آیا SEO در مورد نحوه استفاده از آنها موافق است؟

بحث در مورد LinkedIn در مورد دید LLM و ابزارهای ردیابی آن ، چگونگی نزدیک شدن SEO ها به بهینه سازی برای جستجوی مبتنی بر LLM را مورد بررسی قرار داد. پاسخ های ارائه شده حاکی از آن است که ابزارهای مربوط به سئو با محوریت LLM در حال افزایش است ، اگرچه اختلاف نظر در مورد آنچه دقیقاً باید ردیابی شود وجود دارد.

جو هال (پروفایل LinkedIn) مجموعه ای از سؤالات را در مورد LinkedIn در مورد سودمندی ابزارهایی که دید LLM را ردیابی می کنند ، مطرح کرد. او صریحاً نگفت که ابزارها فاقد ابزار هستند ، اما سؤالات وی در نظر گرفته شده برای باز کردن مکالمه است

او نوشت:

“من نمی فهمم که چگونه این سیستم ها که ادعا می کنند کار دید LLM را ردیابی می کنند. پاسخ های LLM بسیار ذهنی هستند. آنها مانند Serps سنتی استاتیک نیستند. حتی اگر بتوانید آنها را ردیابی کنید.

جوشوا لونسون (پروفایل LinkedIn) دیگر پاسخ داد که ابزارهای سئو امروز به روز هستند و اظهار داشتند:

“مردم برای اندازه گیری یک فناوری جدید از الگوی قدیمی استفاده می کنند.”

جو هال با “یکنوع بازی شبیه لوتو” پاسخ داد

LLM SEO: “به آسانی اضافه این کلمه کلیدی”

لیلی ری (پروفایل LinkedIn) پاسخ داد که می گوید نهادهایی که LLMS به آن باز می گردند ، یک عنصر اصلی برای تمرکز روی آن هستند.

او توضیح داد:

“اگر روزانه هزاران بار از همان سؤال بپرسید ، می توانید موجوداتی را که در پاسخ های خود ذکر می کند ، میانگین کنید. و سپس آن را هر روز تکرار کنید. این کامل نیست اما چیزی است.”

هال از او پرسید که چگونه این برای مشتری ها مفید است و لیلی پاسخ داد:

“خوب ، توصیه های عملی زیادی وجود دارد که می تواند از داده ها جمع شود. اما این بدیهی است که قسمت سخت است. به آسانی” اضافه کردن این کلمه کلیدی به برچسب عنوان خود “آسان نیست.

ابزارهای SEO LLM

دیکسون جونز (پروفایل LinkedIn) با یک نظر کوتاه برای معرفی پاسخ داد ویکای، که مخفف چیزی است که AI در مورد شما می داند. وی گفت: ابزار وی از استخراج موجودیت و موضوع استفاده می کند و توصیه ها و اقدامات خود را بر اساس تجزیه و تحلیل شکاف پایه گذاری می کند.

رایان جونز (پروفایل LinkedIn) برای بحث در مورد چگونگی محصول خود پاسخ داد سروان آثار:

“2 روش برای انجام این کار وجود دارد. یکی – روشی که من این کار را در Serprecon انجام می دهم استفاده از API ها برای نظارت بر پاسخ به نمایش داده ها است و سپس مانند لیلی گفت ، اشخاص ، مباحث و غیره را از آن استخراج کنید. این روش ارزان تر/آسان تر است اما ساده ترین است برای تمرکز روی آنچه شما به آن اهمیت می دهید. تمرکز روی متن دقیق نیست بلکه بهینهای مربوط به این موارد است.

راه دیگر نظارت بر داده های ISP و دیدن چند پرس و جوهای واقعی کاربر است که در واقع برای آنها نشان داده اید. این بسیار گران است

هر روش دیگری معنی چندانی ندارد. “

و در یک پست دیگر با اطلاعات بیشتر دنبال شد:

وی گفت: “هوش مصنوعی به شما نمی گوید که چگونه این کار را از بین برد یا چه سؤالاتی را انجام داد. مردم برای دیدن آن راه های هوشمندانه ای را در برگه شبکه Chrome پیدا می کنند ، اما آنها آن را به همان سرعت تغییر می دهند.

ابزار نمای کلی هوش مصنوعی در ابزار من سعی می کند آنها را با استفاده از همان منطق/ریاضی به عنوان حق ثبت اختراع خود ، مهندسی معکوس کند ، اما هرگز نمی تواند 100 ٪ باشد. “

سپس او توضیح داد که چگونه به مشتریان کمک می کند:

“این به ما کمک می کند تا در این زمینه ، اگر 25 نمایش داده شود ، می خواهم ببینم چه کسی در آنجا حضور دارد ، و چه مباحثی را ذکر می کنند تا بتوانم سعی کنم اگر در آنجا حضور پیدا کنم ، در آنجا حضور پیدا کنم. این در مورد آن است. افرادی که احساسات پاسخ های AI را اندازه می گیرند جهنم را از من آزار می دهند.”

ده پیوند آبی هرگز استاتیک نبودند

اگرچه هال اظهار داشت که نتایج جستجوی “سنتی” استاتیک است ، بر خلاف نتایج جستجوی مبتنی بر LLM ، باید اشاره کرد که نتایج جستجوی قدیمی در حالت تغییر مداوم قرار دارد ، به خصوص پس از بروزرسانی Hummingbird که Google را قادر می سازد نتایج جستجوی تازه را اضافه کند وقتی که پرس و جو به آن نیاز داشت یا هنگامی که صفحات وب جدید یا به روز شده به وب معرفی شدند. همچنین ، نتایج جستجوی سنتی تمایل به بیش از یک هدف دارد ، غالباً سه نفر ، که منجر به نوسانات در رتبه بندی می شود.

LLMS همچنین در نتایج جستجوی خود تنوع را نشان می دهد ، اما در مورد نمای کلی هوش مصنوعی ، Google چند نتیجه را نشان می دهد که برای پرس و جو و سپس “طرفداران” را برای پیش بینی سؤالات پیگیری که به طور طبیعی به عنوان بخشی از کشف یک موضوع دنبال می شود ، انجام می دهد.

بیلی پری (پروفایل LinkedIn) بینش جالبی در مورد نتایج جستجوی LLM ارائه داد ، و نشان می دهد که این خروجی درجه ای از ثبات را نشان می دهد و به همان اندازه که معمولاً اعتقاد بر این است بی ثبات نیست.

او این بینش واقعاً جالب را ارائه داد:

“من حدس می زنم که من با این ایده مخالفم که SERP ها همیشه ایستا هستند.

با LLMS ، ما قادر به درک بهتر از کدام منابعی هستند که برای پاسخ به سوالات از آنها استفاده می کنند. بنابراین ، حتی اگر کلمات خاص تغییر کند ، احتمال گرفتن مدل از منابع و ذکر مارک ها به طور قابل توجهی ایستا است.

من فکر می کنم افرادی که می گویند LLM ها برای بهینه سازی بیش از حد بی ثبات هستند ، بر خلاف منابع و ذکر مارک ، روی متن دقیق متمرکز هستند. “

Peery با توجه به اینکه برخی از SEO ها ممکن است از تطبیق کلمات کلیدی دقیق (“متن دقیق”) آویزان شوند ، نکته ای عالی را بیان می کند و شاید نکته مهمتر برای تمرکز روی این باشد که آیا LLM به وب سایت ها و مارک های خاص پیوند می زند و ذکر می کند.

پیشخدمت

آگاهی از ابزارهای LLM برای ردیابی دید در حال رشد است. بازاریابان در حال دستیابی به توافق در مورد آنچه باید ردیابی شود و چگونگی بهره مندی از مشتری. در حالی که برخی از ارزش استراتژیک این ابزارها را زیر سوال می برند ، برخی دیگر از آنها برای شناسایی مارک ها و مضامین استفاده می کنند ، و این داده ها را به ترکیب SEO خود اضافه می کنند.

تصویر برجسته توسط Shutterstock/tierneymj