Измерение качества YMYL страниц

Проблема измерения качества страницы и выражения качества в виде сопоставимых наборов величин представляется крайне важной. Действительно, в эпоху внедрения «качественных» алгоритмов в ядро органического поиска Google, когда подавляющее число сайтов признано YMYL-проектами. Когда E-A-T сайта признано важнейшим фактором ранжирования. Когда «качественные» или по другому «медицинские» обновления  удалили из органической выдачи некачественные с точки зрения алгоритмов сайты — нам необходимы достоверные и надежные способы измерения качества страниц.

Содержание:

1. Как измеряют качество страницы
   1. Проблемы оценки качества
   2. Параметры оценки E-A-T
   3. Поправочные коэффициенты
2. Построение модели
   1. Модель оценки качества страниц
   2. Как собрать данные для модели
3. Как повысить E-A-T страниц

Заключение

1. Как измеряют качество страницы

Для чего вообще измерять качество страниц?

Выполнить замеры качества страниц, уровень качественных изменений — нам необходимо при работах по восстановлению трафика YMYL-сайтов и для дальнейших SEO работ над этими сайтами. При этом, необходимо не просто измерить качество страниц каким — либо способом, а использовать методы близкие к Google, чтобы получать достоверные сигналы о правильности и полноте выполняемых работ.

1.1. Проблемы оценки качества

Действительно, если что-то кажется нам важным в работах по совершенствованию страниц, это не означает, что также к ним относится Google. К примеру, важнейшей составляющей качества страницы YMYL-сайта является E-A-T (экспертность, авторитет и достоверность контента).

На текущий момент нам не известны способы измерения E-A-T. Более того, представители Google осенью 2019 года заявили, что не существует количественной оценки этого фактора и E-A-T представляет собой результат работы десятков микроалгоритмов, воздействующих на ранжироване страницы. E-A-T это не количественный, а качественный фактор и было бы странно его измерять одной цифрой. Это все равно, что оценивать вкус блинчиков и лобстеров в баллах, а потом сравнивать их друг с другом.

Однако, нам бывает необходимо понять, какие же странницы являются качественными, какие некачественными в пределах сайтах. А самое важное – выросло или упало качество сайта в процессе работы над ним.

Возможно разработать оценочную систему E-A-T, где будем сравнивать показатели E-A-T в динамике, т.е. сопоставлять два или более периодов друг с другом в пределах одного сайта. Такая система может помочь оценить результаты работы по восстановлению трафика на сайте или результаты работ по его развитию.

Система крайне проста. Мы производим изменения на страницах сайта, Google переиндексирует измененные страницы и реагирует на них наращивая или уменьшая показатели. Нам необходимо просто оценить изменения этих показателей и сопоставить с выполненными работами.

Вся необходимая для работы информация есть в GA и GSC. Принимаем за расчетный период – месяц, для сглаживания еженедельных колебаний показателей. Вы можете брать и иной период.

1.2. Параметры оценки E-A-T

Рассмотрим показатели Google, которые достоверно свидетельствуют об изменении качества и E-A-T контента.

1. Средняя позиция страницы в органической выдаче. Насколько хорошо сайт будет находиться в поисковой выдаче, будет зависеть от восприятия Google E-A-T страницы (в числе иных факторов), поэтому любая работа, которую вы делаете для улучшения E-A-T, должна (при прочих равных условиях) приводить к улучшению позиций в органической выдаче. Этот фактор примем мультипликативным, обратным (меньше-лучше).
2. Количество кликов из выдачи. При росте средней позиции в органике, трафик должен возрастать, особенно на тех страницах, где усилия по наращиванию E-A-T улучшают восприятие бренда, стимулируя повышение числа кликов. Этот фактор мультипликативный, прямой (больше-лучше).

Google в GSC и GA предоставляет доступ к метрикам вовлеченности, которые мы можем учитывать при расчете качественного показателя E-A-T, потому что E-A-T – это, прежде всего, создание лучшего опыта для пользователей. Предлагаю использовать метрики вовлеченности, как аддитивные параметры формулы качества. Для упрощения понимания предлагаю привести параметры в макимальном значении к единому числовому значению, для чего использовать соответствующие весовые коэффициенты.

Итак, подобными аддитивными факторами (параметрами) могут являться:

1. GA Avg Time on Page – время, которое пользователь тратит на изучение контента. Этот показатель неоднозначный. Он может свидетельствовать как о вовлеченности пользователя, так и о том, что контент излишне труден.
2. GA Bounce Rate (показатель отказов, меньше-лучше). Показывает склонность пользователей покидать сайт после просмотра единичной страницы. Может свидетельствовать о том, что интент не соответствует контенту, либо о том, что пользователь успешно выполнил задачу. В любом случае необходимо добиваться большего «погружения» в сайт, модифицируя структуру сайта и контент.
3. Conversion rate (коэффициент конверсии) — количество пользователей, которые выполнили желаемые действия (покупка, подписка на рассылку, посещение нескольких страниц отправка формы и т. д.) — является показателем того, насколько убедительный и качественный контент на странице и насколько они доверяют вашему бренду. Поскольку коэффициентов конверсии может быть несколько (в зависимости от настроек в GSC), то мы их все делаем аддитивными с поправочными коэффициентами для каждого

1.3. Поправочные коэффициенты

Исследуя параметр «Число кликов на страницу» необходимо отметить, что для страниц с 100 и 1000 кликов вовсе не означает, что во втором случае страница в 10 раз лучше, чем в первом. Первая страница может собирать клики с НЧ запросов, а вторая — с ВЧ. Чтобы привести параметр к сопоставимому виду в пределах сайта будем использовать логарифмическую шкалу (как делает Google с PR), при этом отсутствие трафика на странице автоматически покажет нулевой показатель E-A-T.

Так как этот параметр является мультипликативным (геометрическим), то его небольшие изменения приводят к значительным колебаниям расчетного уровня качества. Для снижения влияния параметра введем поправочный коэффициент. Тогда формула его расчета примет вид:

K1 = ПK1 * ( Ln ( 1 + Clicks /ПК1) ), где:

• K1 — расчетный показатель качества, характеризующий клики на страницу.
• ПK1 — поправочный коэффициент.
• Ln — натуральный логарифм.

При поправочном коэффициенте 2,85 кривая зависимости параметра K1 от числа кликов будет выглядеть следующим образом:

Приведенные замечания совершенно справедливы и для второго мультипликативного фактора «средняя позиция страницы в выдаче». Качество страницы будет примерно одинаковым, что для 30-й позиции в органической выдаче, что для 80-й. Нас интересуют только ТОП-10, а лучше ТОП-3, где изменения качества страницы будет сильно зависеть от средней позиции страницы в органической выдаче Google. Поэтому опять применяем логарифмическую шкалу.

Напомню, что параметр является обратным (мы на него делим). Чем меньше значение этого параметра, тем выше качество. Формула для него будет выглядеть так:

K2 = ПК2 * Ln ( Position +1), где

• K2 — показатель качества, зависящий от средней позиции страницы в органической выдаче.
• ПК2 — поправочный коэффициент.

При значении поправочного коэффициента равного 10, модель зависимости показателя качества K2 от средней позиции страницы в выдаче такова:

Следующие показатели качества: GA Avg Time on Page, GA Bounce Rate, GA Page Views Per Session и Коэффициенты конверсии (один или несколько) предлагаю сделать аддитивными и сопоставимыми (за счет использования коэффициентов для каждого из них). Так они будут вносить примерно одинаковый вес в расчет общего показателя качества.

2. Построение модели

Для выполнения расчетной модели нам необходим Excel, доступы к GA и GSC и Screaming Frog SEO Spider. Последний можно заменить ручной выборке показателей, либо использование API Google.

2.1. Модель оценки качества страниц

На рисунке приведена модель, оценивающая страницы сайта по приведенным выше формулам.

Здесь:

1. Блок поправочных коэффициентов.
2. Для коэффициентов k4,k5 и k6 в 4-й строке предлагаются расчетные значения коэффициентов
3. Перевод показателя GA Avg Time on Page в секунды
4. Расчетный показатель качества страницы на основе GA Avg Time on Page, исчисленного в секундах
5. Общая оценка качества, используемая в первой модели
6. Коэффициенты конверсии (у меня они нулевые, ибо не заданы в GA), поэтому я их не внес в модель_1 качества.

Если вы используете показатели конверсии, до дополните модель_1 в столбце AI этими аддитивными показателями, используя поправочные коэффициенты.

Модель_1 оценки качества страниц довольно хорошо отработала на страницах тестового сайта (drmax.su). Она показала практически полное отсутствие E-A-T на старых, давно не обновляемых страницах сайта, на ненужных (с точки зрения продвижения) страницах — типа контактной. В то же время страницы и статьи, над которыми я плотно работал и неоднократно переписывал и дополнял показали высокий уровень качества. Например, к ним относятся страницы про EAT и YMYL, тематикой которых я занимался последние полтора-два года.

Вам необходимо будет подобрать индивидуальные поправочные коэффициенты для каждого вашего сайта. Используемые мной скорее всего не подойдут для иного сайта.

2.2. Как собрать данные для модели

Для сбора данных я использую Screaming Frog SEO Spider. Для этого я предварительно подключаю API для GA и GSC.

Не забывайте настроить диапазон выгрузки данных (1) и все необходимые значения(2).

Далее парсите сайт как обычно. после завершения работы и обсчету всех расчетных значений (Crawl Anlysis — Start), на главной панели выбирайте фильтром HTML и экспортируйте данные.

Прилинкуйте таблицу к расчетной модели и обсчитайте качество ваших страниц.

При первом обсчете подберите коэффициенты так, чтобы максимально качественные страницы отображались достоверно. Зафиксируйте эти значения коэффициентов и более их не меняйте.

3. Как повысить E-A-T страниц

После снятия первичных показателей качества вам станет ясно, какие из страниц требуют немедленной доработки. Вам необходимо резко поднять качество, нарастить E-A-T страниц.

В помощь вам — моя новая книга «Продвижение YMYL сайтов. Практическое руководство по YMYL и E-A-T» с обобщенным опытом восстановления сайтов после медицинских фильтров и улучшения качества сайтов в целом.

Кроме того на сайте есть огромный пул обширных материалов, написанных мной за последние полтора года:

1. YMYL страницы и оценка их качества в Google
2. 15 шагов по улучшению качества сайта
3. Оценка YMYL сайтов и восстановление трафика
4. Восстановление сайта после медицинского апдейта Google
5. Восстановление сайта после медицинского апдейта Google. Часть вторая.

Ну и конечно Руководство по оценке качества Google.

Модель в текущем виде работает по уже свершившимся фактам, оценивает вашу работу, выполненную в прошлом. После внесения изменений в сайт, вам нужно дождаться переиндексации страниц и перерасчета показателей качества Google, прежде чем модель покажет вам изменения оценки качества страниц, роста или падения E-A-T.

Вы можете добавить в модель блок предсказаний, основываясь на имеющихся данных. Достоверность модели несколько снизится, но возрастет её «отзывчивость».

Например, добавьте уровень вложения страницы как аддитивный показатель качества с низким уровнем влияния. Действительно чем меньше уровень вложения страницы, тем больше ссылочного сока на него перетекает, тем проще пользователю найти страницу в иерархии сайта.  Внедрив более обширную витрину на главной странице, апсел и кроссел перелинковку товаров, вы снизите уровень вложения и повысите (незначительно) качество страницы.

Аналогично можно добавить в блок предсказаний десяток дополнительных параметров.

Заключение

Итак, используя данные, предоставляемые GA и GSC мы смогли создать простую оценочную модель качества страниц сайта.

Эта модель не может сравнивать 2 различных сайта между собой — такие сравнения будут недостоверны. Но эта простая модель может сравнивать качество страниц одного сайта за несколько периодов, кроме того она помогает выбрать наиболее и наименее качественные страницы сайта.

Модель работает на данных, предоставляемых Google, поэтому достоверность оценки можно признать удовлетворительной. Поскольку данные Google содержат результат оценки EAT и качества самой компании, то результаты работы модели_1 будут коррелировать с реальными оценками качества.

Модель можно совершенствовать за счет внедрения блока предсказаний, где будут обрабатываться дополнительные аддитивные показатели, собранные как из метрик GA и GSC и расчетных данных Screaming Frog.