3. Öğrenen makineler, dünyayı temelden değiştiriyor.
Bir çok uzmanlık/alan yok olmayı beklerken, bazıları
makinelerle daha iyi işbirliği yaparak fayda sağlayacak.
Peki ya SEO dünyası?
5. «Machine learning matematiksel yöntemler
kullanarak verilerden çıkarımlar yapan, bu
çıkarımlarla bilinmeyene dair tahminlerde
bulunan yöntemlerin bütünüdür»
16. 1 Telephone salesperson 99.0%
2 Typist or related keyboard worker 98.5%
3 Legal secretary 97.6%
4 Financial accounts manager 97.6%
5 Weigher, grader or sorter 97.6%
5 Routine inspector and tester 97.6%
7 Sales administrator 97.2%
8 Book-keeper, payroll manager or wages
clerk
97.0%
8 Finance officer 97.0%
10 Pensions and insurance clerk 97.0%
11 Bank or post office clerk 96.8%
11 Financial administrative worker (other) 96.8%
13 Non-governmental organisation (NGO)
officer
96.8%
13 Local government administrative worker 96.8%
15 Library clerk 96.7%
16 Assembler and routine operative (other) 96.7%
17 Paper and wood machine operative 96.5%
18 Communication operator 96.5%
20 Textile process operative 96.1%
21 Financial and accounting technician 95.9%
22 Receptionist 95.6%
23 Transport and distribution clerk 95.5%
24 Estimator, valuer or assessor 95.5%
25 Fishing or agricultural manual worker 95.4%
26 Chartered and certified accountant 95.3%
26 Taxation expert 95.3%
28 Skilled trader (other) 95.2%
29 Sales and retail assistant 95.1%
29 Vehicle and parts salesperson and adviser 95.1%
31 Print finishing and binding worker 95.1%
32 Debt, rent and other cash collector 94.7%
33 Public services associate professional 94.5%
33 Inspector of standards and regulations 94.5%
35
Cleaning and housekeeping manager and
supervisor
94.4%
35 Housekeeper 94.4%
17. 1 Telephone salesperson 99.0%
2 Typist or related keyboard worker 98.5%
3 Legal secretary 97.6%
4 Financial accounts manager 97.6%
5 Weigher, grader or sorter 97.6%
5 Routine inspector and tester 97.6%
7 Sales administrator 97.2%
8 Book-keeper, payroll manager or wages
clerk
97.0%
8 Finance officer 97.0%
10 Pensions and insurance clerk 97.0%
11 Bank or post office clerk 96.8%
11 Financial administrative worker (other) 96.8%
13 Non-governmental organisation (NGO)
officer
96.8%
13 Local government administrative worker 96.8%
15 Library clerk 96.7%
16 Assembler and routine operative (other) 96.7%
17 Paper and wood machine operative 96.5%
18 Communication operator 96.5%
20 Textile process operative 96.1%
21 Financial and accounting technician 95.9%
22 Receptionist 95.6%
23 Transport and distribution clerk 95.5%
24 Estimator, valuer or assessor 95.5%
25 Fishing or agricultural manual worker 95.4%
26 Chartered and certified accountant 95.3%
26 Taxation expert 95.3%
28 Skilled trader (other) 95.2%
29 Sales and retail assistant 95.1%
29 Vehicle and parts salesperson and adviser 95.1%
31 Print finishing and binding worker 95.1%
32 Debt, rent and other cash collector 94.7%
33 Public services associate professional 94.5%
33 Inspector of standards and regulations 94.5%
35
Cleaning and housekeeping manager and
supervisor
94.4%
35 Housekeeper 94.4%
18.
19.
20.
21.
22. «Eğer yaptığımız iş, insan
aklının en önemli değerleri
olan yaratıcılık ve iletişim
içermiyorsa, biz de risk
grubunda sayılabiliriz!»
23. «Eğer yaptığımız iş, insan
aklının en önemli değerleri
olan yaratıcılık ve iletişim
içermiyorsa, biz de risk
grubunda sayılabiliriz!»
«Öyleyse, rakibimizi daha
yakından tanıyalım!»
55. «Ortaya çıkan
sonuç aslında
sıralama kuralları
değil, kullanıcı
deneyimine göre
kendi kendine yeni
algoritmalar üreten
bir algoritma »
Hangi arama sinyalini ağırlıklandırmalı?
57. Google’ı daha akıllı hale getiren
ML, bir SEO’nun günlük işlerini de
yapabilir mi?
3
58. Şu anki SEO araçlarının çözemediği ve insan çözümüne
ihtiyaç duyan 3 farklı süreci ele alalım:
1. Optimize edilen sitenin içeriğini / iş modelini tam olarak anlamak
2. Hedef kitlenin aradığı anahtar kelimeleri tespit edip hazırlamak
3. Genel SEO deneyimini kullanarak stratejiyi sürekli düzenlemek
vs.
59. 1. Site içeriğini / iş modelini tanımlamak (İnsan)
Hipotez: Bu işi her koşulda bir insan yapmak zorunda, çünkü sitede yazılan
yazıları okuyup anlamalı. Rakipleri ve dolaylı rakipleri bu doğrultuda analiz etmeli.
Müşteriden brief alamayan biri, işi iyi tanımadığı için stratejiyi doğru götüremez.
Aksiyon: Sitenin temel içeriği ve yayın planı 2 saatlik bir alanda incelenir. Buna
göre notlar çıkararak, siteyi ve hedefledikleri noktayı toplantı öncesinde de tespit
etmek mümkün olabilir.
60. 1. Site içeriğini / iş modelini tanımlamak (Robot)
Google Cloud Natural Language API – Ücretsiz Test
61. 1. Site içeriğini / iş modelini tanımlamak (Robot)
Text Razor – NLP API – Ücretsiz Test
62. 1. Site içeriğini / iş modelini tanımlamak (Robot) (Case)
a) Text Summarization API’ler ile meta description yazma sürecinin otomatikleştirilmesi.
b) Rakip sitenin tüm sayfalarının taranması ve blog tarafında üretilen içeriklerdeki kavram
ağırlığının çıkarılması.
c) Doğrudan ilişkili yazıları (entity match etme durumlarına göre) birbirilerine
bağlantılamak.
d) Elde edilen entity’ler ile reklam çıkma kampanyalarını tamamen otomatik hale
getirmek (entity’leri FB Ads entity gruplarıyla match etmek)
e) Çok trafik alan içeriklerin, trafik sayılarıyla entity/konu bağlılığı arasında ilişkiler
arayarak kapsamlı bir content audit üretmek.
63. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (İnsan)
Hipotez: Anahtar kelimeleri sadece arama hacmine göre değil, arayanın niyetine
ve sitedeki ürüne uygunluğuna göre seçmeliyim. Bu sebeple, burada yapılacak
tüm iş bir insan tarafından yapılmalıdır.
Aksiyon: Ahrefs benzeri büyük veri sağlayıcılarından ya da Keyword Planner’dan
alınacak verilerin, tek bir Excel’e toplanması ve çok sayıda gruplama
fonksiyonuyla uzun saatler sonunda aksiyon alınır bir şey üretilmesi.
64. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
(Kral + Kadın)-Erkek =
(Geliyor + Gitmek)-Gelmek =
github.com/akoksal/Turkish-Word2Vec
66. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
fSimilar(’romantik’)
medium.com/@bakiiii
67. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
fSimilar(’romantik’)
medium.com/@bakiiii
68. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
medium.com/@bakiiii
69. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
NB Viewer:
nbviewer.jupyter.org/github/bmabey/hacker_news_topic_modelling
70. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot) (Case)
a) Verilen 100K anahtar kelimenin birbirleriyle yakın ilişkide olanlarının gruplanması.
b) Analytics / Search Console ile elde edilen verinin anlamlı parçalara bölünmesi.
c) Doğrudan akla gelmeyen, örneğin «SEO» ile «dijital pazarlama» ve «PPC» gibi ilişkili
kelimeleri farklı gruplarda bir araya getirebilme.
d) Daha iyi pozisyonda rank eden bir müşterinin sayfasında benzer bir analiz yaparak,
relevancy/ilişkililik değeri yüksek diğer kapsamlar hakkında bilgi almak.
e) Çok trafik alan içeriklerin, trafik sayılarıyla entity/konu bağlılığı arasında ilişkiler
arayarak kapsamlı bir content audit üretmek.
71. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (İnsan)
Hipotez: Sektörün doğası gereği değişim kaçınılmazdır. Bu sebeple daha önce
çok sayıda değişimde yer almış olan insan deneyimi, bir çok kez «tarihsel veri»
sahibi olmayan makinelerden daha üstün gelir.
Aksiyon: Eğer sıralamalarda ani bir düşüş varsa, istatistikleri tek başına inceleyip
düşüş nedenleri hakkında önceki deneyimlerinle bir bağlantı kurmaya çalış. Veya
bununla ilgili farklı sitelerde yazılmış vakaları araştır.
72. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Market Brew:
73. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Market Brew:
74. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – SEOmonitor – Changes:
75. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Google Analytics Intelligence:
76. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
a) İlgili anahtar kelimeleri, tek bir grupta toplayarak bu kelime gruplarındaki davranışları
izlemek. Tekil kelimelerde değil, grup düzeyinde büyük değişimler oluyorsa ve bu
değişim diğer gruplarda görülmüyorsa özel olarak bir güncelleme olduğu
düşünülebilir.
b) Kelime grupları düzeyinde, tüm sıralamaların ve rakip sitelerin içeriklerinin takip
edildiği senaryoda, sıralama değişimleriyle sayfa içeriği / link sayısı gibi giriş seviyesi
metrikler değerlendirilip «grup düzeyinde sıralama faktörleri» oluşturulabilir.
c) Pozitif anlamda sıralama değişimi yaşayan sitelerdeki metriklerle, düşüş yaşayanlardaki
metrikler eğer benzeşiyorsa bunun kesin bir sinyal olduğu daha kolay söylenebilir.
77. ML konusundaki bakış açımızı
genişletmek ve bunu kendi faydamızda
değerlendirmek mümkün!
78.
79.
80.
81.
82. Çıkış Stratejisi: Technical Marketer kavramını içselleştirmek!
«Öğrenmek ya da
uygulamak istediği
şeylerin teknik
detaylarını da
tek başına
çözümleyebilecek
danışmanlar.»
slideshare.net/sirris101/technical-marketing