenté. Eh bien, la chose intéressante à propos de la génération du langage naturel est que nous pouvons extraire automatiquement ce type de relations uniques et ensuite les utiliser comme données pour informer le contenu que nous finissons par mettre sur les pages de notre site.

Donc, par exemple, disons que nous avons pris Seattle. Le système serait automatiquement en mesure d'identifier ces différents types de relations. Disons que nous savons que le pepperoni est le plus populaire. Il pourrait également être en mesure d'identifier que les anchois sont passés de mode sur les pizzas. Presque plus personne n'en veut.

Quelque chose de ce genre. Mais ce qui se passe, c'est que nous arrivons lentement mais sûrement à ces tendances et points de données qui sont intéressants et utiles pour les personnes qui sont sur le point de commander une pizza. Par exemple, si vous organisez une fête pour 50 personnes et que vous ne savez pas ce qu'elles veulent, vous pouvez soit faire ce que tout le monde fait à peu près, c'est-à-dire un tiers de pepperoni, un tiers de plaine et un tiers de légumes, ce qui est un peu la norme si vous aimez organiser une fête d'anniversaire ou quelque chose du genre.

Mais si vous avez atterri sur la page de Pizza Hut ou la page de Domino et que cela vous a dit que dans la ville où vous vivez, les gens aiment vraiment cette garniture particulière, alors vous pourriez en fait prendre une meilleure décision sur ce que vous allez faire. commande. Nous fournissons donc des informations utiles.

3. Générer du texte

C'est donc là que nous parlons de générer le texte à partir des tendances et des données que nous avons récupérées dans tous les paramètres régionaux.

Trouver des tendances locales

Maintenant, la première étape, bien sûr, ne fait que regarder les tendances locales. Mais les tendances locales ne sont pas le seul endroit où nous pouvons regarder. Nous pouvons aller plus loin. Par exemple, nous pouvons le comparer à d'autres emplacements. Il pourrait donc être tout aussi intéressant qu'à Seattle, les gens aiment vraiment les champignons comme garniture ou quelque chose de ce genre.

Comparez avec d'autres endroits

Mais il serait également très intéressant de voir si les garnitures préférées, par exemple à Chicago, où les règles de la pizza de style Chicago, par rapport à New York sont différentes. Ce serait quelque chose qui serait intéressant et pourrait être automatiquement tiré par la génération du langage naturel. Enfin, une autre chose que les gens ont tendance à manquer en essayant de mettre en œuvre cette solution est qu'ils pensent qu'ils doivent tout comparer à la fois.

Choisissez un sous-ensemble d'articles

Ce n'est pas ainsi que vous le feriez. Ce que vous feriez serait de choisir les informations les plus intéressantes dans chaque situation. Nous pourrions maintenant obtenir des informations techniques sur la façon dont cela pourrait être accompli. Par exemple, nous pourrions dire, d'accord, nous pouvons examiner les tendances. Eh bien, si toutes les tendances sont stables, nous n'allons probablement pas choisir cette information. Mais nous voyons que la relation entre une garniture et une autre garniture dans cette ville est exceptionnellement différente par rapport à d'autres villes, eh bien, c'est peut-être ce qui est sélectionné.

4. Revue humaine

Voici maintenant où se pose la question du chapeau blanc par rapport au chapeau noir. Nous avons donc cette page locale, et maintenant nous avons généré tout ce contenu textuel sur ce que les gens veulent sur une pizza dans cette ville ou cette ville en particulier. Nous devons nous assurer que ce contenu est réellement de qualité. C'est là que la dernière étape entre en jeu, qui est juste un examen humain.

À mon avis, le contenu généré automatiquement, tant qu'il est utile et précieux et qu'il est passé entre les mains d'un éditeur humain qui a identifié que c'est vrai, est tout aussi bon que si cet éditeur humain venait de paraître jusqu'à ce même point de données et a écrit les mêmes phrases.

Donc, je pense que dans ce cas, surtout quand nous parlons de fournir des données à un ensemble si diversifié de paramètres régionaux à travers le pays, qu'il est logique de tirer parti de la technologie d'une manière qui nous permet de générer du contenu et aussi nous permet de servir à l'utilisateur le meilleur contenu possible et le plus pertinent possible.

J'espère donc que vous prendrez cela, passerez un peu de temps à rechercher la génération du langage naturel et, finalement, serez en mesure de créer des pages locales bien meilleures que jamais. Merci.

Transcription vidéo par Speechpad.com



Source link