独立站SEO需要哪些行为数据来改善用户的搜索体验？

2025 年已经快结束了，SEO 已经多次更名，以适应大型语言模型(LLM) 兴起带来的优化挑战：我们看到了 GEO（生成式引擎优化）、AEO（答案引擎优化），甚至 LEO（LLM 引擎优化）也出现在行业讨论和职位名称中。

然而，当我们都在忙着寻找新的术语来将机器部分纳入发现之旅时，等式中还有另一个人我们可能会忘记：那就是我们努力的最终受益者——用户。

为什么搜索中需要行为数据？

行为数据对于了解用户如何进行搜索、在哪里进行搜索以及可能阻碍转化操作的潜在摩擦点至关重要，以便我们更好地满足他们的需求。

如果我们从谷歌审判泄露的文件中学到了什么，那就是用户信号实际上可能是影响排名的众多因素之一，这一点从未得到该公司发言人的完全证实，但马克·威廉姆斯-库克在对谷歌漏洞和专利的分析中也发现了这一点。

随着搜索变得越来越个性化，用户数据也变得越来越不透明，因为简单的搜索查询正在扩展到 LLM 上的完整漏斗对话，因此重要的是要记住——虽然个人需求和体验可能更难分离和满足——但一般的行为模式往往会在同一人群中保持不变，我们可以使用一些经验法则来确保基本正确。

人类即使在探索过程中，也常常遵循一些旨在节约能源和资源的基本原则：

• 尽量减少付出：选择阻力最小的路径。
• 减少伤害：避免威胁。
• 最大化收益：寻找能够带来最大利益或回报的机会。

因此，尽管谷歌和其他搜索渠道可能会改变我们对日常工作的看法，但我们可以用来确保品牌在未来保持自然影响力的秘密武器是收集一些关于用户行为的数据，因为一般来说，用户行为比算法变化更容易预测。

你需要哪些行为数据来改进搜索体验？

我会将范围缩小到涵盖以下三个主要领域的数据：发现渠道指标、内置的思维捷径和用户的潜在需求。

1. 探索频道指标

在谷歌上发起搜索的日子早已一去不复返了。

根据谷歌的“混乱的中间地带”研究，信息的指数级增长和新渠道的出现，已经导致我们的搜索行为从线性搜索转变为探索和评估的循环，从而指导我们的购买决策。

如今，用户可以通过海量的渠道来了解产品或品牌，因此，从海量信息中筛选出真正有价值的内容也变得更加困难。所以，通过深入了解用户，我们可以确保我们的策略在内容和形式上都更加精准有效。

探索频道指标为我们提供以下信息：

• 用户如何通过传统搜索渠道以外的方式找到我们。
• 我们在特定渠道上触达的目标受众群体。
• 他们的搜索动机是什么？他们最常关注的内容是什么？
• 选择最适合吸引和保持他们注意力的内容和形式。

例如，我们知道，TikTok 用户倾向于从中汲取灵感，并通过用户生成内容 (UGC) 来验证自身经历；而 Z 世代和千禧一代在社交应用上对传统广告越来越持怀疑态度（根据 Bulbshare 的一份报告，他们的广告跳过率高达99%）。他们更青睐真实的声音，因此会在 Reddit 等在线社区中寻找第一手经验分享。

了解用户通过哪些不同的渠道联系我们，可以为自然搜索和付费搜索策略提供信息，同时也能为我们提供一些关于受众人口统计数据的信息，帮助我们吸引那些原本难以触及的用户。

因此，务必确保您的渠道数据已进行映射，以反映这些新的发现渠道，尤其是在您依赖自定义分析的情况下。这不仅能确保您获得应得的自然流量收益，还能揭示您可以着力挖掘的潜在增长点，因为搜索的可追踪性越来越低。

您应该可以通过您选择的分析平台中的推荐和来源字段轻松获取这些数据，您还可以为完成交易的用户集成“您是如何得知我们的”调查。

别忘了语言模型：随着近期直接在语言模型 (LLM) 上发起搜索并完成操作的查询数量激增，追踪所有搜索路径变得更加困难。这改变了我们以往的目标，即每次只针对一个特定查询提供相关性，而是力求覆盖我们所能触及的每一个意图。

当我们意识到一切都会影响查询的交易能力时，这一点就显得更加重要了，无论搜索意图传统上是如何标记的，因为有人可能会决定评估我们的产品，然后由于缺乏足够的品牌信息而放弃。

2. 内置的思维捷径

人脑是一个不可思议的器官，它使我们能够每天高效地完成许多任务，但其认知资源并非无限的。

这意味着，当我们进行搜索时（一天中可能要进行多次搜索），同时还要处理其他任务，我们无法将所有精力都投入到从无限的可能性中找到最完美的结果上。这就是为什么我们的注意力和决策过程常常受到认知偏差和启发式等内在心理捷径的调节。

这些术语有时被互换使用，用来指代不完美但有效的决策，但两者之间存在区别。

认知偏差

认知偏差是指系统性的、大多无意识的思维错误，它们会影响我们感知周围世界和形成判断的方式。认知偏差会扭曲经验的客观现实，也会影响我们被说服采取某种行动的方式。

一个常见的例子是序列位置效应，它由两种认知偏差构成：当我们看到一系列项目时，我们往往更容易记住最先看到的项目（首因效应）和最后看到的项目（近因效应）。由于认知负荷对注意力构成真正的威胁，尤其是在我们生活在24小时不间断信息刺激的时代，因此，如果页面上有很多选项或内容，建议优先展示核心信息、产品或项目，这正是首因效应和近因效应的体现。

首因效应和近因效应不仅影响我们对列表的回忆，还决定了我们用来比较所有备选方案的参照物。这种效应被称为锚定效应，在用户体验设计中，它被用来为我们看到的第一个选项赋予一个基准值，这样，任何与之比较的选项都会被我们感知为更好或更差，这取决于商家的目标。

除此之外，一些最常见的偏见包括：

• 距离和大小效应：随着数字数量的增加，人类越来越难以做出准确的判断，因此一些策略建议在储蓄中使用较大的数字，而不是相同值的分数。
• 消极偏见：我们倾向于记住消极的经历，并赋予消极的经历比积极的经历更多的情感价值，这就是为什么在任何阶段消除摩擦对于防止客户流失都非常重要。
• 确认偏差：我们倾向于寻找并偏爱能够证实我们现有信念的信息，这不仅是LLMs提供查询答案的方式，而且还可以让我们了解可能需要弥补的信息差距。

启发式方法

另一方面，启发式方法是我们在决策的任何阶段都可以使用的快捷方式，它可以帮助我们在不费力分析选择的每一个潜在后果的情况下，取得好的结果。

众所周知的一种启发式方法是熟悉性启发式，即当我们选择已经熟悉的品牌或产品时，因为它减少了我们对未知替代品进行的其他所有中间评估。

损失厌恶是另一种常见的启发式方法，它表明，平均而言，我们更倾向于在收益相近的两个选项中选择风险最小的那个，即使这意味着我们可能会错过折扣或短期利益。损失厌恶的一个例子是，我们会选择支付额外费用来保障旅行，或者更喜欢可以退货的产品。

偏见和启发式方法有 150 多种，所以这并不是一个详尽的列表——但总的来说，熟悉用户中最常见的偏见和启发式方法有助于我们为他们提供更顺畅的体验。

隔离搜索中的偏差和启发式方法

下面你可以看到，一些查询已经能够揭示出可能影响搜索任务的微妙偏见。

偏见/启发式	示例查询
确认偏差	• [品牌/产品] 是否最适合此 [使用场景]？ • 此 [品牌/产品/服务] 是否优于 [替代品牌/产品/服务]？ • 为什么 [此服务] 比 [替代服务] 更高效？
熟悉度启发式	• [品牌] 的总部在 [国家/地区] 吗？ • [品牌] 的总部在哪里 ？ • 我可以在 [国家/地区] 的哪里找到 [产品]？
损失厌恶	• [品牌] 是正品吗？ • [品牌] 退货政策 • 免费 [服务]
社会认同	• 最受欢迎的[产品/品牌] • 最佳[产品/品牌]

您可以使用正则表达式直接在 Google Search Console 中筛选出其中一些模式和修饰符，或者您可以探索其他查询工具，例如AlsoAsked。

如果您正在处理大型数据集，我建议使用自定义 LLM 或根据这些规则创建自己的分类和聚类模型，这样更容易发现查询中的趋势并确定优先级。

这些观察结果也将为你打开一扇通往下一个重要领域的窗口。

3. 用户潜在需求

虽然偏见和启发式方法可能会在特定任务中表现出暂时的需求，但行为数据能够带给我们的最有益的方面之一是驱动初始查询并指导所有后续行动的需求。

潜在需求不仅能从查询集群中显现出来，还能从发现和评估循环中使用的渠道中显现出来。

例如，如果我们根据搜索查询发现用户对损失的厌恶情绪非常强烈，同时产品或品牌的用户生成内容视频转化率低、流量高，我们可以推断：

• 用户需要对其投资感到放心。
• 单凭我们网站上的信息不足以满足这一需求。

信任是影响决策的重要因素，也是品牌常常低估并忽视的需求之一，因为他们往往认为自己的合法性是理所当然的。

然而，有时我们需要退后一步，站在用户的角度思考问题，才能从他们的角度以全新的视角看待一切。

通过将偏见和启发式方法与特定用户的需求联系起来，我们可以规划超越纯粹 SEO 的跨职能举措，这些举措将有利于从搜索到转化和留存的整个过程。

如何获取行为数据以获得可操作的洞察？

在搜索引擎优化（SEO）中，我们习惯于处理大量的定量数据来了解渠道上的情况。然而，通过定性指标，我们还能发现更多信息，从而帮助我们找出问题背后的原因。

定量数据是指可以用数字表示的任何数据：例如页面停留时间、会话数、放弃率、平均订单价值等等。

可以帮助我们提取定量行为数据的工具包括：

• Google Search Console 和 Google Merchant Center：非常适合获取点击率 (CTR) 等高级数据，可以标记用户意图与所投放的页面或广告系列之间的不匹配情况，以及内容蚕食和本地化错误或缺失的情况。
• 无论是 Google Analytics 还是您品牌依赖的任何自定义分析平台，这些工具都能提供用户互动指标信息，并能精准定位用户旅程自然流程中的问题以及用户放弃购买的节点。我的建议是，除了默认的互动指标（例如注册表单点击或添加到购物车）之外，还应设置一些根据您的具体目标量身定制的自定义事件。
• 热图和眼动追踪数据：这两项数据都能帮助我们深入了解网站的视觉层级和用户注意力模式。像 Microsoft Clarity 这样的热图工具可以显示点击、鼠标滚动和位置数据，不仅能揭示哪些区域可能没有获得足够的关注，还能发现哪些元素实际上效果不佳。眼动追踪数据（注视持续时间和次数、扫视和扫描路径）则整合了这些信息，显示哪些元素吸引了用户的视觉注意力，以及哪些元素经常被忽略。

另一方面，定性数据无法用数字表示，因为它通常依赖于观察。例如，访谈、启发式评估和实时会话录像都属于定性数据。这类研究通常比定量研究更容易产生歧义，但对于确保我们全面了解用户旅程至关重要。

可用于搜索的定性数据可以从以下来源提取：

• 调查和客户体验日志：这些可以揭示回头客和新客户常见的痛点和摩擦点，从而指导改进信息传递和新页面开发。
• 从 Reddit、Trustpilot和在线社区对话中抓取数据：这些数据与调查结果类似，但分析范围扩大到我们尚未获取的用户，从而分析阻碍因素并促成转化。
• 实时用户测试：这是可扩展性最差但有时回报最高的选择，因为它可以减少对定量数据的所有推断，尤其是在将它们结合起来时（例如，可以将实时会话与眼动追踪相结合，并在稍后阶段通过回顾性思考法或 RTA 由用户进行叙述）。

人工智能时代的行为数据

过去一年，我们这个行业在两件事上做得特别出色：一是把人工智能渲染成会取代我们的敌人，二是大肆渲染它的重大失败。虽然不可否认，人工智能仍然存在巨大的局限性，但拥有人工智能也带来了前所未有的好处：

• 我们可以利用人工智能轻松整合大型行为数据集，并挖掘出能够产生影响的可操作因素。
• 即使我们没有太多数据，我们也可以根据我们自己的样本或公开的样本训练我们自己的合成数据集，以发现现有模式并及时响应用户需求。
• 我们可以生成预测结果，并主动用于新的举措，从而保持领先地位。

如何利用行为数据来改善搜索体验？

首先，创建一系列动态仪表盘，其中包含您可以针对我们讨论的三个领域（发现渠道指标、内置思维捷径和用户潜在需求）获取的各项指标。这将帮助您快速发现行为趋势，并收集能够让用户在每一步都获得更流畅体验的行动方案，因为如今的搜索已不再局限于网站内的点击操作。

一旦你对每个领域有了新的认识，就根据预期的业务影响和实施所需的工作量来确定行动的优先级。

请记住，行为洞察通常可以应用于网站或企业的多个部分，从而最大限度地提高跨多个渠道的回报。

最后，要与产品和用户体验团队建立定期沟通机制。即使你的职位让你专注于搜索领域，业务成功往往与渠道无关。这意味着我们不应只关注表面症状（例如，页面流量低），而应精心打造完整的用户体验流程。正因如此，我们才不希望各自为政，在搜索这个小小的孤岛上孤立工作。

用户会感谢你，算法也可能会随之改进。

来源：每日学点SEO