Google vs Bing: analyse des éléments de corrélation de positionnement

http://www.referenceur.ma/fr/referencement-technique/209-google-vs-bing-positionnement

Plus tôt cette année, Danny Sullivan de la Third Door Media m'a demandé si SEOmoz pourrait rassembler des données comparant les éléments de positionnement de Google et ceux de Bing. Cela avait comme objectif d’aider à illustrer les potentiels différences que les référenceurs pourraient confronter en optimisant leurs sites pour les deux moteurs. Aujourd'hui à SMX Advanced in Seattle, j'ai présenté les données suivantes, compilées par Ben Hendrickson avec l'aide de l’ensemble de l'équipe des ingénieurs de SEOmoz (notamment Phil & Chas du côté Linkscape). Les résultats que je partage correspondent à ceux de la présentation, avec un peu plus des détails pour les personnes intéressées.

Les facteurs de positionnement de google et de bing

Au lieu d'inclure l’ensemble des diapositives, j'ai pris directement de la présentation les graphiques et les données. Pour ceux d'entre vous qui cherchent à convaincre les clients ou motiver les équipes internes, vous pouvez les utiliser dans vos propres présentations. Avant de commencer, je voudrais partager quelques notes critiques au sujet de cette recherche qui ne doivent pas être ignorées.

Les objectifs de la corrélation des données de recherche

Avec cette recherche, nous espérons accomplir trois choses importantes:

Apporter plus de science au référencement d’un ensemble des données évaluées par des pairs.
Fournir des recommandations fondées sur nos propres interprétations et ouvrir les données pour l'interprétation par d’autres.

Des recherches plus avancées, y compris l'analyse de causalité dans des modèles plus sophistiqués de classement, ainsi que plus d'analyse de corrélation, peut-être, sur d'autres facteurs, font certainement partie de nos objectifs.

Méthodologie

Nous ne regardions que la première des SEPRs (ce qui incluait 10 résultats, mais parfois contenait un nombre supérieur ou inférieur). Nous avons ignoré tous les résultats non standard (c'est à dire les résultats universels ou verticaux tels que la vidéo, images, local ou "réponses immédiates")
Les corrélations se basent sur le classement supérieur / inférieur à la première page de résultats de la recherche.
Nous avons contrôlé les résultats de recherche lorsque tous (ou aucune) les résultats correspondaient aux métriques. Ainsi, par exemple, si nous étions à la recherche d'une corrélation avec un nom de domaine .gov et aucun résultat dans l'ensemble ne comprenait un gov., nous n’utilisions pas ce SERP pour cette série de données.
Nous avons utilisé le coefficient de corrélation de Spearman, comme la norme (pour nous c’est le meilleur choix) pour les ensembles de données classées. Vous pouvez en savoir plus sur cette sélection via les commentaires de Ben ici et là.

C'est une méthode très similaire à celle que nous avons utilisée pour nos informations récentes de corrélation de Google PageRank.

Comprendre la signification de corrélation

Les chiffres de corrélation que nous montrons allaient de -0,2 à 0,35. Une parfaite corrélation serait de 1,0 et aucune corrélation serait de 0,0.

L'erreur typique pour chaque ensemble de résultats est inclue, mais elle est faible dans la plupart des cas que son affichage sur les barres graphique serait presque invisible. Grâce au grand nombre de résultats recueillis, nous avons une confiance dans la signification statistique.

Corrélation ≠ causalité

Comme il est bien connu que l'analyse statistique des corrélations mêmes très élevées, ne signifie pas nécessairement qu’un ensemble de données est la cause de l'autre. Les gens tenant des parapluies ne causent pas de pluie. Les ventes des glaces ne causent pas de temps chaud.

Plus je porte des costumes, plus je parle dans des conférences sur le SEO. Est-ce que cela signifie que les costumes sont mon passeport pour les conférences SEO?

Il est essentiel de savoir que les données ci-dessous, comme d’autres types des données de tests SEO, nécessitent une recherche fastidieuse. Ce serait une erreur de considérer l’analyse d'une grande corrélation comme un signe directe d’atteindre X ou Y.

Comprendre la négativité de corrélation

Sur les recherches de ci-dessous, vous verrez quelques points des données négatives de la corrélation. Cela signifie que lorsque nous avons vu l'élément, il a eu tendance à prédire une position inférieure plutôt que supérieure dans les résultats. Par exemple:

Les données des longs URLs montrent qu’ils sont corrélés négativement avec le classement. Ce n'est pas très choquant, et c'est probablement plus sage de limiter la longueur de nos adresses URLs si nous voulons obtenir de bons résultats sur des moteurs de recherche. Cependant, le second point de données est sur l’extension TLD .com. Cela ne veut pas dire que la proposition d’utiliser l’extension .com pour votre nom de domaine aura des mauvaises influences sur votre positionnement, mais, les domaines COM ne fonctionnent pas aussi bien dans l'ensemble de données que d’autres extensions de domaine que nous avons observé.

Certainement, nous essayerons de vous expliquer notre façon de penser, mais nous vous invitons à tirer vos propres conclusions à partir des données.

Comme nous l'avons vu dans le passé, lorsque des modèles de classement plus sophistiqués sont introduits, en utilisant l'apprentissage machine par rapport aux résultats de recherche, nous constatons souvent que les corrélations négatives précédentes se révèlent des facteurs de classement positif (ou neutre).

Plongeons dans les données