SEO A/B test FAQPage Structured Data

Met een SEO A/B test of split test kun je SEO optimalisaties (gesegmenteerd) valideren, zodat je de bewezen beste variant site-breed kan doorvoeren. Bijvoorbeeld:

• Het optimaliseren van content elementen, zoals headings
• Het optimaliseren van SERP elementen, zoals paginatitels of meta descriptions
• Het toevoegen van contentHet toevoegen van structured data
• De impact van client-side gerenderde vs. server side gerenderde content
• De impact van Web Vitals optimalisatie (site speed)

FAQPage structured data of “FAQ schema” is een van de meest gewilde rich results sinds Google dit is gaan ondersteunen in 2019. Deze vorm van structured data weergeeft vragen en antwoorden direct in de zoekresultaten van Google:

Zoals je ziet, zorgt deze snippet voor een veel groter zoekresultaat. De belangrijkste reden voor SEO’s om FAQPage structured data te gebruiken, is om te proberen hogere click-through rates (CTR) te behalen. Doordat je eigen resultaat meer opvalt en je concurrenten naar beneden duwt in de SERP (vooral op mobiel).

Het is belangrijk om hierbij in acht te nemen dat niet elke optimalisatie even goed werkt voor alle websites. En dat bepaalde optimalisaties voor sommige websites helemaal niet werken. Dit is een van de belangrijkste learnings uit het SEO A/B testen. De enige manier om écht zekerheid te hebben, is door specifiek te testen wat werkt voor jouw website. Bovendien helpt het uitvoeren van een split test bij het opbouwen van een sterke businesscase, waarmee je jouw stakeholders overtuigt en de benodigde veranderingen snel kunt doorvoeren.

Heb je zelf geen toegang tot een professionele split testing tool als SplitSignal van Semrush? Deze blogpost legt stap voor stap uit hoe je zelf een SEO A/B test opzet en analyseert.

Hoe zet je een SEO A/B test op

Bij een SEO test creëer je (minimaal) twee groepen pagina’s met vergelijkbare kenmerken. Vervolgens voer je een SEO-wijziging door in de variant groep en blijft de controlegroep ongewijzigd.

Met de test in dit artikel willen we de effectiviteit meten van het toepassen van FAQPage structured data op de veelgestelde vragen van een website. Een eerste belangrijke stap is het vinden van een geschikte pagina-template om de test op uit te voeren. Denk bijvoorbeeld aan categorie- of productpagina’s met veelgestelde vragen.

Zodra je een lijst hebt met pagina’s die je wil testen, verdeel je deze in twee groepen:

• De controlegroep met daarin de originele pagina’s. Deze wijzigen niet;
• De testgroep (variant) met de testpagina’s waarop de wijzigingen worden doorgevoerd.

SEO A/B testen valt of staat met het samenstellen van de controlegroep en de variant groep. Maak daarom twee groepen pagina’s die representatief zijn voor de totale groep pagina’s met vergelijkbare aantallen in organisch verkeer. De meest betrouwbare en nauwkeurige methode om dit te doen is Stratified sampling. Hiermee zorg je voor twee groepen pagina’s met statistisch vergelijkbare elementen. De train_test_split module uit de scikit-learn library is hierbij een handig hulpmiddel. Je kunt pagina’s splitsen op basis van verschillende waarden, zoals het totale organische verkeer en een dagelijks gemiddelde hiervan. Het is belangrijk dat de uiteindelijke controle- en variant groep beide pagina’s bevatten met veel, gemiddeld en weinig organisch verkeer. Dit is het concept van het doen van een gestratificeerde steekproef. Wanneer je jouw testgroep goed begrijpt, kun je er ook voor kiezen om de twee groepen handmatig samen te stellen.

Genereer dynamische FAQPage structured data

De meest voorkomende reden om een ​​SEO A/B test uit te voeren is om de toegevoegde waarde van een bepaalde wijziging aan te tonen, voordat capaciteit wordt vrijgemaakt voor development- of content wijzigingen.

Voor deze test laten we zien hoe je tools die je tot je beschikking hebt kunt gebruiken om structured data voor je variant groep te implementeren. Denk aan tools als Google TagManager of een ander tagmanagement- of testsysteem waarmee je custom HTML of JavaScript kunt invoegen.

Over naar het opzetten van de test..

Hoogstwaarschijnlijk zul je jouw FAQ’s op een soortgelijke manier hebben opgemaakt als hieronder.

Je kunt een dynamisch structured data script implementeren voor de pagina’s die je wilt testen. Stel je hebt 200 testpagina’s die dezelfde HTML template delen, maar met verschillende veelgestelde vragen per pagina. Je kunt hiervoor met één script snel de gewenste structured data op alle gewenste pagina’s implementeren.

Met slechts 27 regels JavaScript-code kun je een script genereren dat door middel van een forEach loop automatisch vraag- antwoord combinaties voor een betreffende pagina ophaalt en in het structured data script plaatst. Dat script wordt vervolgens in het <head>-gedeelte van het HTML- document geplaatst.

Wijzig de faq_element variabele zodat deze overeenkomt met de container waarin jouw veelgestelde vragen staan. Vervolgens kun je het HTML-element met de vraag en het HTML-element met het antwoord specificeren. Het script haalt vervolgens de juiste vraag- en antwoord combinaties op.

Nadat je jouw wijzigingen hebt aangebracht, test je het script eenvoudig door het script in de console van je browser te plakken.

Door op enter te drukken voer je het script uit. Controleer nu het tabblad “Elements” om te zien of de structured data is toegevoegd aan de <head>-sectie van het HTML-document.

Valideer en controleer ten slotte de HTML met de Schema Markup Validator.

Hier vind je de JavaScript template.

De laatste stap is om het script te activeren op de pagina’s binnen de variant groep. Als je Google TagManager gebruikt, kun je eenvoudig een trigger instellen met een reguliere expressie reeks van URL’s.

Raadpleeg voor meer informatie de documentatie van Google.

Ziet alles er goed uit? Dan kun je doorgaan en je test starten.

Je SEO A/B test analyseren

Om de resultaten van de test te analyseren en valideren gebruiken we de causale inferentie methode. Met deze methode bereken je de impact die een wijziging heeft door een Bayesiaans structureel tijdreeksmodel te construeren. Het model voorspelt de contrafeitelijke respons die zou zijn opgetreden als er geen wijziging had plaatsgevonden. We vergelijken dit met de werkelijke gegevens. Hier vind je de tool.

Deze statistische aanpak geeft inzicht in de werkelijke impact van een SEO-wijziging. Door gebruik te maken van een controlegroep van pagina’s met statistisch vergelijkbare kenmerken. Detecteert het model trends en andere externe invloeden (bijvoorbeeld seizoensinvloeden of een algoritme-update) en is het in staat deze uit de testresultaten te filteren.

Gebruik Google Search Console om de benodigde testdata te verzamelen. Voor zowel de pagina’s in variant- als de controlegroep verzamel je de dagelijkse organische kliks, sessies of vertoningen voor de totale som van de groep pagina’s.

Voor beide groepen heb je minimaal 100 dagen aan historische data nodig (data voordat de test begint), plus alle dagen dat de test actief is. Als je test 21 dagen loopt, heb je dus data nodig van 121 dagen.

Na het uploaden van de testgegevens kun je de startdatum selecteren. In bovenstaand voorbeeld ligt je startdatum op dag 101.

Hieronder zie je een voorbeeld van hoe je de data juist invoert:

Nadat je de data hebt ingevoerd, kun je de analyse uitvoeren. De output van de test ziet er ongeveer zo uit:

Het overzicht biedt informatie over de berekende impact van de SEO-wijziging, het betrouwbaarheidsniveau en het absolute effect op je geteste pagina’s.

Standaard bevat het overzicht twee grafieken. De eerste grafiek toont de gegevens en een contrafeitelijke voorspelling voor de periode nadat de wijziging is doorgevoerd. Elke test heeft een pre-interventie en post-interventie periode. In de pre-interventieperiode wil je een goede fit van het model, wat betekent dat ‘voorspelde klikken’ en ‘werkelijke klikken’ sterk overeen moeten komen. Dit zorgt voor een betrouwbaar model waar je conclusies uit kunt trekken.

De tweede grafiek weergeeft het effect op klikken van dag op dag, wat resulteert in een grafiek van het cumulatieve effect. Wanneer het oranje gearceerde gebied onder (negatief) of boven (positief) de x=0-as presteert, is de test statistisch significant op het gewenste 95% betrouwbaarheidsniveau.

Voor meer informatie over hoe de tool werkt en hoe je de data kunt invoeren, zie de documentatie.

De toegevoegde waarde van SEO A/B testen

SEO A/B testen is cruciaal is om te begrijpen hoe zoekmachines en gebruikers je website beoordelen. Met SEO A/B testen kun je erop vertrouwen dat alle wijzigingen die je doorvoert ook positieve resultaten opleveren. Daarmee voorkom je dat je als organisatie tijd, geld en energie verspilt aan wijzigingen die uiteindelijk geen of slechts een beperkte bijdrage leveren.

De juiste technische oplossing biedt ruimte voor leren door te experimenteren. De meeste organisaties hebben niet de capaciteit om tien optimalisaties per maand uit te voeren, maar wél om tien testen uit te voeren en de meest waardevolle daarvan op de backlog te plaatsen.

Deze blogpost helpt je het concept van SEO A/B testen te begrijpen en is een eerste stap in het verder verkennen van de wereld van statistische SEO-testen. Er zijn eenvoudigere, geavanceerdere en meer geïntegreerde manieren voor het opzetten en analyseren van SEO A/B testen dan uitgelegd in dit artikel. Met een geavanceerdere methode ben je in staat sneller te handelen en meerdere tests uit te voeren in een kort tijdsbestek. Dit versnelt je leerproces aanzienlijk.