Deux mots-clés appartiennent à la même page quand le moteur y répond déjà avec le même ensemble de résultats. C’est toute l’idée, et presque tous les outils de clustering conçus avant 2021 l’ont ignorée au profit de quelque chose de plus facile à calculer : la ressemblance entre les deux chaînes de caractères.
La similarité lexicale est rapide, gratuite, et fausse assez souvent pour coûter cher.
Où le regroupement lexical échoue
Prenez « audit seo » et « checklist audit seo ». Quatre-vingt-dix pour cent de caractères communs, sujet manifestement identique, on regroupe. Regardez maintenant les résultats. Le premier renvoie des pages de service d’agence et des pages produit d’outils. Le second renvoie des checklists téléchargeables et de longs articles à étapes numérotées. Intention différente, type de page différent, et si vous fusionnez vous écrirez une page qui satisfait à moitié les deux et ne se classe pour aucune.
Prenez maintenant « pourquoi mon trafic a chuté » et « récupérer après une core update ». Presque aucun caractère en commun. Les résultats sont quasiment identiques. Deux pages ici, c’est une page de trop, et la seconde cannibalisera discrètement la première.
Le clustering lexical se trompe dans les deux cas, ce qui est le pire mode de défaillance possible : il sépare ce qu’il faut réunir et réunit ce qu’il faut séparer.
Comment fonctionne le clustering par recouvrement
La méthode est peu spectaculaire et elle fonctionne.
- Collecter les dix premiers résultats de chaque mot-clé de l’ensemble.
- Pour chaque paire de mots-clés, compter les URL présentes dans les deux listes.
- Tracer une arête entre deux mots-clés quand ce compte atteint votre seuil.
- Traiter chaque composante connexe du graphe obtenu comme un cluster, donc comme une page.
Le seuil est le seul arbitrage. Trois URL communes sur dix est la valeur par défaut la plus répandue. Quatre est plus strict et produit des clusters plus nombreux et plus serrés, ce qui convient à un site qui a de l’autorité à dépenser. Deux est plus lâche et convient à un site jeune, qui a besoin de pages moins nombreuses et plus larges pour concentrer ses liens.
Ce que les gens ratent
Les composantes connexes s’enchaînent. Si A recouvre B et que B recouvre C, alors A, B et C atterrissent dans le même cluster même si A et C ne partagent rien. Sur un ensemble de deux mille mots-clés, cela produit un bloc énorme et une longue traîne de cas isolés, et l’on en conclut que la méthode est cassée.
Elle n’est pas cassée, elle est mal spécifiée. Deux correctifs, tous deux peu coûteux. Monter le seuil jusqu’à ce que la composante géante se scinde. Ou passer des composantes connexes à une vraie détection de communautés, qui résiste à l’enchaînement parce qu’elle optimise la densité interne du groupe plutôt que la simple connexité.
Ce que vous en tirez
Une carte de clusters répond à des questions qu’une liste de mots-clés ne peut pas traiter. De combien de pages ce sujet a-t-il réellement besoin ? Quelles deux pages existantes se disputent les mêmes résultats et devraient fusionner ? Quel cluster a du volume, une intention que nous savons servir, et personne pour le défendre sérieusement ?
Cette dernière question est tout le métier. Ce qui la précède n’est que de l’arithmétique.
Une réserve utile
Les résultats bougent. Une carte construite en janvier décrit janvier. Reconstruisez-la chaque trimestre, et immédiatement après une core update : les paires qui ont cessé de se recouvrir sont le signal le plus clair que vous obtiendrez sur ce dont le moteur a changé d’avis.