On entend de plus en plus parler de la prise en compte par les moteurs de recherche de critères mesurant la satisfaction de l'utilisateur pour les résultats renvoyés par l'algorithme de pertinence. Des systèmes comme le learning-to-rank ou le re-ranking apparaissent en effet et montrent bien à quel point notre vision du SEO se doit d'évoluer pour prendre en compte cette nouvelle donne.

 

Par Sylvain Peyronnet, fondateur de la régie publicitaire sans tracking The Machine In The Middle (http://themachineinthemiddle.fr/).

Depuis quelques années, les moteurs de recherche emploient un signal de qualité utilisateur pour travailler les classements qui sont proposés aux utilisateurs.
Pour cela, plusieurs algorithmes ont été mis au point : des filtres de qualité (comme le fameux Panda), des algorithmes de re-ranking (qui modifient le classement selon une extrapolation de la qualité perçue par l’analyse du comportement de l’utilisateur vis-à-vis de la SERP) ou encore l’algorithme de learning-to-rank.

Dans cet article, nous allons voir comment un moteur peut extrapoler ce que va penser un internaute de la qualité de la SERP, puis nous verrons rapidement la notion de re-ranking et celle de learning-to-rank, et enfin nous parlerons SEO.

Mesurer la satisfaction d’un utilisateur : pas si facile pour le moteur

La première tâche à faire pour utiliser un signal de satisfaction utilisateur est bien entendu de qualifier celle-ci. Il existe de très nombreuses méthodes (voir les articles [1], [2] et [3] par exemple), mais nous allons en évoquer trois :

1. L’approche active : combiner deux SERP.
L’approche, présentée pour la première fois par une équipe de Bing (référence [1]), consiste à produire deux SERP différentes pour un même résultat, et à entrelacer les résultats de ces deux SERP en mettant côte à côte le premier résultat de chaque SERP, puis le deuxième, etc. (sauf quand il s’agit du même résultat ou d’un résultat déjà proposé plus haut par une des deux SERP).
Si on le fait avec suffisamment d’utilisateurs (ce qui nécessite un volume de recherche conséquent), dans une logique d’A/B testing, alors on peut très rapidement savoir quelles sont les URL préférées par les utilisateurs pour chaque requête.

2. Utiliser le taux de clic, mais intelligemment.
Le critère du taux de clic consiste à compter le nombre de clics sur chaque résultat pour déterminer la valeur de l'URL correspondante. Il s'agit d'un critère difficile à appréhender pour le moteur, car il est sujet à de nombreux biais liés au moteur lui même. En effet, la position d'un résultat à une influence sur le taux de clic, indépendamment de sa qualité. On trouve par exemple dans l'article [2] le graphique de la figure 1 (il s'agit de l'évaluation d'un moteur de recherche d'articles).


Fig. 1. Nombre de clics par position.

On voit bien avec cette figure que prendre en compte uniquement le nombre de clics ne convient pas pour déterminer la qualité perçue par un utilisateur : il va falloir mettre le nombre de clics au regard de la position pour comprendre réellement l’avis de l’utilisateur.

Pour cela, on va calculer la déviation au taux de clic moyen.

L'article n'est disponible ici que sous la forme d'un extrait.
Il est accessible en lecture intégrale uniquement aux abonnés à la lettre professionnelle « Réacteur » du site Abondance...

Cliquez ici pour vous abonner à la lettre 'Réacteur' !

Vous êtes déjà abonné ? L'article complet est disponible dans la zone "Abonnés". Cliquez ici pour vous identifier.

 

Plus d'infos pour les abonnés :

Plus d'infos pour les non-abonnés :