本页面包含有关 Google 文档季可接受的技术写作项目的详细信息。
项目摘要
- 开源组织：
- DVC
- 技术文档工程师：
- 重制版
- 项目名称：
- 搜索引擎优化 (SEO)/网站分析和 Google 文档网站更新
- 项目时长：
- 标准时长（3 个月）
Project description
为了提高搜索引擎曝光度、了解用户行为并推动未来内容改进，我针对 DVC 提出了一种自下而上的优化策略。
就搜索引擎优化而言，“自下而上”意味着使用当前搜索结果和现有内容中的数据来指导更新，并启动一个积极的改进循环。这种策略重点关注结果，以实际进度为基础，而不是依赖于用户将会搜索什么或如何使用搜索内容的假设。我已为多个 SEO 客户有效地运用这种方法，而且众所周知，这种方法对当前的搜索引擎行为有效。
该流程的目标是建立一个反馈环，如下所示：
- 哪些网页和搜索字词会显示搜索结果？
- 与这些字词有什么关系？我们是否解答了搜索者提出的问题？文档中缺少哪些内容？
- 更新现有文档或确定应创建的新文档（如果更有意义）。
- 在组织希望取得成效的领域（但还没有任何结果），在创作内容之前，先寻找竞争对手搜索方面的证据或用户分析数据。
- 从 1 重新开始。
我提议以下总体项目计划（通过下面的问答环节了解有关实施的更多详细信息）：
第 1 周 — 对 Google Analytics（分析）工具和跟踪功能进行初始设置。进行搜索引擎优化 (SEO) 审核并创建问题，以修复元数据或清除技术问题。（这甚至可以从预热期开始）。第 2 周 - 找出已经在关键词中排名的文档。找出相关字词来扩展内容，并审核文档以进行其他改进。针对单个文档规模创建问题，以制定更新计划。开始更新/发布文档。 第 3 周 - 继续监控搜索结果，发现新的机会，并继续处理计划内更新积压消息。 第 4-10 周 - 观察新更新的文档搜索结果的变化，继续监控和更新积压。 第 10 周以上 - 虽然这绝对超出了此项目的范围，但当对更改率和方法感到满意后，可以使用相同的原则和反馈环来推动对 DVC 用例和文档首页的修订。在我看来，自下而上的方法对这类项目也更有效。
以下是我对本项目创意中列出的每个问题的直接解答：
问：应使用哪些工具？（例如 Google Analytics（分析）等）
A.基本工具是 Google Analytics（分析）、Google Search Console 和 Google 数据洞察（用于在不同的报告工具间汇总数据）。Google 跟踪代码管理器可用于跟踪某些特定的点击或网页事件（例如，嵌入的 YouTube 视频教程）。我还会使用 SEO 审核工具（我使用 Ubersuggest）来标记问题，并在 Google 文档网站上跟踪竞争性搜索字词和相关搜索字词。虽然 DVC 网站的速度似乎非常快，但我们仍然需要确保使用 PageSpeed Insights，因为它对搜索引擎优化 (SEO) 也很重要。
问：我们需要关注哪些趋势和报告？
A.搜索引擎优化 (SEO) 的主要指标包括点击次数、展示次数、点击率和排名。然而，问题在于，这些指标只是尾随性指标，无法提供关于如何改进的深刻见解。因此，跟踪和监控搜索前后的具体情况至关重要：用户使用的搜索字词，以及访问网站时执行了哪些操作。使用的搜索字词对于高效完成内容创作和更新工作至关重要（如上所述）。确保通过搜索结果到达的用户成功找到所需内容，决定网页的排名是好还是差，因为返回同一搜索（跳出）就等于告诉引擎网页不该是好结果。衡量用户在网站上的参与度是一项更为复杂的任务，但是我们需要记录的基本指标包括跳出率、会话时长和每次会话浏览页数。（对于目标是获取用户/购买/联系网站的网站，相较于目标的转化率也是一项关键指标。）
问：我们拥有哪些类型的用户？他们分别遵循怎样的互动流程？
A.如果设置了此功能，Google Analytics（分析）就会跟踪用户浏览网站的路径、网页时间、点击网址、用户代理属性，并尝试在回访用户时识别用户（除此之外，还有更多功能只是基本功能）。确定和理解定义用户类型的模式需要花费一些时间，但不妨先从查看热门互动流程着手。从最热门的着陆页开始，我们会寻找第二页、第三页和更多网页上的明显趋势。然后，我们可以根据这些数据提出用户模型（这应该也有助于为关键用例提供相关信息）。根据这些数据，我们可以通过关联其他数据（搜索字词、趣闻、问卷调查、访谈等）来进一步优化或验证模型/用例。
问：我们能否通过 DVC 使用情况分析功能对这些用户进行半识别和/或交叉检查他们的数据？
A.根据使用情况分析文档，DVC 使用真正随机的标识符 (uuid4) 并通过代理发送数据。假设这一点没有改变，交叉检查就仅限于查看每个命令事件的数量趋势，并与文档网站的使用模式进行对比。这有助于我们在汇总时确定文档用量与命令用量之间的差异，但无法提供用户级数据分析。我们可以回答以下问题：“人们是否同时使用文档和命令针对哪些命令/文档？”虽然这是基本问题，但可以对假设进行基本的验证（例如，如果特定用例与关键命令的匹配度较高，则会导致关键命令的使用率增加），并确定各种机会（例如，如果没有使用某个命令，但对应的文档有误，反之则是）