مقدمه
در دنیای امروز که هوش مصنوعی و مدل‌های زبان بزرگ (LLMها) نقش محوری پیدا کرده‌اند، بهینه‌سازی موتورهای جستجو (SEO) نیز دستخوش تغییرات بنیادین شده است. اما در این میان، نباید فراموش کنیم که هدف نهایی، کاربران ما هستند. توجه به درک رفتار کاربران، کلید موفقیت در این عرصه متحول است.
خلاصه مقاله
این مقاله به بررسی اهمیت داده‌های رفتاری کاربر در بهینه‌سازی مسیر جستجو می‌پردازد. با وجود تغییرات مداوم در الگوریتم‌های جستجو و ظهور هوش مصنوعی، نیاز به درک رفتار کاربران و الگوهای مصرف محتوای آنها بیش از پیش احساس می‌شود. سه حوزه اصلی برای جمع‌آوری داده‌های رفتاری شامل: شاخص‌های کانال‌های کشف، میانبرهای ذهنی کاربران (سوگیری‌ها و اکتشافات) و نیازهای اساسی آنها معرفی می‌شود. همچنین، روش‌های کمی و کیفی برای جمع‌آوری این داده‌ها و نحوه به‌کارگیری آنها برای بهبود تجربه کاربری و افزایش بهره‌وری کسب‌وکار در عصر هوش مصنوعی مورد بحث قرار می‌گیرد.
چرا داده‌های رفتاری در جستجو ضروری هستند؟
داده‌های رفتاری برای درک مسیر جستجوی کاربران و نقاط اصطکاک احتمالی حیاتی‌اند. این داده‌ها کمک می‌کنند تا نیازهای کاربران را بهتر برآورده کنیم. شواهدی وجود دارد که سیگنال‌های کاربران، یکی از عوامل موثر بر رتبه‌بندی نتایج جستجو هستند.
با شخصی‌سازی هرچه بیشتر جستجوها و گسترش تعاملات کاربران با LLMها، درک الگوهای رفتاری کاربران اهمیت مضاعفی پیدا می‌کند. انسان‌ها اغلب برای حفظ انرژی و منابع، به دنبال کمترین تلاش، اجتناب از تهدید و حداکثرسازی سود هستند.
این اصول در جستجو نیز صدق می‌کنند و به ما کمک می‌کنند حتی با تغییرات الگوریتمی، حضور برندهایمان را در فضای آنلاین تضمین کنیم.
چه داده‌های رفتاری برای بهبود مسیر جستجو نیاز داریم؟
داده‌های رفتاری مورد نیاز را می‌توان در سه حوزه اصلی دسته‌بندی کرد:
1. شاخص‌های کانال‌های کشف
دوران شروع تمامی جستجوها از گوگل به سر آمده است. کاربران اکنون از کانال‌های متنوعی برای تحقیق و کشف محصولات استفاده می‌کنند. آگاهی از این کانال‌ها به ما کمک می‌کند استراتژی محتوایی خود را دقیق‌تر تنظیم کنیم.
شاخص‌های کانال کشف اطلاعاتی در مورد موارد زیر ارائه می‌دهند:
- نحوه یافتن ما توسط کاربران فراتر از کانال‌های جستجوی سنتی.
- جمعیت‌شناختی کاربران در کانال‌های خاص.
- انگیزه اصلی جستجوی آنها و محتوای مورد علاقه آنها.
- بهترین محتوا و فرمت برای جلب و حفظ توجه آنها در هر کانال.
به عنوان مثال، می‌دانیم که TikTok برای الهام‌گیری و اعتبارسنجی تجربیات از طریق محتوای تولید شده توسط کاربر (UGC) استفاده می‌شود. نسل Z و هزاره‌ها نیز در شبکه‌های اجتماعی کمتر به تبلیغات سنتی اعتماد دارند و به دنبال صداهای معتبر و تجربیات دست اول هستند.
این اطلاعات کانالی، استراتژی جستجوی ارگانیک و پولی را بهبود می‌بخشد و به شناسایی مخاطبان پنهان کمک می‌کند. داده‌های ارجاع و منبع در پلتفرم‌های تحلیلی، و همچنین نظرسنجی‌ها، منابع خوبی برای این اطلاعات هستند.
توسعه جستجوها به LLMها ردیابی کامل مسیرهای جستجو را دشوارتر کرده است. این امر، ماموریت ما را از تمرکز بر یک کوئری خاص، به دیده شدن برای هر قصدی که می‌توانیم پوشش دهیم، تغییر می‌دهد.
2. میانبرهای ذهنی درونی
مغز انسان برای انجام وظایف کارآمد، از منابع شناختی محدودی برخوردار است. به همین دلیل، در شرایطی که مشغول چندین کار هستیم، نمی‌توانیم تمام انرژی خود را صرف یافتن بهترین نتیجه در میان بی‌نهایت گزینه ممکن کنیم. در نتیجه، فرآیندهای توجه و تصمیم‌گیری ما اغلب تحت تأثیر میانبرهای ذهنی مانند سوگیری‌های شناختی و اکتشافات قرار می‌گیرند.
این اصطلاحات گاهی به جای یکدیگر برای اشاره به تصمیمات ناکامل اما کارآمد استفاده می‌شوند، اما تفاوت‌هایی با هم دارند.
سوگیری‌های شناختی
سوگیری‌های شناختی، خطاهای سیستماتیک و عمدتاً ناخودآگاه در تفکر هستند که بر درک ما از جهان و قضاوت‌هایمان تأثیر می‌گذارند. آنها می‌توانند واقعیت عینی یک تجربه و نحوه ترغیب ما به انجام یک عمل را تحریف کنند.
یکی از مثال‌های رایج، «اثر جایگاه سریال» است که از دو سوگیری تشکیل شده است: وقتی مجموعه‌ای از موارد را در یک لیست می‌بینیم، تمایل داریم آنهایی را که ابتدا (سوگیری تقدم) و انتها (سوگیری اخیر) می‌بینیم، بهتر به خاطر بسپاریم. از آنجایی که بار شناختی، تهدیدی واقعی برای توجه است، بخصوص در عصر کنونی که ما در معرض محرک‌های 24 ساعته قرار داریم، سوگیری‌های تقدم و اخیر دلیل توصیه به شروع با پیام اصلی، محصول یا مورد اصلی در صورت وجود گزینه‌های زیاد یا محتوای طولانی در صفحه هستند.
تقدم و اخیر نه تنها بر یادآوری در یک لیست تأثیر می‌گذارند، بلکه عناصری را نیز تعیین می‌کنند که ما از آنها به عنوان مرجع برای مقایسه با تمام گزینه‌های جایگزین استفاده می‌کنیم. این اثر دیگری است که «سوگیری لنگر» نامیده می‌شود و در طراحی تجربه کاربری (UX) برای تعیین یک مقدار پایه برای اولین موردی که می‌بینیم، بکار گرفته می‌شود. به این ترتیب، هر چیزی که با آن مقایسه می‌شود، می‌تواند بسته به هدف فروشنده، معامله‌ای بهتر یا بدتر تلقی شود.
برخی از رایج‌ترین سوگیری‌ها عبارتند از:
- اثرات فاصله و اندازه: با افزایش بزرگی اعداد، قضاوت دقیق برای انسان دشوارتر می‌شود. به همین دلیل، برخی تاکتیک‌ها استفاده از ارقام بزرگتر در تخفیف‌ها به جای کسری از همان مقدار را توصیه می‌کنند.
- سوگیری منفی‌گرایی: ما تمایل داریم تجربیات منفی را بیشتر از تجربیات مثبت به خاطر بسپاریم و ارزش احساسی بیشتری به آنها اختصاص دهیم. به همین دلیل، از بین بردن اصطکاک در هر مرحله برای جلوگیری از رها کردن جستجو بسیار مهم است.
- سوگیری تأیید: ما تمایل داریم به دنبال اطلاعاتی باشیم که اعتقادات موجود ما را تأیید می‌کنند و آنها را ترجیح دهیم. این نه تنها نحوه عملکرد LLMها برای ارائه پاسخ به یک کوئری است، بلکه می‌تواند پنجره‌ای به شکاف‌های اطلاعاتی باشد که ممکن است نیاز به پوشش آنها داشته باشیم.
اکتشافات
اکتشافات، قوانین سرانگشتی هستند که ما به عنوان میانبر در هر مرحله از تصمیم‌گیری به کار می‌بریم و به ما کمک می‌کنند بدون نیاز به تجزیه و تحلیل کامل هر پیامد بالقوه یک انتخاب، به نتیجه‌ای خوب دست یابیم.
یک اکتشاف شناخته شده، «اکتشاف آشنایی» است، که زمانی اتفاق می‌افتد که ما برندی یا محصولی را انتخاب می‌کنیم که از قبل می‌شناسیم، زیرا این کار باعث کاهش هر ارزیابی میانی دیگری می‌شود که در غیر این صورت باید با یک جایگزین ناشناخته انجام می‌دادیم.
«بی‌میلی به ضرر» یک اکتشاف رایج دیگر است، که نشان می‌دهد ما تمایل بیشتری به انتخاب گزینه کم‌خطرتر در میان دو گزینه با بازده مشابه داریم، حتی اگر این به معنای از دست دادن تخفیف یا منفعت کوتاه‌مدت باشد. انتخاب بیمه مسافرت با هزینه اضافی، یا ترجیح محصولاتی که می‌توانیم بازگردانیم، نمونه‌هایی از بی‌میلی به ضرر هستند.
ما بیش از 150 سوگیری و اکتشاف داریم، بنابراین این لیست جامع نیست. اما در کل، آشنایی با رایج‌ترین آنها در بین کاربرانمان به ما کمک می‌کند تا سفر آنها را هموار کنیم.
| سوگیری/اکتشاف | نمونه کوئری‌ها |
|---|---|
| سوگیری تأیید |
|
| اکتشاف آشنایی |
|
| بی‌میلی به ضرر |
|
| تأیید اجتماعی |
|
می‌توانید با استفاده از Regex این الگوها و اصلاح‌کننده‌ها را مستقیماً در Google Search Console شناسایی کنید، یا از ابزارهای جستجوی دیگر مانند AlsoAsked استفاده کنید.
اگر با مجموعه‌های داده بزرگ کار می‌کنید، توصیه می‌شود از یک LLM سفارشی استفاده کنید یا مدل خود را برای طبقه‌بندی و خوشه‌بندی بر اساس این قوانین بسازید. این کار باعث می‌شود شناسایی روندها در کوئری‌ها و تعیین اولویت‌ها آسان‌تر شود.
این مشاهدات همچنین بینشی را برای حوزه بزرگ بعدی به شما می‌دهند.
3. نیازهای اساسی کاربران
در حالی که سوگیری‌ها و اکتشافات می‌توانند نیاز موقتی را در یک وظیفه خاص نشان دهند، یکی از مفیدترین جنبه‌هایی که داده‌های رفتاری می‌توانند به ما بدهند، نیازی است که جستجوی اولیه را هدایت می‌کند و تمام اقدامات بعدی را نیز راهنمایی می‌کند.
نیازهای اساسی، نه تنها از خوشه‌های جستجو، بلکه از کانال‌های مورد استفاده در حلقه کشف و ارزیابی نیز آشکار می‌شوند.
به عنوان مثال، اگر بر اساس کوئری‌هایمان شاهد برجسته‌بودن بی‌میلی به ضرر هستیم، همراه با نرخ تبدیل پایین و ترافیک بالا در ویدئوهای UGC (محتوای تولید شده توسط کاربر) برای محصول یا برندمان، می‌توانیم نتیجه بگیریم که:
- کاربران به اطمینان در سرمایه‌گذاری خود نیاز دارند.
- اطلاعات کافی برای پوشش این نیاز تنها در وب‌سایت ما وجود ندارد.
اعتماد یک عامل بزرگ در تصمیم‌گیری است و یکی از نادیده‌گرفته‌شده‌ترین نیازهایی است که برندها اغلب در برآوردن آن شکست می‌خورند، زیرا مشروعیت خود را بدیهی می‌دانند.
اما گاهی اوقات، باید یک گام به عقب برداریم و خودمان را جای کاربران بگذاریم تا همه چیز را با چشمانی تازه از دیدگاه آنها ببینیم.
با ترسیم سوگیری‌ها و اکتشافات به نیازهای خاص کاربران، می‌توانیم برای ابتکارات فرابخشی برنامه‌ریزی کنیم که فراتر از سئوی محض بوده و برای کل مسیر از جستجو تا تبدیل و حفظ مشتری مفید باشند.
چگونه برای بینش‌های عملی داده‌های رفتاری به دست آوریم؟
در SEO، ما به کار با داده‌های کمی زیادی برای فهم اتفاقات در کانال خود عادت داریم. با این حال، چیزهای بسیار بیشتری می‌توانیم از طریق اقدامات کیفی کشف کنیم که به ما در شناسایی دلیل احتمالی وقوع یک اتفاق کمک می‌کنند.
داده‌های کمی، هر چیزی است که می‌تواند با اعداد بیان شود: این می‌تواند زمان در صفحه، جلسات، نرخ خروج، میانگین ارزش سفارش و غیره باشد.
ابزارهایی که می‌توانند به ما در استخراج داده‌های رفتاری کمی کمک کنند عبارتند از:
- Google Search Console و Google Merchant Center: برای داده‌های سطح بالا مانند نرخ کلیک (CTR) عالی هستند. این ابزارها می‌توانند عدم تطابق بین قصد کاربر و صفحه یا کمپین نمایش داده شده، و همچنین موارد کانیبالیزاسیون (رقابت داخلی کلمات کلیدی) و محلی‌سازی نادرست یا گم‌شده را نشان دهند.
- Google Analytics یا هر پلتفرم آنالیتیکس سفارشی که برند شما به آن متکی است: این ابزارها اطلاعاتی را در مورد معیارهای تعامل به ما می‌دهند و می‌توانند مشکلات در جریان طبیعی سفر کاربر و همچنین نقاط رها شدن را مشخص کنند. پیشنهاد من این است که علاوه بر معیارهای تعامل پیش‌فرض، رویدادهای سفارشی متناسب با اهداف خاص خود، مانند کلیک بر روی فرم ثبت‌نام یا افزودن به سبد خرید را تنظیم کنید.
- نقشه‌های حرارتی (Heatmaps) و داده‌های ردیابی چشم (Eye-tracking): هر دو می‌توانند بینش‌های ارزشمندی را در مورد سلسله‌مراتب بصری و الگوهای توجه در وب‌سایت به ما بدهند. ابزارهای نقشه‌حرارتی مانند Microsoft Clarity می‌توانند کلیک‌ها، اسکرول‌های ماوس و داده‌های موقعیت را نشان دهند و نه تنها مناطقی را که ممکن است توجه کافی دریافت نکنند، بلکه عناصری را که عملاً کار نمی‌کنند، آشکار کنند. داده‌های ردیابی چشم (مدت و تعداد تثبیت، حرکات سریع چشم و مسیرهای اسکن) این اطلاعات را با نشان دادن اینکه چه عناصری توجه بصری را جلب می‌کنند و همچنین کدام یک اصلاً دیده نمی‌شوند، تکمیل می‌کنند.
داده‌های کیفی، از سوی دیگر، نمی‌توانند با اعداد بیان شوند، زیرا معمولاً بر مشاهدات تکیه دارند. مثال‌ها شامل مصاحبه‌ها، ارزیابی‌های اکتشافی و ضبط جلسات زنده هستند. این نوع تحقیق به طور کلی نسبت به همتای کمی خود زمینه تفسیر بیشتری دارد، اما برای اطمینان از داشتن تصویر کامل از سفر کاربر، حیاتی است.
داده‌های کیفی برای جستجو را می‌توان از موارد زیر استخراج کرد:
- نظرسنجی‌ها و گزارش‌های CX (تجربه مشتری): اینها می‌توانند نقاط ناامیدی و اصطکاک رایج را برای کاربران و مشتریان بازگشتی آشکار کنند، که می‌تواند راهنمای پیام‌رسانی بهتر و فرصت‌های صفحه جدید باشد.
- خلاصه مکالمات Reddit، Trustpilot و جوامع آنلاین: اینها نتایجی مشابه نظرسنجی‌ها را به ما می‌دهند، اما تحلیل موانع تبدیل را به کاربرانی که هنوز به دست نیاورده‌ایم، گسترش می‌دهند.
- تست کاربر زنده: کمترین مقیاس‌پذیری اما گاهی اوقات پربارترین گزینه است، زیرا می‌تواند تمام استنتاج‌ها را بر روی داده‌های کمی کاهش دهد، به خصوص زمانی که ترکیب می‌شوند (برای مثال، جلسات زنده را می‌توان با ردیابی چشم ترکیب کرد و کاربر در مراحل بعدی از طریق تفکر با صدای بلند یا RTA روایت کند).
داده‌های رفتاری در عصر هوش مصنوعی
در سال گذشته، صنعتی ما در دو چیز واقعاً خوب بوده است: اغراق در مورد هوش مصنوعی به عنوان دشمنی که جای ما را خواهد گرفت، و برجسته کردن شکست‌های بزرگ آن در سوی دیگر. و در حالی که بی‌شک محدودیت‌های بزرگی هنوز وجود دارد، دسترسی به هوش مصنوعی مزایای بی‌سابقه‌ای را نیز به همراه دارد:
- ما می‌توانیم از هوش مصنوعی برای اتصال آسان مجموعه داده‌های رفتاری بزرگ و کشف اقدامات عملی که تفاوت ایجاد می‌کنند، استفاده کنیم.
- حتی زمانی که داده زیادی نداریم، می‌توانیم مجموعه داده مصنوعی خود را بر اساس نمونه‌ای از مجموعه داده‌هایمان یا یک مجموعه داده عمومی آموزش دهیم تا الگوهای موجود را شناسایی کرده و به سرعت به نیازهای کاربران پاسخ دهیم.
- ما می‌توانیم پیش‌بینی‌هایی تولید کنیم که به صورت پیش‌فعال برای ابتکارات جدید استفاده شوند تا ما را جلوتر از منحنی نگه دارند.
چگونه از داده‌های رفتاری برای بهبود مسیر جستجو استفاده کنیم؟
با ایجاد مجموعه‌ای از داشبوردهای پویا با اندازه‌گیری‌هایی که می‌توانید برای هر یک از سه حوزه مورد بحث (شاخص‌های کانال کشف، میانبرهای ذهنی درونی و نیازهای اساسی کاربران) به دست آورید، شروع کنید. این داشبوردها به شما امکان می‌دهند تا به سرعت روندهای رفتاری را شناسایی کرده و اقداماتی را جمع‌آوری کنید که سفر کاربر را در هر مرحله هموارتر می‌کنند، زیرا جستجو اکنون فراتر از کلیک‌های درون سایت است.
هنگامی که بینش‌های جدیدی برای هر حوزه به دست آوردید، اقدامات خود را بر اساس تأثیر تجاری مورد انتظار و تلاش لازم برای پیاده‌سازی اولویت‌بندی کنید.
همچنین، در نظر داشته باشید که بینش‌های رفتاری اغلب به بیش از یک بخش از وب‌سایت یا کسب‌وکار قابل انتقال هستند، که می‌تواند بازدهی را در چندین کانال به حداکثر برساند.
در نهایت، گفتگوهای منظمی را با تیم‌های محصول و UX خود برقرار کنید. حتی اگر عنوان شغلی شما را در جستجو نگه می‌دارد، موفقیت کسب‌وکار اغلب مستقل از کانال است. این بدان معناست که ما نباید فقط علائم (مانند ترافیک کم به یک صفحه) را درمان کنیم، بلکه کل سفر کاربر را بهبود بخشیم، و به همین دلیل نمی‌خواهیم در جزیره کوچک جستجوی خود به صورت مجزا کار کنیم.
کاربران شما از شما تشکر خواهند کرد و الگوریتم نیز به احتمال زیاد از آن پیروی خواهد کرد.