Как работать с информационным трафиком в студенческой тематике: опыт Автор24

Типы трафика в студенческой нише

Говоря про SEO и про типы трафика, которые есть в этой нише, я бы ввел три базовые группы:

1. Коммерческий трафик. Характеризуется самыми высокими показателями конверсии в регистрацию и оплату. Минус этого трафика – его мало. Откуда берется этот трафик в студенческой нише? Это помощь с учебной либо курсовой работой, которую студенты хотят купить здесь и сейчас, хотят заплатить деньги. Проблема этого трафика заключается в том, что с ним невозможно далеко расти и большую сео-стратегию под него не построишь.

1. Информационный трафик с интентом на поиск работы по теме. Представьте, что студент пишет работу. По ходу дела он хочет найти какой-то каркас, для чего идет в поиск и пишет: «Работа на такую-то тему скачать/найти». Такого трафика больше. Его показатели в конверсию и регистрацию обычно находятся в пределах 0,5-1,5 %. Но проблема заключается в том, что сложно выстроить хорошую контент-стратегию под готовый подход. Чтобы решить проблему пользователя, ему нужно показать готовую работу, а в этом случае интернет предлагает в основном копипаст или что-то где-то уже использованное.

1. Информационный трафик. Здесь изобилие. Это весь трафик а-ля Википедия в студенческой тематике. Но при этом показатель его конверсии составляет примерно 0,02-0,04%, то есть крайне низкий, а значит с коммерческой стороны дела совершенно невыгодный.

Как превратить информационный трафик в коммерческий

Есть проект Справочник.ру от Автор24 – это чистый информационный трафик. Сегодня там более 2 млн посетителей в сезонный месяц, но при этом сохраняются крайне слабые показатели конверсии. Правильно приложив усилия, мы увидели, что даже такой результат показывает потенциал, то есть имеет точку роста.

В продуктовой компании мы как сео-отдел постоянно решаем задачи по привлечению трафика, а затем его монетизации. Конечная цель – финансовый результат. Первый вопрос, который нам ставят – каких финансовых показателей удается достигать? Поэтому все наши стратегии строятся под решение коммерческих задач.

Решая проблему монетизации информационного трафика, мы сформулировали 2 вопроса:

1. Можно ли изменить модель написания статей?
2. Что если перестроить подход к монетизации?

Отталкиваясь от этого, мы и начали работу.

Меняем модель написания статей

Стандартная контент-стратегия, которая использовалась до нас в проекте «Справочник», была построена на учебниках и содержании методичек. Оттуда брались темы, потом их искали в WordStat, то есть делался парсинг, кластеризация – классическая работа с семантикой. Результат с точки зрения продвижения дает хороший, а вот для увеличения продаж ничего не получается.

В чем сложность работы с семантикой в этой нише? Для интернет-магазина вся семантика завязана на номенклатуре, на ассортименте этого магазина. Но агрегатор услуг не может контролировать, за какой именно услугой придет пользователь. Из-за этого невозможно выстроить четкую структуру сайта, скачав перечень товаров, которые есть в продаже.

Формируем гипотезу новой стратегии

Что если смотреть в первую очередь не на WordStat и учебники, а пойти от проблем и потребностей студентов, которые заходят в Справочник? То есть возьмем темы, которые занесли пользователи, как-то их проанализируем, а потом на этой базе построим контент-стратегию.

Проверяем гипотезу

Первое, что мы сделали – это взяли все заказы по предмету, на который писались статьи, формирующие контент-план. Лемматизировали слова по заказу (привели их к нормальной словарной форме), а потом отсортировали по алфавиту, чтобы, например, «октябрьская революция» и «революция октябрьская» стали один и тем же значением.

После этого убрали лишние стоп-слова и символы. Сгруппировали полученные результаты, чтобы увидеть статистику популярности тем внутри Автор24. По сути, мы сформировали товарную матрицу для ниши.

Часто в больших проектах именно такую функцию приходится выполнять команде SEO-специалистов. Дальше проводится стандартный сео-анализ. Все полученные темы, которые популярны с точки зрения заказа, мы кластеризируем и пробиваем в WordStat их частостность. Затем на полученный результат ищем близкий дубликат через BERT – это алгоритм Google, точнее подход к обучению нейронных сетей.

Затем отдаем сформированный файл модератору предмета, который выносит вердикт – подходит ли статья для нового контент-плана. Нам важно знать, что в одном кластере – это действительно одно и то же, а не разные темы, ведь иногда инструмент кластеризации может ошибиться.

В итоге получаем файл с востребованными темами, которые одобрил модератор. По ним начинаем писать качественные тексты, чтобы получить классный продуктовый результат.

После этого наши статьи, наши материалы студенты активно используют в своих работах. Как следствие мы получаем ссылки почти со всех ведущих вузов страны. Студенты в своих работах упоминают нас как источник, потому что мы и вправду оказываемся полезны, а на сайте вуза часть работ публикуется в открытый доступ.

Результаты проверки гипотезы. Конверсия

Применение такого подхода повысило конверсию примерно на 61%. Как мы это проверили? Просто проанализировали трафик, который приходит на статьи, написанные по старому методу, и трафик, приходящий на статьи по новому методу.

Новый метод попадает в пользователя чаще с точки зрения продукта, то есть приносит больше возврата. Правда стоит отметить, что полный поток трафика статья получает через 3-12 месяцев после публикации. Дальше начинается продуктовая работа, то есть закрепление полученного результата и перевод его в финансовое положение.

Как включить информационный трафик в воронку

Когда студент заходит на Справочник.ру, мы сталкиваемся с двумя сложностями:

1. У студента нет бюджета на заказ услуги.
2. У студента нет созревшей потребности в момент поиска.

Готовим гипотезу, как преодолеть эти две проблемы.

Решение – продавать готовые работы. На сайте Автор24 есть магазин готовых работ, в котором любой студент может разместить свою работу. Ее проверят на уникальность и другие критерии. Если всё хорошо, то работа выставляется на продажу. С продажи автор получает комиссию.

Мы принимаем решение как-то связать информационный трафик с готовыми работами в надежде повысить конверсию и финансовые показатели. Почему это должно сработать? Потому что мы попадаем в контекст, предлагая студенту решение проблемы по невысокой цене.

Далее пришла мысль рекомендовать эту релевантную, готовую работу для каждой статьи «Справочника». Решили вначале сделать какой-то прототип, чтобы проверить гипотезу с наименьшими затратами, а потом переходить уже к чему-то более сложному. В итоге делаем баннер, в котором предлагаем пользователю перейти на готовую работу, чтобы ее приобрести. Ссылка перехода с готовой работы, которую мы предлагаем, подстраивается под контекст текущей статьи, то есть полностью дублирует H1.

Получается, что заходя на статью «Требования к личности педагога» пользователь видит предложение купить реферат «Требования к личности педагога», который может использовать как каркас для своей работы. Дальше мы переводили на стандартный лэндинг, хотя понимали, что он будет приносить плохую конверсию, потому что не соответствует ожиданиям пользователя на предыдущем шаге. Зато мы проверим CTR и поймем, насколько востребован такой подход.

В итоге получили CTR баннера 0,7%. То есть из 100 000 визитов 700 пользователей заявили о том, что им интересно. Значит у них есть потребность в этой работе, они готовы потратить деньги, им интересно узнать подробности. Но конверсия в регистрацию получалась плохая, потому что в контекст пользователя мы не попадали, а искали быстрый результат.

В принципе гипотеза работает. Результаты еще возрастут, если дать пользователю то, что он хочет, то есть готовую работу, близкую к его теме.

Это приводит нас к новой проблеме – как подобрать такую работу к каждой статье нашего справочника?

Нейронные сети (BERT)

Bidirectional Encoder Representations From Transformers (BERT) – это нейронная сеть, которая для обучения использует большой корпус документов.

Оператор подбирает нужные слова – это токены, которые переводятся в векторное пространство определенной длины.

В этих векторах зашиты какие-то числовые значения, помогающие определить контекст, в котором может использоваться обозначенное слово.

Модель учат решать 2 задачи:

1. Предсказывать пропущенные слова в предложении.
2. Предсказывать факт, что предложение B следует из контекста предложения A.

Таким образом BERT оптимизирует вектора токенов. Через большое количество операций внутри токенов появляется зашитый смысл о выбранном слове. Понимая, как работает BERT, можно настроить его под решение своих задач, связанных с семантикой.

Как настроить BERT

Нужно перевести название каждой статьи в векторное представление по предобученной модели. Таким образом, получается векторное представление нужной статьи. Также следует поступить с каждым названием готовых студенческих работ. Далее перемножаем вектора, чтобы понять, насколько они близки по контексту. Данные получаем в процентном соотношении и отбираем самые близкие. То есть получаем список работ, на которые можем сослаться, чтобы получить хорошую релевантную ссылку, а потом для решения задач пользователя перенести его в магазин, где он сможет купить нужные учебные материалы.

Сделав это первый раз, мы увидели, что CTR упал, потому что мы разошлись с контекстом пользователя. Конверсия в регистрацию сильно не выросла лишь потому, что сайт не был оптимизирован под продуктовые задачи пользователя, то есть посетители не совершали нужные нам действия.

В результате мы немного доработали лэндинг, который после перехода подстраивался под статью Справочника, то есть показывал пользователю именно то, что ему нужно. После этого CTR стал 0,8%, а конверсия в регистрацию выросла до 3%. Это, конечно, немного. Но на длинной дистанции становится видно, что количество пользователей, желающих купить работу, постепенно повышается. То есть информационный трафик постепенно перерастает в коммерческий. На данном примере мы понимаем, что продуктовый подход к контент-стратегии себя оправдывает. Поэтому нужно работать над продуктами вокруг бренда – это помогает усиливать его позиции.