Con miliardi di dollari spesi ogni anno per l'ottimizzazione dei motori di ricerca (SEO) e il marketing per i motori di ricerca (SEM), il potere dei termini di ricerca ha più valore che mai. Ma più di pochi professionisti del marketing digitale si sono sentiti frustrati nel corso degli anni sui limiti di quanto si può presumere e prevedere in base ai termini di ricerca stessi.

La stessa parola o termine utilizzato in cinque diverse ricerche può rappresentare cinque significati diversi. Ciò richiede ai professionisti SEO e SEM di trarre conclusioni speculative su quali termini di ricerca possono essere i più efficaci per una determinata campagna o iniziativa di marketing.

Questo problema è al centro di un recente studio che ha rivelato che un approccio diverso potrebbe fornire il contesto necessario per migliorare significativamente progetti e programmi SEO e SEM.

Lo studio in uscita nel numero di novembre della rivista INFORMS Scienze del marketing è intitolato "Un approccio semantico per la stima delle preferenze sui contenuti dei consumatori dalle query di ricerca online, " ed è scritto da Jia Liu della Hong Kong University of Science and Technology e Olivier Toubia della Columbia Business School.

I ricercatori si sono concentrati sulla sfida per i marketer digitali quando si tratta di dedurre le preferenze sui contenuti in modo più quantificato, modo sfumato e dettagliato. Se potessero, i ricercatori hanno offerto, quindi gli sforzi SEO e SEM potrebbero essere pianificati, implementato e valutato con maggiore precisione, prevedibilità ed efficacia.

"A causa della natura dei dati testuali nella ricerca online, dedurre le preferenze di contenuto dalle query di ricerca presenta diverse sfide, " ha detto Liu. "Una prima sfida è che i termini di ricerca tendono ad essere ambigui; questo è, i consumatori potrebbero usare lo stesso termine in modi diversi. Una seconda sfida è che il numero di possibili parole chiave o query che i consumatori possono utilizzare è vasto; e una terza sfida è la scarsità della query di ricerca. La maggior parte delle query di ricerca contiene solo fino a cinque parole."

Attraverso la loro ricerca, gli autori dello studio hanno stabilito che un approccio diverso potrebbe fornire un contesto migliore per i singoli termini di ricerca.

I ricercatori hanno utilizzato un "modello di argomenti" che aiuta a combinare le informazioni provenienti da più query di ricerca e i risultati di ricerca associati, e quindi quantificato la mappatura tra query e risultati. Questo modello è alimentato da un algoritmo di apprendimento che estrae "argomenti" dal testo in base all'occorrenza del testo. Il modello è progettato per stabilire un contesto in cui un tipo di termine è semanticamente correlato a un altro tipo di termine. Questo aiuta a fornire al sistema un contesto per l'uso del termine.

Come parte della loro ricerca, gli autori dello studio hanno testato vari contenuti monitorando il comportamento dei partecipanti allo studio sul motore di ricerca in un ambiente controllato. Fare così, gli autori dello studio hanno creato il proprio motore di ricerca chiamato "Hoogle, " che fungeva da filtro tra Google e l'utente. "Hoogle" ha eseguito tutte le query per i partecipanti allo studio e ha rivelato come l'algoritmo di apprendimento potrebbe funzionare in un ambiente reale.

"Siamo stati in grado di dimostrare che il nostro modello può essere utilizzato per spiegare e prevedere le percentuali di clic dei consumatori nella pubblicità di ricerca online in base al grado di allineamento tra il testo dell'annuncio di ricerca mostrato nella pagina dei risultati del motore di ricerca, e le preferenze di contenuto stimate dal nostro modello, " disse Toubia. "Alla fine, ciò che ciò consente ai professionisti del marketing digitale è abbinare meglio i risultati di ricerca effettivi con ciò che gli utenti intendono o intendono quando digitano termini di ricerca specifici".