从玄学到科学｜ SEO AB 测试介绍以及策略分享

继爬虫优化之后，我再分享个 SEO AB 测试系统。要注意，这里的 AB 测试并不是常规的对流量进行分桶，而是根据 SEO 渠道的特性专门对页面进行分桶，这样通过不同页面分桶的效果能准确判断出 SEO 策略的真实效果。SEO AB 测试系统在阿里巴巴国际站有实现，虽说还没带来成规模的增量，但测试下来几个实验结论还是有沉淀的价值，并且帮助 SEO 从“玄学”到“科学”的转变。

SEO 为什么要做 AB 测试

之前 SEO 效果主要通过时间轴纵向来看，也就是说上线前后的变化。比如说某频道新加了内容模块，然后 3 周后观测其收录和流量的数据情况。不过这个方式有个很严重的问题，就是很容易被挑战，即并不是严格的实验和结论。比如这个内容模块上线后，从曲线上看大概有 5% 的提升，那么挑战来了： 怎么确定现在的增长是这个策略带来的，而不是行业、品牌等外部因素的影响 ？即便从理论上解释了这个模块可以让页面内容更加丰富，但还是解答不了这个问题。

所以，急需一个类似转化上的 AB 测试系统，来清晰又准确的解决这个问题。SEO AB 测试就这么诞生了。

SEO AB 测试说明

对流量进行分桶？

有些朋友又有疑问了，如果针对流量做了分桶，那搜索引擎爬虫来访问时，一会是参与优化策略的实验桶，一会是什么都没做的参考桶，搜索引擎判断时也会困惑，那最后的效果也不能完全反映这个策略的效果吧。我想说的是，如果针对流量去做分桶，确实会有这个情况。爬虫第一次抓取时页面有内容模块，第二次来的时候又没有了。那最后的效果无法说明是这个模块的效果。那有什么解决方案呢？其实就是针对网页进行分桶，这也是 SEO AB 测试最大的不同。

SEO AB 测试是什么

SEO AB 测试，就是针对网页进行分桶。这样可以保证搜索引擎爬虫在访问时一直是在某种固定的方案下，保证最后效果的可靠性。比如有 30% 网页参与了实验，添加了内容模块，另外的 70% 什么都没做，属于参考桶。那么大概在 2、 3 周后看这两个桶的数据曲线能得到实验结论。有了这个 SEO AB 测试系统，就能保证每个策略都能产生科学、可靠的实验结论。比如列表页添加了内容模块后，是否有比参考桶更上扬的流量曲线。

SEO AB 测试的几个注意事项

SEO AB 测试还有几个注意事项：

一定要随机分桶。随机分桶才能保证每个桶的样本足够均匀，产生的结论也更可靠；
页面分桶的维度有很多，比如按照余数分桶，首字母分桶等；还可以多维分桶，同时做多个实验；
AB 测试的功能更适合大中型网站，因为这样价值会更明显（3%的提升就很可观），而且样本足够大，结论更可信。

后续希望实现的功能

仍有一些功能一直未实现，也挺遗憾的，主要有下面 2 个：

产品化，主要是运营可以人工进行分桶、模块的配置、以及对应数据报表的生成；这样运营可以自助的在线上配置 SEO 实验，调整分桶比例，并自动生成对应的数据报表；
策略沉淀。能够将之前的策略和数据结论沉淀下来，作为长期价值而存在。

SEO AB 测试最终效果

SEO AB 测试刚上线时，我报的期望比较高，以为每年主要做 10 个正向实验，每个涨幅在 3%～5%，那妥妥的 30～50% 的增长啊。但我们做了几轮实验后发现，整体的效果并没有那么明显，主要是效果 3%+ 的策略太少了，大多数都是没有效果，还有一些是负向效果。

所以，我觉得 SEO AB 测试的价值可能是每年增长 10%～20%，并且能准确验证一些策略的科学效果。

分享几个实验的效果

最后也分享几个有效果、没效果的实验吧：

【无效】Title 上加 emoji 国旗：本来以为 title 上添加 emoji 能增加 CTR，结果发现 Google 会忽略掉 emoji，可能是担心 emoji 被滥用
【有效，3%～5%】列表页添加内容模块：跟 Google 同学确认过，在列表页添加内容模块，内容会更加丰富，排名会有领先优势
【有效，1%】Description 用带有数字的具体文案：Description 更具体，会导致用户的 CTR 有提升（提升幅度看文案的质量）；另外，Google 的 SERP 也会采用更具体的文案，而替代掉 Google 算法识别的文案

上图是模拟一个实验的曲线，仅供参考