26.03.19 Collaborator.pro Webinar Эффективные паттерны выбора доноров Видеозапись - https://www.youtube.com/watch?v=ZJF0NASNi4Y Как правильно выбрать донора для продвижения сайта. Как оценивать "пузомерки" и зачем это нужно. Спонсоры вебинара: http://collaborator.pro/ — биржа прямой рекламы, продажа гостевых статей http://referr.ru/ — сервис крауд-маркетинга Гость: Владислав Моргун https://www.facebook.com/vladislav.morgun.3 Ведущий: Игорь Рудник: https://www.facebook.com/irudnyk О чем вебинар? 1. Как считаются метрики физически, а не философски 2. Почему DR больше 30 не значит, что площадка нам подходит 3. Паттерны выбора площадок 4. Автоматизация оценки доноров Подписывайтесь, чтобы быть в курсе новых вебинаров: https://www.facebook.com/collaborator.platform/ https://t.me/mflow

1. Эффективные паттерны
выбора ссылочных доноров

2. Всем привет :)
● SEO-team lead ЛУН & Flatfy
● Куратор курса Product SEO в PRJCTR
● SEO-консультант
Это я

3. Сайт #1 по недвижимости
в Украине
Международный бренд ЛУН
Запущено 30 стран

4. Параметры
метрикиSection
1

5. Что мы постим?
1) Аналитические статьи
2) Статьи для PR
3) Для привлечения партнёров
4) Для инфо ключей
5) Для пользователей (FAQ)
6) Для hr-бренда
7) Cross countries

6. Что мы используем?
1) Трафик (similarweb, ahrefs)
2) % трафика из поисковых систем (SW)
3) Нет падений в трафике
4) Тематичность страницы сайта
5) Majestic TF, CF или TR
6) Ahrefs Domain Rank (DR)
7) Ahrefs Keywords

7. API Checktrust mainMirror - Главное зеркало
trust - Траст сайта
spam - Заспамленность сайта
socFbShares - Facebook Shares
mjDin - Majestic входящих уникальных
mjHin - Majestic входящих ссылок
mjCF - Majestic Citation Flow
mjTF - Majestic Trust Flow
semrushRuSeTraffic - SemRush поисковый трафик
semrushRuSeKWords - SemRush поисковые запросы
loadingTime - Время загрузки страницы
swVisits - SimilarWeb Посетителей
swRefSites - SimilarWeb Входящие сайты
swDestSites - SimilarWeb Исходящие сайты
swTrafficDirect - SimilarWeb прямые переходы
swTrafficReferrals - SimilarWeb трафик с сайтов
swTrafficSearch - SimilarWeb трафик с поиска
swTrafficSocial - SimilarWeb трафик с соцсетей
bit.ly/2TXqF5q

8. Topical TF SW Category
urlprofiler.com

9. Trust Rank Ratio
Rank = (TF – CF) / (TF + CF + 1) + TF/(CF + 1) + TF/100
Ratio = TF / CF
Citation Flow (Поток Цитирования) – это количественная метрика, которая имеет
значение от 0 до 100, помогающая определить link equity (juice) или "силу", которой
обладает веб-сайт или ссылка.
Trust Flow (Поток Доверия) – это качественная метрика, обозначаемая по шкале от 0 до
100. Вручную просмотрев Интернет, Majestic собрал многие пользующиеся доверием
"начальные" сайты. Сайты, тесно связанные ссылками с пользующимися доверием
"начальными" сайтами, обладают более высоким баллом, а сайты с сомнительными
ссылками имеют значительно меньший балл.
Devaka blog: bit.ly/2HRHs2u

10. Ahrefs Domain Rank
Важно:
● Метрика ссылочной популярности в сравнении со всеми
сайтами мира (по сути Ahrefs rank на шкале от 0 до 100)
● Несколько ссылок с одного сайта - не дают прироста
● Чем больше сайт ссылается - тем меньше отдает link juice
● Если есть только nofollow ссылки, то не прибавляет DR
● Улучшение DR доноров - улучшает DR акцептора
Ahrefs blog: bit.ly/2CAixNy

11. Batch analysis

12. Фишечки
Section
2

13. Парсинг доноров
● Скрипт Рамазана Миндубаева по выкачке Miralinks - bit.ly/2FyyPbA
● Плагин Google Chrome Web Scraper - bit.ly/2Wooqoj
● Screaming Frog - bit.ly/2OpyD1c

14. Collaborator фильтры

15. Link intersect (Ahrefs, Serpstat, excel)

16. Link intersect (Ahrefs, Serpstat, excel)

17. Link intersect (Ahrefs, Serpstat, excel)

18. По данным Ahrefs

19. Алерты на конкурентов

20. Best by links` growth

21. Link Juice Thief
Следите за новыми ссылками на страницах с вашими
bit.ly/seranking-m0r9un

22. Социтирование
“Соседи” по страницам

23. Disavow tool
https://www.google.com/webmasters/tools/disavow-links-main
https://support.google.com/webmasters/answer/2648487?hl=ru

24. Автоматизация
Section
3

25. Technical skills + Networking
bit.ly/semrush-experts-advices

26. Что нужно знать SEOшнику?
1) HTML CSS (CodeAcademy)
2) JS (learn.javascript.ru)
3) regex (regexr.com) Bash Shell
4) HTTP (TutorialsPoint, Mozilla)
5) Python*
6) SQL
7) App Script*
8) git
bit.ly/2yl7q94 - выступление DVOMA

27. Примеры:
● Сбор семантики
● Разбор семантики (фильтрация
кластеризация)
● Создание посадочных страниц
● Мониторинг (seo доступность изменения)
● Генерация текстов
● Автоматизация рутины
● Оценка доноров
● Ссылочное аутрич
bit.ly/2PM17Wc - выступление WebPromo SEOday

28. Автоматизация:
ссылочноеSection
3.1

29. Машинное обучение
Класс методов искусственного интеллекта,
характерной чертой которых является не прямое
решение задачи, а обучение в процессе
применения решений множества сходных задач.

30. Примеры (способы):
● Обучение с учителем
(для каждого прецедента - «ситуация, требуемое решение»)
● Обучение без учителя
(для каждого прецедента задаётся только «ситуация»,
требуется сгруппировать объекты в кластеры, используя
данные о попарном сходстве объектов, и/или понизить
размерность данных)
● Обучение с подкреплением
(для каждого прецедента имеется пара «ситуация, принятое
решение»)
● ...

31. “Обучение на примерах”
Вид обучения, при котором интеллектуальной
системе предъявляется набор положительных и
отрицательных примеров, связанных с какой-
либо заранее неизвестной закономерностью.

32. Оценка доноров. Задача оптимизации
fdonor_quality
(a,b)=a1
fparam_1
(a,b)+a2
fparam_2
(a,b)+a3
fparam_3
(a,b)+...+an
1. Определение параметров для оценки
2. Апроксимация
3. Нормировка
4. Поиск коэффициентов (SOLVER.XLAM)
Больше инфы с SEMPRO.club: bit.ly/2U7Ff9F

33. Можно проще?

34. Как разобраться?
https://ru.coursera.org/learn/machine-learning
https://developers.google.com/
machine-learning/crash-course/

35. Microsoft Azure ML
Studio
Machine Learning Studio инструмент, который вы можете
использовать для построения, тестирования и деплоя решений для
прогнозной аналитики на основании ваших данных. Созданные
модели можно легко использовать в BI инструментах, как например,
Excel или PowerBI.

36. Цена донора
How to: bit.ly/2U9u2FG

37. Нейронные сети
Математическая модель, а также её
программное воплощение, построенная по
принципу организации и функционирования
биологических нейронных сетей —
последовательности нейронов, соединенных
между собой синапсами.

38. Нейронные сети
(по простому)
Нейрон – некая воображаемая чёрная коробка, у которой несколько
входных отверстий и одно выходное.
Как выходной сигнал формируется из кучи входных – определяет
внутренний алгоритм нейрона

39. Примеры (решения задач)
● Распознавание образов и классификация
● Принятие решений и управление
● Кластеризация
● Прогнозирование
● Аппроксимация
● Сжатие данных и Ассоциативная память
● Анализ данных
● Оптимизация

40. Платформа для соревнований по аналитике и
предсказательного моделирования.

41. Ирисы Фишера
● 3 вида ирисов
● Данные о 150 экземплярах ириса
● 50 экземпляров из трёх видов
● Требуется определить вид по измерениям

42. Ирисы Фишера в SEO
● Длина наружной доли околоцветника == Ahrefs DR
● Ширина наружной д.о. == SimilarWeb Traffic
● Длина внутренней д.о. == Trust Rank
● Ширина внутренней д.о. == SimilarWEb Organic Traffic

43. Как делать? ;)

44. Породы собак
https://www.kaggle.com/c/dog-breed-identification

45. Породы собак в SEO
● Колли == Партнёрские сайты
● Скотч-терьер == Конкуренты
● Комондор == Форумы
● Сенбернар == СМИ ресурсы

46. Как сделать?
● Собрать датасет
● Обучить нейронку
● Использовать

47. Собрать датасет?
● Установить Node.js (программная
платформа, превращающая JavaScript из
узкоспециализированного языка в язык
общего назначения)
● Через npm установить pageres (npm —
менеджер пакетов в Node)
● Написать .sh (или более сложное) с
командами
“pageres domain.com 1280x800 --format=jpg”
bit.ly/2SQ6odN

48. Обучить нейронку?
● Установить TensorFlow (открытая программная
библиотека для машинного обучения)
● Переобучить нейронку
● Протестировать
● Использовать
bit.ly/2RCnwST

49. Понимание разработки
Minimum:
https://codelabs.developers.google.com/

50. Результат

51. Спасибо
за внимание!

52. Владислав Моргун
SEO Team-lead ЛУН & Flatfy
facebook.com/vladislav.morgun.3
t.me/m0r9un
vlad.morgun@lun.ua
instagram.com/m0r9un
slideshare.net/ssuser12bc85
О нас: team.lun.ua