Wie wir mithilfe von KI und maschinellem Lernen die Leistung von SEO-Inhalten um 30 % steigern

Jeder, der in den letzten neun Monaten mit mir gesprochen hat, wird wissen, dass ich tief in einem Kaninchenloch der KI steckte. Ich habe mich vollständig mit der Funktionsweise von KI beschäftigt, und bei Ellipsis haben wir sie schnell in unsere Prozesse übernommen.

Der größte Nutznießer war unsere SEO-Content-Arbeit, die den größten Teil unserer täglichen Arbeit ausmacht. Wir haben jetzt eine Reihe interner Tools, die speziell für die Erstellung von Inhalten für WordPress-Unternehmen optimiert sind. Dieses Tool-Set ist deutlich besser als alles, was im Handel erhältlich ist, und hilft uns sicherzustellen, dass unsere Inhalte Rankings und Conversions erhalten.

Wir nennen das System FALCON, und damit haben wir die SEO-Content-Ergebnisse um etwa 30 % verbessert. So funktioniert das alles.

Überblick: Was kann KI?

Uns interessieren hier vier Arten von KI:

• Textklassifizierung (in welcher Kategorie befindet sich ein Text?)
• Textgenerierung (Erstellen einer größtenteils originellen Antwort)
• Vorhersage (was wird als nächstes passieren, basierend auf vergangenen Daten?)
• natürliches Sprachverständnis (was bedeutet Text?)

KI im Jahr 2021 ist für diese Anwendungsfälle gut geeignet. Jeder dieser Typen erfordert ein „Modell“, das zum Generieren der Ausgabe verwendet wird. Es gibt zwei Arten davon: Selbsttrainierte und Vortrainierte.

Selbsttrainiert sind benutzerdefinierte Modelle, die auf Ihren eigenen Daten für Ihren Anwendungsfall basieren. Dies wird durch maschinelles Lernen (ML) unterstützt, daher wird ML hier oft synonym verwendet. Vortrainierte Modelle werden mit den Daten einer anderen Person trainiert. Diese sind in der Regel viel allgemeiner, aber ein gutes allgemeines Modell ist sehr leistungsfähig.

Wenn Sie wissen möchten, ob es sich bei einer neuen Kontaktformularanfrage um eine Vertriebs-E-Mail oder eine Kundensupportanfrage handelt, können Sie wahrscheinlich ein vortrainiertes Modell verwenden. Wenn Sie wissen möchten, an welches Team eine bestimmte Supportnachricht weitergeleitet werden muss, benötigen Sie wahrscheinlich ein selbst trainiertes benutzerdefiniertes Modell.

Der große Durchbruch im letzten Jahr war, dass vortrainierte Modelle deutlich besser wurden. GPT-3 wie GPT-3 von Open AI, das die Textgenerierung sehr gut beherrscht, haben viele weitere Möglichkeiten eröffnet. Dies wurde mit dem Training benutzerdefinierter Modelle kombiniert, die viel zugänglicher wurden (laut Ellipsis-Kunde Akkio): Früher brauchte man dafür einen Data Scientist.

Dies ist der Kontext dessen, was KI leisten kann und wie wir sie nutzen können. Schauen wir uns nun die spezifischen Anwendungsfälle an, die Ellipsis für jeden dieser Fälle in unserem SEO-Content-Prozess hat.

Maschinelles Lernen zur Steigerung der Erfolgsquote von Keyword- und Title-Kombinationen

Eine der ersten Phasen im Produktionsprozess von SEO-Inhalten ist die Auswahl von Schlüsselwörtern. Wir identifizieren, in welches Themencluster die Inhalte des Kunden passen sollen, und suchen dann nach einem guten Ziel-Keyword für den Beitrag. Wenn Sie das falsche Schlüsselwort auswählen, wird nichts, was Sie mit der Inhaltserstellung tun können, dazu führen, dass der Beitrag funktioniert.

Mit FALCON verwenden wir ein benutzerdefiniertes Modell für maschinelles Lernen, um vorherzusagen, wie gut eine Kombination aus Schlüsselwort und Titel abschneiden wird, basierend auf unseren internen Daten zum Erfolg früherer Posts. Allein dieses benutzerdefinierte Modell ist allein für den Löwenanteil der 30 % Steigerung unserer SEO-Content-Performance verantwortlich.

Wir haben vier Versionen davon, um zu überprüfen:

1. Vorhandene Schlüsselwörter
2. Verwandte Schlüsselwörter
3. Long-Tail-Keywords
4. Keywords zu Inhalten, die bereits live sind

Der erste führt eine einfache Überprüfung des Schlüsselworts durch, das Sie ihm gegeben haben, und es kann bis zu 100 Schlüsselwörter gleichzeitig überprüfen. Die zweite sucht verwandte Keywords und führt sie durch die Vorhersage in großem Maßstab (bis zu 100 gleichzeitig) und zeigt Ihnen verwandte Keywords, die funktionieren würden. Dieser wiederum kann 100 Basis-Keywords gleichzeitig verarbeiten, sodass wir 1000 Keywords in Minuten prüfen. Die dritte ist ähnlich, geht aber tief in die Long-Tail-Keywords ein. Die endgültige Version prüft, ob ein anderes Ziel-Keyword für einen bestehenden Beitrag eine bessere Leistung erbringen würde.

Durch unseren Einsatz von FALCON sehen wir sowohl eine gesteigerte Leistung der von uns produzierten Inhalte – da wir sehr zuversichtlich sind, dass der Beitrag ranken wird – als auch Verbesserungen bei den Schlüsselwörtern, die wir finden können, da die KI das Auffinden von Schlüsselwörtern erleichtert.

Suchintention mit BERT klassifizieren

Google ist daran interessiert, dem Suchenden das bestmögliche Nutzererlebnis zu bieten. Das bedeutet, schnell eine vollständige Antwort auf alles zu geben, wonach sie gesucht haben. Dazu muss Google verstehen, wonach der Suchende sucht und ob die angezeigten Ergebnisse die Antwort darauf liefern. Wir nennen das Suchabsicht.

Wir verstehen, wonach der Suchende sucht, indem wir uns die Ergebnisse ansehen, die Google anzeigt.

BERT ist eine Natural Language Understanding (NLU)-Methodik, die 2018 von Google als Open Source veröffentlicht wurde. BERT wird von Google verwendet, um die Suchabsicht im Kontext zu verstehen: Wenn Sie nach „Queen-Alben“ suchen, versteht es, dass Queen in diesem Kontext die Band bedeutet, nicht Königin die Person.

Google verwendet die Methodik, um zu verstehen, wonach der Suchende sucht. Wir verwenden es, um dasselbe mit FALCON zu tun, indem wir uns die Ergebnisse ansehen und sie verwenden, um die Suchabsicht zu klassifizieren. Dazu verwenden wir ein vortrainiertes BERT-Modell.

Dies fließt in unseren Keyword-Rechercheprozess ein. Sie können dies manuell tun, aber manuell erfolgt dies in der Regel über die Suchanfrage und nicht über die Suchergebnisse: Es ist ziemlich intuitiv, „WordPress-Themes kaufen“ ist ein Schlüsselwort für die Kaufabsicht. Google wirft jedoch zunehmend unerwartete Ergebnisse, da es auf reale Benutzer reagiert. Mit BERT können wir uns also die Top-10-Ergebnisse ansehen und eine Klassifizierung basierend auf allen vornehmen – und das in etwa einer halben Sekunde.

Verarbeitung natürlicher Sprache zur Identifizierung von Themen

Google möchte verstehen, wonach der Suchende sucht. Um zu bestimmen, wo Inhalte eingestuft werden sollen, muss es verstehen, was sich auf einer Seite befindet, damit es verstehen kann, inwieweit das Ergebnis den Bedürfnissen des Suchenden entspricht.

Google verwendet dafür Natural Language Processing (NLP). NLP ermöglicht es Google, eine URL zu nehmen und die auf der Seite enthaltenen Entitäten und Themen zu verstehen. Sobald es weiß, was sich auf der Seite befindet, kann es verstehen, wo es eingestuft werden muss.

NLP ist seit langem ein hochmoderner Bereich der SEO und seit drei Jahren ein zentraler Bestandteil unseres Content-Prozesses. Kommerzielle Tools wie Clearscope, MarketMuse und Frase haben die Methode populär gemacht: Sie sehen sich die ersten 10-30 Ergebnisse für ein Ziel-Keyword an und aggregieren dann die Themen innerhalb dieser Ergebnisse. Dadurch erhalten Sie eine Liste mit 30-50 Themen, die Sie in dem Beitrag behandeln können, und durch die Behandlung dieser Themen können Sie sicherstellen, dass Sie alle Fragen, die ein Suchender haben wird, gut beantwortet haben.

Das ist ein erprobtes Verfahren, mit dem wir seit Jahren gute Ergebnisse erzielen.

Kommerzielle Tools haben jedoch einige Einschränkungen. Die primäre ist die KI: NLP ist gut, aber es hat Grenzen. Die Tools sind auf gute Ergebnisse des von ihnen verwendeten NLP angewiesen. Google beispielsweise ist nur in der Lage, etwa 18 % der Themen auf einer Seite zu identifizieren, und identifiziert sie oft falsch.

Das Gleiche sehen wir bei kommerziellen Tools: Es ist typisch für sie, einen NLP-Anbieter zu verwenden, sodass ihnen Themen und Entitäten entgehen, die Beiträge abdecken müssen. Wenn Sie Ihre Inhalte auf einer unvollständigen Themenliste aufbauen, verpassen Sie etwas.

Wie Sie in diesem Beispiel sehen können, habe ich die NLP-Demo von Google auf dem Top-Ranking-Post für „bestes WordPress-Hosting“ ausgeführt:

Die Klassifizierung hat meistens funktioniert, aber Google denkt, dass Hostinger eine Person und kein Unternehmen ist.

Dies hat uns dazu veranlasst, eine eigene FALCON NLP-Lösung zu entwickeln, um WordPress-spezifische Themen besser zu verstehen .

Mit unserer hauseigenen NLP-Lösung können wir eine bessere Themenfindung erreichen. Dadurch können wir vollständigere Inhalte produzieren, selbst als konkurrierende Inhalte, die mit kommerziellen Tools erstellt werden.

Wenn Sie die zu behandelnden Themen besser identifizieren können und sicherstellen, dass Ihre Inhalte Google Ihre Themen identifizieren lassen, haben Sie einen Wettbewerbsvorteil. Das haben unsere Inhalte.

Wir verwenden NLP auch in unserer Phase der Keyword-Recherche, um Keywords automatisch in Themencluster zu gruppieren. Früher war dies ein langsamer manueller Prozess, daher ist die Automatisierung äußerst nützlich.

Benutzerdefinierte GPT-3-Modelle für die Titelgenerierung

Ich habe GPT-3 oben hervorgehoben. GPT-3 ist eine bemerkenswerte Technologie von Open AI. Es erstellt Text, und es macht einen guten Job. GPT-3 ist auf 175 Milliarden Parameter trainiert und kann kurze Texte schreiben, die nicht von dem zu unterscheiden sind, was ein Mensch tun kann. Es ist ziemlich unglaublich.

Wir verwenden GPT-3 nicht für die Generierung von Inhalten in Langform, wie ich später noch sehen werde. Was wir jedoch tun, ist die Verwendung benutzerdefinierter Modelle für bestimmte Teile des Content-Prozesses. Das ist ziemlich starkes Zeug.

Ein Großteil des Hypes um GPT-3 kommt von dem, was man damit machen kann. Es gibt eine lange Liste von Apps, die darauf aufbauen. „KI-Copywriting“ ist einer der offensichtlichsten Bereiche für GPT-3, und es gibt derzeit ein Wettrüsten, um Tools zu entwickeln, die dies tun. Alle diese Tools basieren auf der GPT-3-API von Open AI.

Die Einschränkung bei kommerziellen Tools besteht darin, dass Sie auf generische Eingabeaufforderungen angewiesen sind. Der „Titelgenerator für Blogposts“, den Sie von einem „KI-Texter“ SaaS erhalten, muss mit allen Arten von Titeln funktionieren. Wir brauchen etwas, das speziell für WordPress-Inhalte optimiert ist.

Wir verwenden KI, um sehr gut SEO-optimierte Titel zu generieren. Mit FALCON sind wir in der Lage, ein Ziel-Keyword zu nehmen, die Top-Ergebnisse nachzuschlagen und dann GPT-3 zu verwenden, um Titel zu generieren, die den Top-Ranking-Content-Ergebnissen ähneln (wir filtern Nicht-Blog-Post-Ergebnisse heraus). Die Ausgabe ist ein perfekt für Google optimierter Titel , da er auf dem basiert, was bereits rankt.

Hier ist die KI viel besser als der Mensch: Die KI kann die Nuancen der Ergebnisse betrachten und spontan mehrere Versionen erstellen. Wir generieren also mehrere Titeloptionen und führen sie durch den oben beschriebenen maschinellen Lernschritt: FALCON gibt dann den Gewinnertitel aus.

Wir liefern hier keine Zeit- oder Kosteneinsparungen (wenn überhaupt, ist es zeitaufwändiger und teurer), aber wir können jetzt viel mehr Optionen in großem Umfang evaluieren und unseren Kunden die besten bieten. Mein Dank gilt Dr. Oliver Crook von der Universität Oxford für die diesbezügliche Unterstützung.

Eine naheliegende Frage ist: Was ist mit KI-generierten Inhalten? Ich bin ziemlich optimistisch, dass dies eine schreckliche Idee ist, wie ich als nächstes kommen werde.

Was ist mit KI-generierten Inhalten?

Wir verwenden GPT-3 NICHT für die Generierung von Inhalten in Langform. GPT-3 ist schrecklich für lange Inhalte, da es nicht weiß, wovon es spricht. Es hat keine Ahnung, was die Wahrheit ist: Es kann Wörter miteinander verbinden, aber es hat keine Ahnung, was sie bedeuten.

Wenn Google immer mehr Wert auf fachliche Autorität legt, ist die Verwendung einer KI, die keine Ahnung hat, wovon sie spricht, ein Rezept für eine Katastrophe.

Wir verwenden daher die Textgenerierung am Rande unseres Content-Prozesses, um Verbesserungen vorzunehmen und Effizienzen zu finden, aber wir verwenden GPT-3 nicht für die Generierung von Inhalten in Langform.

Wenn überhaupt, macht uns dieser Anstieg glücklicher, die Zusammenarbeit mit Fachexperten zu verdoppeln. Diese Experten sind teuer, aber wenn andere versuchen, automatisch Inhalte zu generieren, die Unsinn sein könnten, haben wir und unsere Kunden einen noch größeren Wettbewerbsvorteil. Her damit!

Das FALCON-System und wie Sie es bekommen

Unsere bisherigen Ergebnisse haben eine 30%ige Verbesserung der SEO-Content-Ergebnisse gezeigt, seit wir begonnen haben, KI ernsthaft in unseren Content-Prozess zu implementieren. Seit Anfang dieses Jahres haben wir damit begonnen, diese Ergebnisse für Kunden zu realisieren.

Das System als Ganzes wird als FALCON-System bezeichnet. Es ist unsere Sammlung interner Tools, die entwickelt wurden, um den Erfolg der SEO-Content-Arbeit, die wir für Kunden leisten, zu steigern.

FALCON ist jetzt in allen unseren Content Growth Paketen für SEO Content enthalten. Sie können Details hier sehen oder uns kontaktieren, um zu sehen, wie wir Ihnen helfen können.