SEO'da Korelasyon Analiziyle Nasıl Verimli Karar Alabilirsiniz?

SEO çalışmalarında yönettiğim projelerde uygun durumlarda temel istatistik biliminin verilerinden faydalanarak kararlar almaya çalışıyorum. Bu sayede olabildiğince “bence şu şekilde yapalım” konuşmaları yerine analiz sonucuna göre şu şekilde karar almak daha doğru olacaktır gibi veriye dayalı yorumlar yapabiliyorum. Bu yazımda da SEO’da korelasyon analizini nasıl kullanabileceğinizi en basit yöntemleriyle anlatacağım.

Giriş kısmında şunu belirtmem faydalı olur. Hangi sıralama faktörünün SERP’te ne kadarlık bir etkiye sahip olduğunu belirlemek zordur, bu yüzden karar alma süreçlerini bu durumu düşünürek oluşturabilirsiniz.

Korelasyon Nedir?

Korelasyon en basit olarak iki veya daha fazla değişken arasındaki ilişkiyi amaçlayan istatistiksel bir ölçüdür.

SEO Çalışmalarında Örnek Korelasyon Kullanımları ve Hesaplamaları

Pearson korelasyonu, iki değişken arasındaki doğrusal ilişkiyi ölçen bir istatistiksel tekniktir. Örneğin en basit haliyle tıklama ve gösterim arasındaki ilişkiyi anlamak için kullanılabilir. Pearson korelasyon katsayısı -1 ile 1 arasında bir değer alır. 1 değeri en iyi pozitif korelasyonu, -1 en iyi negatif korelasyonu, 0 ise hiçbir korelasyon olmadığını anlamına gelmektedir.

Search Console’dan elde ettiğiniz clicks ve Impressions verileriyle bu metrikler arasındaki Pearson korelasyonunu hesaplayabiliriz:

import pandas as pd

file_path = '/data/sc-verisi.xlsx'

data = pd.read_excel(file_path)

data.head()

# We calculate the Pearson correlation between 'Clicks' and 'Impressions'

pearson_corr = data['Tıklamalar'].corr(data['Gösterimler'])

pearson_corr

Örnek olarak ilettiğim veride clicks ve impressions arasındaki Pearson korelasyon katsayısı yaklaşık 0.40 olarak hesaplanmıştır. Bu sonuç bize iki değişken arasında orta düzeyde pozitif bir korelasyon olduğunu gösterir. Yani, gösterim sayısı arttıkça tıklama sayısının da artma eğiliminde olduğunu; ancak bu ilişkinin çok güçlü olmadığını söyleyebiliriz. Görmüş olduğunuz gibi en basit hesaplama yöntemi olarak bunu kullanabilirsiniz.

Tıklama ve gösterim arasındaki korelasyonu anlamak, hangi sayfaların optimize edilmesi gerektiğini belirlemeye yardımcı olabilir. Başka metrikler ile korelasyon hesaplayalım:

TO ve Pozisyon:

Korelasyon: -0.160

Yorum: 2 metrik arasında zayıf negatif korelasyon görülüyor. Pozisyon iyileştikçe TO'nun (tıklanma oranı) hafifçe arttığı gözleniyor; ancak bu ilişki çok güçlü değil.

Bu korelasyonların anlamlı olup olmadığını tespit etmek için daha farklı istatistiksel testler yapılabilir; fakat bu temel analiz yöntemi bile SEO stratejilerinizi belirlerken size faydalı bilgiler sunabilir. ​

Sadece sayısal değerlerle değil aynı zamanda grafikerle daha kolay yorumlar yapabilirsiniz. Aşağıdaki örnek grafikler Search Console metrikleriniz arasındaki korelasyonları ile bunların ilişkilerini basit ve anlaşılır bir şekilde göstermektedir:

SC verileriyle onlarca korelasyon analizi yapabileceğinizi yukarıdaki örneklerle gösterdim. Bu sefer Ahrefs’ten devam edelim ve bir kelime özelindeki SERP’te kelime sayısı (Words) ile Domain Rating (DR) arasındaki korelasyonu inceleyelim:

Aşağıdaki formül ile hesaplama yapılabilir:

data_cleaned = data.dropna(subset=['Words', 'Domain rating'])

correlation = data_cleaned['Words'].corr(data_cleaned['Domain rating'])

correlation

Bu örneğe göre word count ile DR arasındaki korelasyon 0.17 olarak hesaplanmıştır. Yani, word count arttıkça DR’de biraz artma eğilimindedir; fakat bu ilişki çok zayıftır. Dolayısıyla, kelime sayısının domain rating üzerinde belirgin bir etkisi olmadığını söyleyebiliriz. SEO’da başka faktörlerin de olduğunu unutmamak gerekiyor:

Sonuçlar ve yorumlar her SERP’e göre değişkenlik gösterebilir. Top kelimeleriniz için bu analizlerinizi çeşitlendirebilirsiniz. Oluşturduğum scatter plot, bu iki değişken arasındaki zayıf pozitif korelasyonu doğrulamaktadır. X işaretleri grafikte geniş bir alana dağılmış olup, net bir trend gözlenmemektedir.

Bu sefer DR ve pozisyona bakalım. Kendi veri setimdeki verilerime göre domain rating ile pozisyon arasındaki korelasyon -0.23'tür. Yani, domain rating arttıkça pozisyonlarda iyileşmeler görülebilir; ama bu ilişki de zayıf bir düzeydedir. DR, pozisyon üzerinde sadece belirli bir miktara kadar etkili olabilir ve elbette başka faktörler de bulunmaktadır:

Yukarıdaki regresyon grafiği, DR ile pozisyon arasındaki ilişkiyi göstermektedir. Grafikteki trend çizgisi, DR arttıkça pozisyonun iyileştiğini göstermektedir.

Biraz daha niche alanlarda kullanmak isterseniz 30’dan büyük bir veri seti oluşturup örneğin <H1> kullanan sitelerin pozisyonları arasındaki ilişkiyi inceleyebilirsiniz.

Keyword Performansları

Korelasyon haricinde kullanabileceğiniz ve benim de sık yaptığım ufak bir istatistiksel hesaplama yöntemini iletmek istedim. Kendi blogumdaki verilerden faydalandım ve analizime bu sefer query verileriyle devam ettim. SC verilerime göre “tayland” kelimesi 1087 gösterim ile en yüksek gösterime sahip anahtar kelime olmuş; ancak bu kelimenin TO %4.69 ile düşük seviyelerde. Buna göre ilgili kelimenin yüksek rekabetli olabileceğini veya içerikte iyileştirme yapmam gerektiğini bu verilerden anlayabilirim.

“uefa ülke puanı hesaplama” 753 gösterim ile yüksek bir gösterim sayısına sahip; ancak TO %2.12 ile düşük. Bu anahtar kelime için içerik kalitesini artırmak için aksiyon planları oluşturabilirim.

SEO Özelinde Korelasyon Analizindeki Bazı Durumlar

Aşağıdaki karmaşık durumları anladığımızda, korelasyon analizini daha etkili yorumlarda bulunabiliriz. Elde edilen korelasyon sonucuna baktıktan sonra biraz da SEO tecrübenizi kullanmanız gerekiyor:

Diğer Bilinmeyen Faktörler: Bazen korelasyon başka bir faktörle de açıklanabilir. Örneğin, keyword sayısı ile avg. pozisyon arasında bir korelasyon görebiliriz. Bu durumun nedeni sıralama faktörlerinde “kelime sayısı” bilgisinin yer alması değil, daha uzun kelime sayısına sahip içeriklerin daha değerli olma eğiliminde olması olabilir.

Başka bir örnekte X (Twitter) RT sayısı ile pozisyon arasında bir korelasyon görebiliriz; ancak bu durum RT sayısının  sıralamaları doğrudan etkilediği anlamına gelmez. Çok iyi içerikler genelde iyi sıralandığı için sevilir ve özellikle İngilizce dilinde daha fazla paylaşılabilir.

SERP örneklem büyüklüğü: SERP analizinizde eğer gidip sadece 2-3 sonuca bakarsanız yanıltıcı sonuçlara ulaşabilirsiniz. Birden fazla sonucu analiz etmek her zaman daha iyidir.

Fraenkel Wallen'a göre kabul edilebilir minimum örneklem büyüklüğü en az 30'dur. (n ≥ 30) 30'dan küçük örneklemlerden gelen verilerin doğru korelasyonu yansıtmayabileceğini belirtmektedir.

Zamana bağlı değişimler: Bazı verileri analiz ederken zamana bağlı değişkenlerin sıralamaya gecikmeyle etkili olabileceğini unutmamak gerekiyor. Örneğin, yeni elde edilen backlink sayısının sıralamaları etkilemesi zaman alabilir çünkü arama motorları bu değişiklikleri hemen algılamayabilir.

Korelasyon analizinden elde edilen sonuçları SEO teknikleri ile birleştirerek yorumlayabilir ve stratejik kararlar alırken kullanabilirsiniz.