فَن-اوت کوئری چیست؟ درک کوئری‌های پنهان در جستجوی هوش مصنوعی

موتورهای جستجو قبلاً به صورت یک به یک کار می‌کردند: یک عبارت جستجو، مجموعه‌ای منحصر به فرد از نتایج را نشان می‌داد که شامل صفحاتی بود که به بهترین وجه با عبارت جستجو شده مطابقت داشتند.

سپس آنها به جستجوی چند به یک تکامل یافتند و تشخیص دادند که عباراتی مانند «لوله‌کش سیدنی» و «خدمات لوله‌کشی در سیدنی» می‌توانند با نتایج یکسانی پاسخ داده شوند.

اما جستجوی هوش مصنوعی اکنون مدل را به یک به چند تغییر داده است. یک جستجو به چندین جستجو گسترش می‌یابد تا به مدل هوش مصنوعی کمک کند تا زمینه مرتبط را پیدا کند. این تکنیک، «انبساط پرس‌وجو» نامیده می‌شود

این راهنما توضیح می‌دهد که چگونه تابع خروج پرس‌وجو (query fan-out) کار می‌کند، چرا پلتفرم‌های هوش مصنوعی از آن استفاده می‌کنند و چگونه می‌توان آن را بهینه‌سازی کرد.

خروجی کوئری چیست؟

گسترش پرس‌وجو (Query Fan-out) تکنیکی است که توسط پلتفرم‌های جستجوی هوش مصنوعی استفاده می‌شود و یک پرس‌وجو یا درخواست کاربر را دریافت کرده و به‌طور خودکار آن را به چندین زیرپرس‌وجوی مرتبط گسترش می‌دهد تا پاسخ‌های جامع‌تری تولید کند.

پلتفرم‌های جستجوی هوش مصنوعی از تکنیک فان-اوت پرس‌وجو برای موارد زیر استفاده می‌کنند:

• با بررسی تفاسیر متعدد به جای حدس زدن نادرست قصد کاربر، به پرسش‌های مبهم پاسخ دهید (مثلاً «قاب گوشی قرمز» به طور همزمان جستجو برای مدل‌های آیفون، سامسونگ و پیکسل را آغاز می‌کند)

• اطلاعات را از منابع متنوع استخراج کنید تا پاسخ‌های غنی‌تری نسبت به آنچه هر صفحه‌ی واحدی می‌تواند ارائه دهد، ایجاد کنید.

• سوالات بعدی را پیش‌بینی کنید و به طور فعال اطلاعاتی را که کاربران احتمالاً در مرحله بعد به آن نیاز خواهند داشت، جمع‌آوری کنید.

• به سوالات پیچیده و چندوجهی که نیاز به تلفیق موضوعات و دیدگاه‌های مختلف دارند پاسخ دهید (مثلاً «آیا دورکاری برای بهره‌وری خوب است؟»)

• شخصی‌سازی نتایج بر اساس زمینه، موقعیت مکانی، سابقه جستجو و الگوهای رفتاری کاربر

برای مثال، وقتی در حالت هوش مصنوعی گوگل یا ChatGPT عبارت «چگونه یک پادکست شروع کنیم» را جستجو می‌کنید، ممکن است فرض کنید که هوش مصنوعی دقیقاً همین عبارت را جستجو می‌کند. اما اینطور نیست.

این موضوع چه یک عبارت کوتاه تایپ کنید و چه یک عبارت ۱۰۰۰ کلمه‌ای را پیست کنید، صدق می‌کند.

در هر صورت، این ابزار، کوئری شما را در پشت صحنه به زیر-کوئری‌ها تقسیم می‌کند. در این مثال، زیر-کوئری‌ها مربوط به ساختار پادکست، برندسازی، تنظیمات فنی، میزبانی، یافتن مهمان، برنامه‌ریزی محتوا، استراتژی‌های تبلیغاتی و تعامل با مخاطب هستند.

برای مثال، در اینجا زوایایی که ChatGPT در پاسخ به این سوال که چگونه یک پادکست سئو را شروع کنیم، جستجو کرده است، آورده شده است.

در پس‌زمینه، جستجوهایی را برای دقیقاً همین کوئری‌ها (و موارد دیگر) انجام می‌داد:

• «ایده‌های پادکست مصاحبه انفرادی»

• «راهنمای پادکست بازاریابی»

• «ایده‌های نامگذاری و برندسازی پادکست»

• «تنظیمات فنی پادکست ۲۰۲۵»

• «بهترین میزبانی و توزیع پادکست در سال ۲۰۲۵»

• «مهمانان پادکست در طراحی فناوری بازاریابی»

• «برنامه‌ریزی محتوای پادکست در فناوری بازاریابی»

• «تبلیغ پادکست با استفاده از سئو و رسانه‌های اجتماعی»

• «بهترین پادکست‌های سئو و بازاریابی ۲۰۲۵»

• «نمودار بخش‌های پادکست»

• «تجهیزات ضبط پادکست»

این زیر-پرس‌وجوها به صورت موازی در منابع داده متعدد، از جمله فهرست‌های وب، پلتفرم‌های پادکست، نمودارهای دانش، پایگاه‌های داده محصول و رسانه‌های اجتماعی اجرا می‌شوند.

سپس هوش مصنوعی تمام نتایج را با استناد به مرتبط‌ترین و برجسته‌ترین منابع شناسایی‌شده، در قالب یک پاسخ جامع ترکیب می‌کند.

انواع مختلف پرس‌وجوهای fan-out

پرس‌وجوهای Fan-out را می‌توان به دو روش درک کرد: از طریق شکل آنها (نحوه ساخته شدن آنها از پرس‌وجوی اصلی) و از طریق عملکرد آنها (چه شکاف اطلاعاتی را می‌خواهند پر کنند).

قالب‌های پرس‌وجوی Fan-out

محققانی مانند مایک کینگ از طریق تجزیه و تحلیل درخواست‌های ثبت اختراع گوگل، اشکال اصلی پرس‌وجوهای مصنوعی را شناسایی کرده‌اند.

این الگوها به طور مداوم در حالت هوش مصنوعی، ChatGPT و سایر سیستم‌های جستجوی هوش مصنوعی نشان داده می‌شوند:

نوع فن-خروجی

توضیحات

پرس و جوی اصلی

مثال زیر-پرسش‌ها

مباحث مرتبط

موضوعات مرتبط با هم که زمینه را فراهم می‌کنند

آماده سازی غذا برای مبتدیان

ظروف آماده‌سازی غذا، "" دستور پخت‌های آسان برای آماده‌سازی غذا، "" نکات نگهداری آماده‌سازی غذا

سوالات ضمنی

نگرانی‌های ناگفته‌ای که هوش مصنوعی پیش‌بینی می‌کند شما دارید

تغییر به پنل‌های خورشیدی

هزینه پنل‌های خورشیدی چقدر است؟"، "زمان نصب پنل خورشیدی"، "محاسبه‌گر بازگشت سرمایه پنل خورشیدی"

پرس‌وجوهای مقایسه‌ای

ارزیابی‌های موازی

نرم‌افزار مدیریت پروژه

آسانا در مقابل دوشنبه، "ابزارهای مدیریت پروژه برای تیم‌های کوچک"، "مقایسه قیمت‌گذاری نرم‌افزارهای مدیریت پروژه"

تازگی

جستجوهای حساس به زمان که اطلاعات فعلی یا به‌روز شده را در اولویت قرار می‌دهند

بهترین گوشی‌های هوشمند

بهترین گوشی‌های هوشمند ۲۰۲۶، "آخرین گوشی‌های هوشمند عرضه شده"، "برترین گوشی‌های فوریه ۲۰۲۶"

فرمول‌بندی‌های مجدد

عبارات مختلف با هدف یکسان

چگونه نرخ پرش را کاهش دهیم

بهبود تعامل با وب‌سایت، «نگه داشتن بازدیدکنندگان در سایت برای مدت طولانی‌تر»، «کاهش نرخ خروج از وب‌سایت»

تغییرات زمینه‌ای

زوایای شخصی‌سازی‌شده بر اساس سابقه، موقعیت مکانی یا رفتار کاربر

بهترین رستوران‌ها

بهترین رستوران‌ها در [شهر کاربر]، "بهترین رستوران‌ها [از نظر نوع غذا]"، "بهترین رستوران‌هایی که اکنون باز هستند"

سوالات مرحله بعدی

اقداماتی که کاربران معمولاً پس از جستجوی اولیه انجام می‌دهند

علائم دیابت

دیابت چگونه تشخیص داده می‌شود، "گزینه‌های درمان دیابت"، "برنامه غذایی دیابت"

توابع پرس و جوی Fan-out

پیچیدگی پرس‌وجو و شکاف اطلاعاتی که یک سیستم هوش مصنوعی سعی در پر کردن آن دارد، تعیین می‌کند که آیا از گنجایش خروجی استفاده می‌کند یا خیر، کدام پرس‌وجوها را تولید می‌کند و چه تعداد پرس‌وجو تولید می‌کند.

تحقیقات Seer Interactive و Nectiv نشان داد که به طور متوسط ​​در هر اعلان، ۹ تا ۱۱ جستجوی نامحدود وجود دارد که ۵۹٪ آنها ۵ تا ۱۱ جستجو را فعال می‌کنند. اما ۲۴٪ آنها ۱۲ تا ۱۹ جستجو را فعال می‌کنند که این تعداد به ۲۸ مورد نیز می‌رسد.

ابهام و فقدان زمینه در درخواست کاربر، عمق خروجی را تعیین می‌کند.

پرسش‌های نامشخص، هوش مصنوعی را مجبور می‌کنند که یا درخواست توضیح کند یا به طور خودکار زمینه را جمع‌آوری کند. برای مثال، وقتی از کلود خواسته شد که به کاربر در خرید یک قاب گوشی قرمز کمک کند، او از قبل سوالات روشن‌کننده پرسید و در طول تحقیق به سوالات با دامنه‌ی وسیع کمتری نیاز داشت.

ChatGPT Deep Research درخواست اطلاعات بیشتر نکرد؛ در عوض، صدها جستجو را برای بررسی همه احتمالات انجام داد. برای مثال، ۲۰۰ جستجو را فقط برای محافظت از مدل احتمالی تلفن کاربر و نوع قاب مورد نظر او انجام داد:

از آنچه مشاهده کرده‌ایم، پلتفرم‌های هوش مصنوعی تمایل دارند درخواست‌های کاربر را در چند الگوی تکرارشونده گسترش دهند، مانند:

• ابهام‌زدایی : وقتی یک عبارت جستجو به طور کامل مشخص نشده باشد، هوش مصنوعی ابتدا جستجو می‌کند تا احتمالات را محدود کند. عبارت «قاب گوشی قرمز» به جستجوی مدل‌های آیفون، سامسونگ و پیکسل تبدیل می‌شود تا مشخص شود کدام دستگاه به بهترین وجه با نیازهای جستجوگر مطابقت دارد.

• ویژگی‌های موجودیت : هوش مصنوعی ماهیت آن چیز را در تمام ابعاد مشخص می‌کند: رنگ، جنس، ویژگی‌ها، سازگاری و غیره. هوش مصنوعی جستجوی کاربر را گسترش می‌دهد تا کل فضا را پوشش دهد و ویژگی‌هایی را که کاربر به احتمال زیاد به آنها اهمیت می‌دهد، جمع‌آوری کند.

• مراحل سفر : وقتی یک پرس‌وجو چندین مرحله تصمیم‌گیری را در بر می‌گیرد، هوش مصنوعی در همه آنها جستجو می‌کند. عبارت «خرید دستگاه برش لیزری» همزمان تحقیقات اولیه، آموزش، تهیه مواد، اعتبارسنجی جامعه و پرس‌وجوهای خرید را آغاز می‌کند.

• سیگنال‌های اعتماد : جستجوهای پرریسک، جستجو برای نشانگرهای اعتبار مانند نظرات، گواهینامه‌ها، اعتبارسنجی، سیاست‌ها و تاییدیه‌ها را آغاز می‌کنند. یک خرید ۱۵ دلاری به حداقل تایید نیاز دارد. موضوعات YMYL یا خریدهای گران‌قیمت نیاز به تایید گسترده دارند.

• معیارهای مقایسه : هوش مصنوعی مشخص می‌کند که کدام ویژگی‌ها برای تصمیم‌گیری مهم هستند، نه فقط آنچه وجود دارد. جستجوها برای "مقایسه قیمت"، "مقایسه مواد" و "مقایسه رتبه‌بندی" به جای فهرست‌بندی ویژگی‌ها، ابعاد ارزیابی را آشکار می‌کنند.

• اقدام و ریسک : وقتی پرسش‌ها به اقدامات اشاره دارند، هوش مصنوعی امکان‌پذیری، پیامدها و زیرساخت‌های تراکنش را تأیید می‌کند. کدام منابع به بهترین شکل به شما امکان می‌دهند این اقدام را انجام دهید؟ اگر شکست بخورد چه؟ چنین جستجوهایی شامل موجودی محصول، ارسال، بازگشت کالا، ضمانت‌نامه‌ها و بازپرداخت‌ها می‌شود.

هرچه ابعاد مورد نیاز برای تفکیک‌پذیری بیشتر باشد، پهنای خروجی (fan-out) بیشتر می‌شود.

چرا تعداد پرس‌وجوها (یا تعداد دفعات خروج از پرس‌وجو) برای سئو و جستجوی هوش مصنوعی اهمیت دارد؟

قابلیت «خروجی جستجو» (Query Fan-out) توسط تمام پلتفرم‌های جستجوی مبتنی بر هوش مصنوعی (Google AI Mode، ChatGPT، Claude و Perplexity) استفاده می‌شود و این قابلیت را به عنصری کلیدی در کشف محتوا توسط میلیون‌ها نفر تبدیل کرده است.

این موضوع طرز فکر سئوکاران در مورد کلمات کلیدی که دهه‌هاست بهینه شده‌اند را به چالش می‌کشد. رتبه اول بودن برای یک عبارت جستجو دیگر کافی نیست.

هوش مصنوعی همزمان ده‌ها عبارت مرتبط را جستجو می‌کند، نتایج را در همه آنها امتیازدهی و مقایسه می‌کند. محتوای شما اکنون مستقیماً برای مرتبط بودن در کل یک چشم‌انداز موضوعی، نه فقط یک عبارت جستجو، رقابت می‌کند.

این موضوع، معیار استناد به محتوا را افزایش می‌دهد.

شاید از همه مهم‌تر، گنجایش جستجوی پرس‌وجو (query fan-out) در بافت ضمنی گسترش می‌یابد. این روش، روش‌های مختلفی را که جستجوگران موضوعات را بررسی می‌کنند، پیش‌بینی می‌کند و آنها را یک قدم به یافتن پاسخ‌های مورد نظرشان نزدیک‌تر می‌کند.

جستجوی سنتی به زمینه صریح در عبارات جستجو متکی بود. برای مثال، مگر اینکه ذکر می‌کردید هدفون «برای دویدن» می‌خواهید، گوگل صفحات یا محصولاتی را که مخصوص دوندگان هستند نمایش نمی‌داد.

پلتفرم‌های هوش مصنوعی لزوماً نیازی ندارند که کاربران تمام زمینه‌های مرتبط را در جستجوهای خود لحاظ کنند. آن‌ها می‌توانند بخش زیادی از آن را از تاریخچه جستجو و رفتار کاربر (و سایر داده‌ها) استنباط کنند.

در اینجا مثالی از چگونگی به دست آوردن اطلاعات از مکالمات گذشته با یک کاربر توسط ChatGPT و تطبیق ضمنی قالب پاسخ خود با آنچه که فکر می‌کرد کاربر ترجیح می‌دهد، آورده شده است:

هوش مصنوعی زمینه‌هایی را که در فرآیند «جمع‌بندی نتایج» برای جستجوگر بیشترین اهمیت را دارند، در نظر می‌گیرد.

این امر اساساً سئو را از بهینه‌سازی برای کلمات کلیدی منفرد به سمت درک مخاطبان شما و پوشش جامع موضوعات مورد علاقه آنها تغییر می‌دهد.

نحوه‌ی کار خروجی پرس‌وجو (ساده‌سازی جنبه‌ی فنی)

فرآیند پایه‌ی فان اوت پرس‌وجو از این مراحل پیروی می‌کند:

1. تحلیل پرس‌وجو : هوش مصنوعی، درخواست یا سوال شما را تجزیه و تحلیل می‌کند تا منظور، پیچیدگی و نوع پاسخ مورد نیاز را درک کند (این اتفاق در عرض چند میلی‌ثانیه رخ می‌دهد).

2. تجزیه : سوال شما به چندین زیرسوال تقسیم می‌شود که تمام زوایای مربوطه را پوشش می‌دهند (مثلاً «چگونه یک کسب و کار را شروع کنیم» به سوالاتی در مورد طرح‌های تجاری، الزامات قانونی، تأمین مالی، بازاریابی و حسابداری تبدیل می‌شود).

3. بازیابی موازی : تمام پرس‌وجوهای مبتنی بر فن‌آوت به‌طور همزمان در فهرست‌های وب (مانند گوگل، بینگ و بریو)، نمودارهای دانش، پایگاه‌های داده و مخازن تخصصی جستجو می‌شوند.

4. ترکیب : هوش مصنوعی چندین لیست نتایج جستجو را با استفاده از ترکیب رتبه متقابل (RRF) در یک مجموعه واحد ترکیب می‌کند - روشی که با پاداش دادن به لیست‌هایی که به طور مداوم در آنها ظاهر می‌شوند، چندین لیست از نتایج را امتیازدهی و ادغام می‌کند.

5. امتیازدهی : هر سند بر اساس ارتباطش با عبارت جستجوی اصلی و جایگاهش در فهرست‌ها امتیاز می‌گیرد (مثلاً رتبه ۲ در یک فهرست و رتبه ۵ در فهرست دیگر می‌تواند امتیاز ۱/۲ + ۱/۵ را کسب کند). اسنادی که در چندین فهرست ظاهر می‌شوند، امتیاز بالاتری کسب می‌کنند.

6. رتبه‌بندی نهایی : اسناد بر اساس امتیاز کل خود مجدداً رتبه‌بندی می‌شوند و مجموعه نتایج یکپارچه‌ای را تولید می‌کنند که هوش مصنوعی برای تولید پاسخ خود از آن استفاده می‌کند.

این فرآیند توضیح می‌دهد که چرا مقالات جامعی که در نتایج چندین جستجوی فن‌آوت ظاهر می‌شوند، بیشتر مورد استناد قرار می‌گیرند. این موضوع همچنین در مطالعه‌ی Surfer SEO تأیید شده است ، که نشان می‌دهد رتبه‌بندی برای چندین جستجوی فن‌آوت، شانس شما را برای استناد شدن توسط هوش مصنوعی افزایش می‌دهد.

دیگر مرتبط بودن با یک جستجوی محدود کافی نیست. شما به مرتبط بودن و دیده شدن در کل موضوعات نیاز دارید.

نکته فرعی

این بخش فرآیند کلی خروجی پرس‌وجو که توسط اکثر پلتفرم‌های هوش مصنوعی استفاده می‌شود را شرح می‌دهد، اگرچه جزئیات پیاده‌سازی خاص بسته به ارائه‌دهنده متفاوت است. برای مثال، می‌توانید مستندات فنی گوگل را برای خروجی پرس‌وجو در حالت هوش مصنوعی و مرور کلی هوش مصنوعی بررسی کنید.

چگونه می‌توان میزان خروجی پرس‌وجو را بهینه کرد و قابلیت مشاهده هوش مصنوعی را بهبود بخشید

درک فان اوت کوئری یک چیز است و تطبیق استراتژی سئو برای آن چیز دیگری. در اینجا یک فرآیند عملی برای شروع آورده شده است.

۱. تم‌ها و الگوهای فراگیر موضوع خود را ترسیم کنید

شما می‌توانید از ابزارهای زیادی برای یافتن کوئری‌های Fan-out برای کلمات کلیدی و موضوعات مورد نظر خود استفاده کنید.

برای مثال، در رادار برند Ahrefs ، برند یا موضوع خود را وارد کنید و به گزارش پاسخ‌های هوش مصنوعی بروید . شما تعداد نمایش‌های خروجی برای ChatGPT و Perplexity prompts را مشاهده خواهید کرد.

جایی که بسیاری از افراد اشتباه می‌کنند این است که فکر می‌کنند این عبارات جستجو مانند خوشه‌های موضوعی ۲.۰ هستند و باید محتوای خود را دقیقاً برای همین عبارات بهینه کنند.

از نظر عملکردی، آنها شبیه به پرس‌وجوهای دم دراز به نظر می‌رسند، اما در باطن کاملاً متفاوت هستند. برای مثال، آنها عبارتند از:

• مصنوعی هستند زیرا توسط هوش مصنوعی تولید می‌شوند تا به آن در ایجاد پاسخی جامع برای جستجوگر کمک کنند.

• متناقض است زیرا حتی یک درخواست یکسان، تعداد خروجی‌های متفاوتی را بین مدل‌های هوش مصنوعی و جستجوگران ایجاد می‌کند.

• احتمالاتی ، به این معنی که حتی با وجود اعلان، مدل و کاربر یکسان، پرس‌وجوهای منحصر به فرد با فانکشن خروجی بسیار رایج هستند.

• غنی از متن ، به این معنی که هوش مصنوعی اصلاح‌کننده‌های متنی را اضافه می‌کند که انسان‌ها ممکن است هرگز در واقع آنها را جستجو نکنند

• حجم جستجوی صفر، زیرا بیش از ۹۵٪ از آنها هیچ جستجوی تکراری دریافت نمی‌کنند.

در عوض، به دنبال الگوهایی باشید که پدیدار می‌شوند و استراتژی بهینه‌سازی جستجوی خود را بر اساس آنها تطبیق دهید.

الگوی خروجی فن

چه چیزی آن را تحریک می‌کند؟

اولویت بهینه‌سازی

مثال

موجودیت-محور

محصولات، ابزارها، خدمات با ویژگی‌های متعدد

پوشش صریح ویژگی‌ها + داده‌های ساختاریافته

هدفون‌های بی‌سیم → مقایسه مدل‌ها، مشخصات ویژگی‌ها، نمودارهای سازگاری را در اولویت قرار دهید

سفر سنگین

خریدهای پیچیده، دسته بندی های ناآشنا، تصمیمات چند مرحله ای

خوشه‌های محتوایی که تمام مراحل را پوشش می‌دهند

پنل‌های خورشیدی خانگی → محتوای آگاهی‌بخشی، محاسبه‌گر هزینه، راهنمای نصب، تحلیل بازگشت سرمایه

اعتماد زیاد

موضوعات YMYL، اقلام گران‌قیمت، تصمیمات برگشت‌ناپذیر

سیگنال‌های EEAT + اعتبارسنجی توسط شخص ثالث

مشاور مالی" → اعتبارنامه‌ها، گواهینامه‌ها، نظرات مشتریان، انطباق با مقررات

مقایسه‌ای

پرس‌وجوهایی که دلالت بر انتخاب بین گزینه‌ها دارند

ارزیابی‌های جانبی + معیارهای تصمیم‌گیری

بهترین نرم‌افزار CRM → جداول مقایسه ویژگی‌ها، تناسب با موارد استفاده، تفکیک قیمت‌ها

شخصی‌سازی‌شده

پرس‌وجوهای وابسته به مکان یا زمینه‌ای

ارتباط محلی + زوایای خاص کاربر

کافی‌شاپ‌ها → راهنمای محله‌ها، ساعات کاری، امکانات رفاهی، ترجیحات کاربران

اخیر

موضوعات حساس به زمان یا در حال تحول

تازگی محتوا + ویژگی‌های زمانی

روندهای سئو → تاکتیک‌های خاص ۲۰۲۶، به‌روزرسانی‌های اخیر الگوریتم، بهترین شیوه‌های فعلی

وقتی الگوهای حاصل از پرسش‌های متداول درباره برند یا موضوع خود را شناسایی کردید، آنها را بر اساس میزان تأثیرگذاری اولویت‌بندی کنید.

هر الگوی خروجی به یک اندازه مهم نیست. روی الگوهایی تمرکز کنید که:

• با اهداف تجاری و مخاطبان هدف خود هماهنگ باشید (مثلاً، یک ابزار مدیریت پروژه که کسب‌وکارهای کوچک را هدف قرار می‌دهد، بر خوشه‌های «بهره‌وری تیمی» تمرکز دارد، نه «گردش‌های کاری سازمانی»)

• شکاف‌های موجود در پوشش محتوای فعلی خود را پر کنید (مثلاً، شما برای «چگونه یک پادکست شروع کنیم» رتبه‌بندی می‌کنید اما چیزی در مورد «تجهیزات پادکست برای مبتدیان» ندارید)

• فرصت‌های رقابتی متمایز ارائه دهید (مثلاً رقبا «بهترین نرم‌افزار CRM» را دارند اما هیچ‌کس پوشش قوی در مورد «CRM برای فریلنسرها» ندارد)

به عنوان آخرین بررسی، من دوست دارم کوئری‌های اولویت‌دار را در کاوشگر کلمات کلیدی Ahrefs وارد کنم تا معیارهای جستجو را تجزیه و تحلیل کنم. این کار به حذف سریع کوئری‌هایی که پتانسیل جستجو ندارند کمک می‌کند:

نکته فرعی

کلمات کلیدی که در پایگاه داده Ahrefs فهرست نشده‌اند، معمولاً به دلیل جستجوی بسیار کم، حذف می‌شوند. ما یک پایگاه داده با بیش از ۱۱۰ میلیارد کلمه کلیدی کشف شده داریم و آن را به ۲۸.۷ میلیارد کلمه کلیدی که محبوب‌ترین و ارزشمندترین هستند، فیلتر می‌کنیم. اکثر کوئری‌های Fan-out در این دسته قرار نمی‌گیرند.

۲. پوشش جستجوی Fan-out خود را برای موضوعات کلیدی بررسی کنید.

در مرحله بعد، محتوای موجود خود را با الگوهای پراکندگی جستجوی اولویت‌دار که شناسایی کرده‌اید، مقایسه کنید. کدام زوایا را پوشش می‌دهید؟ کدام‌ها از قلم افتاده‌اند؟

با نگاهی کلی شروع کنید. به محتوای سایت خود نگاه کنید و هرگونه شکاف محتوایی آشکار را بررسی کنید.

یک راه سریع برای انجام این کار، مراجعه به گزارش Site Explorer > Site Structure در Ahrefs است تا تمام صفحاتی که دارید و نحوه عملکرد آنها در جستجو را مشاهده کنید:

اگر سایت بزرگی دارید، سعی کنید از فیلترها برای جستجوی تم‌ها و موضوعات خاص استفاده کنید. ارزیابی کنید که آیا الگوهای سطح بالایی را که از تجزیه و تحلیل دامنه جستجوی شما پدیدار می‌شوند، پوشش می‌دهید یا خیر. به عنوان مثال، آیا موضوع را از چندین هدف پوشش می‌دهید؟ آیا محتوای مرتبطی برای مراحل مختلف سفر جستجوگر دارید؟

به هرگونه شکاف در این سطح توجه کنید. این‌ها به وظایفی برای ایجاد محتوای جدید تبدیل خواهند شد.

در مرحله بعد، با انجام یک بررسی صفحه به صفحه، عمیق‌تر شوید. هدف، ارزیابی عمق هر پست در مورد عبارت یا موضوع مورد نظر است. این شکاف‌ها به وظایفی برای به‌روزرسانی محتوای موجود تبدیل می‌شوند.

شما می‌توانید این کار را به صورت دستی با خواندن هر صفحه و بررسی اینکه آیا شکافی وجود دارد که می‌توانید به سادگی با اضافه کردن بخش‌های جدید آن را پر کنید، انجام دهید. یا می‌توانید از ابزار کمکی محتوای هوش مصنوعی Ahrefs استفاده کنید .

صفحه خود و کلمه کلیدی اصلی که می‌خواهید برای آن بهینه شوید را وارد کنید، گزارش به طور خودکار تولید می‌شود.

اگر کوئری‌های فانکشنال خاصی وجود دارد که می‌خواهید برای آنها بهینه‌سازی انجام دهید، می‌توانید آنها را به جای کلمه کلیدی اصلی مقاله وارد کنید تا بینش عمیق‌تر و زوایای بهینه‌سازی را به دست آورید.

این گزارش همچنین یک تحلیل هدف انجام می‌دهد تا مطمئن شود صفحه‌ای که بهینه‌سازی می‌کنید با هدف جستجوی fan-out مطابقت دارد. می‌توانید از این برای درک اهداف جستجوی غالب موضوعات هدف خود و fan-outهای آنها استفاده کنید.

سپس به شما ایده‌هایی برای بخش‌هایی می‌دهد که می‌توانید اضافه کنید و پرس‌وجوی خاص مربوط به خروجی مورد نظرتان را پوشش دهند.

شما همچنین می‌توانید از الگوهای فانکشن اوت پرس‌وجو برای اطلاع‌رسانی در مورد استراتژی خارج از سایت خود استفاده کنید. بسیاری از پرس‌وجوهای فانکشن اوت، جستجوهایی را برای اعتبارسنجی خارجی، مانند سایت‌های نقد و بررسی، فهرست‌های «بهترین‌ها» ، نشریات صنعت، سایت‌های مقایسه و بحث‌های انجمن، آغاز می‌کنند. شما نمی‌توانید وب‌سایت خود را برای این موارد بهینه‌سازی کنید.

با این حال، می‌توانید از گزارش صفحات ذکر شده‌ی برند رادار استفاده کنید تا ببینید پلتفرم‌های هوش مصنوعی کدام منابع شخص ثالث را برای موضوعات اولویت‌دار و پرسش‌های متداول شما ذکر می‌کنند.

به دنبال الگوهایی مانند موارد زیر باشید:

• جایی که از قبل قابل مشاهده هستید: سایت‌های نقد و بررسی، دایرکتوری‌های صنعتی، شرکت‌های وابسته‌ای که از قبل به شما اشاره کرده‌اند

• جایی که رقبا ظاهر می‌شوند، اما شما ظاهر نمی‌شوید: شکاف‌ها در حضور شخص ثالث شما

• چه نوع محتوایی غالب است: فهرست‌ها، مقایسه‌ها، نقدها، پوشش خبری

اگر می‌خواهید جایگاه برند خود را در بین آنها بهبود بخشید، آنها را به فهرست مشتریان بالقوه خود اضافه کنید .

چه در حال حسابرسی حضور خودتان باشید و چه حضور شخص ثالث، شکاف‌هایی را که با خروجی‌های با اولویت بالا که در تحلیل شما شناسایی شده‌اند، همسو هستند، در اولویت قرار دهید.

۳. شکاف‌های داخلی و خارجی وب‌سایت خود را پر کنید

نرخ خروج جستجو (یا فان اوت) به این معنی است که جستجوی هوش مصنوعی چگونه حدس‌های آگاهانه‌ای در مورد آنچه واقعاً به دنبال آن هستید، می‌زند. بهینه‌سازی برای آن به معنای تفکر فراتر از خوشه‌های موضوعی است. رویکرد صحیح به این بستگی دارد که هوش مصنوعی سعی در پر کردن چه نوع زمینه‌ای دارد.

برای محصولات، ابزارها و خدمات، مطمئن شوید که داده‌های موجودیت شما کامل و سازگار است:

مطمئن شوید که تمام ویژگی‌های محصول یا موجودیت شما فهرست شده و دقیق هستند.

برای مثال، اگر یک جستجوگر بخواهد یک قاب گوشی بخرد، واقعاً سوالات زیادی در مورد قاب‌های گوشی ندارد که نیاز باشد در یک پست وبلاگ به آنها پاسخ داده شود.

چیزی که آنها بیشتر به آن اهمیت می‌دهند ویژگی‌ها و خصوصیات محصول است، مانند:

• رنگ و طرح، مثلاً «قاب گوشی قرمز»

• مدل گوشی که با آن سازگار است، مثلاً «قاب گوشی آیفون ۱۵»

• جنس آن، مثلاً «قاب چرمی گوشی»

• سبک و ویژگی‌ها، مثلاً «قاب گوشی با جای کارت»

اما آنها به ویژگی‌های ضمنی که اغلب در جستجوهایشان ظاهر نمی‌شوند نیز اهمیت می‌دهند. آنها از این ویژگی‌ها به عنوان یک فیلتر ذهنی برای انتخاب تامین‌کنندگان و محصولاتی که برایشان جذاب است استفاده می‌کنند.

برای مثال، ChatGPT Deep Research قبل از توصیه قاب‌های قرمز برای گوشی، ۴۲۰ جستجو انجام داد. این تحقیق سیگنال‌های صریحی را که جستجوگران اغلب به دنبال آن هستند (در بالا ذکر شده است) تجزیه و تحلیل کرد و سپس موارد ضمنی زیادی را نیز اضافه کرد، مانند سایه‌های خاص قرمز، ضد زردی، تراز شارژ بی‌سیم، خرده‌فروشان محبوب نزدیک جستجوگر و موارد دیگر:

این چیزی است که من آن را انباشت ویژگی می‌نامم. این فهرست ذهنی از ویژگی‌ها و انتظاراتی است که یک جستجوگر هنگام جستجوی چیزی که می‌خواهد بخرد، در ذهن خود شکل می‌دهد. خروجی جستجو این را قابل مشاهده می‌کند و لایه‌ای است که باید برای آن بهینه‌سازی کنیم.

• صفحات محصول را با توضیحات دقیق، تصاویر و جزئیات ویژگی‌های مرتبط بهینه کنید. به عنوان مثال، تصاویری با قاب قرمز و یک انتخابگر رنگ در صفحه محصول اضافه کنید.

• تصاویر را با ذکر دقیق ویژگی‌ها و صفاتی که نشان می‌دهند، بهینه کنید. برای مثال، نام تصویر را «قاب گوشی قرمز برای آیفون ۱۵ از {نام تجاری شما}» بگذارید. توصیف‌های مشابهی را در متن جایگزین اضافه کنید.

• برچسب‌ها و دسته‌بندی‌های خود (و سایر طبقه‌بندی‌ها) را بهینه کنید تا ویژگی‌های با اولویت بالای خط تولید اصلی خود را در بر بگیرید. برای مثال، اگر انواع مختلفی از قاب‌های گوشی قرمز می‌فروشید، یک برچسب برای «قرمز» اضافه کنید.

• صفحات کلکسیون مرتبط ایجاد کنید تا مستقیماً برای کلمات کلیدی مانند «قاب‌های قرمز گوشی» بهینه‌سازی شوند، مشروط بر اینکه حجم جستجو داشته باشند یا بخش‌های اولویت‌دار در خط تولید شما باشند.

• طرحواره محصول مرتبط را اضافه کنید و آن را تا حد امکان دقیق و کامل پر کنید. در مورد مشخصات فنی محصول یا ویژگی‌ها و خصوصیات مربوطه خساست به خرج ندهید.

• داده‌های مرکز فروش و فیدهای مربوط به محصولات خود را بررسی کنید تا مطمئن شوید که ویژگی‌ها، مشخصات و ویژگی‌های محصول در صورت لزوم به طور دقیق درج شده‌اند.

اگر می‌خواهید مطمئن شوید که چیزی را از قلم نمی‌اندازید، از LLM مورد نظر خود بخواهید که یک نمودار جریان تصمیم‌گیری ترسیم کند یا یک تحلیل عمیق برای شناسایی الگوهای عمیق‌تر اجرا کند. اگر علاوه بر محصولات، برای موجودیت‌های دیگری نیز بهینه‌سازی می‌کنید، همین فرآیند برای آنها نیز اعمال می‌شود.

برای مثال، ChatGPT این فلوچارت تصمیم‌گیری را توسعه داده و پرس‌وجوهای fan-out را در هر سطح اضافه کرده است:

برای مسیرهای جستجوی پیچیده، هر مرحله از فرآیند تصمیم‌گیری را پوشش دهید:

بهینه‌سازی از طریق خوشه‌های محتوایی که تمام مراحل را در بر می‌گیرند. صفحات ستونی (مرور کلی موضوعات) بسازید که توسط صفحات خوشه‌ای (بررسی عمیق زیرموضوعات خاص) پشتیبانی می‌شوند و هر مرحله را پوشش می‌دهند: آگاهی، آموزش، مقایسه، تصمیم‌گیری و اجرا.

همچنین می‌توانید از گزارش سوالات در Keyword Explorer (یا ابزارهای بصری مانند AlsoAsked و Answer the Public ) برای ترسیم سوالات رایج در بخش‌های مختلف مسیر جستجوی یک جستجوگر استفاده کنید.

این برای مباحث اطلاعاتی عالی عمل می‌کند، جایی که مقالات می‌توانند پاسخ‌های جامعی را که مردم به دنبال آن هستند ارائه دهند.

بهینه‌سازی در این مرحله در درجه اول شامل ایجاد محتوای جدید برای ایجاد اعتبار موضوعی و به‌روزرسانی محتوای موجود برای پوشش عمیق‌تر است.

برای موضوعات پرریسک یا YMYL، تخصص و اعتبار خود را طوری تنظیم کنید که نادیده گرفتن آن غیرممکن باشد:

با گنجاندن سیگنال‌های اثبات اجتماعی و اعتماد که می‌توانند نشان دهند (که معمولاً به عنوان سیگنال‌های EEAT شناخته می‌شوند)، به هوش مصنوعی کمک کنید تا تخصص شما را در مورد موضوع تشخیص دهد ، مانند:

• اعتبارنامه‌های نویسنده

• استنادات شخص ثالث

• نقد و بررسی‌ها

• جوایز

• روش‌های شفاف

• سیاست‌های منتشر شده

• مطالعات موردی

• حضور در جامعه

وقتی مشخص کردید که چه سیگنال‌های اعتمادی در خروجی‌های پرس‌وجو ظاهر می‌شوند، می‌توانید یک ممیزی EEAT انجام دهید تا هرگونه شکافی را که می‌توانید پر کنید، پیدا کنید.

روی الگوهای اولویتی که در پرس‌وجوهای مبتنی بر طیف فرکانسی که تحلیل کرده‌اید، مشاهده کردید، تمرکز کنید. به یاد داشته باشید: هوش مصنوعی سیگنال‌های اعتماد را از سراسر وب می‌گیرد، نه فقط از سایت شما.

۴. پوشش موضوعی و عملکرد خود را اندازه‌گیری کنید

ممکن است میزان موفقیت جستجو (Query Fan-out) آنچه را که اندازه‌گیری می‌کنید تغییر دهد، اما نباید جایگزین معیارهای سنتی سئو شود. در عوض، یک لایه جدید اضافه می‌کند. شما به قابلیت مشاهده هم در عملکرد جستجوی سنتی و هم در الگوهای استناد هوش مصنوعی نیاز دارید.

در اینجا نحوه انجام این کار در Ahrefs آورده شده است.

• ردیابی میزان دیده شدن برند شما در جستجوی هوش مصنوعی با رادار برند : نظارت کنید که چه زمانی و چگونه برند شما در ChatGPT، Perplexity، ویژگی‌های هوش مصنوعی گوگل و موارد دیگر مورد استناد قرار می‌گیرد. از آنجایی که Fan-out به این معنی است که ممکن است برای عباراتی که هرگز مستقیماً برای آنها بهینه‌سازی نشده‌اید، مورد استناد قرار بگیرید، این موارد را به طور گسترده در فضای موضوعی خود، و نه فقط کلمات کلیدی هدف، پیگیری کنید.

• از Rank Tracker برای نظارت بر خوشه‌های موضوعی استفاده کنید : کوئری‌های دارای اولویت با پتانسیل جستجوی مناسب را در کنار کلمات کلیدی اصلی خود اضافه کنید. از برچسب‌ها برای گروه‌بندی کوئری‌های مرتبط بر اساس خوشه موضوعی استفاده کنید، سپس به جای تمرکز بیش از حد روی موقعیت‌های تکی، عملکرد کلی را در هر خوشه پیگیری کنید.

• عملکرد سطح موضوع را با Portfolios رصد کنید : صفحاتی را که موضوع یکسانی را پوشش می‌دهند، در Portfolioهایی گروه‌بندی کنید که نشان‌دهنده خوشه‌های موضوعی شما هستند. معیارهای کلی را پیگیری کنید تا ببینید آیا استراتژی پوشش جامع شما، نه فقط صفحات خاص، در حال بهبود دیده شدن در کل چشم‌انداز موضوع است یا خیر.

• معیارهای موفقیت خود را برای دیده شدن توسط هوش مصنوعی تغییر دهید: به جای رتبه‌بندی کلمات کلیدی به صورت جداگانه، روی روندهای دیده شدن در سطح موضوع و فراوانی استناد تمرکز کنید. پراکندگی جستجو به این معنی است که یک رتبه‌بندی واحد (حتی در کلمات کلیدی رقابتی) کافی نیست. الگوهای موجود در پلتفرم‌های هوش مصنوعی نشان می‌دهد که آیا محتوای شما برای فضای موضوعی شما به عنوان معتبر شناخته می‌شود یا خیر.

معیارهای سنتی سئو (رتبه‌بندی، ترافیک، تبدیل) همچنان برای سنجش عملکرد جستجو مهم هستند. معیارهای دیده شدن توسط هوش مصنوعی (تعداد استنادها، پوشش موضوعی، عملکرد در سطح خوشه) بُعد جدیدی را اضافه می‌کنند که به جای جایگزینی، مکمل معیارهای سنتی است.

افکار نهایی

فراوانی جستجوها چیزی را نشان می‌دهد که همیشه صادق بوده است: جستجوگران به زمینه‌ای اهمیت می‌دهند که به ندرت در قالب کلمات بیان می‌کنند. آنها به صورت ذهنی الزامات را دسته‌بندی کرده و بر اساس معیارهای ضمنی که اغلب مستقیماً جستجو نمی‌کنند، فیلتر می‌کنند.

جستجوی هوش مصنوعی این بار شناختی را از طریق گسترش پرس‌وجو مدیریت می‌کند و یک پرس‌وجوی نامشخص را به تحقیقی جامع تبدیل می‌کند. برای دیده شدن در جستجوی هوش مصنوعی، هدف رتبه‌بندی برای کلمات کلیدی یا درخواست‌های تکی نیست؛ بلکه هدف پوشش جامع زمینه‌های ضمنی و صریح پشت هر جستجو است.

برای شروع، یک موضوع با اولویت بالا را انتخاب کنید. الگوهای پراکندگی آن را ترسیم کنید، آنچه را که دارید بررسی کنید و به طور سیستماتیک شکاف‌ها را پر کنید.

منبع : query-fan-out