Med miljarder dollar som spenderas varje år på sökmotoroptimering (SEO) och marknadsföring via sökmotorer (SEM), kraften i söktermer har mer värde än någonsin. Men mer än ett fåtal professionella inom digital marknadsföring har blivit frustrerade under åren över gränserna för hur mycket som kan antas och förutsägas baserat på själva söktermerna.

Samma ord eller term som används i fem olika sökningar kan representera fem olika betydelser. Detta kräver att SEO- och SEM-proffs drar spekulativa slutsatser om vilka söktermer som kan vara mest effektiva för en given marknadsföringskampanj eller ett visst initiativ.

Detta problem är i centrum för en nyligen genomförd studie som visade att ett annat tillvägagångssätt skulle kunna ge det sammanhang som krävs för att avsevärt förbättra SEO- och SEM-projekt och -program.

Studien kommer att publiceras i novemberupplagan av tidskriften INFORMS Marknadsvetenskap har titeln "A Semantic Approach for Estimating Consumer Content Preferences from Online Search Queries, " och är författad av Jia Liu från Hong Kong University of Science and Technology och Olivier Toubia från Columbia Business School.

Forskarna fokuserade på utmaningen för digitala marknadsförare när det gäller att sluta sig till innehållspreferenser i en mer kvantifierad, nyanserat och detaljerat sätt. Om de kunde, forskarna erbjöd, sedan kan SEO- och SEM-insatser planeras, implementeras och utvärderas med mer precision, förutsägbarhet och effektivitet.

"På grund av textdatas natur i onlinesökning, att härleda innehållspreferenser från sökfrågor innebär flera utmaningar, " sa Liu. "En första utmaning är att söktermer tenderar att vara tvetydiga; det är, konsumenter kan använda samma term på olika sätt. En andra utmaning är att antalet möjliga sökord eller frågor som konsumenter kan använda är enormt; och en tredje utmaning är sparsamheten i sökfrågor. De flesta sökfrågor innehåller bara upp till fem ord. "

Genom sin forskning, studieförfattarna har bestämt att ett annat tillvägagångssätt bättre kan ge sammanhang för enskilda söktermer.

Forskarna använde en "ämnesmodell" som hjälper till att kombinera information från flera sökfrågor och deras associerade sökresultat, och kvantifierade sedan kartläggningen mellan frågor och resultat. Denna modell drivs av en inlärningsalgoritm som extraherar "ämnen" från text baserat på förekomsten av texten. Modellen är utformad för att skapa ett sammanhang där en typ av term är semantiskt relaterad till en annan typ av term. Detta hjälper till att ge systemet ett sammanhang för användningen av termen.

Som en del av deras forskning, studieförfattarna testade olika innehåll genom att övervaka studiedeltagarnas beteende på sökmotorn i en kontrollerad miljö. Att göra så, studieförfattarna byggde sin egen sökmotor som heter "Hoogle, " som fungerade som ett filter mellan Google och användaren. "Hoogle" körde alla frågor för studiedeltagare och avslöjade hur inlärningsalgoritmen kunde fungera i en verklig miljö.

"Vi kunde visa att vår modell kan användas för att förklara och förutsäga konsumenters klickfrekvens i sökannonsering online baserat på graden av anpassning mellan sökannonsen som visas på sökmotorns resultatsida, och innehållspreferenserna uppskattade av vår modell, "sa Toubia." Till slut, vad detta gör det möjligt för digitala marknadsförare att göra är att bättre matcha faktiska sökresultat med vad användarna menar eller avser när de knappar in specifika söktermer."