Comment fonctionne l'algorithme de la page entière de Bing

Il y a un an, je ne savais pas qu’il existait un algorithme de page entière.

Le concept ne m’avait jamais traversé l’esprit.

Il s’avère que les moteurs de recherche comme Bing ont des algorithmes de page entière qui filtrent les ensembles de candidats et organisent le contenu et l’organisation du SERP avant de l’afficher à l’utilisateur.

Pour moi, c’est l’idée la plus étonnante depuis que Gary Illyes m’a expliqué comment fonctionne le classement des éléments riches (ou SERP).

Si vous ne savez pas ce que j’entends par « ensemble de candidats », cet article est à lire absolument, car ce concept est indispensable pour apprécier le reste de ce article.

Et, comme pour beaucoup d’autres idées que j’ai entendues dans cette série, une fois que je l’ai entendue, elle est logique et semble maintenant évidente.

Le darwinisme en quête est une bonne façon de voir comment se construit un SERP moderne et riche

Nathan Chalmers est le directeur de programme de l’équipe de recherche de pertinence de Bing. (Et il pense que ma théorie sur le darwinisme dans la recherche est « vraiment cool »).

Chalmers a confirmé que j’avais bien compris les idées et les concepts généraux, mais que le processus est moins mécanique que ce que je suggérais et que certains détails importants me manquaient.

Il m’a expliqué les détails.

Les ensembles de candidats sont en lice pour une place au SERP

Il existe plusieurs équipes qui gèrent les ensembles de candidats qui font une offre pour une place dans le SERP Bing.

Les ensembles candidats signifient simplement les caractéristiques du SERP (ou les éléments riches comme je les appellerai) qui font l’objet d’une offre pour une place dans le SERP final.

Ces ensembles candidats / éléments riches (boîtes vidéo, boîtes d’images, recettes, cartes de connaissances, les gens demandent aussi, etc.) obtiennent une place sur le SERP s’ils peuvent apporter plus de valeur à l’utilisateur que les liens bleus actuels.

Jusque-là, tout cela est très darwinien.

Mais l’algorithme de la page entière se trouve au sommet, agissant comme une sorte de « dernier arbitre » pour filtrer, définir la disposition du SERP et maintenir l’équilibre.

En bref, il façonne le SERP de manière à servir au mieux l’utilisateur, requête par requête.

Elle construit le produit.

Qu’est-ce que je veux dire ?

Si vous gardez à l’esprit que chaque page de résultats des moteurs de recherche (SERP) est un produit que Bing et Google vendent à leurs utilisateurs (bien que gratuit pour l’utilisateur, payé directement ou indirectement par la publicité), alors la question à laquelle l’algorithme de la page entière répond peut être résumée comme suit:

« Quel produit Bing veut-elle fournir à ses clients ? »

Le rôle de l’algorithme Whole Page est de produire le meilleur produit possible à partir des parties disponibles proposées par les ensembles candidats.

Il s’agit d’un SERP agréable, riche et bien équilibré qui sert très bien l’utilisateur. Par chance, il s’agit d’un SERP de marque – mon sujet favori sur Kalicube.pro

Découvrons-le

Les liens bleus ont toujours leur place

Les liens bleus sont la base sur laquelle tout le reste est construit et la norme à laquelle chaque candidat / élément riche est comparé.

Pour que tout autre élément riche puisse remplacer un lien bleu, il doit offrir à l’utilisateur une « meilleure » expérience que le lien bleu.

Chalmers l’exprime ainsi : « satisfaire l’utilisateur de manière plus efficace ».

Les liens bleus sont importants toujours ont une place.

Peut-être aussi peu que 3, peut-être même 10 ou 12, mais ils sont toujours là, et le seront dans un avenir prévisible puisqu’ils en sont la base.

Une offre gagnante d’un ensemble de candidats peut être ignorée

Une fois que tous les ensembles de candidats ont soumis leur offre, j’avais supposé que tout candidat / élément riche qui soumettait une offre gagnante (c’est-à-dire qui prouvait qu’il offrait une meilleure expérience au chercheur qu’un lien bleu), alors il avait sa place. Mais ce n’est pas nécessairement le cas.

Chalmers révèle que c’est l’algo de la page entière qui décide en dernier ressort si un élément riche obtient une place dans le SERP.

Ses algorithmes (il existe plusieurs équipes et algorithmes Whole Page) visent à sculpter l’expérience utilisateur idéale à partir de ces offres.

Lorsqu’il reçoit des offres gagnantes d’éléments riches, l’algorithme peut choisir de les éliminer. Ainsi, même une offre gagnante peut être rejetée.

Plusieurs raisons d’éliminer un élément riche qui a darwinistiquement « gagné » une place dans le SERP me viennent à l’esprit :

• Ils ne satisferaient pas vraiment l’intention de l’utilisateur.
• Un autre élément riche fait mieux l’affaire (peut-être qu’un extrait de questions-réponses ou d’articles de fond serait choisi en faveur d’un panel de connaissances).
• Le SERP devient trop chargé.
• Le SERP devient trop long.
• Cela nuirait à la rentabilité du SERP.

Mon idée selon laquelle le darwinisme pur ferait son effet et créerait la page parfaite s’avère naïve.

L' »abattage darwinien » fait partie de l’accord.

Positions des éléments riches sur le SERP

Une question à laquelle Illyes n’a pas répondu était « comment décider du rang de chaque élément riche / de sa position sur le SERP de Google ? (Je ne lui ai pas demandé, ce n’est donc pas une critique. :))

Chalmers fournit la réponse (pour Bing, au moins). Ils disposent d’un algorithme appelé « Darwin » qui décide du placement des éléments sur ce SERP.

Une fois qu’un élément riche (c’est-à-dire les boîtes vidéo, les boîtes d’images) obtient sa place dans le SERP, la position qu’il occupe dépend de son utilité probable pour l’utilisateur.

Elle est basée sur des mesures de la satisfaction des utilisateurs, compte tenu de l’intention comprise.

Une formule comme « Météo à Seattle » est sans ambiguïté et la boîte météo se trouve tout en haut. C’est une évidence.

Mais « Seattle » est ambigu et pourrait faire apparaître la météo, des images, des vidéos… et queSelon M. Chalmers, c’est là que toute l’équipe des pages fait ses preuves.

En segmentant les données historiques, il compare chaque candidat aux liens bleus et positionne l’élément riche en fonction de la probabilité qu’il surpasse le lien bleu dans un face à face.

S’il gagne dans ce face-à-face prédictif, il prend cette place, en poussant le lien bleu vers le bas.

Et la question fondamentale à laquelle l’algo tente de répondre ?

Selon Chalmers, « un utilisateur va-t-il réussir lorsqu’il s’engage dans ce résultat… Si la réponse est non, alors nous ne l’affichons pas sur la page ou nous la classons plus bas ».

Les publicités sont un cas particulier

Dans un monde idéal (Peter-Pan-esque), les annonces seraient « juste un autre ensemble de candidats qui font une offre pour une place ».

Ils soumettraient une offre, tout comme les autres. Et ils seraient victimes de l’abattage darwinien fondé sur le mérite, comme les autres.

Selon M. Chalmers, cela est vrai jusqu’à un certain point.

Ils ne sont présents que lorsqu’ils démontrent à l’algorithme de la page entière qu’ils contribuent à satisfaire l’utilisateur plus efficacement que les liens organiques bleus.

Mais il suggère également qu’ils bénéficient d’un traitement spécial.

Je pense que les publicités ont une barre d’impact plus basse dans les enchères que les autres ensembles de candidats et qu’elles ont moins de chances d’être victimes de l’abattage.

Cela dit, il est vital que l’algorithme de la page entière maintienne un juste équilibre. Si Bing permet aux publicités de dominer et de nuire à l’expérience utilisateur, cela ruine le produit et met en danger la survie du moteur de recherche.

Longueur de la page – Ambiguïté et publicités

Certains SERP sont très longs et d’autres sont très courts.

C’est principalement dû à l’ambiguïté : des requêtes plus ambiguës font que la page est plus longue et vice versa.

Comme l’explique Frédéric Dubut dans la première partie de la série :

« Pour des raisons évidentes, les SERP ont eu tendance à devenir plus riches et plus courts. Le nombre total de résultats a tendance à diminuer à mesure que le nombre d’éléments riches augmente. L’intention étant claire – des résultats plus courts, plus riches et plus ciblés permettent de satisfaire au mieux leur utilisateur.

Pour des raisons d’ambiguïté, les SERP ont eu tendance à s’enrichir et à s’allonger – les éléments riches ont tendance à ajouter à la page de résultats et à en retirer peu. Comme l’intention n’est pas claire – plus de résultats avec une gamme d’intentions feront le travail de satisfaire au mieux leur utilisateur ».

Mais Chalmers indique que la présence de publicités peut également jouer un rôle.

Un SERP peut être artificiellement raccourci par l’algo de la page entière afin d’augmenter les clics sur les annonces et de générer des revenus.

Quels sont les paramètres des algorithmes de la page entière ?

Une chose qui revient dans toutes les conversations de cette série est que l’ensemble du processus – du crawling à l’indexation, du classement à la construction de la page entière – est (presque) un apprentissage machine de bout en bout.

Frédéric Dubut a suggéré dès le début que la clé de tous ces algorithmes est la métrique, et non les facteurs de classement.

Et ici, nous avons un algorithme qui est très clairement piloté par des mesures.

En ligne

Le comportement des utilisateurs du SERP est une mesure très, très importante pour l’algorithme de la page entière.

Le succès ou l’échec de toute combinaison de liens bleus et d’éléments riches se mesure à la manière dont l’utilisateur interagit avec elle.

Ainsi, le taux de clics n’affecte pas les classements au sens « traditionnel » que nous avons eu tendance à lui donner.

Le comportement des SERP n’affecte pas les classements des liens bleus, ni les offres soumises par les ensembles de candidats visant à les remplacer.

Mais ils constituent une très grande partie de l’organisation de toute cette page.

Le comportement de l’utilisateur sur le SERP est réinjecté dans l’algorithme (Darwin), qui donne à la machine les signaux de correction ou de renforcement dont elle a besoin pour améliorer ses performances.

Son but est, comme le dit Chalmers, de satisfaire l’utilisateur le plus efficacement possible.

Hors ligne

Comme pour tous les autres algorithmes, l’équipe Whole Page dispose de juges humains (l’équivalent des évaluateurs de qualité de Google) qui donnent leur avis sur la qualité et la pertinence d’un SERP – en termes de pertinence du contenu, de sa qualité et de sa position sur la page.

Cela est réinjecté dans l’algorithme, en même temps que les signaux on-SERP.

Les lignes directrices de qualité de la page entière cherchent à répondre à cette question : « Quelle est la qualité de cette page en tant que solution au problème exprimé par l’utilisateur ?

Le fait que chaque équipe de Bing ait sa propre équipe de juges humains, chacun avec un ensemble différent de directives qui sont spécifiques aux besoins de l’algorithme, suggère fortement qu’il y a d’autres directives de qualité des évaluateurs chez Google que nous n’avons pas vues.

Bing les a certainement. Google les a probablement aussi – des directives de qualité spécifiques pour différentes parties du produit de recherche global, y compris les liens bleus, les éléments riches et (c’est celui que j’aime) la page entière.

Le rôle de l’algorithme de la page entière en bref

Voici le résumé de cette conversation :

L’objectif est de recueillir les offres des différents ensembles de candidats, de filtrer selon que ce type de résultat convient ou non à l’intention de l’utilisateur, puis d’évaluer les performances probables par rapport à votre benchmark (le lien bleu qui occupe actuellement chaque poste).

Chalmers confirme avec « En bref. Exactement. »

Regardez la vidéo sur laquelle cet article est basé : Comment l’algorithme de la page entière fonctionne chez Bing.

Conclusion : Le darwinisme dans la recherche fonctionne en trois étapes simples

1. La survie darwinienne du plus apte basée sur la valeur que le contenu apporte à l’utilisateur pour sa requête.
2. L’abattage darwinien basé sur la meilleure intention dans le cadre du SERP.
3. Façonnage darwinien de l’anatomie du SERP basé sur la satisfaction de l’utilisateur.

Il me semble que seul le premier de ces éléments est la façon dont nous avons traditionnellement abordé l’OMR – les liens bleus se disputent une place au sommet en prouvant à l’algorithme qu’ils sont meilleurs que leurs pairs.

Cette série, des Illyes en mai 2019 à Chalmers en mai 2020, a élargi mon point de vue non seulement pour comprendre comment de riches éléments s’inscrivent dans cette survie initiale de l’étape la plus apte, mais aussi, ce qui est tout aussi important, pour comprendre comment l’anatomie du SERP final est définie.

Le darwinisme s’avère être une très, très bonne analogie.

Tout ce qui se trouve dans le SERP vivra, s’effacera et mourra par leur performance.

En fin de compte, pour notre contenu (et les éléments riches eux-mêmes), on ne peut pas se cacher d’une mauvaise performance.

Si l’utilisateur n’est pas satisfait efficacement pour une intention de requête donnée, il apparaîtra tôt ou tard, et l’extinction « naturelle » s’ensuivra.

Le darwinisme en quête

Merci d’avoir lu cette série

Je suis absolument stupéfait et heureux d’avoir pu produire cette série.

J’ai appris plus que je n’aurais pu l’espérer sur le fonctionnement de la recherche et sur la façon dont les différents éléments s’imbriquent les uns dans les autres.

Tout ce que j’ai appris m’a permis de mieux comprendre ce que j’essaie de réaliser en optimisant pour Bing et Google, ce qui a rendu mon approche du métier de consultant plus intelligente.

J’espère qu’il en a fait de même pour vous.

Lire les articles précédents dans la série Bing

1. Comment fonctionne le classement chez Bing – Frédéric Dubut, Chef de programme senior, Bing
2. Découvrir, ramper, extraire et indexer chez Bing – Fabrice Canel, responsable principal de programme, Bing
3. Fonctionnement de l’algorithme des questions et réponses et des bribes d’information – Ali Alvi, responsable principal du programme des produits d’IA, Bing
4. Comment fonctionne l’algorithme d’image et de vidéos – Meenaz Merchant, responsable principal du programme, AI et recherche, Bing

Crédits image

Images en vedette et en poste : Véronique Barnard, Kalicube.pro