Com bilhões de dólares gastos a cada ano em otimização de mecanismo de pesquisa (SEO) e marketing de mecanismo de pesquisa (SEM), o poder dos termos de pesquisa tem mais valor do que nunca. Mas muitos profissionais de marketing digital ficaram frustrados ao longo dos anos com os limites de quanto pode ser presumido e previsto com base nos próprios termos de pesquisa.

A mesma palavra ou termo usado em cinco pesquisas diferentes pode representar cinco significados diferentes. Isso exige que os profissionais de SEO e SEM tirem conclusões especulativas sobre quais termos de pesquisa podem ser mais eficazes para uma determinada campanha ou iniciativa de marketing.

Esse problema está no centro de um estudo recente que revelou que uma abordagem diferente poderia fornecer o contexto necessário para melhorar significativamente os projetos e programas de SEO e SEM.

O estudo será publicado na edição de novembro da revista INFORMS Ciência de Marketing é intitulado "A Semantic Approach for Estimating Consumer Content Preferences from Online Search Queries, "e é de autoria de Jia Liu da Universidade de Ciência e Tecnologia de Hong Kong; e Olivier Toubia da Columbia Business School.

Os pesquisadores se concentraram no desafio para os profissionais de marketing digital quando se trata de inferir preferências de conteúdo de uma forma mais quantificada, forma matizada e detalhada. Se eles pudessem, os pesquisadores ofereceram, então os esforços de SEO e SEM podem ser planejados, implementado e avaliado com mais precisão, previsibilidade e eficácia.

"Devido à natureza dos dados textuais na pesquisa online, inferir preferências de conteúdo a partir de consultas de pesquisa apresenta vários desafios, "disse Liu." Um primeiro desafio é que os termos de pesquisa tendem a ser ambíguos; isso é, os consumidores podem usar o mesmo termo de maneiras diferentes. Um segundo desafio é que o número de possíveis palavras-chave ou consultas que os consumidores podem usar é vasto; e um terceiro desafio é a dispersão da consulta de pesquisa. A maioria das consultas de pesquisa contém apenas até cinco palavras. "

Por meio de suas pesquisas, os autores do estudo determinaram que uma abordagem diferente pode fornecer melhor contexto para termos de pesquisa individuais.

Os pesquisadores usaram um "modelo de tópico" que ajuda a combinar informações de várias consultas de pesquisa e seus resultados de pesquisa associados, e então quantificou o mapeamento entre as consultas e os resultados. Este modelo é alimentado por um algoritmo de aprendizagem que extrai "tópicos" do texto com base na ocorrência do texto. O modelo é projetado para estabelecer o contexto em que um tipo de termo está semanticamente relacionado a outro tipo de termo. Isso ajuda a fornecer ao sistema contexto para o uso do termo.

Como parte de sua pesquisa, os autores do estudo testaram vários conteúdos monitorando o comportamento dos participantes do estudo no mecanismo de pesquisa em um ambiente controlado. Para fazer isso, os autores do estudo construíram seu próprio mecanismo de pesquisa chamado "Hoogle, "que serviu como um filtro entre o Google e o usuário." Hoogle "executou todas as consultas para os participantes do estudo e revelou como o algoritmo de aprendizagem poderia funcionar em um ambiente do mundo real.

"Conseguimos mostrar que nosso modelo pode ser usado para explicar e prever as taxas de cliques do consumidor em publicidade de pesquisa online com base no grau de alinhamento entre o texto do anúncio de pesquisa mostrado na página de resultados do mecanismo de pesquisa, e as preferências de conteúdo estimadas por nosso modelo, "disse Toubia." No final, o que isso permite que os profissionais de marketing digital façam é combinar melhor os resultados reais da pesquisa com o que os usuários querem dizer ou pretendem quando inserem termos de pesquisa específicos. "