A metà tra aspetti SEO tecnici e psicologia, questa presentazione spiegherà in che modo Google può stimare la soddisfazione degli utenti per modificare l’ordine dei risultati di ricerca. Dai segnali colti alle valutazioni svolte, l’obiettivo della presentazione è quello di guardare oltre il solito binomio “contenuti e popolarità” e fornire semplici linee guida SEO per confermare al motore di ricerca la qualità delle risorse da rendere visibili.

1. Enrico Altavilla
Come le (re)azioni degli utenti
modificano il ranking su Google
Roma, 4 luglio 2014

2. Enrico Altavilla
Chi sono?
Consulente di search marketing
Ho iniziato nel 2000
Esperienza in agenzia e da freelance

3. Enrico Altavilla
Argomenti
Stimare la soddisfazione degli utenti
Segnali colti da Google
Linee guida SEO

4. Enrico Altavilla
Mini-glossario

5. Enrico Altavilla
Mini-glossario
Query: cosa l'utente ha cercato

6. Enrico Altavilla
Mini-glossario
Ranking: il metodo usato dal motore
per scegliere e ordinare i risultati

7. Enrico Altavilla
Mini-glossario
SERP: pagina dei risultati di ricerca

8. Enrico Altavilla
Introduzione

9. Enrico Altavilla
Tutto va misurato
Percezione SEO: mostrata la SERP, il
gioco è terminato

11. Enrico Altavilla
Tutto va misurato
Ma che succede dopo che Google ha
prodotto la SERP?

12. Enrico Altavilla
Tutto va misurato
Per esempio: come fa Google a capire
se la SERP è utile agli utenti?

13. Enrico Altavilla
Tutto va misurato
O anche: come fa Google a capire se
una specifica risorsa merita la posizione
conquistata?

14. Enrico Altavilla
Tutto va misurato
Anche i motori di ricerca devono
definire degli indicatori di performance

15. Enrico Altavilla
Tutto va misurato
I motori hanno sempre
raccolto segnali per
stimare la
soddisfazione degli
utenti

16. Enrico Altavilla
Tutto va misurato
Se emerge che gli utenti sono
insoddisfatti, allora bisogna aggiustare il
tiro

17. Enrico Altavilla
Tutto va misurato
Ovvero: bisogna presentare risultati
differenti

18. Enrico Altavilla
Tutto va misurato
Ranking
Misurazione
Cambio
del criterio

19. Enrico Altavilla
Tutto va misurato
Questo ciclo è un processo continuo

20. Enrico Altavilla
4 grandi classi di dati

21. Enrico Altavilla
4 classi di dati
Azioni
Testi
Query
Link

22. Enrico Altavilla
4 classi di dati
Storicamente, I SEO si sono svenati per
creare testi e link
Testi Link

23. Enrico Altavilla
4 classi di dati

25. Enrico Altavilla
4 classi di dati
L'attenzione alla qualità dell'esperienza
dell'utente è sempre stata secondaria

26. Enrico Altavilla
4 classi di dati
Senza dare troppo peso ai segnali
prodotti direttamente dagli utenti

27. Enrico Altavilla
4 classi di dati
Non è un caso che
Google sia ricorso
ai ripari

28. Enrico Altavilla
4 classi di dati
Questo ruolo secondario dell'utente non
è compatibile con quanto fa Google

29. Enrico Altavilla
4 classi di dati
Molte delle decisioni di ranking di
Google vengono prese proprio in
funzione dell'utente

30. Enrico Altavilla
4 classi di dati
Una soddisfazione maggiore dell'utente
aumenta le probabilità di fare più soldi
(detto brutalmente)

31. Enrico Altavilla
4 classi di dati
Il ruolo dell'utente

32. Enrico Altavilla
4 classi di dati
Azioni

33. Enrico Altavilla
Feedback (riscontro)

34. Enrico Altavilla
Feedback
Tutti i motori di ricerca devono stimare
la qualità dei risultati

35. Enrico Altavilla
Feedback
Google lo fa in due modi

36. Enrico Altavilla
Feedback
Attraverso i Quality Rater1

37. Enrico Altavilla
Feedback
Per stimare la qualità di una
nuova metodologia di
ranking, Google fa valutare le
SERP a personale
specializzato
1

38. Enrico Altavilla
Feedback
Questo viene chiamato
feedback esplicito, perché
viene fornita esplicitamente
un'opinione
1

39. Enrico Altavilla
Feedback
Monitorando come gli utenti
interagiscono con i risultati di
ricerca
2

40. Enrico Altavilla
Feedback
Questo viene chiamato
feedback implicito, perché è
Google ad inferire un indice
di qualità osservando il
comportamento degli utenti
2

41. Enrico Altavilla
Il feedback degli utenti

42. Enrico Altavilla
Il feedback degli utenti
Le metodologie di valutazione usate da
Google sono il risultato di ricerche e
studi

43. Enrico Altavilla
Il feedback degli utenti
Molti di questi studi sono pubblici

44. Enrico Altavilla
Il feedback degli utenti
Forniscono ampie indicazioni su come i
motori solitamente sfruttano il feedback
degli utenti

45. Enrico Altavilla
Il feedback degli utenti
L'informazione principe: il click

46. Enrico Altavilla
Il feedback degli utenti
Click = rilevanza
(ma non sempre)

47. Enrico Altavilla
Il feedback degli utenti
E' l'utente a fornire ai motori
un'indicazione di quali sono i documenti
più rilevanti per una query

48. Enrico Altavilla
Il feedback degli utenti
Lo ripeto: i documenti più rilevanti sono
quelli che gli utenti definiscono
(implicitamente) più rilevanti

49. Enrico Altavilla
Il feedback degli utenti
Il ranking è dunque fondato in parte su
cosa gli utenti comunicano a Google

50. Enrico Altavilla
Il feedback degli utenti
Errore tipico: concludere che più si
clicca una risorsa e più essa sale

52. Enrico Altavilla
Il feedback degli utenti
In secondo luogo il monitoraggio dei
click non serve solo ad "aggiustare" il
ranking

53. Enrico Altavilla
Il feedback degli utenti
Per esempio i click sono utili a calcolare
la similarità tra le query (query simili
attraggono click verso le stesse risorse)

54. Enrico Altavilla
Il feedback degli utenti
Terzo, non ci sono solo click

55. Enrico Altavilla
Il feedback degli utenti

56. Enrico Altavilla
Interazione con la SERP

57. Enrico Altavilla
Interazione con la SERP
Tutto ciò che segue è stato estratto da
studi pubblici svolti da Google e da altri
ricercatori

58. Enrico Altavilla
Interazione con la SERP
In genere, qualunque lista viene
valutata dall'alto in basso

59. Enrico Altavilla
Interazione con la SERP
Position bias

60. Enrico Altavilla
Interazione con la SERP
Gli utenti cliccano più facilmente quello
che sta in cima, per almeno due motivi

61. Enrico Altavilla
Interazione con la SERP
Per semplici ragioni di
impaginazione dei risultati
1

62. Enrico Altavilla
Interazione con la SERP
Perché si dà fiducia alla
capacità di Google di aver
messo in cima i risultati più
attinenti
2

63. Enrico Altavilla
Interazione con la SERP
Quindi non sempre un click è indice di
rilevanza

64. Enrico Altavilla
Interazione con la SERP
La probabilità del click su una risorsa
cambia a seconda di quali sono le altre
risorse

65. Enrico Altavilla
Interazione con la SERP
Google valuta anche quali risultati non
vengono cliccati!

66. Enrico Altavilla
Interazione con la SERP
1………………….
2………………….
3………………….
4………………….

67. Enrico Altavilla
Interazione con la SERP
Elementi grafici che attraggono lo
sguardo possono aumentare la
probabilità di click ma dipende molto dai
casi

68. Enrico Altavilla
Interazione con la SERP
Presentation bias

69. Enrico Altavilla
Interazione con la SERP
Le descrizioni dei risultati che stanno in
cima vengono lette mediamente meno
di quelle dei risultati che stanno in fondo

70. Enrico Altavilla
Interazione con la SERP
Storicamente un "abbandono della
ricerca" è stato considerato un
fenomeno negativo

71. Enrico Altavilla
Interazione con la SERP
Le cose sono cambiate da quando
Google ha iniziato a dare risposte
dirette alle query

72. Enrico Altavilla
Interazione con la SERP
Esiste un "abbandono positivo" ed un
"abbandono negativo"

73. Enrico Altavilla
Interazione con la SERP
Dopo il click, Google monitora i tempi di
ritorno dell'utente sulla SERP

74. Enrico Altavilla
Interazione con la SERP
Long click e short click

75. Enrico Altavilla
Suggerimenti SEO

76. Enrico Altavilla
Suggerimenti SEO
Lo snippet è il biglietto da visita

77. Enrico Altavilla
Suggerimenti SEO
Confermate all'utente che la
risorsa è la risposta alle
proprie necessità
1

78. Enrico Altavilla
Suggerimenti SEO
Chiarite all'utente quello che
troverà dopo il click
2

79. Enrico Altavilla
Suggerimenti SEO
Indicate benefici per l'utente
che i concorrenti non
esplicitano
3

80. Enrico Altavilla
Suggerimenti SEO
Il click deve essere una
conseguenza della rilevanza
percepita dall'utente, non la
conseguenza di inviti espliciti
al click
4

81. Enrico Altavilla
Suggerimenti SEO
Non create aspettative che
non potete soddisfare
5

82. Enrico Altavilla
Suggerimenti SEO
Fate in modo che la pagina
web fornisca subito all'utente
quanto lo snippet prometteva
6

83. Enrico Altavilla
Suggerimenti SEO
Non fatevi troppi problemi sui
tempo di permanenza sulla
pagina: non è un indicatore
intrinsecamente positivo o
negativo
7

84. Enrico Altavilla
Suggerimenti SEO
Fatevi un giro sulle SERP
delle query più strategiche
per voi e comparate i vostri
snippet con quelli dei
concorrenti
8

85. Enrico Altavilla
Suggerimenti SEO
Raggiungere una posizione è
solo un primo passo: mettete
l'utente al centro e prendete
l'abitudine di chiedervi che
cosa succede dopo
9

86. Enrico Altavilla
Fonti

87. Enrico Altavilla
Fonti
Discovering Common Motifs in Cursor Movement Data for Improving Web Search
http://www.cir.ru/docs/ips/publications/2014_wsdm2014_motifs.pdf
No Clicks, No Problem: Using Cursor Movements to Understand and Improve Search
http://research.microsoft.com/en-us/um/people/sdumais/huangchi2011.pdf
Improving Searcher Models Using Mouse Cursor Activity
http://jeffhuang.com/Final_CursorModel_SIGIR12.pdf
Beyond Position Bias: Examining Result Attractiveness as a Source of Presentation Bias in Clickthrough Data
http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/36363.pdf
Learning Dense Models of Query Similarity from User Click Logs
http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/36252.pdf
Good Abandonment in Mobile and PC Internet Search
http://static.googleusercontent.com/media/research.google.com/en//pubs/archive/35486.pdf

88. Enrico Altavilla
Fonti
An Experimental Comparison of Click Position-Bias Models
http://www.wsdm2009.org/wsdm2008.org/WSDM2008-papers/p87.pdf
A Dynamic Bayesian Network Click Model for Web Search Ranking
http://olivier.chapelle.cc/pub/DBN_www2009.pdf
Query Chains: Learning to Rank from Implicit Feedback
http://www.cs.cornell.edu/people/tj/publications/radlinski_joachims_05a.pdf
Active Exploration for Learning Rankings from Clickthrough Data
http://www.cs.cornell.edu/people/tj/publications/radlinski_joachims_07a.pdf
Ad Click Prediction: a View from the Trenches
https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/41159.pdf

89. Proud Member of
Grazie!
Enrico Altavilla
 www.searchbrain.it/altavilla