Uporabniška zadovoljstvo kot osrednji rangirni signal v Google iskanju

Mar 25, 2026 | SEO

vir: https://www.youtube.com/watch?v=mYwU1eyUm3s

image


  • Intro in teza

    • Video zagovarja tezo, da je zadovoljstvo uporabnika najpomembnejša stvar, na katero se lahko optimizira SEO, saj AI sistemi na vrhu klasičnih algoritmov rezultate ponovno razvrščajo na podlagi vedenja uporabnikov in ocen kakovostnih ocenjevalcev (quality raters).

    • Klasični algoritmi (on-page, povezave itd.) najprej zožijo rezultate na nekaj sto dokumentov, nato pa globoki modeli (RankBrain, DeepRank, RankEmbed BERT) te rezultate rerangirajo z uporabo signalov iz klikov, pomikov, vračanj na SERP ter ocen kakovosti.

  • Kako Google uporablja podatke uporabnikov (Glue/NavBoost, Instant Glue)

    • Sistem Glue/NavBoost zbira podatke o vsaki poizvedbi: kliki, premiki miške, pomikanje, vračanje na rezultate, interakcije s slikami; vse to se uporablja za izboljšanje razumevanja namena in “svežih” poizvedb.

    • “Instant Glue” hitro prilagodi rezultate, ko se spremeni namen iskanja (npr. “Nice pictures” pred in po terorističnem napadu v Nici), tako da se SERP dinamično preusmeri iz generičnih “nice” slik v slike, povezane z dogodkom.

  • RankEmbed BERT in globoki modeli

    • RankEmbed BERT je notranji BERT‑ov model, treniran na dejanskih iskalnih poizvedbah in izbirah uporabnikov, ne na Wikipediji/BooksCorpus, ter napoveduje verjetnost klika na posamezne rezultate.

    • Google najprej s “core” algoritmi zoži npr. 10 milijonov ujemajočih strani na nekaj sto, nato globoki modeli (RankBrain, DeepRank, RankEmbed BERT) prilagodijo ocene za zgornjih 20–30 ali več dokumentov, ker je globoko rangiranje drago za računanje.

    • Ti modeli se učijo podobno kot BERT: kadar njihova napoved klika ne ustreza dejanskemu vedenju uporabnikov, se uteži prilagodijo; CTR ni “direkten” rangirni signal, je pa pomemben učni signal za modele.

  • Helpful Content sistem in March 2024 Core Update

    • Helpful Content sistem (od 2022) je strojno‑učno klasificiranje strani na “koristne” in “nekoristne”, kjer model uči značilnosti vsebin, ki so za uporabnike resnično uporabne, ne le dobro optimizirane za SEO.

    • March 2024 core update je prenesel naučeno iz Helpful Content sistema v glavne rangirne sisteme, tako da ni enega samega signala, temveč več paralelnih signalov, ki skupaj ocenjujejo koristnost; cilj je znižati delež nekoristnih, neizvirnih vsebin.

    • Pogosto so prizadeta spletna mesta, ki so bila “zelo dobra v SEO”, a manj v dejanskem zadovoljstvu uporabnikov; včasih pa so kolateralna škoda strani s podobnimi značilnostmi kot ciljne.

  • Kakovostni ocenjevalci (Quality Raters) in IS@5

    • Quality raters dobijo dvoje rezultatov: “zamrznjen” (trenutni Google) in “ponovno naučen” (nov sistem) ter ocenjujejo kakovost zgornjih 5 rezultatov (IS@5, verjetno “information satisfaction”).

    • Njihove ocene se ne uporabljajo za direktno kaznovanje posameznih strani, ampak kot učni podatki: sistem se uči, katere lastnosti so prisotne pri rezultatih, ki so dobili visoke ali nizke ocene.

    • Ker ocenjevalci ne pokrijejo vseh domen (zelo tehnične poizvedbe, otroške poizvedbe itd.), Google izvaja na tisoče “live traffic” eksperimentov (npr. 17.000+), kjer različnim uporabnikom pokaže različne verzije SERP in iz vedenja sklepa, katere konfiguracije so boljše.

  • Vloga Chrome in “popularnosti”

    • V gradivu iz postopka DOJ se pojavljajo indici, da se popularnost strani meri tudi prek podatkov iz brskalnika Chrome (obiski/obnašanje), ne več samo prek povezav, čeprav Google ne razkrije natančnega obsega uporabe.

    • To pomeni, da je “popularnost” v smislu dejanske uporabe strani (koliko jih ljudje dejansko obiskujejo in uporabljajo) verjetno močnejši signal kot goli profil povratnih povezav.

  • Strategija za SEO po teh razkritjih

    • Prekomerno optimiziranje za AI (npr. množično generirane vsebine, agresivno “chunkanje” besedil samo zaradi LLM/AI Overviews) pogosto ustvari t. i. “AI goro”: hiter rast organskega prometa, sledi pa strm padec, ko sistemi sčasoma “spoznajo”, da uporabniki raje klikajo in ostajajo drugje.

    • Google želi nagraditi strani, ki v primerjavi z drugimi rezultati na isti poizvedbi ponujajo večjo dejansko vrednost: globino, originalne uvide, unikatne vizualne elemente ali pokritje pomembnih pod‑tem, ki jih drugi ne obravnavajo.

    • Priporočeno je:

      • Razumeti delovanje vektorskega iskanja, a pisati primarno za ljudi, ne za modele.

      • Graditi vsebino okrog uporabnikovega namena in poskrbeti, da stran res reši problem bolje kot konkurenca.

      • Uporabljati jasne naslove in strukturo, ki omogoča hitro skeniranje, vendar brez ekstremnega drobljenja v mikro odstavke samo zaradi LLM‑ov.

      • V analitiki spremljati dejanske signale angažiranosti (čas na strani, pomikanje, vračanja na SERP, konverzije) in iterativno izboljševati zadovoljstvo uporabnikov.

  • Ključna implikacija za prakso

    • Če AI sistemi re‑rangirajo rezultate predvsem na podlagi povratne zanke med uporabnikovim vedenjem in ocenami kakovostnih ocenjevalcev, je dolgoročno najdonosnejša strategija ustvarjanje vsebine, ki uporabnika zadovoljni bolj kot alternative – ne pa igranje s posameznimi SEO triki.

    • Google dokument “Creating helpful content” naj se razume kot povzetek tega, kaj ljudje dejansko imajo radi, ne kot neposreden seznam algoritmičnih pravil; osrednje vprašanje je: ali vaša stran nudi “substantial value” v primerjavi z ostalimi rezultati na isti poizvedbi.