Новый алгоритм «Яндекса», первые выводы — SEO на vc.ru
Произошло серьезное изменение в ранжировании Яндекса. Все точки над i поставлены после 10 Вебмастерской Яндекса, где Михаил Сливинский не только обозначил новые факторы ранжирования, но и показал на слайдах, когда начали накатываться обновления.
5961 просмотров
На основании статистических данных от экспертов «Скобеев и Партнеры» разберемся, какие гипотезы уже подтвердились и что можно сделать, чтобы восстановить позиции, либо поднять сайт в новых условиях.
Оптимизаторское сообщество со второй половины февраля стало замечать сильные «бури» в выдаче. Выглядело это так:
Источник: https://tools.pixelplus.ru/updates/yandex
Что говорят оптимизаторы, когда видят такой шторм? Многорукий бандит, аномалия, надо подождать и прочее. На самом деле, из доклада следует, что мы имеем дело со сменой алгоритма. Пусть без названия, но как еще назвать событие, когда появляются новые факторы ранжирования и на основании них существенно перестраивается выдача?
Новые факторы ранжирования
Конкретно факторы не были обозначены яндексоидами.
Как всегда, напустили много тумана. Условно обозвали факторы как дополнительные аспекты качества и показали их:
Скрин из доклада на Вебмастерской Яндекса
и компоненты коммерческого качества:
Скрин из доклада на Вебмастерской Яндекса
Что вы видите? Ничего не понятно, но ооочень интересно.
Вскрываем факторы ранжирования Яндекса
Но вышел маленький прокол. Были показаны еще графики, исходя из которых видно, когда и что обновлялось.
Вот графики обновления в медицинской тематике:
Скрин из доклада на Вебмастерской Яндекса
А вот график роста трафика одной из наших медицинских клиник, которую мы существенно проработали под E-A-T Google этой осенью:
Вот результат той прорабортки в декабрьский апдейт Google того же сайта:
Рост нашего подопечного в Google
Что мы делали: стандартные решения по E-A-T – создавали и наполняли профайлы докторов, связывали с ключевыми страницами, существенно раскрывали тему на страницах с последующей проверкой у докторов клиники, добавляли доказательства доверия с массой сертификатов и прочих заслуг.
Вывод: мы имеем дело с некой копией E-A-T от Яндекса. Или, другими словами, E-A-T примерно равен группе факторов «дополнительным аспектам качества» от Яндекса.
Что же с группой «компонентов коммерческого качества»? Скрин с изменениями также показали на конференции:
Здесь, в e-com, также наблюдаем существенные изменения, которые совпадают с данным графиком, но чего-то конкретного, кроме того, что более хорошо развитые сайты растут и чувствуют себя существенно лучше, пока не отметим. Заметили, к примеру, что листинги, где хорошо раскрыта доп. информация как купить, сертификации и спецификации, условия доставки – чувствуют себя лучше.
Решение для упавших сайтов:
- Сделайте большой чек-лист со сравнением, что есть на страницах конкурентов.
- Определите, что из этого может улучшить пользовательский опыт.
- Внедрите.
Если нужно подробно рассказать, как проводить конкурентный анализ, напишите в комментариях.
Если запросов по конкурентному анализу будет много и тема актуальна, сделаем отдельный материал по методологии конкурентного анализа и выявления данных для раскрытия интента.
Засилье агрегаторов заметно уменьшилось
Обратите внимание на падение доли агрегаторов в некоторых тематиках. К примеру, трубы, уголки и другие направления. Выборка по 11 тыс. запросов:
Модуль Конкуренты из Seowork
Или пример падения агрегатора в медицинской тематике:
Модуль Конкуренты из Seowork
Прежде всего проседают агрегаторы общего профиля (zoon и tiu), но, возможно, для коммерческих сайтов появляется возможность занять высокие позиции за счет лучшей экспертизы и UX.
Подведем итог
- Существенные изменения в выдаче Яндекса связаны с новыми факторами.
- Факторы разбиваются на две группы.
- Группа дополнительные аспекты качества – это экспертиза – аналог E-A-T.
- Группа компоненты коммерческого качества – похоже на бОльшее раскрытие темы и ответы на вопросы пользователей на страницах сайта.
- Уверен, что эта публикация подтолкнет на более глубокое исследование других коллег и мы скоро увидим не просто корреляции, а четко установленные причинно-следственные связи.
- Возможно, где-то мы ошибаемся.
Надеюсь на дискуссию в комментариях по поводу итогов из 10 Вебмастерской Яндекса. Удачи всем в нашем нервном труде! Март, как всегда, прибавляет седых волос оптимизаторам 🙂
Как устроены рекомендации «Яндекс.Музыки» ♫ ИМИ.Журнал
Стриминговые сервисы стремятся предугадать предпочтения своих пользователей и наиболее точно попасть в их музыкальный вкус. Для этого на каждой платформе есть умные плейлисты и другие функции, которые подбирают музыку с помощью алгоритмов. «ИМИ.Журнал» поговорил с командой рекомендаций «Яндекс.Музыки», чтобы понять, как стриминг анализирует данные о слушателях, почему лайки — не главное, кто такие холодные пользователи и в чем особенность новой потоковой функции «Моя волна».
Общий алгоритм
В «Яндекс.Музыке» автоматизированные рекомендации работают в «Моей волне» и плейлистах. Есть четыре вида музыкальных подборок: редакторские, составленные кураторами сервиса, публичные пользовательские подборки и умные плейлисты, которые создаются алгоритмом. Для более точных рекомендаций сервис учитывает информацию о пользователях: предыдущий слушательский опыт, лайки, дизлайки и жанровые предпочтения. В редакторских подборках также есть небольшой уровень персонализации: несмотря на фиксированный контент плейлиста, алгоритм по-разному его сортирует и расставляет в порядке, который больше всего подходит конкретному слушателю. Такой подход лучше всего работает с треклистами на несколько десятков или сотен композиций: после переранжирования на первые строчки поднимаются треки с самым высоким попаданием в запрос аудитории.
Все разделы, кроме «Моей волны», работают на едином алгоритме, который настраивается под конкретный сценарий: в «Премьеру» обычно добавляют больше неизвестных пользователю треков, а вот в «Плейлист дня» вероятнее попадет уже знакомая музыка.
С ростом аудитории и появлением новой информации о прослушиваниях на ядро рекомендаций наслаиваются дополнительные данные, корректирующие работу алгоритма.
Помимо трех основных сигналов — скипа, лайка и дизлайка, — алгоритмы учитывают и другую активность пользователя вроде перемотки трека или навигации по платформе. При этом с отметками «нравится» и «не нравится» происходит парадокс: несмотря на важность этих откликов, их проставляет лишь небольшое количество пользователей. Команда «Яндекс.Музыки» иногда специально мотивирует аудиторию оценивать треки, например, через голосовые команды «Яндекс.Станции». Также в компании следят за дослушиваниями треков, чтобы лучше понимать предпочтения пользователей.
Для более точной работы с рекомендациями весь контент разделяется по жанрам. Цель алгоритма — связать весь контент на площадке в одну большую систему.
По словам руководителя службы развития технологий «Яндекс.Музыки» и «Кинопоиска» Анатолия Старостина, у площадки уже накопилось больше данных, чем команда может проанализировать.
Соответственно, главная проблема для команды — отобрать информацию, которая наиболее точно расскажет о предпочтениях пользователей. Одна из распространенных ошибок — отказываться от риска и делать упор на понравившийся пользователям контент. В моменте аудитория будет активно пользоваться сервисом, но постепенно она начнет уставать от повторяющихся треков, а статистика резко пойдет вниз. «Можно провести аналогию с прогнозами погоды. Если вы будете говорить, что погода такая же, как сегодня, вы будете очень часто угадывать, но понятно, что такой прогноз людей не устраивает. С рекомендациями музыки возникает похожий эффект. Ставить только музыку с лайками — тупиковая стратегия», — добавил Старостин. Так, главный приоритет команды — найти правильный баланс между новыми и уже знакомыми композициями.
«Моя волна» стала следующим этапом настройки этого баланса: помимо нового интерфейса, облегчающего навигацию по платформе, изменился алгоритм рекомендаций.
Команда сделала больший упор на незнакомых пользователю исполнителей. Обычно для большего разнообразия в ленте правила для рекомендаций подбираются вручную, но в «Моей волне» релизы фильтруются с помощью специального алгоритма.
Еще одно нововведение «Яндекс.Музыки» — измененная нейронная модель рекомендаций, использующаяся в «Моей волне». Она пытается предсказать взаимодействие пользователя с треком: например, анализируя слушательский опыт, модель предугадывает вероятность того, что человек дослушает песню до конца.
Холодные пользователи и трекиЛюбая платформа сталкивается с холодными пользователями — новыми слушателями, о которых стриминг еще ничего не знает. «В первую очередь такую аудиторию мы просим пройти „Визард“ — интерфейс, в котором человек может указать нескольких понравившихся артистов и любимые жанры. Так мы получаем первичные сигналы и уже можем что-то предложить. Бывают, к сожалению, пользователи, пропускающие первичную настройку. Тогда мы знаем о них совсем немного», — рассказал руководитель службы разработки рекомендаций «Яндекс.
Музыки» Александр Сафронов. В таких случаях рекомендации поначалу предлагают пользователям самую популярную музыку в стране и мировые хиты.
В ситуации, когда у слушателя меняются жанровые предпочтения, алгоритм не перестраивается полностью, а лишь подстраивается под новые вводные. Так как «Яндекс.Музыка» сохраняет слушательский опыт практически бессрочно и видит эволюцию музыкальных вкусов пользователей за несколько лет, сдвиги в предпочтениях выявляются достаточно быстро.
Холодными бывают не только пользователи, но и треки. С этой проблемой сервисы справляются несколькими способами. «Допустим, Земфира выпустила новый альбом и его еще не успел послушать ни один пользователь сервиса. Даже с нулевым количеством прослушиваний мы понимаем довольно много. В первую очередь мы знаем артиста и можем распространить всю информацию о нем и на новый релиз. Ясно, что возможен небольшой стилистический дрейф, но вообще свежий материал редко оказывается чем-то кардинально иным. Получается, что мы можем выдвигать довольно плодотворные гипотезы, основываясь на предыдущих знаниях об исполнителе», — пояснил Сафронов.
Помимо уже собранных данных об исполнителе, алгоритм анализирует звучание композиции и примерно понимает, есть ли в ней голос или определенный темп: «Если в треке есть оперный вокал, вряд ли имеет смысл ставить его в ленту людям, которые не любят оперу или академическую музыку», — добавил он.
Все статистические показатели влияют на «счастье пользователя», соединяющее в себе множество метрик: количество прослушиваний, время в приложении, лайки и так далее. На основе этих данных команда строит разные гипотезы. Например, если пользователь начинает возвращаться на сервис чаще, то он, по мнению компании, становится более «счастливым».
При этом в выстраивании гипотез бывают свои сложности: например, «Яндекс.Музыка» никогда со стопроцентной уверенностью не может определить, прослушал ли пользователь трек до конца. «Человек мог оставить на ноутбуке музыку включенной и уйти в другую комнату или вообще уснуть. Поток будет идти, и вроде бы время на сервисе продолжит расти, но не случится никакого взаимодействия.
В принципе, пользователь не всегда должен оставлять на платформе очевидные сигналы вроде лайков или скипов для того, чтобы команда увидела его активность: мы все равно считываем, что пользователь находится на сервисе, заходит в плейлисты или на страницы исполнителей», — рассказал Анатолий Старостин.
В большинстве продуктов «Яндекс» использует A/В-тестирование: разные формулы для рекомендаций тестируются одновременно на нескольких группах пользователей, а команда сервиса анализирует, в какой из них больше прослушиваний, скипов, лайков и других сигналов. «Победивший вариант алгоритма появляется у всех пользователей, а потом цикл запускается заново: новый эксперимент, отбор и внедрение. Так команда старается шаг за шагом улучшать рекомендации», — поделился Александр Сафронов.
Новые формулы применяются во всех умных функциях. Например, человек нажимает на кнопку, и «Моя волна» мгновенно адаптируется к настроению пользователя. Любой сигнал сразу же влияет на алгоритм и подборку следующих треков.
Исключение — умные плейлисты, обновляющиеся раз в день.
«Для рекомендательных систем накрутки и манипуляции с выдачей не очень актуальная проблема, потому что все подобные сервисы работают за счет персонализации и фидбэка от конкретного пользователя», — заявляет Сафронов. Рекомендации для одного слушателя мало влияют на ленту другого, к тому же в рекомендательных системах нет прямой взаимосвязи между верхними позициями в выдаче и отчислениями.
Так как весь контент на площадке лицензирован, у команды нет особой необходимости отдельно фильтровать пиратский контент. Даже если какой-то трек запретят или заблокируют, сервис будет разбираться с проблемой не на уровне алгоритма, а на уровне договоренностей с правообладателями.
yandex-algorithm-trainings · GitHub Topics · GitHub
Здесь 40 публичных репозиториев соответствует этой теме…
Янковский / yandex-algos-обучение
Звезда 46звездочет1987 / ЯндексАлгоритмы
Звезда 29 тензораш
/
Яндекс-Алгоритмические Тренировки
Звезда
20Злобников / Яндекс.
Алгоритмы Звезда
12димк00з / summer_yandex_algorithmic_course
Звезда 8сноубордист / я-алгоритмы-обучение-2
ЖэкЛу / Яндекс-Алгоритмы-Обучение
Звезда 3обратная связь / yandex-алгоритм-обучение
Звезда 3обратная связь / яндекс-интервью-конкурс
Звезда 3ДимаАндреев30 / яндекс-алг-2021
Звезда 2дтр200 / Яндекс-алгоритмы-обучение
лакшинав / yandex-алгоритм-обучение
Звезда 2Дмитриносков / yandex-алгоритмы-обучение
Звезда 2Ясфекс / YТренинги
Звезда 1Дмитриносков / yandex-алгоритмы-обучение-2.
егор-кузин / -yandex-алгоритм-тренинги-2.0
Звезда 1Офтобком / Яндекс-Алгоритмы-Обучение
Звезда 1Шляхин С.С. / Яндекс.Алгоритмы
Звезда 1старый чувак / yandex-алгоритм-обучение
Звезда 1протон / yaintern-алгоритм-обучение
Улучшить эту страницу
Добавьте описание, изображение и ссылки на
yandex-алгоритм-обучение
страницу темы, чтобы разработчикам было легче узнать о ней.
Курировать эту тему
Добавьте эту тему в свой репозиторий
Чтобы связать ваш репозиторий с yandex-алгоритм-обучение тему, перейдите на целевую страницу репозитория и выберите «управление темами».
Учить больше
Рейтинг Яндекс.Алгоритм (все года)
Яндекс.Алгоритм (7 конкурсов)
Яндекс.Алгоритм 2018
Проведено в Санкт-Петербург и онлайн, Россия на 20 мая 2018 г.
Победители ТОП-3:
| Место | Страна | Имя |
|---|---|---|
| 1 | Беларусь | турист |
| 2 | Россия | Ум_ник |
| 3 | Россия | LHiC |
Посмотреть все результаты
Яндекс.
Алгоритм 2017Проведено в Москва и Онлайн, Россия на 18.07.2017
Победители ТОП-3:
| Место | Страна | Имя |
|---|---|---|
| 1 | Беларусь | турист |
| 2 | Швейцария | W4yneb0t |
| 3 | Япония | ранг.58 |
Посмотреть все результаты
Яндекс.Алгоритм 2016
Прошел в Минск и Онлайн, Беларусь на 29.07.2016
Победители ТОП-3:
| Место | Страна | Имя |
|---|---|---|
| 1 | Россия | Егор |
| 2 | Швейцария | W4yneb0t |
| 3 | Япония | ранг.58 |
Посмотреть все результаты
Яндекс.
Алгоритм 2015Прошел онлайн на 06.08.2015
Топ-3 победителей:
| Место | Страна | Имя |
|---|---|---|
| 1 | Беларусь | турист |
| 2 | Россия | Петр |
| 3 | Россия | eatmore |
Посмотреть все результаты
Яндекс.Алгоритм 2014
Проведено в Берлин, Германия на 01.08.2014
Топ-3 победителей:
| Место | Страна | Имя |
|---|---|---|
| 1 | Беларусь | турист |
| 2 | Япония | Хос.лирика |
| 3 | Китай | s-quark |
Посмотреть все результаты
Яндекс.
