L’analisi dei Competitor è una pratica fondamentale di qualsiasi strategia SEO, perché consente di ottenere preziose informazioni sulle strategie adottate dai siti dei concorrenti che hanno raggiunto un migliore posizionamento nella SERP di Google. Questa tecnica si è evoluta notevolmente negli ultimi anni, grazie alla Data Science. Cosa c’entra il Machine Learning con l’analisi dei siti dei concorrenti? Vediamolo insieme.
L’analisi dei Competitor: metodologie tradizionali
Fino a qualche tempo fa, lo strumento necessario per fare un’analisi dei Competitor era Excel, le cui tabelle riportavano i dati prelevati da tool esterni, come SEMrush. Si trattava essenzialmente di gestire una gran mole di dati da processare manualmente, impiegando molto tempo, sia per razionalizzarli che per classificarli, con conseguenze ovvie relativamente alle tempistiche ed alla qualità dell’output.
Inoltre, oggi per fare SEO è necessario analizzare in profondità molti più fattori rispetto a qualche anno fa. Tutto questo presuppone un’evoluzione, che faccia risparmiare tempo mantenendo una forte consistenza dei dati, della loro standardizzazione e della loro qualità.
Ecco che ci vengono in soccorso gli algoritmi e i linguaggi di programmazione orientati alla Data Science, come Python e R.
Le nuove possibilità offerte dall’AI all’analisi dei competitor
Grazie all’AI e al Machine Learning, è possibile analizzare le strategie SEO dei siti concorrenti attraverso la verifica dinamica di numerosi parametri, non più limitati alla Keyword Analysis e a quella dei link in ingresso, ma estesi all’analisi della struttura e dei link interni del sito e alla attenzione ai fattori di posizionamento, come i recenti Core Web Vitals, che per Google caratterizzano una valida esperienza utente.
Sarà il SEO specialist a determinare quali sono gli elementi e le fonti di dati delle quali rilevare i valori, metterli in relazione e somministrarli all’algoritmo, in grado di analizzare velocemente grandi quantità di dati, per identificare i pattern corrispondenti ai fattori di ranking che possono giustificare le differenze nel posizionamento tra i siti e rilevare quali variazioni del dato unitario possono influire maggiormente sul posizionamento.
La sfida della SEO, oggi come ieri, è quella di fornire agli algoritmi dei Motori di ricerca contenuti di valore, siti veloci e tecnicamente ottimizzati per la UX, avere a disposizione grandi quantità di dati sempre aggiornati sui principali player del proprio mercato permette di risparmiare tempo e dedicarlo ad attività che possano influire direttamente sulle performance di visibilità del sito.
La SEO e l’analisi NLP
Oltre ai nuovi fattori di ranking da esaminare, già citati, ecco una novità che sta trasformando l’analisi dei Competitor: l’introduzione effettuata da Google del Natural Language Processing per l’analisi e la comprensione dell’intento di ricerca delle query, introdotta da BERT e presto implementata dal suo annunciato successore, MUM.
BERT, definito da Google un aggiornamento rivoluzionario dell’algoritmo che gestisce il ranking dei contenuti in SERP, si basa proprio sull’NLP per analizzare le query e comprenderne sempre meglio l’intento di ricerca. Molti esperti Seo autorevoli affermano che è questo aspetto quello che offre maggiori opportunità, perché dalla comprensione sempre più precisa dell’intento di ricerca deriveranno risultati sempre più attinenti.
BERT è infatti un framework NLP per l’elaborazione del linguaggio naturale sviluppato da Google, che lo ha reso open-source per metterlo a disposizione dei ricercatori, perché la comprensione dei contenuti da parte dell’algoritmo si evolva e raggiunga la massima precisione. I modelli BERT sono in grado di considerare una parola nell’ambito dell’intero contesto, analizzando anche le parole che la precedono e che la seguono, le quali sono particolarmente utili per comprendere l’intento delle query di ricerca.
Grazie al Machine Learning, prima del lancio BERT è stato addestrato sui contenuti del sito Wikipedia in lingua Inglese, per circa 2.500 milioni di parole. Tra gli obiettivi di BERT e degli algoritmi NLP è quello di giungere a prevedere il testo successivo alle parole analizzate, tradurre, riassumere e migliorare la comprensione automatica dei contenuti di testo e quelli audio, utili per la ricerca vocale.
Come praticare l’analisi dei contenuti del Competitor
Come iniziare ad operare con l’analisi NLP? Google ha reso disponibile una demo API per l’analisi del linguaggio naturale che permette di esaminare gratuitamente qualsiasi testo, fornendo dati sufficienti per i SEO. È possibile visualizzare come Google ha analizzato il testo della pagina meglio posizionata del sito dei competitor, individuare le entità e confrontarlo con quelli prodotti per il sito da posizionare al meglio. Le entità possono essere costituite da nomi di persone, di organizzazioni ed elementi quali date, citazioni di brand, colori, concetti ecc. .
La procedura non è complessa: in sostanza è possibile copiare il contenuto meglio posizionato, lo si incolla su Google NLP e si procede allo stesso modo con il proprio testo nel campo previsto per confrontare i risultati con quelli del sito del competitor e rilevare le differenze.
Le librerie disponibili per effettuare analisi NLP: SpaCy
Tra le librerie disponibili per l’analisi testuale dei contenuti, una particolarmente interessante è SpaCY. Si tratta di una libreria open-source per l’elaborazione avanzata del linguaggio naturale, o NLP, in linguaggio Python.
SpaCy permette di effettuare analisi di grandi quantità di testo e si propone di comprenderne significato, interpretando le relazioni tra parole ed estraendo informazioni relative a testi simili tra loro, citazioni di prodotti e servizi, e rilevando analogie, in modalità Deep Learning. Il Deep Learning è una branca del Machine learning che si occupa di apprendimento profondo, avvalendosi di reti neurali per effettuare un’analisi a diversi livelli di complessità, sempre più completa.
SpaCy consente di sviluppare applicazioni che elaborano e comprendono enormi volumi di testo. Può essere utilizzata per costruire sistemi di comprensione del linguaggio naturale o sistemi di estrazione di informazioni. La library è dotata di modelli statistici pre-addestrati e vettori di parole, può supportare la tokenizzazione – l’analisi lessicale – in una cinquantina di lingue diverse con una velocità impressionante.
Conclusioni
Abbiamo visto come l’analisi dei Competitor possa essere svolta attraverso nuove tecniche, che permettono di mettere a confronto i contenuti del sito meglio posizionato con quelli presenti nel sito del quale migliorare il posizionamento e verificare le differenze. Un SEO esperto può affiancare all’analisi dei diversi fattori conosciuti che condizionano il ranking dei siti e dei contenuti su Google, anche quella effettuata confrontando i testi, analizzandoli attraverso tool che si basano sull’elaborazione del linguaggio naturale.
La SEO sta cambiando? Qualche guru del settore prefigura una SEO sempre meno legata alle keyword – anche se le keyword sembrano essere ancora fondamentali ai fini del ranking – e sempre più alle entità. La SEO basata sulle entità è valutata più pertinente, raffinata e granulare della sola SEO per parole chiave, anche perché una grande percentuale delle query contiene in genere un’entità. La SEO gode ottima salute ed è chiamata ad affrontare sempre nuove sfide: ora è il tempo delle tecnologie NLP, alimentate dagli algoritmi di Machine Learning.
