Wie AccuRanker die Suchabsicht mit AI bestimmt

Der folgende Artikel gibt Ihnen einen Einblick in die neue AccuRanker (KI-basierte) Suchabsichtsfunktion.

Um diesen Artikel besser zu verstehen, empfehlen wir Ihnen, zuerst unseren anderen Artikel zu lesen: Was ist Suchintention? zu lesen. Hier erfahren Sie, dass wir die Suchabsicht, auf die Google abzielt, klassifizieren, indem wir mehr auf die SERP (Suchmaschinenergebnisseite) als auf das Keyword schauen. Sie werden auch erfahren, warum sich die Suchabsicht im Laufe der Zeit ändern kann und dass es möglich ist, mehrere Absichten für eine einzige SERP/ein einziges Keyword zu haben.

Im weiteren Verlauf dieses Artikels werden wir ein SERP/Keyword-Paar der Kürze halber als Keyword bezeichnen, auch wenn ein Keyword unterschiedliche SERPs haben kann.

Einführung

Die Suchabsicht ist ein differenziertes Thema. Es ist nahezu unmöglich, eine Reihe fester Regeln aufzustellen, um die Absicht zu ermitteln, die Google für ein bestimmtes Keyword anstrebt. Glücklicherweise haben die Entwicklungen im Bereich der künstlichen Intelligenz und des maschinellen Lernens in den letzten zehn Jahren neue Methoden möglich gemacht. Wir haben jetzt das richtige Toolset, um die enormen Mengen an SERP-Daten, die AccuRanker täglich verarbeitet, zum "Trainieren" eines maschinellen Lernmodells zu nutzen.

Hinter dem Suchintentionsmodell

Als Trainingsdaten für das neue Suchintentionsmodell haben wir eine Kombination aus unetikettierten und handetikettierten Daten verwendet. Dieser Datensatz besteht aus den von menschlichen Experten gelabelten Suchintentionen für Schlüsselwörter in Kombination mit den entsprechenden SERP-Daten. Mit Techniken des maschinellen Lernens lassen sich Muster erkennen. Diese Muster werden in ein Modell übersetzt, das verwendet werden kann, um die Suchabsicht für Keywords außerhalb des Trainingsdatensatzes zu finden.

Die Verwendung eines maschinellen Lernmodells ermöglicht es uns, die Suchabsicht mit größerer Genauigkeit vorherzusagen als bei regelbasierten Ansätzen. Allerdings ist es aus vielen Gründen unmöglich, eine 100%ige Genauigkeit zu erreichen. Einige dieser Gründe sind:

• Selbst Menschen (bis zu 40 %), die sich SERPs ansehen, sind sich nicht einig über die Suchabsicht.
• Die SERP kann mehrere Absichten anzeigen.
• Es gibt nicht immer eine 100%ige Übereinstimmung bei der Definition der verschiedenen Suchintentionskategorien.

Wir haben versucht, die AccuRanker-Definitionen mit Beispielen zu umreißen. Durch die Verwendung dieser Definitionen und die Bewertung des maschinellen Lernmodells anhand dieser Bezeichnungen können wir eine Übereinstimmung mit den handbeschrifteten Daten von mehr als 90 % erreichen. Und wir neigen oft dazu, dem maschinellen Lernmodell mehr zuzustimmen als dem menschlichen Label, wenn wir die Unterschiede durchgehen.

Welche Merkmale die Suchabsicht bestimmen

Das neue AccuRanker-Suchintentionsmodell verwendet mehr als einhundert Merkmale der SERP, um die Suchintention zu ermitteln. Diese Merkmale sind voneinander abhängig, und es ist daher nicht einfach, ihre Funktionsweise im Detail zu erklären. Wenn das der Fall wäre, könnten wir genauso gut einen regelbasierten Ansatz verwenden.

Zu den Merkmalen gehören spezielle Wörter (in mehrere Sprachen übersetzt) in Schlüsselwörtern, Titeln, URLs und Beschreibungen sowie SERP-Merkmale und andere SERP-Metadaten wie Cost-per-Click und AdWords-Wettbewerb.

Eine Möglichkeit, das neue Suchintentionsmodell zu verstehen, ist die Betrachtung von SHAP-Visualisierungen, die zeigen, wie sich die Merkmale in verschiedenen Fällen auf die Modellausgabe auswirken.

Visualisierung der Merkmale, die die Suchabsicht bestimmen

Die folgende Abbildung zeigt die zwanzig wichtigsten Merkmale, die bestimmen, ob es sich um eine transaktionale Absicht handelt.

Hier sehen Sie das Innenleben des neuen Suchintentionsmodells und wie Entscheidungen getroffen werden. Die Darstellung ist leicht vereinfacht.

Das Diagramm ist wie folgt zu lesen:

• Auf der y-Achse sehen Sie die wichtigsten Merkmale, anhand derer Sie feststellen können, ob ein Suchbegriff in die Kategorie "transaktional" fällt.
• Auf der x-Achse sehen Sie die Auswirkungen der einzelnen Merkmale auf die Modellausgabe, und zwar von negativ bis positiv. Die vertikale Linie trennt die negativen von den positiven Auswirkungen.
• Jeder Punkt entspricht einem Schlüsselwort. Die Farbe des Punktes entspricht dem Wert des entsprechenden Merkmals für dieses Schlüsselwort. Rot bedeutet einen hohen Wert, blau einen niedrigen Wert.

Transaktionsbezogene Absicht

Das Diagramm aus dem vorherigen Abschnitt zeigt, welche Merkmale bestimmen, ob die Suchabsicht transaktional ist. Schauen wir uns dieses Diagramm an und nehmen wir den Wettbewerb bei AdWords (competition_adwords) als Beispiel.

Sie sehen neben competition_adowrds im Diagramm, dass sich rote Punkte rechts von der vertikalen Linie befinden. Dies bedeutet, dass ein hoher Wettbewerb bei AdWords (ein roter Punkt) die Wahrscheinlichkeit erhöht, dass es sich um ein transaktionales Keyword handelt (rechts von der vertikalen Linie).

Werfen Sie andererseits einen Blick auf das Vorhandensein eines Featured Snippet (pagefeaturedsnippet). Wenn dieser Wert hoch ist (roter Punkt), bedeutet dies, dass ein Featured Snippet auf der SERP vorhanden ist. Die roten Punkte befinden sich alle links von der vertikalen Linie. Das bedeutet, dass es weniger wahrscheinlich ist, dass es sich um ein transaktionales Keyword handelt, wenn es ein Featured Snippet gibt.

Außerdem ist in der Grafik zu erkennen, dass die Wahrscheinlichkeit, dass die SERP ein transaktionales Keyword ist, steigt, wenn Amazon ein oder mehrere Male vorkommt (urlscountamazon.), während das Gegenteil für Wikipedia gilt.

Diese Ergebnisse sind nicht überraschend. Das Tolle daran ist, dass dem maschinellen Lernmodell nichts davon im Voraus mitgeteilt wird. Es hat es aus den Daten abgeleitet. Darüber hinaus hat es die Beziehung zwischen den verschiedenen Merkmalen abgeleitet. Beachten Sie, dass die Punkte auf der x-Achse verteilt sind und nicht übereinander liegen. Das liegt daran, dass der Einfluss der SERP-Merkmale auf das Modell davon abhängt, welche anderen Merkmale auf der SERP vorhanden sind. Nur weil es bei AdWords einen hohen Wettbewerb gibt, muss das Modell also nicht zwangsläufig zu dem Schluss kommen, dass es sich um ein transaktionales Keyword handelt.

Informationelle Absicht

Am anderen Ende des Spektrums sehen Sie die zwanzig wichtigsten Merkmale, die bestimmen, ob die Absicht informativ ist.

Hier sehen Sie, dass ein hoher Wettbewerb bei AdWords bedeutet, dass es sich wahrscheinlich nicht um eine Informationsabsicht handelt. Sie sehen auch, dass Funktionen wie Videokarussells, verwandte Fragen und Featured Snippets bei SERPs mit informativen Absichten vorherrschend sind.

Andererseits deutet das Wort "best" in der Regel eher auf eine kommerzielle als auf eine informatorische Absicht hin. Das Gleiche gilt für die SERP-Funktion "Bewertungen" und lokale Ergebnisse (pagemapslocal).

Eine weitere interessante Erkenntnis ist, dass die Einbindung von Facebook in die SERP in der Regel nicht auf Informationszwecke zurückzuführen ist. Es handelt sich vielmehr um eine Navigationsabsicht.

Navigationsabsicht

Für die Navigationsabsicht sehen Sie das unten stehende Diagramm.

Offensichtlich werden Sitelinks oft mit Navigationsabsichten in Verbindung gebracht. Sie können auch sehen, dass Knowledge Panels oft für Keywords mit Navigationsabsicht vorhanden sind. Sie sind aber auch häufig bei informativen Suchbegriffen zu finden.

LinkedIn, Twitter und Facebook tauchen häufig in SERPs mit Navigationsabsicht auf. Lokale Ergebnisse und Ergebnisse über sind ebenfalls mit Navigationsabsichten verbunden. Beachten Sie, dass lokale Ergebnisse je nach Kontext auch mit kommerziellen Absichten in Verbindung gebracht werden können.

Bei AdWords, Featured Snippets oder Thumbnails für Navigationszwecke gibt es in der Regel keinen großen Wettbewerb.

Denken Sie aber daran, dass es immer eine Ausnahme von jeder Regel gibt. Und es kann durchaus sein, dass ein Schlüsselwort mit Navigationsabsicht Funktionen hat, die andere Absichten anzeigen. Die Diagramme und Beispiele geben allgemeine Hinweise für jede Art von Absicht.

Sie werden auch feststellen, dass im Gegensatz zu den meisten anderen Ansätzen für Suchintentionen die Merkmale im AccuRanker-Modell voneinander abhängig sein können und auch einen Suchintentionstyp weniger wahrscheinlich machen können. Die Erstellung eines solchen Modells ist durch die Nutzung der riesigen Datenmenge von AccuRanker in Kombination mit fortschrittlichen maschinellen Lerntechniken möglich.

Kommerzielle Absicht

Bei kommerziellen Absichten werden Sie hauptsächlich die bereits beschriebenen Elemente sehen.

Insbesondere lokale Ergebnisse (maps_local) werden oft mit kommerziellen Absichten in Verbindung gebracht. Das Gleiche gilt für Wörter wie "top" und "best" und SERP-Funktionen wie FAQs und Bewertungen.

Auf der anderen Seite werden Sie Wörter wie "kaufen" oder "verkaufen" in der Regel nicht sehen. Oder Domains wie Amazon, Facebook oder Wikipedia.

Schlusswort

Dieser Artikel hat Ihnen einen Einblick in die neue AccuRanker (KI-basierte) Suchabsichtsfunktion gegeben. Es wurden Komponenten vorgestellt, wie das Modell funktioniert und welche Art von Merkmalen die verschiedenen Arten von Suchabsichten sowohl in positiver als auch in negativer Richtung beeinflussen.

Dem neuen Suchintentionsmerkmal werden keine Regeln mitgeteilt oder beigebracht. Stattdessen findet das Modell seine eigenen Regeln durch Musterabgleich mit einer großen Anzahl von Beispielen. Einfach ausgedrückt: Das neue Suchintentionsmodell lernt aus Daten. Mit präzisen Suchintentionsbezeichnungen können Sie Schlüsselwörter nach Intentionen gruppieren und ausrichten. Und das ist bei der Erstellung von Inhalten von entscheidender Bedeutung.