Met miljarden dollars die elk jaar worden uitgegeven aan zoekmachineoptimalisatie (SEO) en zoekmachinemarketing (SEM), de kracht van zoektermen heeft meer waarde dan ooit. Maar meer dan een paar digitale marketingprofessionals zijn in de loop der jaren gefrustreerd geraakt over de grenzen van hoeveel kan worden aangenomen en voorspeld op basis van de zoektermen zelf.

Hetzelfde woord of dezelfde term die in vijf verschillende zoekopdrachten wordt gebruikt, kan vijf verschillende betekenissen vertegenwoordigen. Dit vereist dat SEO- en SEM-professionals speculatieve conclusies trekken over welke zoektermen het meest effectief zijn voor een bepaalde marketingcampagne of -initiatief.

Dit probleem staat centraal in een recent onderzoek waaruit bleek dat een andere aanpak de context zou kunnen bieden die nodig is om SEO- en SEM-projecten en -programma's aanzienlijk te verbeteren.

De studie die wordt gepubliceerd in de novembereditie van het INFORMS-tijdschrift Marketingwetenschap is getiteld "Een semantische benadering voor het schatten van voorkeuren voor consumenteninhoud van online zoekopdrachten, " en is geschreven door Jia Liu van Hong Kong University of Science and Technology; en Olivier Toubia van Columbia Business School.

De onderzoekers concentreerden zich op de uitdaging voor digitale marketeers als het gaat om het afleiden van inhoudsvoorkeuren in een meer gekwantificeerde, genuanceerde en gedetailleerde manier. Als ze dat zouden kunnen, de onderzoekers boden dan kunnen SEO- en SEM-inspanningen worden gepland, nauwkeuriger geïmplementeerd en geëvalueerd, voorspelbaarheid en effectiviteit.

"Vanwege de aard van tekstuele gegevens bij online zoeken, het afleiden van inhoudsvoorkeuren uit zoekopdrachten brengt verschillende uitdagingen met zich mee, " zei Liu. "Een eerste uitdaging is dat zoektermen vaak dubbelzinnig zijn; dat is, consumenten kunnen dezelfde term op verschillende manieren gebruiken. Een tweede uitdaging is dat het aantal mogelijke trefwoorden of zoekopdrachten dat consumenten kunnen gebruiken enorm is; en een derde uitdaging is de schaarste aan zoekopdrachten. De meeste zoekopdrachten bevatten maximaal vijf woorden."

Door hun onderzoek, de auteurs van het onderzoek hebben vastgesteld dat een andere benadering mogelijk beter context biedt voor individuele zoektermen.

De onderzoekers gebruikten een "onderwerpmodel" dat helpt bij het combineren van informatie uit meerdere zoekopdrachten en de bijbehorende zoekresultaten, en kwantificeerde vervolgens de toewijzing tussen query's en resultaten. Dit model wordt aangedreven door een leeralgoritme dat "onderwerpen" uit tekst extraheert op basis van het voorkomen van de tekst. Het model is ontworpen om een ​​context vast te stellen waarin het ene type term semantisch gerelateerd is aan een ander type term. Dit helpt het systeem context te bieden voor het gebruik van de term.

Als onderdeel van hun onderzoek hebben de auteurs van het onderzoek hebben verschillende inhoud getest door het gedrag van deelnemers aan de studie op de zoekmachine in een gecontroleerde omgeving te volgen. Om dit te doen, de auteurs van het onderzoek bouwden hun eigen zoekmachine genaamd "Hoogle, " die als een filter tussen Google en de gebruiker diende. "Hoogle" voerde alle zoekopdrachten uit voor studiedeelnemers en onthulde hoe het leeralgoritme zou kunnen werken in een echte omgeving.

"We hebben kunnen aantonen dat ons model kan worden gebruikt om de klikfrequenties van consumenten in online zoekadvertenties uit te leggen en te voorspellen op basis van de mate van afstemming tussen de zoekadvertentietekst die wordt weergegeven op de pagina met zoekresultaten van zoekmachines, en de inhoudsvoorkeuren geschat door ons model, "zei Toubia. "Uiteindelijk, wat dit digitale marketeers in staat stelt, is om de werkelijke zoekresultaten beter af te stemmen op wat gebruikers bedoelen of van plan zijn wanneer ze specifieke zoektermen intoetsen."