Fermeture temporaire d'une portion du parc linéaire de la Rivière-Saint-Charles

La Ville de Québec informe les utilisateurs du parc linéaire de la Rivière-Saint-Charles que le sentier pédestre et la piste cyclable (corridor de la Rivière-Saint-Charles) compris entre les ponts Scott et Samson seront fermés le dimanche 8 juillet, entre 6 h et 13 h, en raison de la tenue de l’activité Défi-Entreprises.

Les secteurs de l’embouchure, de l’Anse-à-Cartier, des îlots ainsi qu’une partie du secteur du pont de l’Aqueduc seront donc inaccessibles durant cette courte période. Le but de cette fermeture temporaire est d’assurer la sécurité des marcheurs et des cyclistes empruntant les sentiers de ces installations et aussi celle des participants. Elle vise également à assurer le bon déroulement de l’événement afin qu’il puisse conserver son caractère familial et festif.

Mentionnons que plus de 8 000 participants sont attendus ce 8 juillet au Défi-Entreprises à Québec.

[Read More ...]

Les 5 chiffres SEO qui nous ont marqué cette semaine (01/07 au 06/07)

Quels sont les 5 chiffres SEO qui nous ont marqué cette semaine ? L’équipe @OnCrawl vous a préparé son top 5 des chiffres les plus marquants. L’ensemble des données utilisées proviennent de sources anglophones. Conversions, sites piratés, recherche vocale, blog et cross-device : découvrez nos 5 actualités SEO de la semaine.

81 % des entreprises obtiennent toujours des conversions sur desktop

Cet article résume la conférence d’Alexis Sanders (Merkle) sur le Mobile-First et l’AMP lors de SMX Advanced. Au cours de cette intervention, elle a mis en avant que de plus en plus d’internautes utilisent leur mobile et que Google s’adapte à cette tendance. Le problème, c’est que le mobile est très différent du desktop et qu’il contient des challenges et notamment un écran plus petit, un problème de rapidité, un trafic éclaté entre navigateurs et applications… Face à ces challenges, le desktop n’est pas en perdition et 81 % des entreprises confient d’ailleurs qu’elles font encore des conversions sur ce support.
Lire l’article

Le nombre de sites piratés a augmenté de 32 % entre 2016 et 2015 d’après Google

D’après Google, le nombre de sites piratés a bondi de 32 % entre 2015 et 2016. Heureusement, en 2017, le moteur de recherche a supprimé près de 80 % des sites piratés qu’il a détecté dans ses classements. Même si Google réalise d’importants progrès dans la lutte contre le piratage, il reste très important pour les webmasters de sécuriser au mieux leur site.
Lire l’article

30 % à 50 % de l’ensemble des recherches seront faites via la recherche vocale d’ici à 2020

Êtes-vous prêts pour le futur de la recherche vocale ? Que ce soit via les assistants vocaux ou les smartphones, l’usage de la recherche vocale évolue de plus en plus rapidement. Ainsi, des recherches ont montré que les recherches vocales représenteraient entre 30 % et 50 % de l’ensemble des requêtes d’ici à 2020. Les utilisateurs mobile font de plus en plus appel à cette fonction qu’ils jugent pratique. Place aux stratégies de VEO : Voice Engine Optimization !
Lire l’article

Les sites web qui disposent d’un blog ont 434 % plus de chances d’avoir des pages indexées

Cet article propose 7 conseils basiques pour optimiser le SEO des blogs. Une étude a montré que les sites web qui disposaient d’un blog ont 434 % plus de chances d’avoir des pages indexées. Elles ont également 67 % plus de leads que les autres entreprises. Attention cependant, l’auteur rappelle qu’il ne suffit pas juste d’alimenter un blog avec des contenus. Il est important d’optimiser les pages du blog pour qu’elles se classent dans les moteurs de recherche.
Lire l’article

60 % des internautes avouent régulièrement commencer une recherche sur mobile avant de la finir sur desktop

L’auteur de cet article dénonce une erreur souvent commise : les audiences sur mobile et desktop ne sont pas différentes. Il s’agit des mêmes utilisateurs qui pratiquent le “cross-device”, c’est-à-dire qu’ils jonglent entre leurs différents appareils (smartphone, tv, desktop…). Ainsi, d’après l’étude Multiscreen World de Google, 60 % des internautes avouent débuter leur recherche sur mobile avant de la finir sur desktop. Par ailleurs, 88 % d’entre eux utilisent leur TV et leur smartphone en même temps.
Lire l’article

[Read More ...]

Une introduction au Machine Learning en SEO / AEO

Qu’est-ce que le Machine Learning ?

Les citations suivantes résument très bien le Machine Learning.
Plus fluide

“Le Machine Learning est quelque chose de nouveau sous le soleil : une technologie qui se construit elle-même.”
Pedro Domingos

Plus intuitif

“Le Machine Learning est autant un art qu’une science. C’est comme la cuisine – oui il y a de la chimie, mais pour faire quelque chose de vraiment intéressant, vous devez apprendre comment combiner les ingrédients à votre disposition”. Greg Corrado, (Google)

Plus flexible

“Le machine learning n’est pas un bout de code statique : vous lui fournissez des données en permanence. Nous mettons constamment à jour les modèles et l’apprentissage, ajoutons plus de données et ajustons la manière dont nous allons faire des prédictions. C’est comme si c’était une chose vivante. Il s’agit d’une différente sorte d’ingénierie.” Christine Robson (Google)

Cool !
Toutes ces citations de sources anglophones proviennent de ce super article.

Le machine learning c’est comme cuisiner

Cuisiner : des ingrédients, des équipements de cuisine et un flair pour la cuisine.
Machine learning : des données, des mathématiques et une intuition d’ingénieur.

Machine learning vs Code traditionnel

Alors que le développement du code traditionnel est plus semblable à une science statique, le machine learning est un “être” fluide. À chaque fois que nous posons une question (input) pour obtenir une réponse (output), le chemin pour retourner la réponse est unique, écrit à la volée par une machine qui a été guidée par des ingénieurs plutôt que codée en “dur”. Et à chaque fois qu’elle remplit une tâche, elle apprend et peut appliquer ce savoir pour accomplir cette tâche encore plus efficacement la prochaine fois.
Époustouflant.

Les types basiques de machine learning

Le machine learning supervisé : fournir des données labellisées et fiables à une machine et lui indiquer les résultats attendus. Ensuite, on lui demande de trouver la formule optimale pour obtenir le résultat désiré à partir de ces données. Une fois que la formule a été définie, nous pouvons lui fournir des données non labellisées du même type et obtenir des prédictions fiables. AlphaGo est un excellent exemple : pour apprendre à jouer à Go, Google l’a alimenté avec plus de 10 millions de jeux humains. En analysant ces jeux la machine a identifié une stratégie et a pu battre le champion du monde.
Le machine learning non-supervisé : donner à la machine une gamme d’outils basiques, une source de données et un résultat désiré et laisser la machine labelliser les données et trouver la meilleure formule. AlphaGo Zero est un très bon exemple de cela – Google ne lui a fourni que les règles et le but du jeu Go, puis la machine a joué contre elle-même des millions de fois. Il lui a fallu seulement 2 jours pour apprendre à jouer suffisamment bien pour battre son prédécesseur AlphaGo 100 fois d’affilée.
Donc, dans un jeu avec des règles précises, Google a la capacité d’utiliser de l’apprentissage non supervisé et de surpasser 4 000 années d’efforts humains en seulement quelques jours.
Et cela n’est qu’une petite “mise en bouche” des progrès théoriquement possibles dans les années à venir.
Attention : Bien que le non-supervisé soit l’Eldorado du machine learning, Google ne risque pas de l’appliquer à grande échelle dans la sphère du SEO / AEO : il serait très dangereux de laisser son business model à la merci d’une machine. Google se doit de maintenir un certain niveau de supervision.
Donc, en SEO et AEO (Answer Engine Optimisation / Optimisation pour les Moteurs à Réponse), nous sommes intéressés par quelque chose situé entre ces deux types de machine learning – le Machine Learning semi-supervisé.
Dans ce cas, Google construit une fondation d’apprentissage supervisée sur des données labellisées et fiables, puis étend l’auto-apprentissage en utilisant des données non-labellisées de manière semi-contrôlée.

Pourquoi cela devient-il aussi important ?

Même si le terme “Machine Learning” date des années 1950, le machine learning n’est possible que depuis quelques années car, pour fonctionner, il requiert une gamme d’outils et de technologies qui ne sont tous disponibles que depuis une dizaine d’années.

Ce sont des technologies tels que les CPUs multithread dédiés, le Big Data, le Big Query (SQL basé sur des vecteurs) qui nous ont permis d’entrer dans l’ère de Machine Learning. Le monde vient de changer de manière radicale !
Google est très clair à ce sujet : c’est aujourd’hui une entreprise “AI-first” (ancré dans l’Intelligence Artificielle). Consultez ce site pour en savoir plus.
Note : bien que ce ne soit pas strictement vrai, IA et machine learning peuvent être considérés comme des synonymes pour le reste de cet article.

Le Machine Learning change les règles du jeu

Amit Singhal, Head of Search chez Google depuis le début des années 2000, vient du monde des “Retrievers”. Les “Retrievers” sont des ingénieurs qui écrivent du code statique pour collecter, trier et classer des informations selon des règles. Ces règles sont donc définies par les humains. Étant donné le succès de Google sous sa direction, il est clair qu’Amit Singhal et son équipe de retrievers sont très, très forts. David Pablo Cohn, un ingénieur leader en machine learning chez Google depuis 2002 a déclaré :

“ Il s’est avéré que l’intuition d’Amit était la meilleure du monde et nous avons fait mieux en essayant de coder en dur tout ce qui passait par le cerveau d’Amit. Nous n’avons rien trouvé d’aussi bon que son approche”.

Mais en 2014, l’équipe machine learning de Google a réussi à fournir des résultats de qualité équivalente à ceux des “retriever”. Mieux, ils avaient de meilleurs résultats quand ils s’agissait d’identifier une seule et unique réponse (la bonne). Les Machine Learners ont pris le dessus, et Google s’est fixé une approche 100 % IA. Grâce à ses avances en Machine Learning, Google devient aujourd’hui un moteur à réponse, qui a pour but de fournir à ses utilisateurs LA réponse / solution unique (et objectivement la meilleure) à leur problème / question.

RankBrain : Machine Learning entre dans le coeur de l’algorithme en 2015

Lorsqu’il a été lancé en 2015, RankBrain était la première utilisation de Machine Learning dans son algorithme annoncé par Google. Au lancement, RankBrain visait à améliorer les 15 % de requêtes que Google n’avait jamais vu auparavant. 9 mois plus tard, Google a annoncé que RankBrain affectait 100 % des recherches et était devenu le 3ème facteur de classement le plus important.
Cela montre clairement que, déjà en 2016, le Machine Learning était fiable et performant. Google ne fournit que très peu d’informations concrètes, mais au cours des deux dernières années, d’autres implémentations de Machine Learning ont certainement eu lieu. D’après mon opinion, nous avons également eu des mises en application Machine Learning de taille dans l’algorithme début 2018.

3 mises à jour majeures de l’algorithme en 2018

Début 2018, la plupart des outils de tracking (SEMrush, Mozcast, RankRanger) ont enregistré 3 secousses prolongées dans la volatilité des SERPs (j’exclu de mon analyse la mise à jour de l’index Mobile First du 22 mars puisqu’il s’agit d’un cas à part).

• Secousse d’une semaine en Janvier 2018
• Secousse d’une semaine en Mars 2018
• Secousse d’une semaine en Avril 2018

Pour les analyses, j’ai utilisé les chiffres de SEMrush Sensor d’avril 2017 à avril 2018. Un Sensor Score de plus de 7 sur leur échelle est considéré comme une mise à jour, et je calcule le score moyen sur une semaine pour donner un “score de secousse”. Il n’y a pas énormément de données mais les résultats sont plutôt évoquants.

Données fournies par semrush.com

Les mises à jour en 2018 sont largement plus fortes qu’en 2017

• 2017 = 10 mises à jour, avec une secousse moyenne sur une semaine de 5.7
• 2018 = 3 mises à jour, avec une secousse moyenne sur une semaine de 7.3

La secousse moyenne est 30 % plus élevée en 2018 qu’en 2017. La moyenne des 3 mises à jour en 2018 est au dessus des 7, tandis qu’aucune des 10 mises à jour en 2017 n’a dépassé les 6.5.
3 mises à jours significatives de l’algorithme principal en 4 mois avec des périodes de volatilité inhabituellement longues. Google ne nous dit qu’une chose – ces mises à jour n’avaient pas pour objectif de pénaliser les sites de faible qualité… Dans ce contexte, ce commentaire prend un tout nouveau sens pour moi :

“Il y a toujours eu cette bataille entre les retrievers et les équipes Machine Learning. Les machine learners ont finalement remporté la bataille”. Pedro Domingos

Assistons-nous à une plus grande introduction de Machine Learning dans l’algorithme en 2018 ?

Google a précédemment annoncé que l’apprentissage en lui-même était fait offline.

Danny Sullivan (qui travaille désormais pour Google) : “Tout l’apprentissage que fait RankBrain est fait offline… On lui fournit des données de recherches historiques et il apprend à faire des prédictions à partir de ça. Ces prédictions sont testées et si elles sont bonnes, alors la dernière version de RankBrain est mise en ligne. Puis, le cycle d’apprentissage offline => test est répété.”

Considérant cette manière de fonctionner, les MAJ des 12 janvier, 2 mars et 17 avril sont peut-être des mises à jour “normales” de Machine Learning. Google pousse un élément de Machine Learning dans l’algorithme principal, créant un choc initial majeur qui est immédiatement suivi d’une période d’instabilité significative pendant que le nouvel apprentissage s’adapte aux données du monde réel.

Moteur à Réponse “à la Star Trek”

“La destinée du moteur de recherche Google est de devenir cet ordinateur de Star Trek, et c’est ce que nous sommes en train de construire”. Amit Singhal

Qu’est-ce qui rend l’ordinateur de Star Trek aussi intéressant pour Google ? Il fournit des réponses, soit après un échange conversationnel avec l’utilisateur, ou (même plus excitant pour Google) en anticipant les besoins de l’utilisateur et fournissant la solution sans même avoir été sollicité.
Google s’est donné pour mission de développer un Assistant Virtuel qui dialogue avec les utilisateurs, observe leur comportement, apprend de manière autonome, s’améliore au fil du temps et fourni des réponses uniques (objectivement correctes)… le tout étayé par du Machine Learning.

Google est destiné à devenir un moteur de réponse “à la Star Trek”.

Le Machine Learning – les deux parties de l’équation AEO

Note : ils est évident que la délimitation les deux parties de l’équation n’est pas aussi claire que suggérée ci-dessus. Mais cette distinction permet de fournir une approche relativement simple qui permet d’aborder le court terme, sans perdre de vue le long terme.

• Front end : comprendre l’intention de l’utilisateur

Ici, l’implémentation du Machine Learning est déjà bien avancé via RankBrain – modèles de requête, vecteurs de mots, codage universel de phrases etc. Il s’agit de la partie de l’algorithme destinée à mieux comprendre le besoin de l’utilisateur, et donc de permettre au moteur de recherche de mieux prioriser les résultats selon ses intentions.
Pour toutes les recherches effectuées sur Google, RankBrain prend la requête, y ajoute les informations dont il dispose sur l’utilisateur (l’historique de recherche, les attributs de la personne, l’historique d’achat etc.), le contexte spécifique (l’heure, la localisation, l’appareil etc.) et sa compréhension des entités pour identifier la véritable intention derrière les mots utilisés dans la requête.

Objectif : comprendre l’intention de la question / le fond du problème exprimé afin de communiquer au back end un besoin / question très spécifique et explicite.

• Back end : comprendre les solutions disponibles

Google rassemble des informations sur le monde à travers plusieurs canaux : le Knowledge Graph, MyBusiness, Local Guides, Adwords… avec l’objectif de fournir au front end la réponse / solution la plus pertinente et crédible. Le but du back-end est de collecter et comprendre de manière fiable les options disponibles, puis d’évaluer leur crédibilité et pertinence pour identifier la meilleure réponse.
Il s’agit d’un vaste territoire où le Machine Learning dispose d’un grand nombre d’applications possibles et s’installe sur le devant de la scène. Bien qu’ils restent très évasifs dans leurs notices officielles, les brevets de Google indiquent que le Machine Learning est déjà appliqué dans cette sphère, et est destiné à devenir la force dominante. Les articles de Bill Slawski sont une très bonne source d’informations et d’inspiration sur ces brevets. Vous pouvez commencer à les lire ici.

Objectif : fournir LA bonne réponse au problème exprimé

Nous devons changer notre approche

Le Machine Learning est un “game changer” : nous vivons actuellement une véritable révolution en SEO.
Au lieu de se demander “Comment être parmi les possibilités offertes par Google à ses utilisateurs” (les 10 liens blues), nous devons maintenant nous demander “Comment être la réponse unique fournie par Google à un utilisateur pour le problème qu’il a exprimé”.
Ce changement de perspective est nécessaire dès aujourd’hui. Les nouvelles opportunités pour être cette réponse unique sont déjà en place et sont à prendre – AnswerBoxes, Knowledge Panels, Autres Questions Posées, MyBusiness etc (autrement dit, des Position0). La montée de la recherche vocale va augmenter considérablement l’importance de la Position0, pour le rendre indispensable dans une stratégie digitale.
Se tenir informer et mettre en œuvre des tactiques efficaces pour gagner la Position0 est déjà une tâche extrêmement difficile, mais cette tâche deviendra plus difficile encore dès lors que le machine learning fera de ces Position0 des résultats ultra-personnalisés, au cas par cas et en temps réel.
Implémenter les tactiques pertinentes est, bien sûr, nécessaire. Mais dans le contexte de “Révolution Machine Learning”, prétendre être LA réponse unique offerte par Google, Microsoft ou Amazon demande une approche holistique, centrée sur la marque.
Le Machine Learning nous mène dans la nouvelle ère des moteurs à réponse. La stratégie gagnante en AEO (optimisation pour les Moteurs à Réponse) sera obligatoirement centrée sur la Compréhension et la Crédibilité.

Plus sur le AEO par Jason Barnard
Le futur du SEO / AEO : compréhension et crédibilité
Graphe de connaissance Google – Qu’est-ce que c’est ? Comment en profiter ?

[Read More ...]

L’avenir de la mobilité à Québec mobilise plus de 10 000 citoyens!

Québec, le 4 juillet 2018 – La Ville de Québec dépose aujourd’hui le rapport de consultation publique portant sur le projet de réseau structurant de transport en commun. Au total, c’est plus de 5 000 personnes qui ont assisté, sur place ou par webdiffusion, aux cinq séances d’information et de consultation qui se sont tenues les 4, 5, 7 et 11 avril 2018, pendant lesquelles 200 personnes majoritairement favorables au projet ont exprimé des commentaires ou posé des questions. De plus, 5 209 citoyens ont répondu au questionnaire en ligne au cours du mois d’avril.

Principaux thèmes abordés lors des séances d’information et de consultation :

• Desserte de la couronne nord de la ville et de l’arrondissement de Beauport;
• Importance de l’accessibilité universelle des infrastructures et du matériel roulant;
• Impacts sur l’aménagement du territoire et sur les résidences riveraines des tracés du tramway et du trambus;
• Fiabilité et rapidité des temps de parcours à la suite de la mise en service du réseau structurant;
• Partage sécuritaire de la chaussée entre tous les usagers de la route (piétons, cyclistes et automobilistes) et le tramway;
• Effort de communication et d’information de la Ville à maintenir.

Quelques faits saillants sur le questionnaire en ligne[1] :

• 57 % des répondants sont totalement ou plutôt satisfaits du projet dans son ensemble;
• 57 % des répondants estiment que le projet répond aux besoins des citoyens;
• Plus de la moitié des répondants sont satisfaits pour les tracés proposés du tramway (56 %) et du trambus (55 %);
• Plus de répondants projettent d’utiliser le transport en commun pour se rendre au travail (de 32 % en 2018 à 40 % en 2026), pour des déplacements de loisirs (de 44 % en 2018 à 52 % en 2026) ou pour le magasinage (de 19 % en 2018 à 30 % en 2026);
• 70 % des répondants sont satisfaits de l’amplitude de l’horaire (5 h à 1 h) offerte par le réseau structurant;
• 65 % des répondants croient que les temps de déplacement seront fiables et 53 % croient qu’ils seront plus courts.

Le rapport de consultation est disponible sur le site Internet de la Ville de Québec à https://www.ville.quebec.qc.ca/reseaustructurant, dans la section Documentation.

Travaux en cours et prochaines étapes du projet
Rappelons que la Ville de Québec procède actuellement à une collecte de données complémentaires et préliminaires (relevés d’arpentage, sondages des sols et localisation des utilités publiques) nécessaires à l’avancement du projet. La Ville sera donc en mesure, dans les prochains mois, de répondre aux préoccupations des citoyens par rapport à l’impact de l’implantation du réseau structurant sur leur propriété. Des rencontres spécifiques seront tenues au moment opportun. Les citoyens concernés en seront les premiers informés.

Par la suite, les études de conception (2018-2019) seront réalisées. Ces études consistent à préciser l’insertion de l’ensemble des tracés proposés dans le projet. Enfin, la Ville élaborera les plans et devis (2020-2022) pour finaliser de façon plus précise l’ensemble des besoins en infrastructures et en matériaux pour la mise en chantier du projet, prévue pour 2022.

À propos du réseau structurant de transport en commun
À la suite des consultations de juin 2017, les citoyens se sont prononcés à une forte majorité en faveur d’un réseau structurant de transport en commun. Le projet présenté par la Ville de Québec en mars 2018 comportera quatre composantes, soit le tramway (23 km, dont 3,5 km en souterrain), le trambus (17 km), les infrastructures dédiées au transport en commun (16 km) et le Métrobus (110 km). L’ensemble des parcours du Réseau de transport de la Capitale (RTC) se connectera à ces composantes pour assurer une couverture maximale sur le territoire. La Ville de Québec vise une mise en service complète d’ici 2026.

Pour accéder à beaucoup de documentation (photos, vidéos, foire aux questions, historique de la démarche, caractéristiques des modes de transport, etc.), les citoyens sont invités à consulter le ville.quebec.qc.ca/reseaustructurant.

---

[1] Ces données correspondent aux répondants résidant dans l’agglomération de Québec. Il ne s’agit pas d’un sondage représentatif de la population.

[Read More ...]

Entités et SEO : une introduction complète

Vous avez déjà du tomber sur le détecteur d’entités nommées d’OnCrawl ou sur l’un des articles d’Emma sur le Knowledge Panel de Google en vous demandant ce qu’était exactement une entité. Si vous n’êtes pas familier avec le terme ou ce qu’il signifie alors prenez note : c’est le moment de plonger dans le sujet. Les entités sont sans un doute l’une des idées les plus puissantes du search.
Je vais prendre des risques et prédire que dans un futur prochain les entités vont surpasser les liens et le contenu en tant que domaine clé pour les SEOs et tous ceux qui cherchent à obtenir des classements. Cependant, comme nous allons l’aborder, les entités reposent sur ces deux facteurs pour construire leur influence. Dans cet article, nous allons observer comment utiliser les liens et le contenu pour renforcer et connecter les entités.

Super… Mais qu’est-ce qu’une entité ?

A ce stade, vous n’êtes pas plus avancé que lorsque vous avez lu le titre. Dans un premier temps, je voulais souligner l’importance des entités dans le search. Maintenant, nous allons plonger dans leur définition, puis j’illustrerai ces déclarations et mettrai en avant quelques approches pour vous aider à utiliser ces informations afin de sauvegarder ou construire vos classements dans le futur.
Commençons avec la définition de Google issue de l’un de leur brevets sur le sujet (oui – il y a plusieurs brevets) :
Entité : une chose ou concept qui est singulier, unique, bien défini et distinguable.
Donc, est-ce que cela clarifie les choses ?
J’ai longtemps pensé aux entités comme à des noms (une personne, un endroit ou une chose). J’avais tort, elle vont bien au-delà de ça. Une entité peut être une idée, un adjectif, un concept… Tout ce qui peut être défini de manière unique. La couleur rouge par exemple. Ou le théorème de Pythagore. Ou cet article. Ou le concept des entités. Ou un mot du concept. Ou une lettre de ce mot. Ou un pixel de cette lettre. Tout. Même un auteur qui n’a toujours pas précisément abordé son sujet au bout de 300 mots.

Alors, quel est le but, Dave ?

Observons le nom de Dave comme une entité. En fait, ‘Dave Davies’ est une entité. Il y en a 4 (au moins) dans ma ville. Il y en a 3 rien que dans cette photo :

Chacune de ces entités a une connexion. Elles sont toutes nommées Dave Davies. Elles ont d’autres traits similaires comme le genre ‘masculin’ et bien d’autres similitudes mais leurs points de différenciation sont bien plus nombreux. Et c’est à ce stade que les entités apparaissent.
Utilisons comme exemple le très célèbre ‘Dave Davies’ dans cette image et observons une illustration basique de l’entité ‘Dave Davies’ du groupe The Kinks. Si vous ne le connaissez pas, voici de qui nous parlons :

Maintenant, jetons un oeil à une petite partie de son graphique d’entités que vous pouvez voir sur cette illustration basée sur l’un des brevets de Google et conçue pour notre exemple :

Ce que vous pouvez facilement voir ici est le graphique des entités (les cercles) et leur relation (les lignes). Si le tracé de ces relations vous semble familier c’est probablement parce qu’il ressemble beaucoup à :

Vous commencez à voir les connexions ? Les Knowledge Panels sont juste la partie immergée de l’iceberg mais elles font un excellent exemple visuel des entités et de leurs relations utilisées directement dans le search.
Que pensez-vous que Google utilise lorsqu’il répond aux recherches “à proximité” ? Google a besoin de comprendre spécifiquement la relation entre un site web ou n’importe quelle autre source de données, une entreprise et ce qu’elle offre pour obtenir un résultat comme celui-ci :

Google doit comprendre l’entité de la localisation, des entreprises, les nombreux attributs d’entité (notes, images, ect…) qui sont aussi des entités en elles-mêmes puis connecter ces entités d’entreprise à l’entité “pizza”.
Donc, nous pouvons voir grâce à ces quelques exemples, l’utilité des entités et leur relation dans les recherches locales et les Knowledge Panels. Les nombreux brevets de Google sur le sujet approfondissent encore plus le sujet.

Google et les liens

Mais alors, pourquoi Google s’intéresse aux liens ? Il s’y intéresse parce qu’il les traite comme un “vote” d’un site vers un autre. Ce qu’il cherche réellement à faire (bien que les équipes de Google ne le savaient pas lorsqu’ils ont créé PageRank) est de comprendre la relation entre une entité (le site lié) et la cible (le site lié à). Et ils ont commencé à incorporer d’autres facteurs comme le PageRank ou le maillage d’un site (le score PageRank est une entité), l’ancre de texte utilisée (entité), la pertinence du sujet (le sujet est aussi une entité), et bien d’autres (excusez-moi, ils ne m’ont pas fourni leur liste de facteurs PageRank ou je l’aurais inclue dans l’article).
Tout ce travail sur les liens avait pour but de répondre à une question basique : Comment une entité est liée à une autre ?
Donc, la question que nous pouvons nous poser est : si Google obtient une meilleure compréhension des entités que celle qu’il a des liens, utiliserait-il les liens ?
La réponse courte est non, ou du moins pas dans le contexte dans lequel nous le voyons aujourd’hui. Il pourrait les utiliser pour confirmer les associations mais pas comme facteur principal.

Mais pourquoi Google… Pourquoi ?

Et pourquoi ferait-il cela ? La réponse est simple si vous pensez à la manière dont vous utilisez vos appareils. Nous avons nos ordinateurs, bien sûr, mais nous avons aussi nos portables, Google Homes, nous voulons regarder nos vidéos sur nos télés, nous voulons que Google sache où nous sommes dans le temps et l’espace et nous dirige vers notre destination aussi vite que possible, nous voulons que Google nous dise ou la pizzeria la plus proche se situe… Nous le demandons, c’est pour ça.
Considérons un instant les SERPs en eux-mêmes. Tous ces Featured Snippets, Knowledge Panels, réponses… ces formats sont seulement possibles grâce à la compréhension de Google de la manière dont les entités se connectent.

Que pouvez-vous faire ?

J’espère que je vous ai aidé à comprendre les entités et surtout que je vous ai donné envie de garder vos yeux et vos oreilles ouverts pour plus d’informations. Il ne s’agit pas d’un domaine du SEO très technique. Je le reconnais, qu’il peut l’être mais pas plus que le maillage, les stratégies de contenu ou l’analytics. En attendant, que pouvez-vous faire pour améliorer la valeur de votre entité ?
Cette question a plusieurs réponses. Améliorer la valeur de votre entité qui est votre site web (qui contient lui-même un nombre incalculable d’entités) demande simplement de renforcer votre valeur et les relations entre les entités que vous souhaitez associer.

• Créer du contenu qui ne parle pas simplement de vos produits et services mais aussi des sujets liés à votre site. Du contenu qui permet de renforcer l’association de votre site et du sujet pour lequel vous souhaitez vous classer. Cela va avoir le bénéfice secondaire d’améliorer vos chances que Google considère votre site comme une réponse aux intentions des utilisateurs.
• Construire des liens fiables et faire en sorte que votre marque et votre site soient mentionnés sur les pages pertinentes. Les liens sont mieux que les mentions mais comme Google travaille de plus en plus dur pour comprendre votre entité, il est possible (si j’ose dire probable) qu’il n’ait plus besoin de liens pour faire l’association entre les entités.
• Ajouter un schéma à votre site. Un schéma est un moyen très simple d’ajouter des informations à votre site pour préciser votre lien avec des sujets, marques, produits ou services spécifiques et bien d’autres bénéfices.
• Garder votre Google My Business mis à jour. Si vous n’avez pas de listing Google My Business, vous devriez probablement vous y mettre dès maintenant au lieu de lire cet article (mais vous avez presque fini alors vous pouvez attendre la fin de l’article avant de le faire). C’est là que vous fournissez spécifiquement à Google une tonne d’informations à propos de votre site, de votre entreprise, de la pertinence de votre sujet et d’autres détails. Vous pouvez aussi l’utiliser pour ajouter des informations supplémentaires dans votre Knowledge Panel afin d’apporter plus de détails aux utilisateurs.

Il y a encore beaucoup de choses importantes à savoir sur les entités, nous avons seulement balayé la surface. Prêtez attention à ce qu’il se passe avec les supports et à tout ce que vous entendez à propos des entités. C’est le futur.
Maintenant, allez vous chercher une entité qui est du café à l’intérieur d’une autre entité qui est la tasse comprenant une relation à l’entité qui est votre température préférée et lancez-vous !

[Read More ...]

Comment trouver des backlinks locaux et des opportunités de citation en utilisant Majestic

J’ai eu envie d’écrire un guide pas à pas sur la manière de trouver des

[Read More ...]

#SiteWebQuebec Le référencement naturel ou SEO (Search Engine Optimization) englobe lensemble des méthodes et techniques...

#SiteWebQuebec Le référencement naturel, ou SEO (Search Engine Optimization), englobe l’ensemble des méthodes et techniques...

— Jonathan Loiselle Media (@LoiselleMedia) July 1, 2018

de Twitter https://twitter.com/LoiselleMedia

June 30, 2018 at 10:19PM
via Jonathan Loiselle Media | Creation de Site Web et Marketing Web a Quebec

[Read More ...]