Sur un cas concret, je ne comprenais pas bien comment deux sites de même thématique, de même taille ne générait pas du tout le même traffic long tail (site en tout points similaires de prime à bord). Même sur des textes de taille équivalente (nombre de mots), l'un s'en sortait toujours mieux.
Je voyais bien que ça se situait au niveau du contenu quand même tout ça.
Du coup, j'ai eu une petite idée de graph (en m'inspirant de graph qui comparaient simplement des nombres de mots) pour illustrer la différence de richesse de contenu entre deux sites visuellement.
Étapes :
1) Scrapp du contenu d'une page
2) Suppression des stop words
3) Lemmatisation
4) Compter le nombre de lemmes unique
Ensuite il suffit de faire pareil pour la pages suivante mais en comptant simplement les lemmes/racines supplémentaires, et effectivement les résultats sont plus probants (dans mon cas en tout cas) :
On a donc l'évolution du nombre de lemmes uniques d'un sites et son évolution au fur et à mesure qu'on ajoute des pages.
Là je l'ai fait sur 100 pages, mais on peut l'imaginer sur des crawl complet.
Comme vous le voyez, les tendances sont complètements différentes entre les deux sites, puisqu'il y en a élargit loiter bien plus son champs lexical que l'autre.
Au final sur 100 pages, un des sites exploitent presque 9k lemmes contre 3k pour l'autre.
Si ça peut vous donner des idées de graph pour vos audits...
Dernière modification par Mitsu (2016-12-01 22:39:59)
Hors ligne
Ay,
Alors ton graphique est super classe, franchement, par contre j'ai rien compris.
J'ai pas tout suivi ton histoire de lemme, tu saurais m'expliquer ?
Infrastructure, VPS, serveurs, développement web et scripts, ... https://www.alsahack.com !
Hors ligne
C'est la racine d'un mot. Par exemple mangeons et manger je le vais le compter qu'une fois car c'est la même racine.
Hors ligne
Ay,
D'accord ! Mais c'est quoi APM et SOS ?
Et donc si j'ai bien compris le site qui utilise un max de lemme est meilleur que l'autre ?
Infrastructure, VPS, serveurs, développement web et scripts, ... https://www.alsahack.com !
Hors ligne
apm et sos c'est 2 sites ça pourrait etre amazon et cdiscount.
Sinon yep en gros si tu as plus de lemme tu explores un plus large champs lexical, tu te repete moins donc potentiellement tu draine plus de long tail.
Hors ligne
Pas mal le graph et l'analyse ^_^
Le SEO est un travail de chien... Tu passes beaucoup de temps à renifler le cul de tes concurrents et quand tu ne le fais pas tu grattes, tu grattes, tu graaaaattes en espérant tomber sur un truc sympa et parfois tu tombes sur un os ! Mais c'est pas grave, c'est ce que tu recherchais, non ? :-D
- - - - - - - -
Tu recherches du BL pour du tiers 2 ? C'est par ici : www.myback.link
Hors ligne
Sympa le graph, c'est réalisé sous excel ?
Sinon la question que tout le monde se pose, c'est avec quoi tu calcule la lemmatisation et pour compter le nombres de lemmes, outil maison ?
Comme le dit Dufoko, c'est très interessant comme analyse. Par contre, tout réside dans le fait de comment tu calcules les lemmes
Hors ligne
Du moment que c'est le même procédé pour tous les sites, la méthode de lemmatisation n'est pas importante. D'ailleurs il s'agit ici d'un cas particulier, la racinisation (son avantage est qu'on peut la faire dans toutes les langues avec notre alphabet ou presque : pas l'allemand, pas le finnois, mais la plupart des autres oui).
La courbe de Mitsu est intéressante car elle est par rapport à un groupe de page. Pour une page seul, dans l'étude webspam on voyait qu'il y a une proportion optimal de mots différents dans un même texte. C'est un indicateur de la diversité du vocabulaire (comme le taux de compression d'ailleurs) et donc de la qualité rédactionnelle.
Tant va la loutre à l'eau qu'à la fin elle se mouille...
Hors ligne
Pour la courbe c'est juste excel yes lol.
Sinon pour la lemmatisation j'ai utilisé : http://markusos.github.io/projects/2015/02/22/snowball-stemming-in-php.html après comme le dit Sylvain, je ne sais pas si c'est le meilleur produit pour mais ça me semble pas déconnant et c'est effectivement le même pour tous les sites.
Hors ligne
Sinon pour la lemmatisation j'ai utilisé : http://markusos.github.io/projects/2015/02/22/snowball-stemming-in-php.html après comme le dit Sylvain, je ne sais pas si c'est le meilleur produit pour mais ça me semble pas déconnant et c'est effectivement le même pour tous les sites.
Il est très bien
Tant va la loutre à l'eau qu'à la fin elle se mouille...
Hors ligne
Ay,
Merci pour tes explications Mitsu !
Infrastructure, VPS, serveurs, développement web et scripts, ... https://www.alsahack.com !
Hors ligne
Hors ligne
Super interessant :-)
Jérôme - Générer des revenus avec les NDD expirés (formation) | Blog perso jeromeweb.net
Hors ligne
L'idée est plutôt bonne oui Après il faut cibler dans une ou plusieurs balises html lors du scrap afin de ne pas avoir de bruit ...
J'imagine que c'est ce que tu fais
Hors ligne
@GreyHatRaptor : Nop je ne me soucis pas de ça. En fait le graph c'est l'évolution du nombre de lemme unique, donc même si il y a beaucoup de mots dans le template, il ne seront compté qu'une seule fois sur la première page, c'est pas important et ça ne change pas la gueule du graph.
Je reprécise ici si j'ai
Page 1 : Référencement naturel
Page 2 : Référencement naturel Google
A la première url j'ai 2 termes (lemmes) et à la page 2 je passe à 3 il n'y a que Google en plus, et pas à 5 car je ne recompte pas "Référencement" et "naturel" sur chaque page.
Puis ce contenu qui se répète, après tout c'est pas déconnant qu'il soit au moins compter une fois.
Ciblé le coeur du contenu à plus de sens si tu souhaites par exemple extraire le nombre de mots par pages, dans ce cas le seul truc que je peut faire qui est à peu près pertinent c'est de sélectionner uniquement les termes qui ne sont pas dans des liens puisqu'en général c'est ce que l'on retrouve en header et en footer, tu peux aussi virer les balises <header> et <footer> mais peu de site les utilisent...
Puis compter les mots hors liens, c'est pas parfait non plus puisqu'il y a quelque liens dans le contenu et il peut y a voir pas mal de texte dans les templates selon les sites, donc ici ça ne serait pas plus fin de le faire.
Hors ligne