Η πιο συνηθισμένη μέθοδος βελτιστοποίησης των SERP listings είναι να ακολουθήσεις μια λίστα με best practices. Αυτά τα best practices μπορεί να έχουν χρησιμοποιηθεί από τη βιομηχανία του SEO γενικότερα, να έχουν οριστεί εσωτερικά, ή να αποτελούν ένα συνδυασμό και των δυο. Ενώ αυτή η προσέγγιση δείχνει να είναι και η πιο σωστή, μπορεί να είναι περιοριστική.
Χωρίς πειράματα (testing & experimentation), δεν είναι δυνατόν να ανακαλύψεις καινοτόμους τρόπους για να τραβήξεις την προσοχή των χρηστών στα search results.
Γι’ αυτό το λόγο, σου παρουσιάζουμε πέντε βήματα παρακάτω που μπορείς να ακολουθήσεις για να εκτελέσεις πετυχημένα πειράματα στα SERP listings σου και να τα βελτιστοποιήσεις με τρόπους που διαφορετικά δεν θα μπορούσες. Ας τα δούμε.
1. Σκέψου ως ένας Conversion Rate Optimizer (CRO)
Ναι, εκείνοι οι experts οι οποίοι ειδικεύονται στο conversion rate optimization έχουν μάθει να σκέφτονται επιστημονικά. Εξετάζουν εμπειρικά τις υποθέσεις τους με A/B tests, έτσι ώστε να έχουν ένα καθαρό control group και να μπορούν να προσδιορίσουν με σαφήνεια ποια version μιας σελίδας απέδωσε καλύτερα χρησιμοποιώντας στατιστική ανάλυση.
Δυστυχώς, στη βιομηχανία του SEO, δεν είναι δυνατή η διεξαγωγή πειραμάτων στα title tags, meta descriptions και rich result markups. Αλλά αυτό δεν σημαίνει ότι πρέπει να σταματήσεις να σκέφτεσαι επιστημονικά ή ότι δεν μπορείς να χρησιμοποιήσεις τα data που έχεις στα χέρια σου για να κάνεις conversion optimization.
Για να σκεφτείς ως ένας CRO expert, χωρίς ωστόσο την ικανότητα για split test, θα πρέπει να είσαι σε θέση να:
- Ορίσεις υποθέσεις για το τι μπορεί να βελτιώσει το conversion rate. Το πιο κρίσιμο στοιχείο για μια τέτοια υπόθεση είναι ότι μπορεί να τεσταριστεί. Μπορεί να αποδειχθεί ψευδές αν ακολουθήσεις τα διαθέσιμα data.
- Συγκέντρωσε τις παρατηρήσεις σου. Δοκιμάζουμε μια υπόθεση κάνοντας αλλαγές στα SERP listings. Μολονότι καμία μοναδική αλλαγή δεν μπορεί να μας πει αν η επίδραση ήταν θετική ή αρνητική, τα επαναλαμβανόμενα αποτελέσματα μπορούν να μας επιτρέψουν να εντοπίσουμε μια τάση και να δούμε αν η υπόθεσή μας ανταποκρίθηκε στο testing.
- Βελτίωσε την μέθοδό σου. Αν υποτεθεί ότι η υπόθεσή μας βγήκε αληθινή, μπορούμε να επαναλάβουμε τις ίδιες δοκιμές σε άλλα στοιχεία για να δούμε αν ισχύει η ίδια αρχή και αλλού. Αν δεν συμβαίνει αυτό, πρέπει να επιστρέψεις στο αρχικό σου πλάνοι και να βρεις κάτι καινούριο για να δοκιμάσεις.
Αυτή η επιστημονική προσέγγιση για τη βελτιστοποίηση των SERP listings μας εμποδίζει από το να ξεγελάσουμε τους αυτούς μας και να εισάγουμε αλλαγές μόνο και μόνο επειδή θεωρούνται ως best practices, όταν στην πραγματικότητα, για κάθε brand, μπορεί να είναι περισσότερο δεισιδαιμονία από οτιδήποτε άλλο.
2. Καθόρισε μια ξεκάθαρη αλλαγή
Όπως αναφέραμε και παραπάνω, όλα ξεκινούν με μια υπόθεση.
Για παράδειγμα, ίσως να έχεις δει μια μελέτη που υποδηλώνει ότι τα lists posts τείνουν να έχουν υψηλότερο click-through rate σε σχέση με άλλους τύπους posts. Αυτό το παράδειγμα λειτουργεί καλά ως υπόθεση επειδή δίνει ένα σαφή ορισμό του αν είναι αληθινό ή όχι. Έτσι, αν παραμετροποιήσεις τα title tags και το post και αποδειχθεί ότι ένα list post δεν αυξάνει τα click-throughs, η υπόθεσή μας είναι ψευδής.
Εάν θέλουμε τα tests μας να μας διδάξουν κάτι, η υπόθεσή μας πρέπει να είναι πολύ σαφής, όπως παρακάτω:
- Good: Αν υποθέσουμε ότι όλα τα υπόλοιπα είναι ίδια, ένα title tag που ξεκινά με έναν αριθμό που υποδηλώνει μια ποσότητα από subheadings θα δημιουργήσει υψηλότερο click-through rate από ένα title tag χωρίς αριθμό.
- Bad: Τα Lists posts είναι καλύτερα από άλλα posts.
Ο λόγος για τον οποίο η πρώτη επιλογή είναι “καλή” είναι ότι μας λέει ακριβώς τι είδους αλλαγές θα πρέπει να γίνουν στο title tag. Συγκεκριμένα, οι αλλαγές αυτές μπορούν να αναπαραχθούν σε πολλά title tags με συστηματικό τρόπο.
Μπορεί να μη μάθουμε τίποτα χρήσιμο εάν δοκιμάσουμε την “κακή” επιλογή, επειδή μπορεί να χρησιμοποιήσουμε έναν ασυνεπή ορισμό του τι είναι ένα list post όταν ανανεώσουμε τα title tags μας, θολώνοντας τα αποτελέσματα με αποτέλεσμα να μην έχουμε ακριβές πληροφορίες στη διάθεσή μας.
3. Προσδιόρισε ένα control group
Παρόλο που δεν είναι δυνατόν για εμάς το split-test των title tags ή του schema markup, αυτό δεν σημαίνει ότι πρέπει να απορρίψουμε την ιδέα ενός λογικά ελεγχόμενου πειράματος.
Μπορούμε να πούμε με μεγαλύτερη αξιοπιστία ότι μια αλλαγή έκανε τη διαφορά αν έχουμε κάτι που δεν άλλαξε για να το συγκρίνουμε ενάντια σε ένα control group. Αυτό συμβαίνει επειδή πολλές άλλες μεταβλητές θα μπορούσαν να έχουν αντίκτυπο. Αν αλλάξουμε ένα title tag και η επισκεψιμότητα δεν αυξηθεί, δεν γνωρίζουμε απαραίτητα αν η αλλαγή ήταν υπεύθυνη.
Είναι τελείως πιθανό ότι η επισκεψιμότητα θα είχε αυξηθεί ούτως ή άλλως ή ότι θα είχε αυξηθεί ακόμη περισσότερο αν δεν κάναμε την αλλαγή.
Έχοντας ένα control group σημαίνει ότι έχουμε μια ομάδα σελίδων που δεν έχουν αλλάξει, ώστε να δούμε αν οι νέες, ανανεωμένες σελίδες, επηρεάζονται θετικά, αρνητικά, ή ασήμαντα.
Για παράδειγμα, αν έπρεπε να ελέγξουμε την υπόθεση που κάναμε για τα list posts, θα έπρεπε να επιλέξουμε μια ομάδα σελίδων (group of pages) που θα ενημερώνονταν για να συμπεριλάβουν ένα list post title tag, καθώς και μια ομάδα σελίδων που δεν θα ενημερώνονταν για να συμπεριλάβουν ένα list post title tag.
Οι σελίδες του control group μας θα πρέπει να επιλεχθούν τόσο προσεκτικά όσο επιλέγουμε τις σελίδες που σκοπεύουμε να αλλάξουμε, αλλιώς τα αποτελέσματά μας δεν θα έχουν νόημα.
Λάβε υπόψη τα εξής:
- Οι σελίδες του control group πρέπει να ανήκουν στην ίδια κατηγορία με τις σελίδες της πειραματικής μας ομάδας (experimental group). Χρησιμοποιώντας το παράδειγμα του list posts, όλες οι σελίδες του control group θα πρέπει να είναι σελίδες που έχουν γίνει updated σε list posts. Εάν όχι, κινδυνεύουμε να επηρεάσουμε τα αποτελέσματα.
Για παράδειγμα, οι σελίδες που είναι κατάλληλες να μετατραπούν σε list posts ενδέχεται να είναι μεγαλύτερες από άλλες, οπότε μια αλλαγή στην επισκεψιμότητα στις σελίδες αυτές θα μπορούσε να οφείλεται σε αλλαγή στον τρόπο με τον οποίο η Google εξετάζει μεγαλύτερες σε περιεχόμενο σελίδες, παρά στις αλλαγές που πραγματοποιήσαμε στα title tags. Με άλλα λόγια, όλες οι σελίδες στο experimental και στο control group θα πρέπει να είναι κατάλληλες για την αλλαγή.
- Αφού επιλέξεις ποιες σελίδες είναι κατάλληλες για την αλλαγή, ποιες από αυτές θα ταιριάξουν στο control group και ποιες από αυτές στο experimental group θα πρέπει ιδανικά να επιλεγούν τυχαία ή τουλάχιστον αυθαίρετα. Και πάλι, εάν δεν το κάνουμε αυτό, κινδυνεύουμε να επηρεάσουμε τα αποτελέσματα.
Για παράδειγμα, ένας “κακός τρόπος” επιλογής σελίδων θα ήταν να επιλέξουμε αυτές που είναι high-performing και να τις συγκρίνουμε με τις low-performing. Οι σελίδες που έχουν ήδη καλές επιδόσεις θα ανταποκριθούν διαφορετικά σε αλλαγές που δεν είναι, οπότε δεν θα μαθαίναμε κατ’ ανάγκην κάτι σημαντικό από αυτή το test.
Στο Google Analytics, μπορείς να χρησιμοποιήσεις τα Content Groups για να παρακολουθήσεις ξεχωριστά δύο ομάδες. Μπορείς να το σετάρεις πηγαίνοντας στο Admin > View > Content Grouping, επιλέγοντας το κουμπί “+ New Content Grouping” και, στη συνέχεια, χρησιμοποιώντας έναν κώδικα παρακολούθησης, extraction, ή rule definition, για να καθορίσεις ποιες σελίδες ανήκουν στο experimental group και ποιες στο control group.
4. Παρακολούθησε τα rankings και το traffic ξεχωριστά
Εκτός από το Google Search Console, του οποίου τα δεδομένα είναι εξαιρετικά ακριβή, δεν έχουμε κανένα τρόπο να μετρήσουμε άμεσα τα click-through rates των SERP listings μας. Αντί να το μετρήσουμε άμεσα, πρέπει να είμαστε βέβαιοι ότι παρακολουθούμε ξεχωριστά την κατάταξη και την επισκεψιμότητά μας.
Ο λόγος είναι ο εξής:
Εάν, όπως συμβαίνει με το παράδειγμα των lists posts μας, η ενημέρωση των title tags γίνει ταυτόχρονα με μια συνολική πτώση της επισκεψιμότητας, δεν θα γνωρίζουμε κατ’ ανάγκη ότι αυτό συνέβη επειδή η αλλαγή επηρέασε αρνητικά τα click-through rates. Η προσθήκη ενός αριθμού στην αρχή των title tags μπορεί να έχει ωθήσει τα keywords πιο μακριά από την αρχή του tag, προκαλώντας την πτώση στην κατάταξη αυτών των keywords.
Συνολικά, ενδέχεται να υπήρξε βελτίωση του click-through rate έως ότου σημειώθηκε πτώση στην κατάταξη, με αποτέλεσμα τη συνολική μείωση της επισκεψιμότητας.
Μια στρατηγική που οδηγεί σε συνολική πτώση στην επισκεψιμότητα δεν είναι μία που θα θέλαμε να συνεχίσουμε να εφαρμόζουμε, αλλά θα μάθουμε το λάθος μάθημα εάν την αποδώσουμε στα click-through rates.
Η εξήγηση πρέπει να αποδοθεί στο CTR εάν τα rankings παρέμεναν τα ίδια.
Μπορείς να χρησιμοποιήσεις το SEMrush για να παρακολουθήσεις τα rankings για κάθε σελίδα του control group, αλλά και του experimental, μέσα από το “keywords count” drop down menu.
5. Ανάλυση και επανάληψη
Για να αξιολογήσεις τα αποτελέσματα του SERP listing test, θα χρειαστεί να δώσεις αρκετό χρόνο στις μηχανές αναζήτησης για να ενημερώσουν τα SERPs σου, καθώς και αρκετό χρόνο για να συλλέξεις αρκετά traffic data για να επιτύχεις σημαντικά αποτελέσματα.
Στις περισσότερες περιπτώσεις, δεν προσπαθούμε να μάθουμε αν υπάρχει διαφορά μεταξύ δύο διαφορετικών τρόπων δημιουργίας για ένα SERP listing. Γενικά, έχουμε μεγαλύτερη ανησυχία για το κατά πόσο θα παρατηρηθεί μια σημαντική διαφορά.
Το πώς θα το καθορίσεις αυτό is up to you, αλλά γενικά εάν η διαφορά στο traffic μεταξύ του control group και του experimental group είναι μικρότερη από 5%, μπορούμε να πούμε ότι δεν υπήρχε πραγματικός αντίκτυπος αν έχουμε περισσότερες από 500 επισκέψεις συνολικά. Σε αυτήν την περίπτωση, μαθαίνουμε ότι πρέπει να επιστρέψουμε στον ανασχεδιασμό της στρατηγικής και να σκεφτούμε άλλους τρόπους που θα έχουν μεγαλύτερο αντίκτυπο.
Αρνητική επίδραση
Εάν, από την άλλη πλευρά, διαπιστώνουμε σημαντικές αρνητικές επιπτώσεις στην επισκεψιμότητα, ενώ δεν πρόκειται για good news, κατά κάποιο τρόπο, είναι καλύτερο επειδή μαθαίνουμε περισσότερα από το αποτέλεσμα. Για παράδειγμα, αν ανακαλύψουμε ότι τα lists posts επηρεάζουν αρνητικά τα αποτελέσματα, θα μπορούμε να δημιουργήσουμε νέες υποθέσεις, όπως το αν το κοινό μας επηρεάζεται περισσότερο από συναισθηματικές εκκλήσεις παρά από την έκδοση εύπεπτου περιεχομένου.
Επιτυχία
Εάν το πείραμα ήταν επιτυχία, μπορούμε επίσης να μάθουμε περισσότερα από την προφανή συνέπεια ότι η αλλαγή θα πρέπει να θεσπιστεί παντού. Στο παράδειγμά μας, αν τα lists posts υπερνικούσαν το control group, αυτό θα μπορούσε να μας οδηγήσει σε άλλες υποθέσεις που πρέπει να δοκιμάσουμε, όπως το αν το κοινό μας ενδιαφέρεται για τους αριθμούς γενικότερα. Θα μπορούσαμε να δοκιμάσουμε να προσθέσουμε αριθμούς και ποσοστά σε τίτλους που δεν είναι κατάλληλοι για lists posts ή να κάνουμε αλλαγές στα meta descriptions για να συμπεριλάβουμε περισσότερα ποσοτικά στοιχεία.
Αυτό που κάνει τα testings τόσο πολύτιμα είναι ότι δεν πρόκειται μόνο για τις βελτιώσεις που μπορεί να κάνει κάθε μεμονωμένη δοκιμή στα click-through rates της SERP. Είναι ότι μαθαίνουμε πράγματα για το κοινό μας και μπορούμε να δοκιμάσουμε νέες, πιο γενικές ιδέες με βάση τα αποτελέσματα. Αυτό μας επιτρέπει να φτάνουμε όλο και πιο γρήγορα σε θετικά αποτελέσματα και σε επιτυχημένες στρατηγικές εφαρμογές.