В ChatGPT существует множество плагинов, каждый из которых предлагает уникальные возможности для расширения функционала этого инструмента. От создания кода до анализа данных. Плагины делают ChatGPT ещё более мощным и универсальным инструментом для различных задач.
Хочу рассказать про плагин Data Analysis. Это разработка от OpenAI, представляющая собой плагин, благодаря которому возможно создание и выполнение кода прямо в интерфейсе ChatGPT, а также работа с файлами, загруженными пользователем. Ранее известный как Code Interpreter, данный плагин ранее был доступен лишь как бета фича, а сейчас плагин доступен всем обладателем подписки chatGPT Plus.
Покажу способ, как с помощью Data Analysis можно сделать анализ ссылочного сайта и выбрать домены для отклонения в Google Search Console.
Подготовительные работы
Сначала выгружаем из Ahrefs домены из отчета Домены-доноры и считаем отношение доноров к акцепторам. Нам нужны следующие метрики ссылающихся доменов:
DR - это показатель относительного качества ссылочной массы ссылающегося домена.
Dofollow ref. domains - количество dofollow доменов, которые ссылаются на сайт.
Dofollow linked domains - количество доменов, на которые ссылается dofollow ссылками.
linked/ref domains - делим Dofollow linked domains на Dofollow ref. domains, чтобы понять отношение входящих и исходящих ссылок.
Keywords - количество ключей ссылающегося домена в ТОП 100 Google.
Далее находим Data Analyst в каталоге и запускаем. Полученный файл с данными загружаем в chatGPT и просим посмотреть на него:
Анализируем данные по группам
Будем разбивать промежутки на квантили, минимальное и максимальное значение. Это нужно для того, чтобы данные были статистически значимыми и удобными для анализа.
Проанализируем домены по DR. Берем только домны, где доменов-доноров больше 0. Нет смысла анализировать домены по DR, у которых 0 ссылок внешних.
Видим, что у доменов, у которых DR меньше 10, почти нет ключей и доменов доноров, но большой показатель ссылающихся доменов. Это первая группа, где могут быть плохие домены.
Проанализируем домены по отношению доноров к акцепторам. Тут также берем только домны, где доменов-доноров больше 0.
Видим, что у доменов, у которых DR меньше 10, почти нет ключей и доменов доноров, но большой показатель ссылающихся доменов. Это первая группа, где могут быть плохие домены.
Проанализируем домены по отношению доноров к акцепторам. Тут также берем только домны, где доменов-доноров больше 0.
Видно, что 0 ссылающихся доменов попали довольно слабые домены. Но их немного, и они относительно безопасные.
Также видим, что домены, у которых больше 7.425 ссылки с домена-донора, имеют слабые показатели по DR и ключам. Это еще одна группа, где могут быть плохие домены.
Проанализируем ключевые слова. В этот раз берем все домены.
Видно, что домены с 0 ключами имеют очень маленький DR и очень большое отношение доноров к акцепторам. Это последняя группа, где могут быть плохие домены.
Анализируем все эти группы вместе
Проанализируем все эти группы вместе. В этот раз добавим средние значения к медианам, чтобы увидеть частные случаи. Например, у большинства доменов группы DR 0, а у нескольких - 50. И если такое есть, среднее это покажет.
Посмотрим на каждую категорию:
DR < 10. По среднему количеству ключей видно, что среди доменов с DR есть домены, которые ранжируются в Google по большому количеству ключей. Поэтому на всей этой категории я бы крест не ставил.
linked/ref domains > 7.42. Тут среднее количество ключей еще выше, т.е. есть домены, которые совсем неплохо ранжируются. Средний DR выше медианы. Значит, есть домены с хорошим DR. Тут я тоже есть хорошие домены.
Keywords = 0. Средний DR - почти 10. Значит, какие-то домены в теории могут отдавать нормальный ссылочный вес. Но в остальном тут все плохо.
DR < 10.01 и linked/ref domains > 7.42 и Keywords = 0. Тут даже по средним значениям все плохо. Домены в этой группе - идеальные кандидаты на отклонение ссылок в GSC.
Результаты
В результате анализа у нас есть группа с доменными, которые можно отклонить. Попросим chatGPT сделать нам список доменов. Скачиваем и можем загружать их в GSC.
Такой анализ можно сделать на питоне руками без ИИ. Но с chatGPT намного проще! Плагин сам пишет код, сам исправляет ошибки в коде, если они возникают. При желании, можно делать такие анализы на младших специалистов, т..к chatGPT делает часть работы сам.
Полезные ссылки:
Ссылка на промты, которые использовались в данном кейсе.
Ссылка на таблицу с данными из примера.
Ссылка на книгу Статистика и котики. Небольшая книга про основы статистики.
Обязательно берите chatGPT и Data Analyst себе на вооружение!
Спасибо за прочтение! Буду благодарен за подписку на мой ТГ-канал. В нем я делюсь кейсами использования chatGPT, SEO-кейсами и аналитикой, которые меня заинтересовали.