Esettanulmány a saját műhelyünkből: hogyan szűrjük ki a rejtett átfedést a havi cikk-kötegekből, mielőtt kimennének, és miért nem az a kockázat, amitől a legtöbben félnek.
Nincs ilyen büntetés. A félelem érthető, hiszen sokan úgy tudják, hogy ha ugyanaz a szöveg két helyen megjelenik, a Google emiatt megbünteti az oldalt, de ez nem igaz. A Google évek óta, több munkatársa szájából is cáfolta, hogy létezne "duplikált tartalom miatti büntetés". A valóság ennél árnyaltabb, és pont ezért fontos megérteni, mert a valódi kockázat egészen máshol van.
A Google 2008-as blogposztja szerint nincs olyan, hogy duplikált tartalom miatti büntetés. Ehelyett a kereső csoportba rendezi az egyforma vagy nagyon hasonló oldalakat, és a csoportból egyet mutat meg a találati listán, azt, amelyiket a keresésre a legjobbnak ítéli.
Hogy ez mennyire hétköznapi, azt a Google saját számai mutatják. Matt Cutts 2013-ban azt mondta, a web tartalmának nagyjából 25-30 százaléka duplikátum, és ez teljesen rendben van. Ez az arány azóta csak nőtt: 2022 környékén Gary Illyes már a net 60 százalékáról beszélt. John Mueller 2021-ben megerősítette a lényeget: az azonos tartalomhoz nem társul negatív pontszám, a Google egyszerűen a legjobban illeszkedő oldalt választja, a többit pedig szűri.
Tulajdonosi nyelvre fordítva: a Google nem büntet, hanem válogat. Ha két oldal ugyanazt mondja, az egyiket megmutatja, a másikat elrejti. A kérdés csak az, hogy melyik marad látható.
A valódi kockázat nem bírság, hanem a láthatatlanság. Mivel a Google dönti el, melyik verzió látszik, előfordul, hogy nem az eredeti nyer. Glenn Gabe (GSQI) több ezer szindikált (vagyis több külső oldalon újraközölt) hírcikket követő esettanulmánya szerint a másolat gyakran megelőzi az eredeti kiadót a találatokban.
A kockázat tehát nem egy bírság vagy egy látványos ranking-zuhanás. Sokkal csendesebb és alattomosabb: az egyik tartalmad egyszerűen láthatatlanná válik. És ha nincs kéznél egy szabály, ami eldönti, melyik verzió az elsődleges, könnyen épp a saját, eredeti cikked szorul a másolat mögé.
A "nincs büntetés" nem azt jelenti, hogy bármi elmegy. A Google akkor lép fel kézzel, amikor a duplikáció már a keresők manipulálásáról szól, nem az olvasó kiszolgálásáról. Három tipikus eset:
Sajtóközleményeknél és PR-cikkeknél van egy külön csavar: itt a nagyobb kockázatot nem az ismétlődő mondatok jelentik, hanem a linkek. A Google elvárása, hogy a sajtóközleményekben elhelyezett, optimalizált horgonyszövegű (vagyis kulcsszóra hangolt, kattintható szövegű) linkek nofollow jelölést kapjanak. A nofollow azt jelzi a keresőnek, hogy a link ne adjon rangsorolási súlyt; enélkül a link könnyen link-spamnek minősülhet. Ezt a kettősséget érdemes fejben tartani: a mondat szűrés-kockázat, a link viszont policy-kockázat.
Havonta készítünk SEO PR-cikk kötegeket, amelyekben több cikk szól ugyanarról a témakörről, különböző megjelenő helyekre. Minden ilyen kötegnél felmerül a jogos kérdés: nincs-e a cikkek között olyan átfedés, ami később kiszorítja egymást?
Kézzel ezt lehetetlen ellenőrizni. Néhány cikk között is több tízezer mondat-párosítás jön ki, azokat végigolvasni emberi kapacitással nem reális. Ezért determinista gépi szűrőt építettünk: a köteg minden cikk-párját mondat szinten összeveti, és külön nézi a címek és alcímek pontos egyezését.
A trükk a kalibráció. A szó- és kifejezés-szintű ismétlődés a szakmai tartalomban természetes, hiszen a szakszavak és a terméknevek szükségszerűen visszatérnek. Ha ezekre is jelezne a rendszer, használhatatlanul hosszú listát kapnánk. Ezért a szűrő csak a teljes, szó szerint egyező mondatokra és címekre figyelmeztet. Így a lelet-lista rövid marad, és egy ember pár perc alatt átnézi, eldöntve, mi valódi átfedés és mi elkerülhetetlen szakmai ismétlés.
Ez a szűrő azóta minden köteg leadásának kötelező kapuja.
A megoldásunkban az a szép, hogy nem mi találtuk fel. Pontosan azt a módszertani családot használja, amit a keresők maguk. Broder és munkatársai már 1997-ben leírták a szövegdarabkákra (shingle) bontott hasonlóság-mérést, ez volt az AltaVista duplikátum-szűrőjének alapja. A Google 2007-ben publikálta a SimHash-alapú, több milliárd oldalra méretezett közel-duplikátum felismerését.
Mi lényegében ugyanezt csináljuk a saját kötegünkön, csak egy fontos különbséggel: publikálás előtt. A kereső utólag, a teljes weben szűr; mi előre, a leadás előtt, amikor még van min javítani.
Ha a saját vállalkozásodban is több helyre megy ugyanaz a téma, és nem vagy biztos benne, hogy a verziók nem szorítják-e ki egymást a keresőben, foglalj egy ingyenes konzultációt a weboldalunkon. Megnézzük együtt, hol van valódi átfedés, és mit érdemes vele kezdeni.
Ha a saját oldaladra is átvinnéd, beszéljük át élőben.
Kérek egy ingyenes konzultációtIdőpontfoglalás →