Cómo AccuRanker determina la intención de búsqueda con IA

El siguiente artículo le ofrece una visión general de la nueva función de intención de búsqueda de AccuRanker (basada en IA).

Para comprender mejor este artículo, le recomendamos que lea primero nuestro otro artículo: ¿Qué es la intención de búsqueda? En él, aprenderá que clasificamos la intención de búsqueda a la que se dirige Google fijándonos más en la SERP (página de resultados del motor de búsqueda) que en la palabra clave. También aprenderá por qué la intención de búsqueda puede cambiar con el tiempo y que es posible tener varias intenciones para una misma SERP/palabra clave.

En el resto de este artículo, nos referiremos a un par SERP/palabra clave como palabra clave para abreviar, aunque una palabra clave pueda tener varias SERP.

Introducción

La intención de búsqueda es un tema lleno de matices. Y establecer un conjunto de reglas fijas para encontrar la intención a la que Google apunta para una palabra clave determinada es casi imposible. Afortunadamente, los avances en el campo de la IA y el aprendizaje automático durante la última década hacen que sea posible aplicar nuevos métodos. Ahora disponemos de las herramientas adecuadas para utilizar las enormes cantidades de datos SERP que AccuRanker procesa a diario para "entrenar" un modelo de aprendizaje automático.

Detrás del modelo de intención de búsqueda

Como datos de entrenamiento para el nuevo modelo de intención de búsqueda, utilizamos una combinación de datos sin etiquetar y etiquetados a mano. Este conjunto de datos consiste en la intención de búsqueda de palabras clave etiquetadas por expertos humanos combinada con los datos SERP correspondientes. Con las técnicas de aprendizaje automático, aparecen patrones. Estos patrones se traducen en un modelo que puede utilizarse para encontrar la intención de búsqueda de palabras clave fuera del conjunto de datos de entrenamiento.

El uso de un modelo de aprendizaje automático permite predecir la intención de búsqueda con mayor precisión que los enfoques basados en reglas. Sin embargo, alcanzar una precisión del 100% es imposible por muchas razones. Algunas de estas razones son

• Incluso los humanos (hasta un 40%) que miran las SERP discrepan sobre la intención de búsqueda.
• Las SERP pueden mostrar múltiples intenciones.
• No siempre hay una alineación del 100% en la definición de las diferentes categorías de intención de búsqueda.

Hemos intentado esbozar las definiciones de AccuRanker con ejemplos. Utilizando estas definiciones y evaluando el modelo de aprendizaje automático en función de estas etiquetas, podemos alcanzar una concordancia con los datos etiquetados a mano de más del 90%. Y a menudo nos inclinamos a estar más de acuerdo con el modelo de aprendizaje automático que con la etiqueta humana al repasar las diferencias.

Qué características determinan la intención de búsqueda

El nuevo modelo de intención de búsqueda de AccuRanker utiliza más de cien características de las SERP para averiguar la intención de búsqueda. Estas características son interdependientes, por lo que no es fácil explicar en detalle cómo funcionan. Si ese fuera el caso, también podríamos utilizar un enfoque basado en reglas.

Las características incluyen palabras especiales (traducidas a varios idiomas) en palabras clave, títulos, URL y descripciones, así como características de las SERP y otros metadatos de las SERP, como el coste por clic y la competencia de AdWords.

Una forma de entender el nuevo modelo de intención de búsqueda es observar las visualizaciones SHAP de cómo las características afectan al resultado del modelo en diferentes casos.

Visualización de las características que determinan la intención de búsqueda

La siguiente imagen muestra las veinte características principales que determinan si la intención es transaccional.

Aquí se puede ver el interior del nuevo modelo de intención de búsqueda y cómo se toman las decisiones. Se muestra de forma ligeramente simplificada.

El gráfico se lee de la siguiente manera:

• En el eje de ordenadas están las características más importantes para determinar si una palabra clave pertenece a la categoría transaccional.
• En el eje de abscisas, se muestra el impacto en la salida del modelo de las características individuales, que va de negativo a positivo. La línea vertical separa el impacto negativo del positivo.
• Cada punto corresponde a una palabra clave. El color del punto corresponde al valor de la característica correspondiente a esa palabra clave. El rojo significa un valor alto, el azul un valor bajo.

Intención transaccional

El gráfico del párrafo anterior mostraba qué características determinan si la intención de búsqueda es transaccional. Examinemos este gráfico y tomemos como ejemplo la competencia en AdWords (competition_adwords).

Al lado de competition_adowrds en el gráfico, los puntos rojos están a la derecha de la línea vertical. Esto significa que una alta competencia en AdWords (un punto rojo) hace que sea más probable que sea una palabra clave transaccional (a la derecha de la línea vertical).

Por otro lado, fíjate en la presencia de un fragmento destacado (pagefeaturedsnippet). Si este valor es alto (punto rojo) significa que hay un fragmento destacado en la SERP. Los puntos rojos están todos a la izquierda de la línea vertical. Esto significa que es menos probable que se trate de una palabra clave transaccional cuando hay un fragmento destacado.

Otra cosa que se puede ver en el gráfico es que si Amazon está presente una o más veces (urlscountamazon.) es más probable que la SERP sea transaccional y lo contrario ocurre con Wikipedia.

Estos resultados no son sorprendentes. Lo interesante es que el modelo de aprendizaje automático no ha recibido ninguna información de antemano. Lo ha deducido de los datos. Además, ha deducido la relación entre las distintas características. Obsérvese que los puntos están repartidos en el eje x en lugar de estar unos encima de otros. Esto se debe a que el impacto de las características de la SERP en el modelo depende de qué otras características estén presentes en la SERP. Por lo tanto, sólo porque haya mucha competencia en AdWords, el modelo no concluirá necesariamente que la palabra clave es transaccional.

Intención informativa

En el otro extremo del espectro, puede ver las veinte características principales que determinan si la intención es informativa.

Aquí se puede ver que una alta competencia en AdWords significa que es poco probable que se trate de una intención informativa. También se observa que características como los carruseles de vídeo, las preguntas relacionadas y los fragmentos destacados prevalecen en las SERP con intención informativa.

Por otro lado, la palabra "mejor" suele indicar una intención más comercial que informativa. Lo mismo ocurre con la función de revisión de las SERP y los resultados locales (pagemapslocal).

Otro dato interesante es que cuando Facebook forma parte de la SERP, no suele tener una intención informativa, sino de navegación. Se trata más bien de una intención de navegación.

Intento de navegación

El gráfico siguiente muestra la intención de navegación.

Obviamente, los enlaces de sitio se asocian a menudo con la intención de navegación. También puede ver que los paneles de conocimiento suelen estar presentes para las palabras clave con intención de navegación. Pero también suelen estar presentes para las palabras clave informativas.

LinkedIn, Twitter y Facebook suelen aparecer en las SERP con intención de navegación. Los resultados locales y los resultados sobre también están asociados a la intención de navegación. Tenga en cuenta que los resultados locales también se asocian a una intención comercial en función del contexto.

Normalmente no habrá mucha competencia en AdWords, fragmentos destacados o miniaturas para la intención de navegación.

Pero tenga en cuenta que siempre hay una excepción a cada regla. Y que fácilmente puedes tener una palabra clave con intención de navegación que tenga características que muestren otras intenciones. Los gráficos y ejemplos ofrecen indicaciones generales para cada tipo de intención.

También observará que, a diferencia de la mayoría de los demás enfoques para la intención de búsqueda, las características del modelo de AccuRanker pueden ser interdependientes y también pueden hacer que un tipo de intención de búsqueda sea menos probable. La creación de un modelo de este tipo es posible utilizando la gran cantidad de datos de AccuRanker en combinación con técnicas avanzadas de aprendizaje automático.

Búsqueda comercial

En el caso de la intención comercial, verá principalmente los elementos que ya hemos descrito.

Más concretamente, los resultados locales (maps_local) se asocian a menudo con una intención comercial. Lo mismo puede decirse de palabras como "top" y "best" y de características de las SERP como FAQs y reseñas.

Por otro lado, no suelen aparecer palabras como "comprar" o "venta". O dominios como Amazon, Facebook o Wikipedia.

Para terminar

Este artículo le ha dado una idea de la nueva función de intención de búsqueda de AccuRanker (basada en IA). Se han presentado los componentes de cómo funciona el modelo y qué tipo de características afectan a los distintos tipos de intención de búsqueda, tanto en sentido positivo como negativo.

A la nueva función de intención de búsqueda no se le dice ni se le enseña ninguna regla. En su lugar, el modelo descubre sus propias reglas comparando patrones con un gran número de ejemplos. En pocas palabras, el nuevo modelo de intención de búsqueda aprende de los datos. Disponer de etiquetas de intención de búsqueda precisas permite agrupar y orientar las palabras clave por intención. Y esto es primordial a la hora de crear contenidos.