“Ý định người dùng bị phân mảnh” mô tả các từ khóa có nhiều ý định tìm kiếm khác nhau. Bài viết này sẽ giải thích cách tạo một mô hình để theo dõi và hiểu rõ hiện tượng này.
Hầu hết các công việc SEO hiện nay đều liên quan đến ý định người dùng: từ nội dung, SERP Features (các tính năng hiển thị trên trang kết quả tìm kiếm), đến tối ưu hóa cho thiết bị di động. Ý định là yếu tố không thể bỏ qua. Nếu bạn không đáp ứng được ý định của người dùng, thì bạn sẽ không có thứ hạng cao.
Quay lại tháng 7 năm 2019, khi tôi vừa xuất bản bài viết User Intent Mapping on Steroids vào tháng 3 và Google lại một lần nữa cập nhật Quality Rater Guidelines (Hướng dẫn Đánh giá Chất lượng), và từ đó đã cập nhật thêm nhiều lần nữa.
Trong lần cập nhật này, họ đã thêm một phần về “những truy vấn có nhiều ý nghĩa” (queries with multiple meanings).
“Nhiều truy vấn có nhiều ý nghĩa khác nhau. Ví dụ, truy vấn [apple] có thể ám chỉ thương hiệu máy tính hoặc quả táo. Chúng ta sẽ gọi những ý nghĩa tiềm năng này là các diễn giải của truy vấn (query interpretations).” — Google Quality Rater Guidelines
Tôi đọc qua những dòng này và ngay lập tức nhận ra rằng mô hình của mình cần phải được cập nhật, nhưng chúng tôi vẫn chưa sẵn sàng. Nhiều công cụ chưa cung cấp đủ dữ liệu cần thiết để phân tích các truy vấn có nhiều ý nghĩa, hay như cách tôi gọi là ý định người dùng bị phân mảnh.
Nhảy vọt đến thời điểm hiện tại. Dù các công cụ vẫn chưa hoàn toàn giải mã được ý định phân mảnh cho từ khóa, tôi đã có thể xây dựng một mô hình với những gì chúng ta hiện có. Hai năm sau, tôi mang đến cho các bạn phần tiếp theo của User Intent Mapping on Steroids!
Nhưng trước hết, chúng ta cần nhìn lại và tập trung vào một vấn đề phổ quát trong SEO: sự mâu thuẫn giữa khối lượng tìm kiếm (search volume) và mức độ cạnh tranh của từ khóa.
Mối quan hệ giữa khối lượng tìm kiếm, độ cạnh tranh, độ dài của truy vấn và ý định
Có một mối quan hệ trực tiếp giữa khối lượng tìm kiếm của một từ khóa và mức độ cạnh tranh của nó. Điều này hoàn toàn hợp lý; miếng bánh càng lớn thì càng có nhiều người muốn chia phần.
Mập mờ – một vấn đề cũ với giải pháp mới
“Truy vấn mập mờ” (ambiguous queries) là những từ khóa không có ý nghĩa rõ ràng hoặc đơn lẻ (được nhắc đến như “các truy vấn có nhiều ý nghĩa” trong Quality Rater Guidelines). Tôi thích thuật ngữ “phân mảnh” hơn và sẽ dùng thuật ngữ FQI (Fragmented Query Intent) để mô tả một từ khóa có nhiều ý nghĩa.
Tuy nhiên, ý nghĩa không phải là thứ bất biến. Ý định người dùng cũng vậy. Nó có thể không rõ ràng ngay từ đầu, có thể đa chiều, và cũng có thể thay đổi theo thời gian. Vì vậy, độ mập mờ của ý định không phải là một dạng nhị phân (binary) mà là một dải liên tục (linear).
Mức độ mập mờ
Từ khóa có thể trở nên ít hay nhiều mập mờ hơn, tùy thuộc vào thời gian, sự thay đổi ý nghĩa do các sự kiện diễn ra, và mức độ hiểu biết của Google về nó.
Google đang đối mặt với một thách thức lớn: ~15% các truy vấn mỗi ngày là hoàn toàn mới. Họ đã tạo ra những công nghệ như RankBrain để nhanh chóng hiểu được ý nghĩa của các truy vấn mới này. Đôi khi, truy vấn mang tính cụ thể hơn, đôi khi lại mập mờ hơn. Truy vấn càng cụ thể thì Google càng dễ đưa ra kết quả đúng ngay từ đầu, vì nó ám chỉ một ý định rõ ràng.
Kết quả tìm kiếm cho một số từ khóa có thể biến động – đặc biệt là khi chúng đến từ các loại trang web khác nhau, ví dụ như trang tin tức, marketplace hay cửa hàng thương mại điện tử – có thể cho thấy độ mập mờ của từ khóa đó, có thể do sự kiện đang diễn ra hoặc Google hiểu rõ hơn về ý định của người dùng.
Ví dụ: một truy vấn như “Wuhan” sẽ thay đổi ý định chủ yếu từ việc tìm hiểu về một thành phố (màu xanh trong hình minh họa dưới đây) sang cập nhật thông tin về sự bùng phát dịch COVID-19 (màu vàng).
Một ví dụ khác về một truy vấn có ý định rõ ràng nhưng trở nên mập mờ theo thời điểm là “Independence Day” (Ngày Độc Lập). Ý định chính thường là tìm thông tin về bộ phim nổi tiếng với Will Smith và Jeff Goldblum. Nhưng vào khoảng ngày 4 tháng 7, ý định này thay đổi thành tìm kiếm về kỳ nghỉ lễ Quốc khánh Hoa Kỳ.
Để giúp người dùng tinh chỉnh tìm kiếm của họ, Google sử dụng “Query-Refinement Bubbles” (Bong bóng Tinh chỉnh Truy vấn) trên các thiết bị di động. Tính năng này lần đầu tiên xuất hiện vào năm 2018 và dường như ngày càng xuất hiện nhiều hơn. Tôi cho rằng Google sử dụng chúng để theo dõi các ý định chủ đạo, phổ biến và phụ cho các truy vấn mập mờ theo thời gian.
Mô hình fqi và ý nghĩa đối với seo
Khi bạn đo lường ý định người dùng bị phân mảnh, bạn sẽ thấy rằng:
- Khối lượng tìm kiếm càng lớn, độ cạnh tranh càng cao.
- Truy vấn càng ngắn, khối lượng tìm kiếm càng lớn.
- Khối lượng tìm kiếm càng lớn, độ mập mờ càng cao.
Do mối quan hệ trực tiếp giữa khối lượng tìm kiếm, độ cạnh tranh và độ mập mờ, chúng ta có thể sử dụng các chỉ số từ khóa kết hợp với SERP Features để theo dõi và hiểu được ý định của Google đối với một từ khóa, kể cả đối với ý định người dùng bị phân mảnh.
Việc hiểu và đo lường ý định người dùng bị phân mảnh là rất quan trọng. Các từ khóa có khối lượng tìm kiếm và độ cạnh tranh cao thường có ý định bị phân mảnh và, kết quả là, sẽ xuất hiện nhiều SERP Features hơn do Google cố gắng đáp ứng nhiều loại ý định khác nhau.
Sự khác biệt trong cách người dùng quét qua kết quả tìm kiếm cũng đã thay đổi đáng kể so với 10 năm trước. Nội dung không có quá nhiều chi tiết (như Wikipedia) vẫn được quét theo dạng chữ F (F-pattern). Tuy nhiên, đối với các kết quả tìm kiếm hiện đại chứa nhiều ý định bị phân mảnh, người dùng thường quét theo kiểu Pinball Pattern (hình quả bóng nảy), khi họ nhanh chóng di chuyển ánh nhìn đến những thông tin không tuần tự trên SERP.
Mô hình theo dõi ý định người dùng bị phân mảnh (fqi)
Dưới đây là các bước để xây dựng một mô hình FQI của riêng bạn và ứng dụng nó trong quá trình tối ưu hóa từ khóa:
- Thu thập dữ liệu từ công cụ theo dõi thứ hạng (như Ahrefs, Moz, SEMrush). Lọc theo top 10 từ khóa và khối lượng tìm kiếm > 10, loại bỏ các từ khóa có thương hiệu.
- Nhập dữ liệu vào Google Sheets hoặc Excel.
- Phân chia cột SERP Features theo từng tính năng cụ thể, sau đó đếm số lượng tính năng xuất hiện trên mỗi dòng.
- Tạo cột mới và chia số lượng tính năng này cho 10 để tính ra chỉ số “SERP Feature Degree”.
- Tùy chỉnh mô hình để theo dõi sự thay đổi của SERP Features theo thời gian, từ đó bạn có thể nhận biết các cơ hội trong việc tối ưu hóa và phản ánh đúng ý định người dùng.
Mô hình này giúp bạn có cái nhìn sâu sắc hơn về ý định người dùng bị phân mảnh và có thể linh hoạt điều chỉnh chiến lược SEO để đáp ứng những thay đổi trong cách Google hiển thị kết quả tìm kiếm.
Tại sao việc đo lường ý định người dùng bị phân mảnh lại quan trọng?
Các từ khóa có khối lượng tìm kiếm cao và mức độ cạnh tranh lớn chính là “mỏ vàng” mà mọi người đều nhắm tới. Chúng thường có ý định bị phân mảnh, dẫn đến việc Google hiển thị nhiều SERP Features hơn để trả lời trực tiếp nhiều truy vấn khác nhau. Tôi đã giải thích điều này trong bài viết Google is a Victim of Its Own Success (Google là nạn nhân của chính thành công của mình).
Một hệ quả thứ cấp của xu hướng này là cách người dùng quét qua các kết quả tìm kiếm đã thay đổi đáng kể so với 10 năm trước. Nội dung chỉ có văn bản, không quá phức tạp (như Wikipedia), vẫn được người dùng quét theo mô hình chữ F (F-shaped pattern). Nhưng đối với những kết quả tìm kiếm chứa nhiều loại thông tin hơn, đặc biệt là với những ý định bị phân mảnh, người dùng thường quét theo mô hình Pinball Pattern (quả bóng nảy). Lúc này, ánh nhìn của họ sẽ di chuyển liên tục và không theo thứ tự cụ thể vì có quá nhiều thông tin trên trang SERP: thẻ thông tin, carousel (dạng cuộn ngang), hình ảnh, video, v.v. Trên thực tế, các tính năng SERP đã chiếm tới 74% sự chú ý của người dùng trong nghiên cứu theo dõi ánh mắt của Nielsen Group với gần 500 truy vấn.
Kết quả là đường cong nhấp chuột (click-curve) cũng phẳng hơn. Các kết quả đầu tiên nhận được ít nhấp chuột hơn, trong khi các kết quả ở vị trí thấp hơn lại có nhiều nhấp chuột hơn. Mức độ ảnh hưởng này thay đổi tùy vào từng trường hợp, đó là lý do vì sao mô hình của tôi có thêm chỉ số “mức độ hiển thị của SERP Features”.
Mô hình giúp hiểu và theo dõi ý định người dùng bị phân mảnh
Mô hình mà tôi tạo ra giúp chúng ta:
- Đo lường mức độ hiển thị của SERP Features, nhằm xác định mức độ rõ ràng hay không rõ ràng của ý định tìm kiếm.
- Theo dõi chỉ số FQI theo thời gian để hiểu sự ảnh hưởng của nó lên các từ khóa liên quan.
- Xác định FQI ở quy mô lớn.
- Tìm kiếm cơ hội dựa trên việc Google hiển thị tính năng SERP nào đó có phù hợp với nội dung của bạn hay không.
Mô hình tóm lược
Trong bài viết User Intent Mapping on Steroids, tôi đã giải thích cách chúng ta có thể xem xét các SERP Features để phân tích ngược lại ý định của người dùng. Quy trình suy nghĩ khá đơn giản:
- Google muốn thỏa mãn người tìm kiếm bằng cách tốt nhất có thể.
- Họ thực hiện điều này bằng cách sử dụng SERP Features để cung cấp câu trả lời nhanh hơn cả kết quả tìm kiếm tự nhiên.
- Chúng ta có thể phân loại SERP Features theo từng ý định của người dùng.
- Các công cụ SEO theo dõi SERP Features theo từng từ khóa.
- Với một bảng dữ liệu đơn giản, chúng ta có thể kết nối ý định của người dùng với các SERP Features và từ đó liên kết với từ khóa.
Ở quy mô lớn, điều này cung cấp một mô hình đáng tin cậy để tối ưu hóa nội dung.
Cách xây dựng mô hình fqi của riêng bạn
Bạn không cần quá nhiều công cụ để xây dựng mô hình FQI. Bạn có thể sử dụng bất kỳ công cụ theo dõi thứ hạng nào (như AHREFS, Moz, STAT, SEMrush) để theo dõi SERP Features cho mô hình này. Google Sheets là một lựa chọn đơn giản, nhưng nếu làm việc với lượng dữ liệu lớn thì Excel là một lựa chọn tốt hơn do có nhiều tính năng hơn.
Trước khi bắt đầu, bạn cần xác định các tính năng SERP và gán chúng với từng ý định người dùng. Đây là định nghĩa và cách phân loại của riêng tôi về ý định người dùng. Hãy thoải mái tùy chỉnh mô hình này theo cách bạn cho là phù hợp. Trong một số trường hợp, ý định người dùng khá rõ ràng, nhưng cũng có khi có nhiều cách để liên kết ý định với một SERP Feature nhất định. Google có thể hiển thị cùng một SERP Feature để đáp ứng nhiều ý định khác nhau, ví dụ như “Top Stories” (Tin tức nổi bật).
Quy trình xây dựng mô hình
- Lấy dữ liệu SERP Features theo từng từ khóa từ công cụ theo dõi thứ hạng mà bạn lựa chọn. Trước khi xuất dữ liệu, lọc theo top 10 từ khóa, khối lượng tìm kiếm > 10, và loại bỏ các từ khóa có thương hiệu.
- Nhập dữ liệu vào bảng tính Excel hoặc Google Sheets.
- Tách các cột tính năng SERP theo từng tính năng cụ thể, sau đó đếm số lượng tính năng xuất hiện trên mỗi dòng.
- Tạo một cột mới bên cạnh và chia số lượng tính năng này cho 10 để tính ra chỉ số “SERP Feature Degree”. Đây là một công thức đơn giản, ví dụ: =Y2/10 (nếu cột Y là cột “Count”).
- Tạo một tab mới và gọi nó là “serp-features”.
- Sao chép và dán bảng phân loại SERP Features của tôi vào tab “serp-features” (bắt đầu từ ô A1).
- Đảm bảo rằng tên trong cột SERP Features trên tab đầu tiên khớp với tên SERP Features trong bảng phân loại của tôi trên tab “serp-features”.
- Quay lại tab đầu tiên và tạo 14 cột mới bên phải của cột “SERP Feature degree” (mỗi cột đại diện cho một SERP Feature).
- Trong các cột mới này, sử dụng công thức =ARRAYFORMULA(SUM(N(REGEXMATCH(G1:O2, ‘serp-features’!$B$1:$B$2)))) để kiểm tra xem từng SERP Feature có xuất hiện không.
- Bây giờ, bạn có thể lấy trung bình của mỗi cột để hiểu ý định nào xuất hiện nhiều nhất đối với tập từ khóa của bạn (dùng công thức =average(x:y)).
- (Tùy chọn) So sánh dữ liệu giữa các tháng khác nhau để theo dõi sự thay đổi của SERP Features và ý định người dùng theo thời gian.
Vậy là bạn đã có mô hình FQI của riêng mình.
Điều chỉnh mô hình fqi để phù hợp với trình theo dõi thứ hạng của bạn
Để tùy chỉnh mô hình FQI tốt nhất cho riêng bạn, cần hiểu rõ cách công cụ theo dõi thứ hạng báo cáo về các tính năng SERP.
Dưới đây là tài liệu hướng dẫn của bốn công cụ SEO phổ biến:
- SEMrush
- AHREFS
- STAT
- Moz
Tôi cũng đã tạo một bảng tổng quan về cách đặt tên trong mỗi công cụ. Điều này rất quan trọng để bạn có thể đối chiếu tên gọi trong các công cụ với định nghĩa về ý định người dùng mà tôi đã nêu trên, hoặc bạn có thể định nghĩa ý định riêng của mình.
Bước tiếp theo: điều chỉnh cho cú pháp truy vấn (query syntax)
Chúng ta đang ở thời điểm mà chúng ta có thể theo dõi nhiều SERP Features hơn và hiểu được cách mà ý định người dùng bị phân mảnh thay đổi theo thời gian. Vậy còn điều gì để làm tiếp theo?
Có một lớp phức tạp khác: cú pháp truy vấn. Đặc biệt với các trang web có lượng thông tin lớn và dạng inventory-driven (dựa vào danh mục sản phẩm), cú pháp truy vấn nên là một phần không thể thiếu trong việc điều hướng chiến lược từ khóa và tối ưu hóa kỹ thuật.
Trong nội dung tương lai, tôi sẽ giải thích cách xác định cú pháp truy vấn, mở rộng nó, và áp dụng mô hình FQI cho cú pháp truy vấn một cách hiệu quả.
