Lokale Suche von den Basics bis hin zu technischen Hintergründen für Rankings und Algorithmen vom Local Search & Maps Produktmanager von Yahoo! Europa und Bing Deutschland.
3. 3
Marketing Manager
Robert Bosch S.p.A. - Mailand
Product Manager – E-Commerce
Lycos Europe - München
Product Manager
Local Search & Maps / Y! Answers
Yahoo! – München / London
Product Manager Bing
Web-Search, Local Search & Maps
München
Online- Produkt & Marketing Berater
bei Valopex & Co-Founder Ypeas.com
- München
Geboren in München,
aufgewachsen in Niederbayern,
lebt & arbeitet in München.
Frank Fuchs
5. 5
97% of consumers search
for local businesses online.
https://www.google.com/business/placesforbusiness/free-features/
6. 6
More than 20% of desktop
searches on Google are related to
location. On mobile, this climbs to
40% percent.
http://googleblog.blogspot.de/2011/10/ads-are-just-answers.html
7. 7
Mobile Internet Nutzung
a
• 61% with a smartphone, 37% a netbook
and 22% a tablet
http://www.accenture.com/SiteCollectionDocuments/PDF/Accenture-Mobile-Web-Watch-Internet-Usage-Survey-2012.pdf
9. 9
Mobile Video Growth
To put that into context, the 15 billion video
streams measured in Q4 /2012
11 times more than all
movie ticket sales in 2012.
http://success.adobe.com/assets/en/downloads/briefs/13926_di_mobile_video_v15.pdf
12. 12
TIL(TodayILearned): Kurt Cobain killed himself one
month after Justin Bieber was born.
Zu wenige Datenpunkte – wenig Trust – Gefahr von falschen
Schlußfolgerungen
http://en.wikipedia.org/wiki/Correlation_does_not_imply_causation
13. 13
George Edward Pelham Box (October 18, 1919 – March 28, 2013) was a British mathematician and Professor of Statistics at the
University of Wisconsin, and a pioneer in the areas of quality control, time series analysis, design of experiments and Bayesian
inference.
George E. P. Box
Essentially, all models are wrong,
but some are useful.
15. Was lokales SEO nicht ist
15
‣ PayPerClick
• Bezahlte Anzeigen
‣ Ergebnisse aus der
Shopping Suche
• Bezahlte Anzeigen
‣ “Normale” organische
Ergebnisse
• Kostenlos! ;)
Abgrenzung zu anderen SEM Maßnahmen
PPC
PPC
SEO
16. Was lokales SEO ist
16
‣ “Normale” organische
Ergebnisse
‣ Lokale Suchergebnisse
SEO
Local SEO
Abgrenzung zu anderen SEM Maßnahmen
17. Was lokales SEO ist
17
‣ PayPerClick
• Bezahlte Anzeigen
‣ Lokale Suchergebnisse
• In der Lokalen bzw.
Maps- Suche
PPC
Local SEO
Abgrenzung zu anderen SEM Maßnahmen
18. Was lokales SEO hat - lokalen Bezug
18
‣ Standortbezug ist der
Schlüssel
• User Eingabe
• IP Adresse
• WLAN Hot Spots
• Implizit/Explizit
• …
Standort
Abgrenzung zu anderen SEM Maßnahmen
20. 20
Wie sieht eine Suchanfrage aus?
Viele „unsichtbare“ Einstellungen, wie Land, Sprache, Safe-
Search-Level, Location, Tageszeit, Anzahl der Wörter in der
Query (Longtail vs. Navigational – Index) usw. werden
übergeben und führen zu angepassten SERPS.
Keyword: hotel
21. 21
Wann erscheinen lokale Ergebnisse?
http://en.wikipedia.org/wiki/Web_query_classification
Suchanfragen – Einstufung – Query Classification
•Query : „Pizza Plattling“ – Hoher Score für „Local Intent“ >> Lokale
Suchergebinsse werden eingeblendet
•Query: „Alan Webb “ – Kein/Geringer Score für „Local Intent“ >> keine
Einblendung von lokalen Suchergebnissen.
22. 22
Lokale Suchmaschinenoptimierung
Umfasst alle Maßnahmen, die der Steigerung von Qualität
und Quantität der Besucher dienen, deren Suchanfragen
einen lokalen Bezug enthalten (Explizit) oder einen solchen
vermuten lassen (Implizit).
24. Das Fundament
24
Ohne solide Vorbereitung ist SEO/SEM wie ein Tourist in
London ohne Stadtplan
Suchbegriffe finden
Konkurrenz
Suchergebnis-Analyse
Target
Umsetzung
“Spielen” mit den Suchbegriffen
Was machen meine “Marktbegleiter”?
Schwächen & Lücken gefunden?
Strategie formulieren, abstimmen und Taktiken umsetzen.
25. 25
Wie und wo finde ich die passenden
Suchbegriffe/Keywords?
26. Suchbegriffe/Keywords finden
26
‣ Google, Microsoft &
Yahoo!
• Kostenlose Tools
‣ Bing /Google Suggest
‣ Block & Stift &
Hirnschmalz
Welche Begriffe benutzen Kunden, um nach meiner
Dienstleistung zu suchen?
32. Die besten Suchbegriffe/Keywords
32
Welche Eigenschaften sollten ideale Keywords besitzen?
Hohes
Suchvolumen
Viele Suchanfragen im Monat.
Wenig
Konkurrenz
“Schwache” Seiten in den
Top 10
Hoher Mehrwert
Hoher Anteil der Besucher wird
zu Kunden.
1
2
3
Das ideale
Keyword
35. Suchbegriff & Passender Inhalt
35
Wo die Magie passiert
MAGIE
Suchbegriff
Zeigt Informationsbedürfnis des
Nutzer auf. Fakten, Konsum,
Unterhaltung, Format, Ort, Zeit
etc.
Passender Inhalt
Deckt Informations–
Unterhaltungs- Konsumbedürfnis
des Nutzers
43. 43
Die erhobenen Daten, werden als
Seed Sets für
Machine Learning Algorithmen
verwendet
Frei zugängliche Beispiel Seed Sets http://archive.ics.uci.edu/ml/
45. 45
Die Erde ist (k)eine Scheibe.
“Bei Google bin Ich ja schon drin”
46. Firmeneinträge (Citations)
46
‣ Firma in relevante
Verzeichnisse eintragen
• Identische Daten
• Vollständig
• Professionelle Bilder
• Treffende Kategorie &
Suchbegriffe Brancheneinträge Citations
Erst über viele Fundstellen entsteht Trust = Besseres Ranking
47. Firmeneinträge (Citations)
47
Erst über viele Fundstellen mit identischem Inhalt entsteht Trust
https://www.google.de/search?q=Firma+Name+Stadt+Telefonnummer
54. Citations aus dem Web
54
Bewertungen / Reviews
Viele Quellen – mit unterschiedlichem Trust
‣ Diverse Quellen
• Bewertungen in
Branchenverzeichnissen
• Blogposts & Diverse
Websites / Location
extraction
• Kalendereinträge
• Anrufe / 0800 / USA
56. Kommentare aus dem Web
56
Bewertungen / Reviews
Semantische Sentimentanalyse
‣ 114 Bewertungen will
keiner lesen
‣ Bing sagt dazu
• Bing categorizes the
common themes in
user reviews so you can
quickly see strengths
and weaknesses and
then decide what's
important.
http://de.wikipedia.org/wiki/Sentiment_Detection
57. Kommentare aus dem Web
57
Bewertungen / Reviews
Semantische Sentimentanalyse
‣ Sentiment
„The food was fantastic, so
we had to wait very long
for the service. The
Calzones were heavenly,
the pasta however was
overdone and tasted
stale.“
http://de.wikipedia.org/wiki/Sentiment_Detection
59. 59
‣ Junk Analyse von Texten (Wert 0-265)
JUNK Einstufung – Im folgenden beispielhaft ein mehrstufiger
Filter & drei entsprechende Penalties bei niedrigen Scores
‣ > 78 Sterne Wertung wird ignoriert
‣ > 99 Sentiment zu typischen Eigenschaften werden ignoriert
‣ > 172 Die Bewertung wird ignoriert (sie bleibt aber in der Regel
im Index und wird weiter angezeigt)
‣ Unschärfen bei Ironie, Slang, Dialekt etc.
‣ Basis für Score sind u.A. bekannte linguistische Methoden, wie
z.B. die Reading Level Analyse
http://en.wikipedia.org/wiki/Flesch%E2%80%93Kincaid_readability_test
Den Reading Level Analyse finden Sie z.B: als Funbktion bei MS Word
61. 61
D = √2(M+1) - 1
Richard Feynman und Ralph Leighton hatten das Problem wenn Sie ins
Restaurant gingen, zu entscheiden, ob Sie das
Gericht bestellen sollten, das Ihnen bis jetzt am
besten geschmeckt hat oder etwas neues zu
probieren.
64. Nochmal zum Mitschreiben
64
Eine Vorher vs. Nachher Betrachtung Basics
Suchbegriffe
Suchergebnis-
Analyse
Konkurrenz-
Analyse
Aus dem Bauch – Ich kenne meine
Firma/Kunden am besten
Der Mensch
Faktor
Nach der Recherche – “Des häd I nia
glaubt, auf was für Sachen die
kommen”
Firmeneinträge
Citations
Aus der subjektiven Erinnerung – die
Ergebnisseiten sind (fast) immer
gleich.
Die Suchmaschine – “reagiert” auf
Signale wie Ortsnamen oder IP-
Adressen – mit speziellen Inhalten.
Aus dem Bauch - Der Huber ist und
bleibt ein Idiot.
“Schau na o den Hund” der fragt
jeden Kunden nach einem Kommentar.
Google rechnet doch alles aus mit
deren Algorithmen
Gerade im Local Search Umfeld nutzen
Suchmaschinen menschliche Reviews
als “Lern-Futter” für die Algorithmen.
Bei Google bin ich drin, also passt doch
alles?
Seit alle Einträge und alle Daten
aktuell sind, findet man uns nicht nur
weiter oben sondern auch überall
Vorher Nachher