آموزه های سئو

مانند یک دانشمند تست کنید: ۶ اشتباهی که آزمایش‌های سئو شما را نابود می‌کنند

آزمایش و تست کردن در همه جای دنیای سئو (SEO) دیده می شود: صنعت ما با تست کردن عنوان صفحات (Titles) شروع شد، سپس به سراغ لینک سازی داخلی، فرمت های محتوایی و قالب های سایت رفت و حالا روزبه روز کنجکاوی ما درباره تأثیر تغییراتِ مبتنی بر هوش مصنوعی (AI) بیشتر می شود.

اما اجرای یک تست و یادگیری یک نکته مفید از آن، لزوماً یک چیز نیستند.

شما می توانید تغییری در سایت ایجاد کنید، نوسان یک متریک (شاخص) را تماشا کنید، اما همچنان شواهد بسیار کمی داشته باشید که نشان دهد تغییر شما باعث این نوسان شده است. به همین ترتیب، ممکن است هیچ تغییر قابل اندازه گیری خاصی نبینید و به اشتباه نتیجه بگیرید که اقدام شما هیچ تأثیری نداشته است.

اینجا دقیقاً همان نقطه ای است که سئو می تواند چیزی از «علم» وام بگیرد.

من هم مثل خیلی از شما، کاملاً اتفاقی وارد حوزه سئو شدم؛ اما پیشینه تحقیقاتی ام را با خود به این حوزه آوردم، همراه با این کنجکاوی که بدانم چرا چیزهای خاصی را مشاهده می کنم، نه اینکه فقط خودم را به گزارش دادنِ آن ها محدود کنم.

همین موضوع باعث شد تا علاقه خاصی به اجرای تست های سئو پیدا کنم و در نهایت تیم هایی را آموزش دهم تا هنگام اجرای یک آزمایش، مانند یک دانشمند فکر کنند.

آزمایش های علمی صرفاً برای تولید «نتیجه» طراحی نمی شوند، بلکه هدفشان این است که فریب دادنِ خودمان درباره معنی آن نتایج را دشوارتر کنند. این کار به چیزی فراتر از یک ابزار تست یا یک نمودار پر زرق وبرقِ «قبل و بعد» نیاز دارد. در واقع نیازمند موارد زیر است:

  • پرسیدن سؤال درست.
  • تعریف اینکه چه شواهدی می تواند به آن سؤال پاسخ دهد.
  • طراحی تستی که قادر به تولید آن شواهد باشد.
  • تمایل به پذیرش پاسخی که انتظارش را نداشتید.

بیشتر اشتباهات در آزمایش های سئو زمانی رخ می دهند که ما یکی از این مراحل را نادیده می گیریم یا از روی آن می پریم.

بنابراین، در ادامه به اشتباهاتی می پردازیم که مرز بین «صرفاً اجرای یک تست» و «دانستن اینکه آیا تغییر سئوییِ شما واقعاً جواب داده است یا نه» را مشخص می کنند. و بله، من خودم هم در مقطعی بیشترِ این اشتباهات را مرتکب شده ام، اما ما از تجربه ها درس می گیریم، درست است؟

۱. نداشتن یک فرضیه قوی و ابطال پذیر

یک تحقیق خوب همیشه با یک «سؤال» شروع می شود، نه یک فرضیه.

صنعت ما به تصمیم گیری های داده محور (Data-driven) افتخار می کند. بنابراین، برای گرفتن تصمیمی که به نفع کسب وکارتان باشد، به پاسخ چه سؤالی نیاز دارید؟

چالش های تجاری (و نحوه نمود پیدا کردن آن ها در عملکرد ارگانیک) معمولاً همان چیزی هستند که پربارترین تست ها را هدایت می کنند. یک ابهام یا مشکل واقعی در کسب وکار دقیقاً همان جایی است که باید کار را از آن شروع کنید. به عنوان مثال، چرا ترافیک صفحات محصول از سه ماهه گذشته کاهش یافته است؟ آیا نام بردن از برند شما توسط هوش مصنوعی در ماه گذشته افت کرده و آیا تولید محتوای هدفمند می تواند میزان دیده شدن شما را بهبود بخشد؟ اگر قرار باشد یک نقشه راه (Roadmap) طراحی کنید، چه نوع اقداماتی بیشترین احتمال را برای ایجاد تغییرات مثبت و معنادار دارند؟

یک آزمایش خوب با چیزی شروع می شود که کسب وکار واقعاً آن را نمی داند و آن قدر مهم است که ارزش بررسی کردن را داشته باشد. کار را با پرسیدن این سؤال که «چه چیزی را می توانم تست کنم؟» شروع نکنید. در عوض بپرسید «برای گرفتن تصمیمات بهتر، چه چیزی را باید یاد بگیرم؟» و سپس آن را به فرضیه های مشخص و ابطال پذیر تبدیل کنید.

جمله ای مثل «بهبود عنوان صفحات باعث بهبود عملکرد سئو می شود»، در واقع یک فرضیه نیست. منظور از «بهبود» دقیقاً چیست؟ «عملکرد» یعنی چه؟ چه نتیجه ای نشان می دهد که شما اشتباه کرده اید؟ تا جایی که می توانید دقیق و مشخص باشید، حتی اگر این کار به معنای انجام چند حدسِ علمی و حساب شده باشد.

یک فرضیه مفید باید پیش بینی ای ارائه دهد که آزمایش بتواند آن را نقض کند. پس قبل از اجرای تست، از خود بپرسید: چه نتیجه ای فرضیه من را رد می کند؟ اگر پاسخی برای این سؤال وجود ندارد، شما واقعاً در حال تست کردن آن نیستید.

برای مثال، فرضیه شما می تواند این باشد: «به روزرسانی عناوین برای گنجاندن نام یک کشور هدف در ۷۰۰ صفحه، در مقایسه با چهار هفته قبل از تغییر، باعث ایجاد ۱۰٪ کلیکِ بیشتر در یک دوره چهار هفته ای خواهد شد.»

به دست آوردن ۱۲٪ رشد، فرضیه شما را اثبات می کند؛ در حالی که رشد ۹ درصدی آن را باطل می کند (البته این بدان معنا نیست که نتیجه شما بی ارزش است – در ادامه می خوانید چرا).

یک متخصص سئو در نقش دانشمند در حال تحلیل داده های سئو با میکروسکوپ، لاگ بوک و نمودارهای تست روی تخته سیاه

این تصویر یک متخصص سئو را در نقش یک دانشمند نشان می دهد که در حال تحلیل داده های آزمایش های سئو است. او یک لاگ بوک علمی دارد و یک میکروسکوپ در کنار اوست. مانیتورها نمودارها و کدهای سئو را نشان می دهند و تخته سیاه با فرمول ها و دیاگرام های مربوط به تست های سئو (مانند تست A/B) پر شده است

۲. ایزوله نکردن متغیرها یا نداشتن یک مقایسه معتبر

یکی از اولین چیزهایی که هنگام طراحی یک آزمایش یاد می گیرید این است که مشاهدهِ یک تغییر کافی نیست؛ شما باید با اطمینان معقولی بدانید که چه چیزی باعث آن تغییر شده است.

این موضوع یکی از سخت ترین اصول برای پیاده سازی در سئو است، زیرا وب سایت ها محیط های آزمایشگاهیِ استریل و کنترل شده نیستند.

در حالی که شما در حال تغییر عناوین یا تست کردن جایگاه جدید محتوا در یک قالب هستید، ممکن است اتفاقات متعدد دیگری در حال رخ دادن باشد:

  • تیم محصولِ شما ویژگی جدیدی را مستقر می کند که کل سایت را تحت تأثیر قرار می دهد.
  • تیم مارکتینگ یک کمپین جدید راه اندازی می کند.
  • تقاضا و رفتار جستجوی کاربران تغییر می کند.
  • گوگل یک آپدیت جدید برای الگوریتم هایش منتشر می کند.
  • تیم توسعه دهندگان (Devs) دقیقاً روی همان صفحاتی که شما در حال تست هستید، تغییری ایجاد می کنند.

با اینکه همه این موارد به اهداف و رویدادهای تجاری متفاوتی گره خورده اند، اصل قضیه ثابت است: هرچه هم زمان چیزهای بیشتری را تغییر دهید، اطمینان کمتری خواهید داشت که کدام یک نتیجه را رقم زده است.

محققان به این توضیحات جایگزین، «متغیرهای مداخله گر» (Confounding variables) می گویند و من خودم هم قربانی آن ها شده ام.

در یکی از مطالعات اخیرم، می خواستم بدانم آیا کاربران واکنش متفاوتی به محتوای تولیدشده توسط هوش مصنوعی در مقایسه با محتوای نوشته شده توسط انسان نشان می دهند یا خیر. اما در نهایت متوجه شدم نمی توانم با اطمینان، تفاوت هایی که مشاهده می کردم را به «منشأ تولید محتوا» ربط دهم. این محتواها در جنبه های مهمِ دیگری از جمله پیام رسانی و میزان آشنایی شرکت کنندگان با موضوع نیز تفاوت داشتند.

بنابراین، طراحی اولیه را دور انداختم و از نو شروع کردم.

دردناک بود؟ بله، و زمان بسیار بیشتری از من گرفت تا محرک هایی بسازم که متغیرهای مداخله گر را به حداقل برساند. اما قطعاً درد آن بسیار کمتر از این بود که با اعتمادبه نفسِ کامل به نتیجه ای کاملاً اشتباه برسم.

تست سئو نیز به همین انضباط نیاز دارد، حتی اگر کنترلِ آزمایشگاهیِ بی نقص به ندرت امکان پذیر باشد. این یعنی باید بپرسید:

  • آیا من یک گروه کنترل یا مقایسه مناسب دارم؟
  • اگر دارم، آیا این گروه ها واقعاً قابل مقایسه هستند (یا دارم قالب های صفحه ای را با نیت و تاریخچه ترافیکی کاملاً متفاوت با هم مقایسه می کنم)؟
  • در طول آزمایش چه چیزهای دیگری تغییر کرده است؟
  • آیا فصل و زمان خاص (Seasonality)، یک کمپین تبلیغاتی، رونمایی از محصول جدید یا آپدیت الگوریتم گوگل با آن هم زمان شده است؟
  • اگر عملکرد تغییر کرده است، چه توضیحات جایگزینِ دیگری می تواند دلیل آن باشد؟

متأسفانه، ما نمی توانیم هنگام تست کردن همه چیز را متوقف کنیم، اما می توانیم خطوط ارتباطی را با سایر تیم ها باز نگه داریم و بفهمیم آن ها در حال انجام چه کاری هستند. اگر می توانید، یک لاگ (دفترچه ثبت وقایع) از تغییرات عمده در تیم های سئو، فنی، محصول و مارکتینگ نگه دارید. وقتی اولین تحلیل خود را بعد از اجرای تست انجام می دهید، این لاگِ رویدادها بیشتر از آنچه فکرش را بکنید به شما کمک خواهد کرد.

هدف این نیست که وانمود کنید سایت شما یک آزمایشگاه استریل است (که نیست). هدف این است که سایر توضیحاتِ جایگزینِ منطقی را زیر نظر بگیرید تا بتوانید با اطمینانِ معقولی بگویید چه چیزی علتِ چه چیزی بوده است.

۳. تصمیم گیری درباره معنای «موفقیت» پس از دیدن نتایج

یک شوخی قدیمی در سئو وجود دارد: اگر ترافیک بالا برود، نتیجه کار و هنرِ شماست. اما اگر ترافیک پایین بیاید، تقصیر آپدیت گوگل بوده است!

این دقیقاً یکی از خطرات تست کردنِ فرضیه ای است که عمیقاً به آن اهمیت می دهید: قربانی شدن در دامِ سوگیری تأییدی (Confirmation Bias) خودمان.

محققان نسخه خاص خودشان را از این مشکل دارند. اگر به اندازه کافی تحلیل انجام دهید، به نتایج متعددی نگاه کنید یا مدام سؤالتان را تغییر دهید، در نهایت یک چیزِ جالب پیدا خواهید کرد.

به همین دلیل است که در تحقیقات، مفهومی به نام «پیش ثبت نام» (Preregistration) وجود دارد: محققان قبل از دیدن نتایج، دقیقاً مستند می کنند که قصد دارند چه چیزی را و چگونه آزمایش کنند. من نمی گویم شما هم باید تستِ تغییر عنوانِ بعدی تان را در یک پلتفرم علمی ثبت کنید! فقط می گویم این اصل را وام بگیرید. قبل از اجرای آزمایش، به موارد زیر متعهد شوید:

  • دقیقاً چه چیزی را اندازه می گیرید؟
  • نتیجه اصلی و هدف نهایی شما چیست؟
  • در چه بازه زمانی این کار را انجام می دهید؟
  • چه مقایسه ای اهمیت دارد؟
  • و چه چیزی به عنوان شواهدی برای تأیید یا رد فرضیه شما به حساب می آید؟

در غیر این صورت، خیلی راحت ممکن است هر سیگنالی که فرضیه شما را تأیید می کند، به عنوان دلیل موفقیت بپذیرید، فارغ از اینکه نتیجه واقعی چه بوده است.

مثلاً:

  • «خب، ترافیک تغییری نکرد، اما ایمپرشن ها (Impressions) بالا رفت.»
  • «ایمپرشن ها افت کرد، اما نرخ کلیک (CTR) افزایش یافت.»
  • «میانگین رتبه پایین آمد، اما به این ۶ کلمه کلیدی جدیدی که گرفتیم نگاه کن!»

قصد ندارم ذوق کسی را کور کنم، اما اگر بعد از وقوع اتفاق، به خودتان به اندازه کافی متریک و آزادی عمل بدهید، بالاخره یک چیزی مثبت به نظر خواهد رسید. فقط دیگر نمی توانید نتیجه بگیرید که این اتفاق قطعاً به خاطر تغییر شما بوده است.

به همین دلیل است که تأکید می کنم یک فرضیه نباید چیزی باشد که هدف شما اثبات قطعی آن است، بلکه چیزی است که شما «می خواهید آن را آزمایش کنید». حتی اگر به این معنی باشد که در نهایت آن را رد کنید.

اگر با این طرز فکر وارد یک آزمایش شوید که «من می دانم این کار جواب می دهد و قرار است آن را ثابت کنم»، فوراً چیزی به خود داده اید که باید از آن دفاع کنید. وقتی نتیجه منفی است، بیشتر از زمانی که نتیجه مثبت است به دنبال توجیه و دلیل می گردید. زمان تست را تمدید می کنید چون شاید «فقط یک هفته دیگر زمان نیاز دارد». تست های موفق را به خاطر می سپارید و تست های ناموفق را زیر فرش پنهان می کنید؛ بدون اینکه بپذیرید حتی تست هایی که در آن ها «شکست» می خوریم می توانند نکات ارزشمندی درباره مخاطبانمان و اینکه چه چیزی روی سایتمان جواب می دهد یا نمی دهد، به ما بیاموزند.

به خاطر داشته باشید: فرضیه شما، استراتژی شما نیست؛ فقط به آن جهت می دهد. دانشمندان قرار نیست از نظر احساسی به زنده ماندن فرضیات خود وابسته باشند.

گروهی از متخصصان سئو در حال همکاری برای ساخت یک ساختار سنگی باستانی حکاکی شده با دانش و دیاگرام های سئو

این تصویر گروهی از متخصصان سئو را نشان می دهد که در حال همکاری برای ساختن یک ساختار سنگی بزرگ و باستانی هستند که روی آن متون و دیاگرام های مربوط به دانش سئو حک شده است. این تصویر نشان دهنده آن است که تست ها رویدادهای ایزوله نیستند، بلکه آجرهایی برای بنا کردن یک دانش عمیق تر و پایدارتر هستند

۴. نتیجه گیری هایی که تست شما قادر به پشتیبانی از آن ها نیست

تصور کنید: هفته ها اجرای یک آزمایش، جمع آوری داده ها، تحلیل آن ها و رسیدن به نقطه پایان، فقط برای اینکه کشف کنید پاسخ شما این است: «نمی دانیم.»

به دنیای تحقیق خوش آمدید! همه ما این را تجربه کرده ایم و هیچ اشکالی ندارد.

در سئو، ما اغلب از تست ها می خواهیم یک پاسخ صفر و یکی (باینری) به ما بدهند: کار کرد یا نکرد (حتی اگر در نهایت خیلی بیشتر از آنچه دوست داریم به زبان بیاوریم، از عبارتِ معروفِ “بستگی دارد – It depends” استفاده کنیم).

اما حداقل سه احتمال وجود دارد:

  1. شواهدی مبنی بر وجود یک اثر (تأثیر مثبت یا منفی) وجود دارد.
  2. شواهدی برخلاف اثری که پیش بینی می کردیم وجود دارد.
  3. شواهدِ کافی برای رسیدن به یک نتیجه گیری قابل اعتماد وجود ندارد.

و این ها با هم یکی نیستند.

اگر آزمایش شما خیلی کوتاه است، نمونه شما خیلی کوچک است، عملکرد به شدت متغیر است یا خودِ اثرِ تغییر نسبتاً ظریف است، تست شما ممکن است به سادگی فرصتِ کافی برای تشخیص آن را نداشته باشد.

این موضوع به ویژه در سئو اهمیت دارد، زیرا «ساعتِ آزمایشیِ» ما همیشه با ساعتِ تقویم یکی نیست: یک تغییر ممکن است مدتی طول بکشد تا کراول (Crawl) و ایندکس (Index) شود و موتورهای جستجو برای نشان دادن واکنش به زمان نیاز دارند. رفتار کاربر نیز در روزها، هفته ها و فصل های مختلف متغیر است.

بنابراین، قانونِ سخت گیرانه برای اجرای یک تست در یک پنجره زمانی کوتاه و سفت وسخت (فقط به این دلیل که اسپرینتِ تیم شما آن را دیکته می کند) را کنار بگذارید. ۷ روز شاید شسته ورفته به نظر برسد، اما لزوماً به این معنی نیست که شما به تست، ۷ روز فرصتِ واقعی برای قرار گرفتن در معرض دید (Exposure) داده اید.

یکی از اصول تحقیقاتی که به شدت دچار سوءتفاهم شده، اینجا کاربرد پیدا می کند:

«نبودِ شواهد، لزوماً به معنای شواهدِ نبودنِ (یک تأثیر) نیست.»

اگر تفاوتی تشخیص ندادید، از خود بپرسید آیا شواهدی دارید که نشان دهد این تغییر هیچ اثر معناداری نداشته است، یا اینکه آزمایش شما به سادگی نتوانسته آن را نشان دهد و برای اثبات آن به داده های بیشتری نیاز دارید؟

۵. برخورد با هر تست به عنوان یک رویداد مجزا (ایزوله)

برنامه آزمایشی خود را طوری مدیریت کنید که به یک «دانشِ مرکب» (Compound Knowledge) دست یابید، نه فقط برای کشفیات کوچک و فردی.

در تحقیقات، ما به ندرت انتظار داریم یک مطالعه واحد، سؤالی را برای همیشه حل کند: یک مطالعه به شما می گوید با یک نمونه خاص، با استفاده از یک روش خاص و تحت شرایط خاص چه اتفاقی افتاده است. اطمینان زمانی رشد می کند که یافته ها تکرار شوند، آزمایش های مرتبط در یک جهتِ مشابه قرار بگیرند و شواهد روی هم انباشته شوند.

تست های سئو شما نیز باید دقیقاً به همین شکل عمل کنند.

یک آزمایش ممکن است به شما بگوید که تغییر یک قالب باعث افزایش ترافیک در یک گروه از صفحات، در یک وب سایت و در یک دوره زمانی خاص شده است؛ اما این بدان معنا نیست که «گوگل قطعاً این را ترجیح می دهد.» و همچنین به این معنا نیست که باید آن را تبدیل به «قانون سئو» کرده و کورکورانه آن تغییر موفق را روی هر بازار و نوع صفحه ای که دارید پیاده کنید.

به همین دلیل است که من روی نگه داشتن «گزارش آزمایش ها» (Experiment Logs) کمی وسواس دارم. شما باید برای ثبت این موارد حداقل سؤال، فرضیه، نوع تغییر (Treatment)، جامعه آماری، تاریخ ها، زمینه مرتبط، نتیجه، تفسیر، محدودیت ها و آنچه تصمیم گرفتید بعداً انجام دهید را مستند کنید – این کار باید برای همه تست ها انجام شود، حتی تست هایی که فرضیه شما را رد کردند یا بی نتیجه بودند.

شش ماه دیگر، تمام این دانشِ گردآوری شده با هم تبدیل به یک داستان می شود و بسیار ارزشمندتر از امروز خواهد بود: شاید چیز مشابهی را در بازار دیگری اجرا کنید، یا همان الگو در نوع دیگری از صفحه ظاهر شود. شاید سه آزمایشِ ظاهراً بی ربط همگی شروع به اشاره به یک رفتارِ زیربناییِ یکسان کنند.

علم پیشرفت می کند زیرا ما بر اساس آنچه پیش از این بوده است حرکت می کنیم (از جمله مطالعاتی که نتیجه مورد انتظار محققان را در بر نداشت) و تیم های سئو و دیجیتال مارکتینگ نیز می توانند دانش خود را دقیقاً به همین روش بسازند.

یک تست به شما «یک نتیجه» می دهد، اما ۲۰ تستِ درست مستند شده به شما می آموزند که وب سایت شما، مخاطبان شما، بازارهای شما چگونه اند و کدام فرضیاتِ شما در برخورد با واقعیت بارها و بارها جانِ سالم به در برده اند. ارزش در یک تست منفرد نیست، بلکه در مجموعه شواهدی است که می سازید.

۶. تست کردن صرفاً برای تست کردن (بدون هدف)

تحقیق با یک سؤال شروع می شود زیرا ما در تلاشیم عدم قطعیت (Uncertainty) را کاهش دهیم. در تجارت، کاهشِ این عدم قطعیت باید به ما کمک کند تا یک «اقدام» را آغاز کنیم.

قبل از اجرای یک تست، سعی کنید این جمله را کامل کنید:

«بسته به اینکه چه چیزی پیدا کنیم، ما قرار است…»

آن تغییر را در سطح کلان پیاده کنیم؟ آن را برگردانیم به حالت قبل؟ مسیر را عوض کنیم؟ یا هیچ کاری نکنیم؟

مورد آخر بسیار مهم است. یک نتیجه متقاعدکننده از نظر آماری، لزوماً از نظر تجاری معنادار نیست. اگر تغییری کلیک های ارگانیک را ۰.۳٪ بهبود ببخشد، اما اجرای آن روی سایت ۶ ماه از منابع تیم فنی و برنامه نویسی شما زمان بگیرد (که در اینجا برون سپاری هدفمند به متخصصان فنی در مجموعه هایی مانند تیم خدمات سئو و توسعه دانش وب می تواند راهگشا باشد)، ممکن است آن تست در ظاهر «کار کرده باشد»، اما در عین حال دلیلِ بسیار خوبی به شما داده است که آن را پیاده سازی نکنید.

بنابراین سعی کنید دو سؤال بپرسید:

۱. آیا می توانیم منطقاً باور کنیم که تأثیری وجود دارد؟

۲. آیا آن تأثیر به اندازه ای بزرگ هست که اهمیت داشته باشد؟

من در محیط هایی کار کرده ام که تعدادِ آزمایش های در حال اجرا تقریباً به عنوان نشانه ای از بلوغِ تیم در نظر گرفته می شد. اما ارزش، با حجمِ تست ها اندازه گیری نمی شود، بلکه با یادگیری و اقداماتی که در نتیجه آن ها انجام می دهیم سنجیده می شود.

یک تست شکست خورده یا بی نتیجه می تواند ارزشمند باشد اگر شما را از سرمایه گذاری روی چیزی که فرض می کردید جواب می دهد، باز دارد. به همین ترتیب، اگر هیچ یک از نتایجِ ممکن قرار نیست چیزی که شما می خواهید انجام دهید را تغییر دهد، پس چرا اصلاً در حال تست کردنِ آن هستید؟ در دنیای آکادمیک، یک آزمایش با یک بحث (Discussion) به پایان می رسد: چه چیزی یاد گرفتیم؟ محدودیت ها چه بود؟ بعد از این باید چه چیزی را بررسی کنیم؟

آزمایش های سئو نیز باید در جایگاهی مشابه به پایان برسند. زیرا در نهایت، خروجیِ یک آزمایش، نمودارها نیستند، بلکه یک «تصمیم» است.

نتیجه گیری

شما نیازی ندارید تیم سئو خود را به یک آزمایشگاه تحقیقاتی تبدیل کنید یا از مدل ها و روش های آماریِ پیچیده ای استفاده کنید که نوشتن آن ها بیشتر از زمانِ اجرای خودِ آزمایش طول می کشد.

تفکر مانند یک دانشمند، بیشتر درباره یک «کنجکاویِ منضبط» است.

کار را با چیزی شروع کنید که واقعاً به دانستنِ آن نیاز دارید. فرضیه ای بسازید که امکانِ اشتباه بودنش وجود داشته باشد. تستی طراحی کنید که شانسِ معقولی برای پاسخ دادن به آن فرضیه به شما بدهد. سعی کنید توضیحات و متغیرهای جایگزین را رد یا کنترل کنید. پیش از دیدن نتایج، تعیین کنید که شواهدِ موفقیت به چه معنا هستند. پاسخ را بپذیرید، حتی زمانی که پاسخی نیست که دوست داشتید. و در نهایت، آنچه یاد گرفته اید را مستند کنید تا آزمایشِ بعدی دقیقاً از جایی شروع شود که قبلی به پایان رسیده بود.

محققان بخشِ قابل توجهی از زندگی خود را صرفِ کشف این موضوع می کنند که فرضیات زیبایشان اشتباه بوده، آزمایش هایشان جواب نداده یا واقعیت به مراتب به هم ریخته تر از چیزی بوده که انتظار داشته اند. من خودم قطعاً این گونه بوده ام!

و این یک شکست در فرآیند علمی نیست – این دقیقاً خودِ فرآیند علمی است.

این رویکرد وقتی در سئو به کار گرفته می شود، همان چیزی است که تست کردن را از مجموعه ای از نمودارهای «قبل و بعد» به مجموعه ای از شواهد تبدیل می کند که واقعاً می توانید از آن ها برای گرفتنِ تصمیمات بهتر استفاده کنید. این دانشِ مرکب را به کار بگیرید، درکِ خود را از وب سایت و رفتار مخاطبان خود بسازید، و استراتژیِ تأثیرگذاری را شکل دهید – برای کسب وکارتان و برای مخاطبانتان.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *