Σύμφωνα με όλες τις πρόσφατες έρευνες, διεθνείς και εγχώριες, το Ηλεκτρονικό Εμπόριο συνιστά έναν από τους ευέλικτους, τους πλέον μεταβαλλόμενους και εξελισσόμενους κλάδους της Αγοράς, με την πανδημία να έχει λειτουργήσει ως ο απόλυτος ρυθμιστής, καταλύτης και πολλαπλασιαστής του βαθμού εξοικείωσης των καταναλωτών με τις online αγορές.
Δεν υπάρχει κρίκος της αλυσίδας λειτουργίας του e-Commerce, από τα ηλεκτρονικά καταστήματα και τους προμηθευτές, έως τις εταιρείες κατασκευής ιστοσελίδων, digital marketing και ταχυμεταφορών/logistics, που να μην μπήκε σε διαδικασία επιτάχυνσης της προσαρμογής στα νέα δεδομένα προκειμένου να αντεπεξέλθει σε αυτά τα πρωτόγνωρα επίπεδα ζήτησης.
Η «συνθήκη Covid» προκάλεσε μια δυναμική «αλλαγή παραδείγματος», ένα «τσουνάμι» αλλαγών καθιστώντας το Ηλεκτρονικό Εμπόριο μια βασική, μια mainstream και καθιερωμένη μορφή αγορών, που ωστόσο έχει ακόμη αρκετό δρόμο, σπριντ μετ εμποδίων, για να καταστεί πλήρως αποδεκτή και αξιόπιστη.
Οι απαιτήσεις άλλαξαν και σίγουρα απομακρύνθηκαν από την έννοια μιας απλής ανάγκης για εύκολες e-αγορές που την περίοδο των καθολικών lockdown, αποτελούσαν μονόδρομο. Ο Καταναλωτής καθώς ωρίμαζε και αποκτούσε εμπειρίες, ζητούσε με γεωμετρική πρόοδο πολλά περισσότερα από μια ευκολία, από τη βολή του.
Παράλληλα με την επιστροφή στη μερική κανονικότητα, το online έπαψε να είναι ο κυρίαρχος εχθρός, ο αντίπαλος του φυσικού καταστήματος, μιας και φαίνεται ότι στην πράξη τα δύο κανάλια αλληλοσυμπληρώνονται, με τη μάχη να μεταφέρεται στα «χαρακώματα» της αγοράς των ηλεκτρονικών καταστημάτων.
Νικητής σε αυτή τη μάχη, προσώρας, φαίνεται ότι βγαίνει όποιος e-retailer έχει εμπεδώσει το μάθημα και χρησιμοποιεί κανόνες, όρους και τεχνολογία για το «ιερό δισκοπότηρο» του Ηλεκτρονικού Εμπορίου, το Optimum User Experience. Δηλαδή, τη βέλτιστη, την πλέον συγκλονιστική εμπειρία του πελάτη!
Μια online επιχείρηση, προκειμένου να παραμείνει βιώσιμη και μέσα στο «παιχνίδι», οφείλει να εντάξει στο δυναμικό της παράγοντες όπως:
η έρευνα και η ανάλυση σε βάθος των νέων αγοραστικών τάσεων
η αξιολόγηση των ευρημάτων σχετικά με το πώς αυτά μπορούν να αξιοποιηθούν
η αναζήτηση των τεχνολογιών που θα υπηρετήσουν τα ευρήματα και, το κυριότερο
η αποτελεσματική εφαρμογή τους.
Το ΑΙΕΝ ΑΡΙΣΤΕΥΕΙΝ για το business του e-Commerce
Ο διαρκής ανασχεδιασμός κομβικών σημείων ενός e-shop μέσω της βελτίωσης του Customer Experience, σχετίζεται με την υιοθέτηση ενός συνόλου καινοτόμων εφαρμογών, οι οποίες βασίζονται σε λύσεις Τεχνητής Νοημοσύνης (Artificial Intelligence) και Μηχανικής Εκμάθησης (Machine Learning), τόσο σε επίπεδο λειτουργίας, όσο και εποπτείας. Oι τεχνολογίες αυτές προσφέρουν σε ένα ηλεκτρονικό κατάστημα τη δυνατότητα:
Να διενεργεί αξιόπιστες πελατοκεντρικές έρευνες, Α/Β testing και αξιολογήσεις (customer-centric research),
Να επιτυγχάνει αποδοτικό retargeting δυνητικών πελατών και
Να παράγει την πλέον αποδοτική διαδικασία πωλήσεων μέσω της δημιουργίας ενός νέου επιπέδου προσωποποίησης.
Mε το Μachine Learning εμβαθύνουμε τη στόχευση καθώς υπάρχει δυνατότητα πρόβλεψης με πολύ μεγαλύτερη ακρίβεια και ταχύτητα – σε σχέση με το παραδοσιακό data analytics – αναφορικά με το πoιο περιεχόμενο λειτουργεί καλύτερα για κάθε segment πελατών. Κι αυτό είναι ο ορισμός του Personalization!
Πρόκειται για μια συνεχώς εξελισσόμενη in-house και πλήρως customized εφαρμογή, η οποία επιτρέπει σε ένα e-shop να αξιοποιήσει και να κατακτήσει όλες τις προκλήσεις του Personal E-mail Marketing Strategy.
Αυτό επιτυγχάνεται με τη δημιουργία επιμέρους καταλόγων εγγεγραμμένων χρηστών, μετά την «ιχνηλάτηση» των προσωπικών χαρακτηριστικών τους και της καταναλωτικής τους συμπεριφοράς.
Στην ουσία επιτυγχάνεται ο σχεδιασμός μοναδικών χαρακτήρων, στους οποίους επικοινωνούνται μοναδικά μηνύματα, βάσει των μοναδικών αναγκών τους, εξυπηρετώντας πάντα τους εμπορικούς στόχους του retailer. Το πιο σημαντικό, είναι ότι με την πρακτική αυτή διατηρείται ο έλεγχος της διαθεσιμότητας των προϊόντων, ώστε ποτέ να μη βρεθεί ο ιδιοκτήτης ενός e-shop εκτεθειμένος τη στιγμή της αποστολής του προσωποποιημένου μηνύματος.
Επιπλέον, μέσω της χρήσης ΑΙ & ML τεχνολογιών, υπάρχει η δυνατότητα, με την αναγνώριση των κινήσεων του χρήστη κατά την περιήγηση και τη συνολική καταναλωτική του συμπεριφορά, της παροχής εργαλείων όπως η φωνητική βοήθεια για καθοδήγηση κατά την αναζήτηση των προϊόντων, αλλά και της εξυπηρέτησης εμπορικών σκοπών, μέσω της ενεργοποίησης στοχευμένων cross-selling & upselling μηχανισμών.
Με την αξιοποίηση των personalized στοιχείων καταναλωτικής συμπεριφοράς, παρέχεται η δυνατότητα σχεδιασμού και λανσαρίσματος καμπανιών «Αδημονίας» (Impatience Campaigns) προκειμένου να επικοινωνείται η ανάγκη μιας αγοράς προϊόντος πριν ακόμα τη συνειδητοποιήσει ο πελάτης.
Η έννοια του Continuous Optimization υπήρξε ανέκαθεν αναπόσπαστο κομμάτι της λογικής τής Plushost, γεγονός που βοήθησε την εταιρεία να προετοιμαστεί έγκαιρα, προκειμένου να αντιμετωπίσει το big bang των online πωλήσεων που έφερε η πανδημία.
Μέσω της διαρκούς βελτιστοποίησης των εφαρμογών και της ενσωμάτωσης νέων τεχνολογιών που αναβαθμίζουν το User Experience, η Plushost κατάφερε αύξηση της επαναληψιμότητας των αγορών έως και 40% και ενίσχυση της πελατειακής βάσης εγγεγραμμένων χρηστών έως και 65% σε σχέση με τον προηγούμενο χρόνο, με παράλληλη διατήρηση ή και μείωση του spending των πελατών της.
-Advertorial-
Πριν από μερικές εβδομάδες, μου ζητήθηκε να κάνω μια γρήγορη εισαγωγή στο SEO για μερικά νέα μέλη της ομάδας SEO PowerSuite. Το μέρος των “βασικών” είχε πάει αρκετά ομαλά μέχρι να περάσουμε στο θέμα της συμπεριφοράς των χρηστών και της επιρροής της στην κατάταξη.
Πίσω στο 2015, οι καυτές συζητήσεις σχετικά με το εάν τέτοιες μετρήσεις συμπεριφοράς χρηστών όπως η αναλογία κλικ προς αριθμό εμφανίσεων αποσπάσματος αναζήτησης, ο χρόνος παραμονής και το pogo-sticking αποτελούσαν μέρος του αλγόριθμου κατάταξης της Google ανατίναξαν τη σκηνή του SEO. Γρήγορα προς τα εμπρός στο 2022, και αυτό το θέμα δεν φαίνεται πλέον να είναι στην ημερήσια διάταξη, αφήνοντας πάρα πολλά ερωτήματα αναπάντητα.
Σε αυτό το άρθρο, θα εμβαθύνω σε όλα όσα γνωρίζουμε μέχρι στιγμής σχετικά με τη συμπεριφορά των χρηστών και τον αντίκτυπό της στην κατάταξη, θα αναλύσω τα στοιχεία υπέρ και κατά της χρήσης μετρήσεων συμπεριφοράς από την Google και τελικά θα προσπαθήσω να καταλήξω στην ετυμηγορία εάν αυτό είναι κάτι που δικαιολογεί μια προσαρμογή στη στρατηγική SEO σας.
Οι φήμες ότι η Google μπορεί να χρησιμοποιεί δεδομένα συμπεριφοράς στον αλγόριθμο κατάταξής της ήταν στον αέρα εδώ και αρκετό καιρό.
Ιδιαίτερο ενδιαφέρον είχαν οι μαρτυρίες των τριών πρώην υπαλλήλων της Google.
Πρώτος ήταν ο Edmond Lau, ο οποίος εργαζόταν στην Ποιότητα Αναζήτησης Google. Το 2011, είπε τα εξής στο Quora:
Είναι αρκετά σαφές ότι οποιαδήποτε λογική μηχανή αναζήτησης θα χρησιμοποιούσε δεδομένα κλικ στα δικά της αποτελέσματα για να ανατροφοδοτήσει την κατάταξη για να βελτιώσει την ποιότητα των αποτελεσμάτων αναζήτησης. Τα αποτελέσματα στα οποία γίνεται σπάνια κλικ θα πρέπει να πέφτουν προς τα κάτω, επειδή είναι λιγότερο σχετικά και τα αποτελέσματα στα οποία γίνεται συχνά κλικ εμφανίζονται με συννεφάκι προς τα πάνω.
Edmond Lau, πρώην μηχανικός της Google
Στη συνέχεια, την ίδια χρονιά, ο Amit Singhal, ο κορυφαίος μηχανικός αναζήτησης της Google εκείνη την εποχή, ανέφερε σε μια συνέντευξη στη Wall Street Journal ότι η Google είχε προσθέσει πολλά “σήματα” ή παράγοντες στον αλγόριθμό της για την κατάταξη ιστοτόπων:
Το πώς αλληλεπιδρούν οι χρήστες με έναν ιστότοπο είναι ένα από αυτά τα σημάδια.
Amit Singhal, πρώην ανώτερος αντιπρόεδρος της Google
Το επόμενο έτος, σε μια δικαστική υπόθεση της Ομοσπονδιακής Επιτροπής Εμπορίου , ο πρώην επικεφαλής ποιότητας αναζήτησης της Google, Udi Manber, κατέθεσε τα εξής:
Η ίδια η κατάταξη επηρεάζεται από τα δεδομένα κλικ. Αν ανακαλύψουμε ότι, για ένα συγκεκριμένο ερώτημα, υποθετικά, το 80 τοις εκατό των ατόμων κάνουν κλικ στο Αποτέλεσμα Νο. 2 και μόνο το 10 τοις εκατό κάνουν κλικ στο Αποτέλεσμα Νο. 1, μετά από λίγο πιστεύουμε ότι το αποτέλεσμα 2 είναι αυτό που θέλουν οι άνθρωποι. Οπότε θα το αλλάξουμε.
Udi Manber, πρώην επικεφαλής ποιότητας αναζήτησης στην Google
Όλες αυτές οι δηλώσεις που προέρχονται από υπαλλήλους της Google, πρώην και μη, σηματοδότησε τη γέννηση διαφόρων υπηρεσιών χειραγώγησης CTR και πυροδότησε ένα κύμα πειραμάτων στην πραγματική ζωή. Εκείνοι οι SEO που δεν ήταν κατά της χρήσης των τακτικών SEO blackhat έσπευσαν να αγοράσουν επισκεψιμότητα από bot ενώ άλλοι προσπάθησαν να προσελκύσουν πραγματικούς χρήστες στα πειράματά τους.
Τα πρώτα ρομπότ CTR ήταν υπερβολικά απλοποιημένα και απέτυχαν να μιμηθούν την πραγματική συμπεριφορά των χρηστών, έτσι η πρώτη ομάδα ελεγκτών συνειδητοποίησε γρήγορα ότι η Google μπορούσε εύκολα να πιάσει και να παραμελήσει τα δεδομένα συμπεριφοράς που προέρχονταν από τα ρομπότ. Η δεύτερη ομάδα, ωστόσο, έκανε πολύ buzz στην κοινότητα SEO επειδή τα πειράματά της έδειξαν κάποια ζωντανά αποτελέσματα.
Το 2014-2015, ο Rand Fishkin του SparkToro πραγματοποίησε μια σειρά πειραμάτων για να δει εάν κάποια από τις μετρήσεις συμπεριφοράς είχε αντίκτυπο στην κατάταξη. Το πρώτο του πείραμα περιελάμβανε τον παράγοντα CTR – ο Rand ζήτησε από τους οπαδούς του στο Twitter να ψάξουν στο Google έναν συγκεκριμένο όρο και να επισκεφτούν τον ιστότοπό του από τους SERP. Μετά από λίγες ώρες, ο ιστότοπός του κατατάχθηκε πρώτος για το συγκεκριμένο ερώτημα, κερδίζοντας έξι θέσεις ως αποτέλεσμα.
Το δεύτερο πείραμα που διεξήγαγε ο Rand είχε στόχο να δοκιμάσει τις πιθανές επιπτώσεις του pogo-sticking (ένας τύπος συμπεριφοράς χρήστη που εμφανίζεται όταν ένας χρήστης «πηδά» σε ένα SERP από το ένα αποτέλεσμα στο άλλο για να βρει το πιο σχετικό) στις κατατάξεις της Google. Εκείνη τη φορά, ζήτησε από τους οπαδούς του στο Twitter να ολοκληρώσουν μερικά απλά βήματα από το στιγμιότυπο οθόνης:
Και πάλι, σε περίπου μία ώρα, το αποτέλεσμα #4 μετατράπηκε σε αποτέλεσμα #1.
Λίγους μήνες αργότερα, οι Ιταλοί επαγγελματίες SEO Cesarino Morellato & Andrea Scarpetta πραγματοποίησαν ένα παρόμοιο πείραμα με το πείραμα του Rand Fishkin . Ωστόσο, ένα πράγμα ήταν διαφορετικό. Αντί να προσελκύουν πραγματικούς χρήστες, κατασκεύασαν το δικό τους λογισμικό, το οποίο χρησιμοποιούσε χιλιάδες διευθύνσεις IP εντός των ΗΠΑ και μπορούσε να προσομοιώσει τη συμπεριφορά πραγματικών χρηστών. Σε αντίθεση με τα πειράματα με τα απλά ρομπότ CTR, το λογισμικό τους λειτούργησε και το δοκιμασμένο απόσπασμα αναζήτησης κέρδισε επτά θέσεις, μετακινώντας από τη θέση 10 στη θέση 3.
Περιέργως, όσο περισσότερο συζητήθηκαν όλα αυτά τα πειράματα σε κύκλους SEO, τόσο πιο απελπισμένα η Google αρνιόταν το γεγονός ότι τα δεδομένα συμπεριφοράς θα μπορούσαν να χρησιμοποιηθούν σε αλγόριθμους κατάταξης.
Όχι πολύ καιρό μετά το πρώτο πείραμα του Rand Fishkin, στο SMX Advanced το 2015, ο Gary Illyes της Google ρωτήθηκε αν χρησιμοποιούσαν κλικ για κατάταξη. Να τι είπε:
Χρησιμοποιούμε τα κλικ με μερικούς διαφορετικούς τρόπους. Τα κύρια πράγματα για τα οποία χρησιμοποιούμε τα κλικ είναι η αξιολόγηση και ο πειραματισμός. Υπάρχουν πολλοί άνθρωποι που προσπαθούν να προκαλέσουν θόρυβο στα κλικ. Ένας θα ήταν ο Rand Fishkin, ένας άλλος θα ήταν ο Brent Payne, και η χρήση αυτών των κλικ απευθείας στην κατάταξη, νομίζω, δεν έχει και πολύ νόημα.
Gary Illyes, Google Webmaster Trends Analysts
Είναι ενδιαφέρον ότι μόλις ένα μήνα μετά τη δήλωση του Illyes, η Google κυκλοφόρησε ένα δίπλωμα ευρεσιτεχνίας που περιγράφει πώς τα σχόλια των χρηστών (κλικ, χρόνος παραμονής κ.λπ.) θα μπορούσαν να χρησιμοποιηθούν εν μέρει για την τροποποίηση της κατάταξης των αποτελεσμάτων αναζήτησης.
Ωστόσο, ένα δίπλωμα ευρεσιτεχνίας που κυκλοφόρησε πρόσφατα δεν άλλαξε τη ρητορική των εκπροσώπων της Google.
Στο Pubcon Las Vegas 2016, ο Gary Illyes είπε ότι το CTR εξακολουθεί να μην χρησιμοποιείται ως παράγοντας κατάταξης:
Αν το καλοσκεφτείς, τα κλικ γενικά είναι απίστευτα θορυβώδη. Οι άνθρωποι κάνουν περίεργα πράγματα στις σελίδες αποτελεσμάτων αναζήτησης. Κάνουν κλικ τριγύρω σαν τρελοί και γενικά είναι πραγματικά πολύ δύσκολο να καθαρίσεις αυτά τα δεδομένα.
Gary Illyes, Google Webmaster Trends Analysts
Τον ακολούθησε ο John Mueller, ο οποίος εξήγησε ότι το pogo-sticking επίσης δεν είχε θεωρηθεί ως σήμα κατάταξης.
Προσπαθούμε να μην χρησιμοποιούμε τέτοια σήματα όταν πρόκειται για αναζήτηση. Αυτό είναι κάτι για το οποίο υπάρχουν πολλοί λόγοι για τους οποίους οι χρήστες μπορεί να πηγαίνουν πέρα δώθε, ή να κοιτάζουν διαφορετικά πράγματα στα αποτελέσματα αναζήτησης ή να παραμείνουν για λίγο σε μια σελίδα και να επιστρέψουν ξανά. Νομίζω ότι είναι πολύ δύσκολο να το τελειοποιήσουμε και να πούμε “καλά, θα μπορούσαμε να το μετατρέψουμε σε παράγοντα κατάταξης. Επομένως, δεν θα ανησυχούσα για τέτοια πράγματα.
John Mueller, Senior Webmaster Trends Analyst στην Google
Αργότερα, ο Gary Illyes επεσήμανε ξανά ότι τα δεδομένα συμπεριφοράς δεν χρησιμοποιήθηκαν για την κατάταξη:
Dwell time, CTR, όποια και αν είναι η νέα θεωρία του Fishkin, αυτά είναι γενικά φτιαγμένα χάλια. Η αναζήτηση είναι πολύ πιο απλή από ό,τι πιστεύουν οι άνθρωποι.
Gary Illyes, Google Webmaster Trends Analysts
Για τα επόμενα χρόνια, το θέμα της συμπεριφοράς των χρηστών και ο αντίκτυπός της στην κατάταξη ήταν περισσότερο ένα παιχνίδι πινγκ πονγκ όπου οι SEO συνέχιζαν να εκτελούν πολλά πειράματα, επιτυχημένα και όχι, οι υπάλληλοι της Google συνέχιζαν να αρνούνται τα πάντα και μεγάλα ονόματα του SEO συνέχιζαν να προσπαθούν να λύσουν το πρόβλημα. μυστήριο των δεδομένων συμπεριφοράς ως παράγοντα κατάταξης.
Οι πληροφορίες από το δίπλωμα ευρεσιτεχνίας της Google
Έτσι, το 2015, μόλις ένα μήνα μετά από μια άλλη άρνηση από τον Gary Illyes, η Google κυκλοφόρησε ένα δίπλωμα ευρεσιτεχνίας με το όνομα Τροποποίηση της κατάταξης αποτελεσμάτων αναζήτησης με βάση τα σιωπηρά σχόλια των χρηστών και ένα μοντέλο μεροληψίας παρουσίασης .
Το δίπλωμα ευρεσιτεχνίας, το οποίο είναι ακόμα ενεργό και θα λήξει μόνο το 2029, περιγράφει τους μηχανισμούς που διαθέτει η Google που βοηθούν στη συλλογή, απόδοση και αξιοποίηση δεδομένων συμπεριφοράς των χρηστών για την τροποποίηση της κατάταξης των αποτελεσμάτων αναζήτησης.
Αυτοί οι μηχανισμοί αποτελούν τη βάση της νέας μηχανής τροποποίησης κατάταξης , η οποία είναι ενσωματωμένη στον αρχικό αλγόριθμο κατάταξης και είναι υπεύθυνη για την ανακατάταξη των αποτελεσμάτων με βάση τα σιωπηρά σχόλια των χρηστών.
Εκτός από τον τροποποιητή κατάταξης, υπάρχουν δύο νέα στοιχεία στον νέο αλγόριθμο – αυτό που παρακολουθεί τη συμπεριφορά των χρηστών και αυτό που καταγράφει όλες τις πληροφορίες.
Ενδιαφέρον γεγονός
Δεν γνωρίζουμε με βεβαιότητα εάν τα στοιχεία παρακολούθησης και καταγραφής που περιγράφονται στο δίπλωμα ευρεσιτεχνίας είναι αυτόνομες λύσεις. Αλλά το πιθανότερο είναι ότι θα μπορούσε να είναι το πρόγραμμα περιήγησης Chrome.
Η υπηρεσία MetricsService του Chrome καταγράφει ό,τι κάνετε στον ιστό, συμπεριλαμβανομένων των ανοιχτών/κλειστών καρτελών, των ληφθέντων URL και πολλών άλλων. Μπορείτε να το ελέγξετε μόνοι σας εισάγοντας απλώς το chrome://histograms/ στη γραμμή διευθύνσεων.
Καθώς προχωράμε περαιτέρω στο δίπλωμα ευρεσιτεχνίας, βλέπουμε την επιβεβαίωση ότι τα δεδομένα κλικ μπορούν να αξιολογηθούν για την ανακατάταξη των αποτελεσμάτων αναζήτησης:
Οι αντιδράσεις των χρηστών σε συγκεκριμένα αποτελέσματα αναζήτησης ή λίστες αποτελεσμάτων αναζήτησης μπορούν να μετρηθούν, έτσι ώστε τα αποτελέσματα στα οποία κάνουν συχνά κλικ οι χρήστες να λαμβάνουν υψηλότερη κατάταξη.
πατέντα της Google
Οι μηχανισμοί που περιγράφονται στο δίπλωμα ευρεσιτεχνίας εξηγούν επίσης τους διάφορους τύπους μεροληψίας παρουσίασης. Έτσι, για παράδειγμα, εάν ένα εμπλουτισμένο απόσπασμα λάβει υψηλότερο CTR επειδή φαίνεται πιο ελκυστικό σε σύγκριση με άλλα αποτελέσματα, τα δεδομένα κλικ για αυτό το αποτέλεσμα μειώνονται σύμφωνα με το δίπλωμα ευρεσιτεχνίας. Αντίθετα, εάν τα αποτελέσματα από το κάτω μέρος ενός SERP έχουν χαμηλότερο CTR σε σύγκριση με υψηλότερες θέσεις, τα δεδομένα κλικ για αυτά τα αποτελέσματα υπερμετρώνται.
Εξετάζοντας βαθύτερα το δίπλωμα ευρεσιτεχνίας, φαίνεται ότι τα κλικ δεν είναι η μόνη μέτρηση που μπορεί να καταγράψει και να χρησιμοποιήσει η Google για την κατάταξη. Όπως ορίζεται στο δίπλωμα ευρεσιτεχνίας, για κάθε κλικ συλλέγονται οι ακόλουθες πληροφορίες:
Το αρχικό ερώτημα αναζήτησης ενός χρήστη
Οι πληροφορίες για έναν χρήστη
Το αποτέλεσμα στο οποίο έκανε κλικ ένας χρήστης
Ο χρόνος που ξόδεψε ένας χρήστης στη σελίδα που έκανε κλικ
Ένα άλλο απόσπασμα από το δίπλωμα ευρεσιτεχνίας καθιστά επίσης σωστό να συμπεράνουμε ότι τέτοιες μετρήσεις όπως το pogo-sticking και ο χρόνος παραμονής μπορούν ενδεχομένως να χρησιμοποιηθούν ως μέρος του αλγόριθμου κατάταξης:
Ο χρόνος (T) μπορεί να μετρηθεί ως ο χρόνος μεταξύ του αρχικού κλικ μέχρι το αποτέλεσμα του εγγράφου μέχρι τη στιγμή που ο χρήστης επιστρέψει στην κύρια σελίδα και κάνει κλικ σε ένα άλλο αποτέλεσμα εγγράφου. Επιπλέον, μπορεί να γίνει μια αξιολόγηση σχετικά με το χρόνο (T) σχετικά με το εάν αυτός ο χρόνος υποδεικνύει μεγαλύτερη προβολή του αποτελέσματος του εγγράφου ή μικρότερη προβολή του αποτελέσματος του εγγράφου, καθώς οι μεγαλύτερες προβολές είναι γενικά ενδεικτικές της ποιότητας για το αποτέλεσμα με κλικ.
πατέντα της Google
Συνολικά, το δίπλωμα ευρεσιτεχνίας είναι τεράστιο και είναι πράγματι θεαματικό το πόσο μακριά έφτασε η Google περιγράφοντας ακόμη και τις πιο μικρές πτυχές της ανάλυσης δεδομένων συμπεριφοράς. Αυτό, με τη σειρά του, οδηγεί σε ένα λογικό ερώτημα – γιατί θα ξοδέψει κανείς τόσο πολύ χρόνο για να περιγράψει λεπτομερώς τόσο περίπλοκους μηχανισμούς, εάν το όλο θέμα δεν εφαρμοστεί σε κανένα στάδιο;
Αξίζει να αναφέρουμε, ωστόσο, ότι το δίπλωμα ευρεσιτεχνίας περιγράφει επίσης τους μηχανισμούς που τελικά εφαρμόστηκαν από την Google αργότερα. Για παράδειγμα, υπάρχει μια έννοια της αναζήτησης για κινητά, η οποία χρησιμοποιεί γεωγραφική τοποθεσία για να παρέχει καλύτερα αποτελέσματα αναζήτησης:
Για παράδειγμα, η γνώση ότι ένας χρήστης υποβάλλει αίτημα από μια κινητή συσκευή και η γνώση της θέσης της συσκευής, μπορεί να οδηγήσει σε πολύ καλύτερα αποτελέσματα αναζήτησης για έναν τέτοιο χρήστη.
πατέντα της Google
Οι ανησυχίες
Αν και τείνω να πιστεύω ότι η Google χρησιμοποιεί δεδομένα συμπεριφοράς στους αλγόριθμούς της με κάποιο τρόπο – ως μέρος ενός περίπλοκου μηχανισμού και όχι μεμονωμένα – ορισμένοι ειδικοί SEO πιστεύουν διαφορετικά.
Ακολουθούν οι κύριες ανησυχίες τους σχετικά με το γιατί η Google δεν θα χρησιμοποιούσε ποτέ τέτοιες μετρήσεις όπως το CTR για την κατάταξη:
Το CTR είναι πολύ εύκολο να χειριστείτε
Μια από τις κοινές παρανοήσεις που ακούω κάθε τόσο είναι ότι το CTR δεν θα γίνει ποτέ παράγοντας κατάταξης, καθώς είναι εξαιρετικά εύκολο να το χειριστείς.
Ωστόσο, είναι εύκολο να καταστήσουμε αυτό το επιχείρημα άκυρο αν κάνουμε κάποια έρευνα.
Πρώτον, αν επιστρέψουμε στο δίπλωμα ευρεσιτεχνίας που συζητήσαμε προηγουμένως, θα διαπιστώσουμε ότι η Google γνωρίζει καλά το ενδεχόμενο πρόβλημα με τα δόλια κλικ . Περιέγραψαν ακόμη και τις διασφαλίσεις έναντι των spammers:
Λάβετε υπόψη ότι μπορούν να ληφθούν μέτρα προστασίας κατά των ανεπιθύμητων μηνυμάτων (χρήστες που δημιουργούν δόλια κλικ σε μια προσπάθεια να ενισχύσουν ορισμένα αποτελέσματα αναζήτησης) για να διασφαλιστεί ότι τα δεδομένα επιλογής χρήστη έχουν νόημα, ακόμη και όταν υπάρχουν πολύ λίγα δεδομένα για ένα δεδομένο (σπάνιο) ερώτημα. Αυτές οι διασφαλίσεις μπορεί να περιλαμβάνουν τη χρήση ενός μοντέλου χρήστη που περιγράφει πώς θα πρέπει να συμπεριφέρεται ένας χρήστης με την πάροδο του χρόνου και εάν ένας χρήστης δεν συμμορφώνεται με αυτό το μοντέλο, τα δεδομένα κλικ του μπορεί να αγνοηθούν.
πατέντα της Google
Δεύτερον, πρέπει να έχουμε κατά νου ότι η Google διαθέτει ήδη τους μηχανισμούς που βοηθούν στην επιτυχή ανίχνευση και καταπολέμηση της απάτης στα κλικ στην πλατφόρμα Google Ads.
Και ενώ μια πιθανή απειλή χειρισμών CTR στην οργανική αναζήτηση είναι οι υψηλότερες βαθμολογίες ορισμένων αποτελεσμάτων, οι συνέπειες της απάτης κλικ με διαφημίσεις θα ήταν πολύ χειρότερες. Ας πούμε, οποιοσδήποτε θα μπορούσε να χρησιμοποιήσει τα ρομπότ CTR για να εξαντλήσει τον προϋπολογισμό διαφημίσεων ενός ανταγωνιστή. Ή όσοι συμμετέχουν στο AdSense της Google θα είχαν χρησιμοποιήσει αυτήν την ευκαιρία για να ενισχύσουν τεχνητά τα κλικ στις διαφημίσεις στους ιστότοπούς τους για να δημιουργήσουν περισσότερα έσοδα.
Εάν η συμπεριφορά των χρηστών είναι παράγοντας κατάταξης, γιατί η Google το αρνείται
Ας υποθέσουμε λοιπόν για λίγο ότι η Google μπορεί εύκολα να ξεχωρίσει τα ρομπότ από πραγματικούς χρήστες στην οργανική αναζήτηση και να χρησιμοποιήσει τα δεδομένα κλικ τους για την κατάταξη. Γιατί να συνεχίσετε να αποκαλείτε το CTR ως “θορυβώδη” μέτρηση;
Υποψιάζομαι ότι, αν και υπάρχουν διασφαλίσεις, οι μηχανισμοί εξακολουθούν να μην είναι τέλειοι. Για παράδειγμα, τα εργαλεία SEO εξακολουθούν να είναι σε θέση να συλλέγουν δεδομένα SERP, παρά τις πολιτικές της Google που απαγορεύουν οποιαδήποτε αυτοματοποιημένη πρόσβαση στην υπηρεσία τους.
Επιπλέον, όσο περισσότερη απάτη κλικ χρειάζεται να καταπολεμήσει η Google, τόσο περισσότερη επεξεργαστική ισχύ σπαταλά.
Λαμβάνοντας υπόψη όλα αυτά, γίνεται προφανές γιατί οι υπάλληλοι της Google συνεχίζουν να αρνούνται το γεγονός ότι το CTR μπορεί να είναι μέρος του αλγόριθμου κατάταξης.
Αναζητήσεις με μηδενικό κλικ
Ένα άλλο επιχείρημα που ακούω πολύ συχνά είναι ότι η ενσωμάτωση της συμπεριφοράς των χρηστών σε αλγόριθμους έρχεται σε αντίθεση με αυτό που οδεύει η Google με τις δυνατότητες SERP της.
Σήμερα, βλέπουμε πράγματι όλο και περισσότερα χαρακτηριστικά SERP να παίρνουν τη λεγόμενη μηδενική θέση. Αυτό, με τη σειρά του, οδηγεί σε αλλαγές στη συμπεριφορά των χρηστών όπου πολλές αναζητήσεις καταλήγουν χωρίς κλικ σε οργανικά αποτελέσματα. Μια τέτοια συμπεριφορά είναι δύσκολο να μετρηθεί και να ερμηνευτεί, αλλά η Google φαίνεται να έχει μηχανισμούς για να το αντιμετωπίσει.
Βρήκα μια ερευνητική εργασία της Google που έχει πολλές πληροφορίες για το θέμα. Υπάρχει επίσης μια επιβεβαίωση ότι η συμπεριφορά των χρηστών σε τέτοια SERP δεν καταγράφεται επί του παρόντος. Οπότε βασικά η Google ξέρει πού πρέπει και πού δεν πρέπει να έχουν σημασία τα δεδομένα κλικ :
Δεύτερον, η μη γραμμική διάταξη και η οπτική διαφορά των στοιχείων SERP μπορεί να οδηγήσουν σε μη τετριμμένα μοτίβα προσοχής των χρηστών, τα οποία δεν συλλαμβάνονται από τις υπάρχουσες μετρήσεις αξιολόγησης.
Ερευνητικό έγγραφο της Google
Οι πιθανές περιπτώσεις χρήσης των σημάτων συμπεριφοράς
Εκτός από αυτά που μάθαμε μέχρι στιγμής, υπάρχουν αρκετές περιπτώσεις όπου μπορούμε να υποθέσουμε ότι η συμπεριφορά των χρηστών παίζει έναν συγκεκριμένο ρόλο.
Εδώ είναι:
Η συμπεριφορά του χρήστη είναι πιθανότατα μέρος του RankBrain
Αυτός ο αλγόριθμος χρησιμοποιείται για τον προσδιορισμό της πραγματικής πρόθεσης αναζήτησης πίσω από άγνωστα και μακροπρόθεσμα ερωτήματα για να παρέχει στους ερευνητές τα πιο σχετικά αποτελέσματα.
Έτσι, όταν πρόκειται για ένα ερώτημα που δεν είχε ξαναδεί, το RankBrain προσπαθεί πρώτα να το αντιστοιχίσει με τα ήδη υπάρχοντα ερωτήματα που μπορεί να έχουν παρόμοια σημασία και, στη συνέχεια, φιλτράρει τα αποτελέσματα ανάλογα.
Για να λειτουργεί αποτελεσματικά και να μπορεί να προβλέψει τα καλύτερα αποτελέσματα για κάθε άγνωστο ερώτημα, το RankBrain, όπως κάθε σύστημα μηχανικής μάθησης, πρέπει να διδάσκεται συνεχώς με βάση το τι λειτούργησε καλά για προηγούμενες αναζητήσεις. Για να γίνει αυτό, το RankBrain καταγράφει τι αποτελέσματα ικανοποιούν και τι δεν ικανοποιούν την πρόθεση αναζήτησης για όλα τα ερωτήματα που επεξεργάζεται.
Δεν γνωρίζουμε όλες τις μετρήσεις που χρησιμοποιεί το RankBrain για την αξιολόγηση της ικανοποίησης, αλλά είναι σωστό να υποθέσουμε ότι η συμπεριφορά των χρηστών παίζει κεντρικό ρόλο εδώ. Καθώς είναι δύσκολο να φανταστεί κανείς μια μέτρηση που θα έλεγε σε ένα μηχάνημα περισσότερα για τη συνάφεια ενός συγκεκριμένου αποτελέσματος αναζήτησης από τον αριθμό των πραγματικών κλικ που έλαβε.
Επιπλέον, βρήκα ένα ενδιαφέρον άρθρο στο Wired όπου ο παγκοσμίου φήμης συγγραφέας Steven Levy περιέγραψε πώς αναπτύχθηκε πραγματικά το RankBrain. Όπως φαίνεται από το άρθρο, η ομάδα τεχνητής νοημοσύνης της Google συζητούσε μια μέτρηση που θα έπρεπε να είχε βοηθήσει το RankBrain να δει πόσο καλά ένα συγκεκριμένο SERP ταιριάζει με ένα άγνωστο ερώτημα. Και αυτή η μέτρηση ήταν πράγματι CTR .
Αν και όχι τόσο προφανές, υπάρχει μια άλλη ένδειξη που υποδηλώνει ότι το RankBrain δεν λαμβάνει μόνο υπόψη το CTR αλλά και το χρόνο παραμονής και το pogo-sticking .
Η συμπεριφορά των χρηστών πιθανότατα βοηθά την Google να προσαρμοστεί στις αλλαγές πρόθεσης αναζήτησης
Είναι κοινό γεγονός ότι το νόημα πίσω από κάθε ερώτημα αναζήτησης μπορεί να αλλάξει με την πάροδο του χρόνου. Και η Google πρέπει να αντιδράσει γρήγορα για να ικανοποιήσει την πρόθεση των πραγματικών ερευνητών και να παρέχει τα πιο σχετικά αποτελέσματα στα SERP τους.
Η υπόθεση ότι η συμπεριφορά των χρηστών μπορεί να παίζει κάποιο ρόλο στην προσαρμογή στις αλλαγές πρόθεσης αναζήτησης είναι λογική και υποστηρίζεται από πολλούς ειδικούς SEO.
Κατά τη διάρκεια μιας από τις συνεδρίες Live with Search Engine , ο Pete Mayers της Moz σχολίασε ότι τα ακόλουθα:
Η ιδέα ότι αυτό που συμβαίνει με τη συμπεριφορά του ερευνητή δεν προκαλεί αυτές τις αλλαγές σημαίνει ότι η Google είναι εκεί και γράφει αυτόν τον κώδικα για κάθε πρόθεση, κάθε μέρα, και δεν μπορώ να πιστέψω ότι αυτό συμβαίνει.
Pete Mayers, Moz
Κατά τις πρώτες ημέρες μιας παγκόσμιας πανδημίας, μια τέτοια αλλαγή στην πρόθεση των ερευνητών συνέβη στα ερωτήματα που σχετίζονται με τη Γουχάν. Εκείνη την εποχή, η Google προσάρμοσε γρήγορα τα SERP και η κύρια εστίαση μετατοπίστηκε στα αποτελέσματα που σχετίζονται με τον COVID και όχι στις γενικές πληροφορίες για την πόλη.
Μπορώ να υποθέσω ότι αυτό μπορεί να συνέβη λόγω της έξαρσης συγκεκριμένων ερωτημάτων αναζήτησης, τα οποία περιελάμβαναν και τις δύο λέξεις-κλειδιά – Wuhan και COVID-19. Η μετατόπιση μπορεί επίσης να έχει εντοπιστεί από τον αλγόριθμο φρεσκάδας Google . Ωστόσο, θα ήταν μάλλον παράλογο εκ μέρους της Google να μην συνυπολογίσει τα δεδομένα συμπεριφοράς των χρηστών για να εντοπίσει τέτοιες αλλαγές στην πρόθεση αναζήτησης.
Η συμπεριφορά των χρηστών πιθανότατα επηρεάζει τη δημοτικότητα της επωνυμίας στην τοπική αναζήτηση
Ο δυνητικός αντίκτυπος της συμπεριφοράς των χρηστών στις κατατάξεις τοπικής αναζήτησης είναι ένα δημοφιλές θέμα σήμερα.
Καθώς η αναζήτηση γίνεται πιο βασισμένη σε οντότητες, η όλη ιδέα φαίνεται πολύ λογική.
Το ερώτημα εδώ είναι ποιοι παράγοντες χρησιμοποιούνται για την αξιολόγηση της συνάφειας αυτής ή της οντότητας. Ας πούμε, όταν κάποιος αναζητά μέρη για φαγητό σε κοντινή απόσταση, πώς ακριβώς δημιουργεί η Google ένα τοπικό πακέτο ή πώς αποφασίζει ποιος θα πρέπει να κατατάσσεται υψηλότερα στους χάρτες;
Γνωρίζουμε ήδη ότι πολλοί παράγοντες συμβάλλουν σε αυτό, όπως η εγγύτητα, οι τοπικοί σύνδεσμοι, οι κριτικές και πολλοί πολλοί άλλοι.
Θα μπορούσε όμως η συμπεριφορά των χρηστών να αυξάνει τις πιθανότητες να κερδίσετε υψηλότερες θέσεις στην τοπική αναζήτηση;
Είναι δυνατό.
Ας πούμε, εάν αρκετοί χρήστες επιλέξουν μια συγκεκριμένη επιχείρηση στους χάρτες και στη συνέχεια κάνουν κλικ στις Οδηγίες, η Google μπορεί να το εκλάβει ως ψήφο εμπιστοσύνης ότι αυτό το συγκεκριμένο αποτέλεσμα είναι πιο δημοφιλές από τις εναλλακτικές που παρουσιάζονται.
Σύμφωνα με την έρευνα που βρήκα, το βάρος των σημάτων συμπεριφοράς στις κατατάξεις τοπικής αναζήτησης εκτιμάται σε επίπεδο κάπως 10%, αλλά πολλοί ειδικοί SEO συμφωνούν στην ιδέα ότι θα αυξηθεί μόνο στο μέλλον:
Πιστεύω ότι θα συνεχίσουμε να βλέπουμε περισσότερους παράγοντες που βασίζονται στη συμπεριφορά και την αναθεώρηση να κερδίζουν στις κατατάξεις. Είναι αργό, αλλά είναι μακράν η πιο ακριβής ένδειξη καλών επιχειρήσεων. Καθώς η ικανότητα της Google να ανιχνεύει πραγματικές ενέργειες έναντι ψεύτικων συνεχίζεται, αυτό σίγουρα θα οδηγούσε στα καλύτερα τοπικά αποτελέσματα.
Mike Ramsey, Έρευνα κατάταξης παραγόντων τοπικής αναζήτησης 2020
Η συμπεριφορά του χρήστη χρησιμοποιείται (χρησιμοποιήθηκε) για εξατομίκευση
Αυτό ήταν όπου η Google κάποτε επιβεβαίωσε ότι η χρήση δεδομένων συμπεριφοράς για σκοπούς κατάταξης είχε νόημα.
Ωστόσο, το επίπεδο εξατομίκευσης σήμερα είναι πολύ περιορισμένο και η Google σπάνια ανακατατάσσει τους SERP με βάση αυτόν τον παράγοντα. Τέτοια σήματα όπως η τοποθεσία του χρήστη, η πρόθεση αναζήτησης και ο τύπος συσκευής παίζουν μεγαλύτερο ρόλο στον τρόπο διαμόρφωσης των SERP.
Είναι λοιπόν η συμπεριφορά των χρηστών παράγοντας κατάταξης;
Έχουμε τουλάχιστον πολλά έμμεσα στοιχεία για τη συμπεριφορά των χρηστών ως παράγοντα κατάταξης. Αυτά είναι το δίπλωμα ευρεσιτεχνίας της Google, τα αποτελέσματα πολλών πειραμάτων, οι δηλώσεις πρώην υπαλλήλων της Google και πιθανές περιπτώσεις χρήσης που μόλις επεσήμανα.
Ωστόσο, υπάρχουν μερικά πράγματα που πρέπει να έχουμε κατά νου.
Πρώτον, το δίπλωμα ευρεσιτεχνίας της Google περιγράφει πράγματι την ανάλυση συμπεριφοράς των χρηστών και τη χρήση μέχρι την παραμικρή λεπτομέρεια. Αλλά την ίδια στιγμή, κανείς, εκτός από τους μηχανικούς της Google, δεν μπορεί να πει εάν κάποιος από τους μηχανισμούς εφαρμόστηκε στην πραγματικότητα από την Google σε οποιοδήποτε στάδιο.
Δεύτερον, η πλειονότητα των πειραμάτων είναι ξεπερασμένα και είναι δύσκολο να προβλεφθεί εάν θα υπάρξουν αντιπροσωπευτικά αποτελέσματα αν κάνουμε το ίδιο πράγμα σήμερα. Ωστόσο, δεν πρέπει να ξεχνάμε ότι αυτά τα πειράματα έδειξαν κάποια αποτελέσματα στο παρελθόν, και αυτό είναι επίσης σημαντικό.
Τρίτον, δεν μπορούμε να αποδείξουμε ότι οι δηλώσεις πρώην υπαλλήλων της Google είναι αληθείς ή ψευδείς. Επιπλέον, αυτό που ίσχυε την εποχή που εργάζονταν στην Google μπορεί να είναι άσχετο σήμερα.
Τέλος, οι πιθανές περιπτώσεις χρήσης που έχω θίξει προηγουμένως είναι λογικές. Ωστόσο, εξακολουθούμε να μην έχουμε αρκετή έρευνα που να δείχνει μια ισχυρή και προφανή συσχέτιση μεταξύ της συμπεριφοράς των χρηστών και της κατάταξης.
Αυτό για το οποίο είμαι βέβαιος είναι ότι η Google του σήμερα τροφοδοτείται σε μεγάλο βαθμό από αλγόριθμους μηχανικής μάθησης και μπορεί να υπάρχουν χιλιάδες σήματα που υποστηρίζουν έμμεσα άμεσους παράγοντες κατάταξης. Η συμπεριφορά των χρηστών μπορεί κάλλιστα να είναι στη λίστα.
Είναι δύσκολο να μετρήσετε το πραγματικό βάρος SEO που έχουν οι μετρήσεις συμπεριφοράς των χρηστών, αλλά συνιστώ ανεπιφύλακτα να κάνετε βελτιστοποίηση για αυτές τις μετρήσεις. Και δεν πρόκειται για τις ταξινομήσεις εδώ, αλλά για τα οφέλη που θα έχει ο ιστότοπός σας από μια τέτοια βελτιστοποίηση.
Σκεφτείτε το με αυτόν τον τρόπο – εάν το απόσπασμα αναζήτησής σας έχει έναν δελεαστικό τίτλο και μια μετα-περιγραφή ή εάν έχετε καταφέρει να αποκτήσετε ένα πλούσιο απόσπασμα , περισσότεροι χρήστες θα κάνουν κλικ σε αυτό. Ως εκ τούτου, όχι μόνο θα λάβετε περισσότερους επισκέπτες, δυνητικούς πελάτες και μετατροπές, αλλά (δυνητικά) θα στείλετε επίσης ένα θετικό μήνυμα στην Google ότι μια συγκεκριμένη σελίδα του ιστότοπού σας είναι σχετική και καταπληκτική.
Πριν φύγεις…
Αρχικά, σας ευχαριστώ που διαβάσατε την ανάρτησή μου μέχρι το τέλος!
Τώρα είναι το διασκεδαστικό μέρος. Θυμάστε που είπα ότι τα περισσότερα πειράματα CTR ήταν ξεπερασμένα; Θέλω να εκτελέσω το δικό μου πείραμα CTR για να ενημερώσω περαιτέρω αυτό το άρθρο με ορισμένα δεδομένα από πρώτο χέρι. Επομένως, εάν έχετε ένα ελεύθερο λεπτό, κάντε google “πώς να κάνετε τον ιστότοπο φιλικό για κινητά” , βρείτε και κάντε κλικ στον οδηγό μας και μείνετε στη σελίδα για λίγο.
Μόλις τελειώσετε, αφήστε το + στα σχόλια. Εάν το πείραμα είναι επιτυχές, θα μοιραστώ τα αποτελέσματα μαζί σας στο Facebook.
Επίσης, μην διστάσετε να αφήσετε ένα σχόλιο παρακάτω εάν συμφωνείτε με το συμπέρασμά μου ή σε περίπτωση που έχω παραλείψει κάτι.
ΠΗΓΗ www.link-assistant.com
Βοηθώντας του μαθητές να γίνουν υπεύθυνοι ψηφιακοί πολίτες.
Το εκπαιδευτικό πρόγραμμα «Γίνε Ήρωας του Διαδικτύου» παρέχει στους εκπαιδευτικούς τα εργαλεία και τις μεθόδους που χρειάζονται για να διδάξουν τις βασικές αρχές ψηφιακής ασφάλειας. Η ύλη, που αναπτύχθηκε από την Google σε συνεργασία με τον οργανισμό iKeepSafe, δίνει τη δυνατότητα στους εκπαιδευτικούς να φέρουν στην τάξη τους τα πιο κρίσιμα διδάγματα αλλά και τη διασκέδαση που προσφέρει το παιχνίδι Ίντερλαντ.
Στη διδακτέα ύλη περιλαμβάνονται προγράμματα μαθημάτων σε πέντε θεματικές ενότητες, μαζί με δραστηριότητες και φύλλα εργασίας που σχεδιάστηκαν ως συμπληρωματικά του παιχνιδιού Ίντερλαντ.
Όλα τα συστατικά του «Γίνε Ήρωας του Διαδικτύου»:
Είναι σύμφωνα με τα πρότυπα της ISTE
Δεν απαιτούν σύνδεση ή υποβολή προσωπικών στοιχείων
5 σύντομες συμβουλές για κάθε πυλώνα του κώδικα του Ήρωα του Διαδικτύου, που θα σας βοηθήσουν να φέρεστε έξυπνα, με ασφάλεια και θετικότητα στο διαδίκτυο
Κατεβάστε και εκτυπώστε την πολύχρωμη σειρά αφισών που θα υπενθυμίζουν καθημερινά σε όλη την τάξη τα 5 θεμελιώδη μαθήματα για την ασφάλεια στο διαδίκτυο.
Βοηθώντας τα παιδιά να πλοηγούνται με ασφάλεια και αυτοπεποίθηση στον κόσμο του διαδικτύου
Για να μπορούν να αξιοποιούν πλήρως το διαδίκτυο, τα παιδιά πρέπει να είναι κατάλληλα προετοιμασμένα ώστε να παίρνουν έξυπνες αποφάσεις. Το πρόγραμμα Γίνε Ήρωας του Διαδικτύου διδάσκει στα παιδιά τις βασικές αρχές της ψηφιακής ιθαγένειας και ασφάλειας, ώστε να μπορούν να εξερευνούν τον διαδικτυακό κόσμο με σιγουριά.
ΤΑ ΒΑΣΙΚΑ
Ο Κώδικας του Ήρωα του Διαδικτύου
ΔΙΑΔΙΚΤΥΑΚΗ ΝΟΗΜΟΣΥΝΗ
Μοιράσου αλλά φυλάξου
Τα καλά (και τα κακά) νέα διαδίδονται αστραπιαία στο διαδίκτυο και, αν δεν προνοήσουν, τα παιδιά κινδυνεύουν να βρεθούν σε δύσκολες καταστάσεις με μακροχρόνιες συνέπειες. Η λύση; Να μάθουν τι και πώς να μοιράζονται με όσους γνωρίζουν και όσους δε γνωρίζουν.
Επικοινώνησε υπεύθυνα
Ενθαρρύνετε τα παιδιά να κοινοποιούν πολύ προσεκτικά, αντιμετωπίζοντας τη διαδικτυακή επικοινωνία όπως την αυτοπρόσωπη επικοινωνία. Αν κάτι δεν αρμόζει να ειπωθεί, δεν αρμόζει ούτε να αναρτηθεί.
Δώστε τους κατευθύνσεις για το τι είδους επικοινωνία είναι (ή δεν είναι) πρέπουσα.
Υπενθυμίστε τους ότι κρατάμε ιδιωτικά τα προσωπικά μας δεδομένα και στοιχεία για την οικογένεια ή τους φίλους μας.
ΔΙΑΔΙΚΤΥΑΚΗ ΕΓΡΗΓΟΡΣΗ
Μην την πατάς με την απάτη
Είναι πολύ σημαντικό να συνειδητοποιήσουν τα παιδιά ότι άνθρωποι και καταστάσεις που συναντούμε στο διαδίκτυο δεν είναι πάντα αυτό που δείχνουν. Το να διακρίνουμε ανάμεσα στο αληθινό και στο ψεύτικο είναι ένα πολύ σημαντικό μάθημα για την ασφάλεια στο διαδίκτυο.
ΔΙΑΔΙΚΤΥΑΚΗ ΔΥΝΑΜΗ
Κράτα καλά τα μυστικά σου
To προσωπικό απόρρητο και η ασφάλεια είναι εξίσου σημαντικά στο διαδίκτυο όσο και έξω από αυτό. Η περιφρούρηση πολύτιμων πληροφοριών βοηθά τα παιδιά να αποφύγουν καταστάσεις που ίσως βλάψουν τις συσκευές τους, την υπόληψή τους ή τις σχέσεις τους.
ΔΙΑΔΙΚΤΥΑΚΗ ΕΥΓΕΝΕΙΑ
Η κουλ συμπεριφορά είναι η καλή συμπεριφορά
Το διαδίκτυο είναι ένας πανίσχυρος ενισχυτής που μπορεί να χρησιμοποιηθεί για να διαδώσει θετικότητα ή αρνητικότητα. Μια βασική αρχή για να ακολουθούν τα παιδιά στις διαδικτυακές τους επικοινωνίες είναι: «συμπεριφέρομαι στους άλλους όπως θα ήθελα να μου συμπεριφέρονται εκείνοι». Έτσι δημιουργούν θετικό αντίκτυπο και αποδυναμώνουν συμπεριφορές εκφοβισμού (bullying) εκ μέρους άλλων.
ΔΙΑΔΙΚΤΥΑΚΟ ΘΑΡΡΟΣ
Αν έχεις αμφιβολίες, συζήτησέ το αμέσως
Ένα μάθημα που ισχύει για οτιδήποτε ενδέχεται να συναντήσουν τα παιδιά στον ψηφιακό κόσμο: Όταν έρχονται αντιμέτωπα με κάτι ύποπτο ή αμφίβολο, θα πρέπει να αισθάνονται άνετα να το συζητήσουν με έναν έμπιστο ενήλικα. Οι ενήλικες μπορούν να ενθαρρύνουν αυτή τη συμπεριφορά προάγοντας την ανοιχτή επικοινωνία στο σπίτι και στη σχολική τάξη.
ΕΡΓΑΛΕΙΑ & ΠΟΡΟΙ
Παίξε με ασφάλεια.
Μάθε με ασφάλεια.
Μείνε ασφαλής.
Πρόγραμμα μαθημάτων «Γίνε Ήρωας του Διαδικτύου»
Οι εκπαιδευτικοί, που διδάσκουν ασφάλεια του διαδικτύου στο σχολείο, μπορούν να κατεβάσουν διδακτέα ύλη που έχει λάβει Πιστοποίηση Ευθυγράμμισης από τη Διεθνή Εταιρία για την Τεχνολογία στην Εκπαίδευση (ISTE), καθώς και δραστηριότητες για να εφαρμόσουν οι μαθητές τα θεμελιώδη μαθήματα στην πράξη.
Οι γονείς, που συζητούν με τα παιδιά τους στο σπίτι σχετικά με την ασφάλεια στο διαδίκτυο, μπορούν να ενθαρρύνουν όλη την οικογένεια να διαβάσουν όλοι μαζί τις θεμελιώδεις αρχές και να δώσουν όλοι μαζί την «υπόσχεση».
Συνεργαστήκαμε με ειδικούς του τομέα της ψηφιακής ασφάλειας ώστε να διασφαλίσουμε ότι κάθε συστατικό του προγράμματος ανταποκρίνεται σε όσα πρέπει να γνωρίζουν οι οικογένειες και οι εκπαιδευτικοί.
Ο Συνασπισμός για την Ασφάλεια στο Διαδίκτυο στοχεύει στην προστασία παιδιών, οικογενειών και σχολείων, αξιολογώντας, συμβουλεύοντας και πιστοποιώντας οργανισμούς οι οποίοι συλλέγουν, χρησιμοποιούν ή ανταλλάσσουν προσωπικές πληροφορίες και δεδομένα που προστατεύονται από τον νόμο.
Η τεχνητή νοημοσύνη στην ελλαδα μπορει και αξιοποιεί υπολογιστές και μηχανές για να μιμηθεί τις ικανότητες επίλυσης προβλημάτων και λήψης αποφάσεων του ανθρώπινου μυαλού.
Τι είναι η τεχνητή νοημοσύνη;
Ενώ αρκετοί ορισμοί της τεχνητής νοημοσύνης (AI) έχουν εμφανιστεί τις τελευταίες δεκαετίες, ο John McCarthy προσφέρει τον ακόλουθο ορισμό σε έγγραφο του 2004 ,
“Είναι η επιστήμη και η μηχανική του κατασκευή ευφυών μηχανών, ιδιαίτερα ευφυών προγραμμάτων υπολογιστών.
Σχετίζεται με το παρόμοιο έργο της χρήσης υπολογιστών για την κατανόηση της ανθρώπινης νοημοσύνης, αλλά η τεχνητή νοημοσύνη δεν χρειάζεται να περιοριστεί σε μεθόδους που είναι βιολογικά παρατηρήσιμες».
Ωστόσο, δεκαετίες πριν από αυτόν τον ορισμό, η γέννηση της συνομιλίας τεχνητής νοημοσύνης υποδηλώθηκε από το θεμελιώδες έργο του Alan Turing, ” Υπολογιστική Μηχανή και Νοημοσύνη το οποίο δημοσιεύτηκε το 1950. Το paper, ο Turing, που συχνά αναφέρεται ως ο «πατέρας της επιστήμης των υπολογιστών», θέτει την ακόλουθη ερώτηση, «Μπορούν οι μηχανές να σκεφτούν;»
Από εκεί, προσφέρει ένα τεστ, γνωστό πλέον ως «Turing Test», όπου ένας ανθρώπινος παραγονυθα προσπαθούσε να διακρίνει μεταξύ μιας απάντησης σε υπολογιστή και ανθρώπινου κειμένου.
Αν και αυτό το τεστ έχει υποβληθεί σε μεγάλο έλεγχο από τη δημοσίευσή του, παραμένει ένα σημαντικό μέρος της ιστορίας της τεχνητής νοημοσύνης καθώς και μια συνεχής έννοια στη φιλοσοφία, καθώς χρησιμοποιεί ιδέες γύρω από τη γλωσσολογία.
Ο Stuart Russell και ο Peter Norvig προχώρησαν στη δημοσίευση του Artificial Intelligence: A Modern Approach και έγινε ένα από τα κορυφαία εγχειρίδια στη μελέτη της τεχνητής νοημοσύνης. Σε αυτό, εμβαθύνουν σε τέσσερις πιθανούς στόχους ή ορισμούς της τεχνητής νοημοσύνης, που διαφοροποιεί τα συστήματα υπολογιστών με βάση τον ορθολογισμό και τη σκέψη έναντι της δράσης:
Συστήματα που σκέφτονται σαν άνθρωποι Συστήματα που λειτουργούν σαν άνθρωποι Ιδανική προσέγγιση:
Συστήματα που σκέφτονται ορθολογικά – Συστήματα που ενεργούν ορθολογικά
Ο ορισμός του Alan Turing θα έπεφτε στην κατηγορία των «συστημάτων που ενεργούν σαν άνθρωποι».
Στην απλούστερη μορφή της, η τεχνητή νοημοσύνη είναι ένα πεδίο που συνδυάζει την επιστήμη των υπολογιστών και ισχυρά σύνολα δεδομένων, για να επιτρέψει την επίλυση προβλημάτων. Περιλαμβάνει επίσης υποπεδία της μηχανικής μάθησης και της βαθιάς μάθησης, τα οποία αναφέρονται συχνά σε συνδυασμό με την τεχνητή νοημοσύνη. Αυτοί οι κλάδοι αποτελούνται από αλγόριθμους τεχνητής νοημοσύνης που επιδιώκουν να δημιουργήσουν έμπειρα συστήματα που κάνουν προβλέψεις ή ταξινομήσεις βάσει δεδομένων εισόδου.
Σήμερα, πολλή διαφημιστική εκστρατεία εξακολουθεί να περιβάλλει την ανάπτυξη της τεχνητής νοημοσύνης, η οποία αναμένεται από κάθε νέα αναδυόμενη τεχνολογία στην αγορά. Όπως σημειώνεται στον κύκλο διαφημιστικής εκστρατείας της Gartner (ο σύνδεσμος βρίσκεται εκτός της IBM), καινοτομίες προϊόντων, όπως αυτοκίνητα αυτόματης οδήγησης και προσωπικοί βοηθοί, ακολουθούν «μια τυπική εξέλιξη της καινοτομίας, από τον υπερβολικό ενθουσιασμό σε μια περίοδο απογοήτευσης έως την τελική κατανόηση της συνάφειας και του ρόλου της καινοτομίας σε μια αγορά ή τομέα.” Όπως σημειώνει ο Lex Fridman εδώ (01:08:15) (ο σύνδεσμος βρίσκεται εκτός IBM) στη διάλεξή του στο MIT το 2019, βρισκόμαστε στην κορυφή των διογκωμένων προσδοκιών, πλησιάζοντας στο κατώτατο σημείο της απογοήτευσης.
Καθώς αναδύονται συζητήσεις γύρω από την ηθική της τεχνητής νοημοσύνης, μπορούμε να αρχίσουμε να βλέπουμε τις αρχικές αναλαμπές της κοιλάδας της απογοήτευσης. Για να διαβάσετε περισσότερα σχετικά με τη θέση της IBM στη συζήτηση σχετικά με την ηθική της τεχνητής νοημοσύνης , διαβάστε περισσότερα εδώ .
Τύποι τεχνητής νοημοσύνης—αδύναμο AI έναντι ισχυρού AI
Η αδύναμη τεχνητή νοημοσύνη —που ονομάζεται επίσης στενή τεχνητή νοημοσύνη ή τεχνητή στενή νοημοσύνη (ANI)— είναι εκπαιδευμένη και εστιασμένη στην τεχνητή νοημοσύνη για την εκτέλεση συγκεκριμένων εργασιών. Η αδύναμη τεχνητή νοημοσύνη οδηγεί το μεγαλύτερο μέρος της τεχνητής νοημοσύνης που μας περιβάλλει σήμερα. Το “Narrow” μπορεί να είναι πιο ακριβής περιγραφή για αυτόν τον τύπο τεχνητής νοημοσύνης, καθώς είναι κάθε άλλο παρά αδύναμο. Επιτρέπει ορισμένες πολύ ισχυρές εφαρμογές, όπως το Siri της Apple, το Alexa της Amazon, το IBM Watson και αυτόνομα οχήματα.
Το Strong AI αποτελείται από την Τεχνητή Γενική Νοημοσύνη (AGI) και την Τεχνητή Σούπερ Νοημοσύνη (ASI).
Η τεχνητή γενική νοημοσύνη (AGI), ή γενική τεχνητή νοημοσύνη, είναι μια θεωρητική μορφή τεχνητής νοημοσύνης όπου μια μηχανή θα έχει νοημοσύνη ίση με αυτή των ανθρώπων. θα είχε μια συνειδητή αυτογνωσία που έχει την ικανότητα να λύνει προβλήματα, να μαθαίνει και να σχεδιάζει το μέλλον.
Η Τεχνητή Σούπερ Νοημοσύνη (ASI)—γνωστή και ως υπερευφυΐα—θα ξεπερνούσε την ευφυΐα και την ικανότητα του ανθρώπινου εγκεφάλου. Ενώ η ισχυρή τεχνητή νοημοσύνη εξακολουθεί να είναι εντελώς θεωρητική χωρίς πρακτικά παραδείγματα που χρησιμοποιούνται σήμερα, αυτό δεν σημαίνει ότι οι ερευνητές της τεχνητής νοημοσύνης δεν εξερευνούν επίσης την ανάπτυξή της. Εν τω μεταξύ, τα καλύτερα παραδείγματα ASI μπορεί να είναι από επιστημονική φαντασία, όπως ο HAL, ο υπεράνθρωπος, απατεώνας βοηθός υπολογιστή στο 2001: A Space Odyssey.
Βαθιά μάθηση έναντι μηχανικής μάθησης
Δεδομένου ότι η βαθιά μάθηση και η μηχανική μάθηση τείνουν να χρησιμοποιούνται εναλλακτικά, αξίζει να σημειωθούν οι αποχρώσεις μεταξύ των δύο. Όπως αναφέρθηκε παραπάνω, τόσο η βαθιά μάθηση όσο και η μηχανική μάθηση είναι υποπεδία της τεχνητής νοημοσύνης και η βαθιά μάθηση είναι στην πραγματικότητα ένα υποπεδίο της μηχανικής μάθησης.
Οπτική αναπαράσταση του τρόπου με τον οποίο το AI, ML και DL σχετίζονται μεταξύ τους
Η βαθιά μάθηση στην πραγματικότητα αποτελείται από νευρωνικά δίκτυα. Το “Deep” στη βαθιά μάθηση αναφέρεται σε ένα νευρωνικό δίκτυο που αποτελείται από περισσότερα από τρία επίπεδα – τα οποία θα περιλαμβάνουν τις εισόδους και τις εξόδους – μπορεί να θεωρηθεί αλγόριθμος βαθιάς μάθησης. Αυτό αναπαρίσταται γενικά χρησιμοποιώντας το ακόλουθο διάγραμμα:
Διάγραμμα Βαθύ Νευρωνικού Δικτύου
Ο τρόπος με τον οποίο η βαθιά μάθηση και η μηχανική μάθηση διαφέρουν είναι στο πώς μαθαίνει κάθε αλγόριθμος.
Η βαθιά εκμάθηση αυτοματοποιεί μεγάλο μέρος του τμήματος εξαγωγής χαρακτηριστικών της διαδικασίας, εξαλείφοντας μέρος της χειροκίνητης ανθρώπινης παρέμβασης που απαιτείται και επιτρέποντας τη χρήση μεγαλύτερων συνόλων δεδομένων. Μπορείτε να σκεφτείτε τη βαθιά μάθηση ως «κλιμακούμενη μηχανική μάθηση», όπως σημείωσε ο Lex Fridman στην ίδια διάλεξη του MIT από πάνω. Η κλασική ή «μη βαθιά» μηχανική μάθηση εξαρτάται περισσότερο από την ανθρώπινη παρέμβαση για μάθηση.
Οι ειδικοί στον άνθρωπο καθορίζουν την ιεραρχία των χαρακτηριστικών για να κατανοήσουν τις διαφορές μεταξύ των εισροών δεδομένων, που συνήθως απαιτούν περισσότερα δομημένα δεδομένα για την εκμάθηση.
Η “βαθιά” μηχανική εκμάθηση μπορεί να αξιοποιήσει επισημασμένα σύνολα δεδομένων, γνωστά και ως εποπτευόμενη μάθηση, για να ενημερώσει τον αλγόριθμό της, αλλά δεν απαιτεί απαραίτητα ένα επισημασμένο σύνολο δεδομένων.
Μπορεί να απορροφήσει μη δομημένα δεδομένα στην ακατέργαστη μορφή τους (π.χ. κείμενο, εικόνες) και μπορεί να καθορίσει αυτόματα την ιεραρχία των χαρακτηριστικών που διακρίνουν διαφορετικές κατηγορίες δεδομένων μεταξύ τους. Σε αντίθεση με τη μηχανική μάθηση, δεν απαιτείται ανθρώπινη παρέμβαση για την επεξεργασία δεδομένων, επιτρέποντάς μας να κλιμακώνουμε τη μηχανική μάθηση με πιο ενδιαφέροντες τρόπους.
Εφαρμογές τεχνητής νοημοσύνης Υπάρχουν πολλές, πραγματικές εφαρμογές συστημάτων τεχνητής νοημοσύνης σήμερα. Παρακάτω είναι μερικά από τα πιο κοινά παραδείγματα:
Αναγνώριση ομιλίας: Είναι επίσης γνωστή ως αυτόματη αναγνώριση ομιλίας (ASR), αναγνώριση ομιλίας υπολογιστή ή ομιλία σε κείμενο και είναι μια δυνατότητα που χρησιμοποιεί την επεξεργασία φυσικής γλώσσας (NLP) για την επεξεργασία της ανθρώπινης ομιλίας σε γραπτή μορφή. Πολλές κινητές συσκευές ενσωματώνουν αναγνώριση ομιλίας στα συστήματά τους για τη διεξαγωγή φωνητικής αναζήτησης—π.χ. Siri—ή παρέχουν μεγαλύτερη προσβασιμότητα σχετικά με την αποστολή γραπτών μηνυμάτων.
Εξυπηρέτηση πελατών: Οι διαδικτυακοί εικονικοί πράκτορες αντικαθιστούν τους ανθρώπινους πράκτορες κατά τη διάρκεια της διαδρομής των πελατών.
Απαντούν σε συχνές ερωτήσεις (FAQ) γύρω από θέματα, όπως η αποστολή, ή παρέχουν εξατομικευμένες συμβουλές, διασταυρούμενες πωλήσεις προϊόντων ή προτείνουν μεγέθη στους χρήστες, αλλάζοντας τον τρόπο με τον οποίο σκεφτόμαστε την αφοσίωση των πελατών σε ιστότοπους και πλατφόρμες μέσων κοινωνικής δικτύωσης.
Παραδείγματα περιλαμβάνουν bots ανταλλαγής μηνυμάτων σε ιστότοπους ηλεκτρονικού εμπορίου με εικονικούς πράκτορες , εφαρμογές ανταλλαγής μηνυμάτων, όπως το Slack και το Facebook Messenger, και εργασίες που συνήθως εκτελούνται από εικονικούς βοηθούς και βοηθούς φωνής .
Computer vision: Αυτή η τεχνολογία AI επιτρέπει σε υπολογιστές και συστήματα να αντλούν σημαντικές πληροφορίες από ψηφιακές εικόνες, βίντεο και άλλες οπτικές εισόδους και με βάση αυτές τις εισόδους, μπορεί να αναλάβει δράση. Αυτή η ικανότητα παροχής συστάσεων το διακρίνει από τις εργασίες αναγνώρισης εικόνων.
Με την υποστήριξη συνελικτικών νευρωνικών δικτύων, η όραση υπολογιστή έχει εφαρμογές για την προσθήκη ετικετών φωτογραφιών στα μέσα κοινωνικής δικτύωσης, την ακτινολογική απεικόνιση στην υγειονομική περίθαλψη και τα αυτοοδηγούμενα αυτοκίνητα στην αυτοκινητοβιομηχανία.
Μηχανές συστάσεων: Χρησιμοποιώντας δεδομένα συμπεριφοράς προηγούμενης κατανάλωσης, οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να βοηθήσουν στην ανακάλυψη τάσεων δεδομένων που μπορούν να χρησιμοποιηθούν για την ανάπτυξη πιο αποτελεσματικών στρατηγικών cross-selling.
Αυτό χρησιμοποιείται για την παροχή σχετικών συστάσεων πρόσθετων στους πελάτες κατά τη διαδικασία ολοκλήρωσης αγοράς για διαδικτυακούς λιανοπωλητές.
Αυτοματοποιημένες συναλλαγές μετοχών: Σχεδιασμένες για να βελτιστοποιούν τα χαρτοφυλάκια μετοχών, οι πλατφόρμες συναλλαγών υψηλής συχνότητας που βασίζονται σε τεχνητή νοημοσύνη πραγματοποιούν χιλιάδες ή και εκατομμύρια συναλλαγές την ημέρα χωρίς ανθρώπινη παρέμβαση.
