Документация анализа

49 метрик семантического анализа посадочной и топа

Полная карта сигналов, которые Descore считает по документу и доступному топу: базовая структура, словарь, повторы, семантика SERP, релевантность зон страницы, закон Ципфа, Spam Risk и сводные Z-отклонения для ML.

49 метрик

8 групп

Z-score и ML

Как читать

Метрика становится полезной только в контексте топа

Абсолютное значение редко дает готовое решение. Descore сравнивает метрики с доступными документами топа, показывает силу Z-отклонения и затем использует эти сигналы в ML-модели.

Базовые

Размер и структура документа

Объем текста, длина важных зон, заголовки, ссылки и HTML-структура страницы.

11 метрик

Словарь

Лексическое разнообразие

Эти метрики показывают, насколько текст раскрывает тему разным словарем или крутится вокруг одних и тех же повторов.

4 метрики

Повторы

Тошнота и n-граммы

Descore смотрит не только на отдельные слова, но и на устойчивые пары и тройки слов. Так видно, где терминология естественная, а где начинается перекос.

7 метрик

Семантика

Покрытие корпуса SERP

Эта группа сравнивает документ с языком выдачи: покрывает ли он словарь топа, насколько близок к SERP-центроиду и медианному профилю конкурентов.

7 метрик

Естественность

Водность и закон Ципфа

Короткий слой для оценки служебной лексики и естественности распределения слов в тексте.

2 метрики

Релевантность

BM25 по зонам документа

BM25 считается не одной общей цифрой, а по основному тексту, Title, H1, Description, H2/H3, URL и корпусу запросов кластера.

12 метрик

Риски

Распределение ключей и Spam Risk

Эти метрики ищут локальные всплески, кучность повторов и признаки переоптимизации внутри документа.

4 метрики

Итог

Внешний и сводный слой

Финальный слой добавляет внешний сигнал домена и общий индекс необычности документа по Z-метрикам.

2 метрики

Абсолютные числа

Сначала видим фактическое значение

Объем, BM25, тошноту, покрытие словаря, Spam Risk и другие сигналы.

Z-отклонения

Потом сравниваем документ с топом

Z-score показывает, где документ находится в норме выдачи, а где заметно выбивается.

ML-модель

Затем ищем связь сигналов с позициями

Модель подсвечивает метрики, которые сильнее связаны с позицией в выбранной выборке кластеров.