ChatGPT имеет множество плагинов, каждый из которых предлагает уникальные возможности расширения функциональности этого инструмента. От создания кода до анализа данных. Плагины делают ChatGPT еще более мощным и универсальным инструментом для различных задач.

Хочу рассказать вам о плагине Data Analysis. Это разработка OpenAI — плагина, позволяющего создавать и запускать код непосредственно в интерфейсе ChatGPT, а также работать с файлами, загруженными пользователем. Ранее известный как Code Interpreter, этот плагин ранее был доступен только в бета-версии, но теперь доступен всем подписчикам ChatGPT Plus.

Я покажу вам, как использовать анализ данных для анализа ссылающегося сайта и выбора доменов, которые следует отклонить в консоли поиска Google.

Подготовительная работа

Сначала мы загружаем домены из отчета Ahrefs «Донорные домены» и рассчитываем соотношение доноров и акцепторов. Нам нужны следующие метрики для ссылающихся доменов:

• DR — это мера относительного качества ссылки ссылающегося домена.

• Dofollow исх. домены — количество доменов dofollow, ссылающихся на сайт.

• Dofollow Linked Domains — количество доменов, связанных ссылками Dofollow.

• связанные домены/ссылка. — разделить связанные домены Dofollow по ссылке. Дофоллоу. домены, чтобы понять взаимосвязь между входящими и исходящими ссылками.

• Ключевые слова — количество ключевых слов со ссылающегося домена в Google TOP 100.

Затем мы находим Аналитик данных в каталоге и запустите его. Загружаем полученный файл данных в ChatGPT и просим просмотреть его:

Анализируйте данные по группам

Разделим интервалы на квантили, минимальные и максимальные значения. Это необходимо для того, чтобы данные были статистически значимыми и легко анализировались.

Проанализируем домены по DR. Мы берем только доменные имена, в которых имеется более 0 доменов-доноров. Нет смысла анализировать по DR домены, у которых 0 внешних ссылок.

Мы обнаружили, что домены с DR менее 10 почти не имеют ключей или доменов-доноров, но имеют большое количество ссылающихся доменов. Это первая группа, в которой могут быть плохие домены.

Проанализируем домены по отношению к донорам и акцепторам. Здесь мы также берем только доменные печи, где более 0 доменов-доноров.

Мы обнаружили, что домены с DR менее 10 почти не имеют ключей или доменов-доноров, но имеют большое количество ссылающихся доменов. Это первая группа, в которой могут быть плохие домены.

Проанализируем домены по отношению к донорам и акцепторам. Здесь мы также берем только доменные печи, где более 0 доменов-доноров.

Мы видим, что в 0 ссылающихся доменов вошли довольно слабые домены. Но они немногочисленны и относительно безопасны.

Мы также видим, что домены, имеющие более 7425 ссылок с домена донора, имеют низкие DR и KPI. Это еще одна группа, в которой могут быть плохие участки.

Давайте проанализируем ключевые слова. На этот раз мы возьмем все области.

Мы видим, что домены с 0 ключами имеют очень маленький DR и очень большое соотношение доноров/акцепторов. Это последняя группа, где могут быть плохие домены.

Давайте разберем все эти группы вместе

Давайте проанализируем все эти группы вместе. На этот раз мы добавим к медианам средства, чтобы увидеть выбросы. Например, у большинства доменов в группе DR 0, а у некоторых — 50. А если он есть, то это покажет среднее значение.

Давайте рассмотрим каждую категорию:

• ДР < 10. По среднему количеству ключей Это видели, что среди доменов с DR есть домены, ранжированные в Google по большому количеству ключевых слов. Поэтому я бы не стал отказываться от всей этой категории.

• связанные домены/ссылка. > 7.42. Здесь среднее количество ключей еще выше, т.е. есть домены, которые ранжируются достаточно хорошо. Средний DR выше медианного. Это означает, что есть области с хорошим DR. Здесь у меня тоже есть хорошие районы.

• Ключевые слова = 0. Средний DR — почти 10. Это означает, что некоторые домены теоретически могут обеспечить нормальный ссылочный вес. А в остальном здесь все плохо.

• ДР < 10,01 è domaines liés/réf. > 7.42 → Ключевые слова = 0. Здесь Даже по средним показателям все плохо. Домены этой группы являются идеальными кандидатами на дезавуирование ссылок в GSC.

Результаты

В результате анализа получаем группу с областями, которые можно отбраковать. Попросим chatGPT составить нам список доменов. Мы скачиваем их и можем загрузить в GSC.

Такой анализ можно выполнить вручную на Python без ИИ. А вот с ChatGPT все гораздо проще! Плагин сам пишет код и исправляет ошибки в коде, если они возникают. При желании вы можете провести такие анализы для младших специалистов, поскольку чатGPT выполняет часть работы сам.

Полезные ссылки:

Обязательно интегрируйте ChatGPT и Data Analyst в свой арсенал!

Спасибо за прочтение! Буду признателен, если вы подпишетесь на мою Канал ТГ. Там я делюсь вариантами использования ChatGPT, SEO-кейсами и анализами, которые меня заинтересовали.