[ad_1]
Con eso en mente, si Google no nos dice mucho sobre cómo funcionan los algoritmos, pensé que preguntarle a Bing era la solución si quería entenderlo mejor.
Eso es lo que hice.
A continuación se muestra la primera entrevista de una serie de cinco que hice con los líderes de equipo en Bing.
Los publicaré todos como artículos aquí en el Search Engine Journal (junto con las conversaciones completas y sin cortes en mi podcast "With Jason Barnard …" y en el canal de YouTube Kalicube.pro).
Primer lugar: Frédéric Dubut, Gerente Senior de Programas, Bing.
La base de todos los SERPs son los (10) enlaces azules
Dubut afirma categóricamente que la base de cada página de resultados en un motor de búsqueda moderno son los "10 enlaces azules".
Luego, si la solicitud se puede abordar de manera directa y útil con un elemento rico (funcionalidad SERP), el algoritmo incorpora el mejor resultado en este formato.
Si varios elementos ricos pueden agregar valor al usuario, estos también se agregan.
Esto confirma lo que dijo Gary Illyes de Google en mayo pasado en Sydney. Pero con más "brillantez".
Si aún no lo ha hecho, antes de continuar, lea esta explicación detallada de cómo funciona el darwinismo en la investigación, según lo explicado por Illyes.
Aquí está la explicación súper simplificada:
La funcionalidad SERP es simplemente un formato adicional que vive o muere al evaluar su utilidad / valor para el usuario, a juzgar por una combinación de algoritmos darwinistas.
Esto es todo Fácil
Este artículo inicial sobre cómo las funciones de clasificación de Google cubrieron mucho terreno, pero cuando hablé con Dubut, fue más allá:
- Cada conjunto de candidatos tiene un equipo dedicado detrás de ellos.
- Hay un equipo completo de Page que desempeña el papel de "árbitro" para garantizar que la página brinde el valor "máximo" al usuario.
Un equipo dedicado (y Algo adaptado) detrás de cada conjunto de candidatos
Cada algoritmo de conjunto candidato opera en el mismo "algoritmo de enlace azul" centralizado utilizando un sistema modular que aísla señales (llámelas factores o características, si lo desea) y usa diferentes pesos en ellos.
Y cada conjunto de candidatos tiene un equipo especializado que trabaja en cómo:
- Construya sobre este algo para servir mejor los detalles de su funcionalidad.
- Genere los mejores resultados posibles para este conjunto y preséntelo como candidato para SERP.
Si un conjunto de candidatos proporciona un resultado que es una mejora sobre los 10 enlaces azules originales, obtiene un lugar en el SERP.
Algoritmo de extracto de preguntas destacado
Si tomamos un fragmento destacado como ejemplo, ser preciso, fresco y autoritario es más importante que tener una carga de enlaces.
Los extractos destacados (preguntas y respuestas en Bing-speak) también son un gran ejemplo de respuesta a la consulta, pero de manera más efectiva: para el usuario, esta es una mejora obvia e inmediata sobre un enlace azul.
Para el registro, el equipo de preguntas y respuestas está en la oficina al lado del equipo de Blue Links.
La parte 3 de esta serie es la entrevista con Ali Alvi, quien dirige el equipo de preguntas y respuestas. Es el más largo de la serie y es extremadamente interesante.
Un hecho que me viene a la mente es que lidera el equipo que genera las descripciones de los resultados del enlace azul.
Y cuando consideras eso con la explicación de Fabrice Canel en la parte 2 de esta serie sobre las anotaciones que agrega al indexar / almacenar las páginas que están explorando , todo comienza a encajar cómodamente.
Multimedia Algo
Los videos y las imágenes son otros ejemplos bastante fáciles de captar de elementos ricos que proporcionan más valor que los enlaces azules al usuario para ciertos fines, lo más obvio es que cualquier consulta que contenga la palabra " imagen "o" video ", pero también sobre cualquier consulta sobre estrellas del pop o artistas visuales.
Curiosamente, sin embargo, los conjuntos de candidatos de video e imagen son administrados por el mismo equipo: Multimedia.
La parte 4 de esta serie es la entrevista con Meenaz Merchant, quien dirige el equipo multimedia, que proporciona información realmente interesante e importante, incluida la importancia de la autoridad y la confianza.
Bing Ads: "Solo otro conjunto de candidatos"
Una vez que alguien explica la idea de los conjuntos de candidatos que compiten por un lugar en el SERP, la siguiente pregunta obvia es:
¿Qué pasa con los anuncios?
De hecho, son solo otro conjunto de candidatos.
Si el anuncio más relevante aporta valor al usuario, entonces tiene un "derecho" a un espacio en este SERP.
Y el principio clave del anuncio es que Bing siempre quiere satisfacer a los usuarios.
Para mantener su audiencia, Bing debe asegurarse de publicar anuncios cuando el contenido detrás de ese anuncio, que el usuario consume una vez que hace clic en él, satisfaga su solicitud.
Por lo tanto, los anuncios son solo otro conjunto de candidatos que amplía las opciones en el SERP con un equipo detrás de él.
Pero, como con el resto, todo el Page Algo toma la decisión final.
Encuentre este delicado equilibrio entre los ingresos comerciales y el servicio al usuario.
Estar equivocado y las cosas irían muy rápido al sur.
Google podría tener más del 90% de cuota de mercado.
Pero demasiados anuncios que no se transmiten podrían causar un desastre, incluso con esta dominación.
Dicho esto, los anuncios siguen siendo un caso especial.
Independientemente de lo que digan Google y Bing, es obvio que llevarán cierto nivel de sesgo comercial egoísta.
Pero cuando se ve desde una perspectiva macro, tiendo a ser menos crítico y sugiero que su supervivencia a largo plazo depende de algoritmos que creen un equilibrio razonable.
La idea de que cualquiera de estas compañías elegirá dinero a corto plazo a expensas del largo plazo no tiene sentido comercial.
Pero más que eso: si nadie hace clic en el anuncio, no ganan dinero.
Dada la forma en que se presenta el SERP, tenemos una situación en la que los anuncios deben cumplir el mismo papel que los otros candidatos: dar una ruta alternativa o proporcionar la misma respuesta en un formato que sea atractivo para el usuario. .
Ganar dinero, por lo tanto, significa garantizar que el anuncio sea atractivo como una solución inmediata para el usuario, una muy buena alternativa a los enlaces azules o resultados ricos … y depende de la capacidad de los anunciantes para:
- Haga una oferta en una consulta donde realmente tengan la solución.
- Proporcionar una copia publicitaria útil y valiosa para el usuario.
Y si consideramos los anuncios como elementos ricos / características SERP como cuadros de video, clips destacados, etc., podemos ver que los anuncios evolucionarán de manera darwinista en los años venideros.
Todo el equipo de la página
Este es el termino realmente despertó mi interés durante la conversación con Dubut.
El darwinismo implica que cualquier elemento rico / función SERP que quiera aparecer en un SERP vive y muere de acuerdo con su capacidad para convencer al algoritmo de que tiene más valor que el enlace azul.
Y esto es cierto en algún nivel.
Cada "conjunto de candidatos" genera la mejor respuesta posible (video, imagen, clip destacado, la gente también pregunta …) y envían su "oferta", pero no son ellos quienes deciden si aparece.
Este es el papel del algoritmo de toda la página.
Todo el equipo de la página es un concepto de importancia fenomenal y un descubrimiento clave.
La parte 5 de esta serie es la entrevista con Nathan Chalmers, quien lidera el equipo completo de la página, y confirma que todo el algoritmo de la página realmente administra lo que realmente se muestra .
Los SERP no funcionan con principios darwinistas puros … pero Chalmers sugiere que mi concepto del darwinismo en la investigación es una muy buena forma de verlo. Y mejor aún, me dice que tienen algo llamado Darwin ????
Y, como era de esperar, toda la página también funciona en torno a la intención. Pesará los resultados y garantizará que los elementos ricos que mejor se adapten a la intención funcionen bien.
Para Beyonce, por ejemplo, es importante mostrar videos y noticias, porque eso es lo que los usuarios quieren.
En un caso como este, los 10 enlaces azules no importan.
Y este es un ejemplo de un caso en el que el algoritmo de página maestra / completa influiría fuertemente en la decisión final de qué mostrar.
Explicación simple del aprendizaje automático en algoritmos
- El humano le dice a la máquina cuáles son los factores (los llama características ???? que consideran importantes y les da las reglas de lo que se considera un éxito o un fracaso).
- La máquina se alimenta con un vasta Número de ejemplos de buenos y malos resultados etiquetados por humanos para un rango de consultas de búsqueda diferentes.
- Luego, la máquina calcula los diferentes pesos para las características que proporcionarán resultados de calidad en todas las circunstancias, independientemente de la entrada (es decir, incluso para nuevos ejemplos que la máquina no & # 39; nunca visto antes).
Dubut sugiere que una forma útil de ver esto es ver el algoritmo como un modelo de medición simple … Mide el éxito y el fracaso y se adapta en consecuencia.
Lo más importante, los humanos juegan un papel central.
Las máquinas no tienen rienda suelta: el algoritmo está construido por humanos que (a través de ejemplos) proporcionan una definición del bien y del mal.
También son los humanos los que crean y mantienen la plataforma que define la funcionalidad importante … o no.
El aprendizaje automático simplemente equilibra toda la funcionalidad para satisfacer mejor este juicio humano.
El ciclo de aprendizaje automático
Es un proceso continuo. Bing continuamente brinda retroalimentación a los algoritmos para que puedan mejorar.
Después del paso 3 descrito anteriormente, los jueces humanos luego evalúan y etiquetan los resultados.
Los equipos de algo utilizan estos datos para modificar las funcionalidades y las reglas, luego los datos etiquetados se envían de vuelta a la máquina.
La retroalimentación negativa es utilizada por la máquina para ajustar y mejorar. La retroalimentación positiva es un refuerzo del aprendizaje automático.
Suena como aprender para todos nosotros.
Pautas del juez humano de Bing
Sobre todo, la retroalimentación de los jueces humanos está estructurada; no se basa en la intuición humana, que variaría de un juez a otro y haría que la retroalimentación fuera confusa o contradictoria para la máquina.
La estructura tiene la forma de un conjunto de pautas (equivalente a las pautas de calidad de búsqueda de Google / pautas de calidad del revisor) que garantizan la coherencia, maximizan la objetividad y estructuran las máquinas.
Esta calificación humana de los resultados se retroalimenta constantemente en los algoritmos de Bing (ver arriba), lo que permite a las máquinas adaptar y mejorar los pesos de las características y (con suerte) mejorar su resultados a lo largo del tiempo.
Cada equipo (multimedia, preguntas y respuestas / extracto destacado, paneles de conocimiento, etc.) tiene sus propios paneles de jueces humanos y sus propias directrices que se centran en los requisitos del elemento rico específico.
Esto parecería implicar que existen otras pautas sobre los tasadores en Google-land, lo cual es intrigante.
También significa (para mí, al menos) que quien escribe estas pautas tiene una fuerte influencia indirecta en la ponderación relativa de las características (factores).
Y que estos pesos deben variar considerablemente de un elemento rico a otro.
Una vez más, todo el equipo de la página presenta un caso interesante: sus jueces humanos y sus directivas tienen (posiblemente) el impacto más visible en el frente y el centro.
Blue Links no morirá pronto
Los elementos ricos usan variantes de algoritmo básico de enlace azul (según tengo entendido, es una moda modular), y los 10 enlaces azules son el "SERP inicial" que todos los demás elementos tienen como objetivo "invadir" al demostrar que proporcionan más valor que un enlace azul
Para reiterar (porque es importante), los SERP se construyen sistemáticamente a partir de los 10 enlaces azules. Son la base en todos los aspectos.
Y eso significa que no morirán en el futuro previsible.
El surgimiento darwinista y el surgimiento de la funcionalidad SERP (elementos ricos) ha matado a algunos, pero los enlaces azules no desaparecerán en el futuro previsible.
Probablemente, siete enlaces y medio azules por SERP están en la etapa correcta.
Dubut sugiere que esta es una buena regla general, ya que el objetivo general es mantener los SERP alrededor del mismo tamaño.
Pero la duración de la SERP y el número de resultados son, en última instancia, una decisión tomada por el algoritmo de la página completa (más sobre esto en la parte # 5 de esta serie).
Estaba buscando datos confiables para confirmarlo, pero ninguna de las herramientas que he solicitado hasta ahora ha podido aislar completamente la página 1 y proporcionar datos exacto para enlaces azules versus elementos ricos para Google o Bing.
Logré hacer esto para consultas de búsqueda de marca de coincidencia exacta en Google.
Estos datos (20,000 marcas) muestran que en Google (lo siento, no pude seguir a Bing), y específicamente para SERPs de marca, hay en promedio 8.15 enlaces azules y el número promedio de 39; los elementos ricos en el lado izquierdo son 2.07.
Por lo tanto, los elementos ricos no afectaron significativamente el número de resultados en la página 1 de los SERP, aunque ambos fueron más ricos y un poco más largos.
Los resultados promedio por página ahora son ligeramente superiores a 10.
Los elementos ricos eliminan los enlaces azules 1-1
El promedio general de mi conjunto de datos (poco menos de 20,000 SERPs de marca): 8.15 enlaces azules y 2.07 elementos ricos.
Pero estos datos no cuentan toda la historia.
Algo que Dubut dijo hacia el final de la entrevista arrojó algo de luz y agregó una advertencia deliciosa de la que aún no he recibido datos detallados, pero merece más investigación.
Entonces, tiene razón, el número de resultados se mantiene bastante estable porque se agregan elementos ricos en el lado izquierdo.
Los elementos ricos eliminan los lazos azules: a veces
Mi pensamiento inicial en mayo pasado, cuando estaba escribiendo el artículo sobre Darwinismo en la investigación, fue que la presencia creciente de elementos ricos no solo mataría los enlaces azules, sino que también reduciría la cantidad de resultados. en la página 1.
La lógica es que un elemento rico no solo toma el lugar de un enlace azul, sino que (debido a la propiedad vertical más grande en el caso de las cajas de Twitter, por ejemplo) también puede matar a un el enlace azul adicional y el número promedio de resultados en la página 1 tenderán a caer.
Falso?
Si
Y no.
Dos tipos de solicitudes.
Entonces, para la longitud de SERP, es útil mirar dos conjuntos de resultados de macro separados, y dos reglas básicas
Por una intención inequívoca (en este caso, marcas inequívocas), los SERP han tendido a ser más ricos y cortos.
El número total de visitas tiende a disminuir a medida que aumenta el número de elementos ricos.
Como la intención es clara, resultados más cortos, más ricos y más específicos hacer el trabajo de satisfacer mejor a sus usuarios.
Por una intención ambigua, Los SERP han tendido a ser más ricos y más largos: los elementos ricos tienden a agregar y eliminar poco de la página de resultados.
Como la intención no está clara, más resultados con un rango de intenciones hará el trabajo de satisfacer mejor a sus usuarios.
¿Por qué?
Con consultas más ambiguas, donde hay varias intenciones, los motores quieren ser más completos.
Más resultados y una página más larga son la forma en que ofrecen más diversidad y cubren mejor estas múltiples intenciones.
Dubut y Chalmers confirman que esto es cierto. Estoy seguro de que los datos lo confirmarán; cualquier plataforma que desee hacer este análisis conmigo es bienvenida. ????
Y un buen número para terminar: el número promedio general de resultados en la página 1 permanece en 10 (para SERPs de marca, al menos).
A seguir…
La serie Bing (abril de 2020)
- ¿Cómo funciona Bing? – Frédéric Dubut, Gerente Senior de Programas, Bing
- Descubrimiento, análisis, extracción e indexación en Bing – Fabrice Canel Director Senior del Programa, Bing
- Cómo funciona el algoritmo de preguntas y respuestas / Fragmento destacado Ali Alvi, Gerente Senior, Programa de Productos AI, Bing
- Cómo funciona el algoritmo de imagen y video – Meenaz Merchant, Oficial superior de programas, IA e Investigación, Bing
- Cómo funciona el algoritmo de la página completa – Nathan Chalmers, Gerente de programa, Equipo de relevancia de investigación, Bing
Más recursos
Créditos de imagen
Imágenes destacadas y en publicaciones: Kalicube.pro
[ad_2]