SEO

Advanced Linkbuilding: Pitch'in Mutlak En İyi Yayıncıları ve Yazarlarını Nasıl Bulunur?

Son yazımda, ağ görselleştirme araçlarını kullanmanın içerik pazarlaması PR / Outreach stratejisini kitlesel olarak geliştirmenize nasıl yardımcı olabileceğini açıkladım – hangi haber kaynaklarının en büyük sendikalaşma ağlarına sahip olduğunu anlamak, düşük sendikalaşma konusunda yüksek sendika yayınlarına öncelik vermek için sosyal yardım ekibinizi güçlendirir yayınlar. Sonuç? Attığınız içerik çok daha yaygın bağlantı yakalayıcılardan daha fazla zevk alıyor.

Bugün, sizi biraz daha derine götüreceğim – yayınlarınızdaki yayıncı sendikasyon ağlarını daha iyi anlamak için birkaç teknik arayacağız. belirli bir niş. Bu tekniği iki parçaya böldüm:

  • Tek Bir Teknik – Buzzsumo etkileyici verilerini kullanma ve herhangi bir konu hakkında yazılan en etkili gazetecileri bulmak için twitter kazıma
  • Teknik İki – arasındaki derin hikaye sendikaasyon ağlarını ortaya çıkarmak için Gdelt Veri Kümesini Kullanma bağlam içi linkleri kullanan yayıncılar

Neden bunu hiç yapmıyorsunuz

Ölçekli olarak yüksek değerli linkler oluşturmakla ilgileniyorsanız, bu teknikler yadsınamaz bir rekabet avantajı sağlar – yazarların ve haberlerin ne kadar derinlemesine anlamanıza yardımcı olurlar

Fractl'e göre, güçlü haber kancasına sahip veri odaklı içerik öyküleri, içeriği çekici bulabilecek yazarlar ve yayınlar bulmak ve bunları etkin bir şekilde sunmak, sonuçta ROI SEO etkinliğidir. mümkün. Doğru şekilde yapıldığında, bir veya birkaç içerik kampanyasıyla düzinelerce, bazen yüzlerce hatta binlerce yüksek otorite bağlantı oluşturmak tamamen mümkündür.

Dalış yapalım.

Buzzsumo'yu herhangi bir gazeteci etkileyici ağını anlamak için kullanma topic

Öncelikle, topc etkileyicilerinizin konunuz kim olduğunu bulmak istiyorsunuz. Buzzsumo'nun çok kullanışlı bir özelliği “etkileyici” aracıdır. Etkileri sekmesinde bulabilir, ardından şu adımları uygulayabilirsiniz:

  • Yalnızca “Gazeteciler” i seçin. Bu, sonucu yalnızca büyük gazetecilerin gazetecileri ve gazetecileri olduğu bilinen Twitter hesaplarıyla sınırlandırır. Blogcular ve daha düşük otorite yayıncıları dışlanacak.
  • Topikal bir anahtar kelime kullanarak arama yapın. Basitse, bir veya iki arama iyi olmalıdır. Daha karmaşıksa, birkaç ilgili sorgu oluşturun ve hepsinde görünen twitter hesaplarını harmanlayın. Alternatif olarak, sonucunuzu daraltmak için aramada Boole "ve / veya" kullanın. Arama sonuçlarınızın, hedef kriterlerinize mümkün olan en iyi şekilde uyan gazetecileri döndürdüğünden emin olmak çok önemlidir
  • İdeal olarak, en az 100 sonuç almak istersiniz. Dahası, genellikle daha iyidir, sonuçların hedef kriterlerinizi iyi temsil ettiğinden emin olduğunuz sürece,
  • Arama sonucunuzdan memnun kaldığınızda, bir CSV almak için dışa aktar'ı tıklayın.

Bir sonraki adım, tüm bu bilinen gazeteci etkileyicilerin her birini izleyen insanlar – amaç, bu 100 etkileyiciden hangisinin diğer 100'ü en çok etkilediğini anlamaktır. Ek olarak, bu grubun dışındaki insanları da bu 100'ün çoğunun ortak takip ettiği insanları bulmak istiyoruz.

Bunu yapmak için, Github'da bulunan ve bu gazetecilerin her birinin takip ettiği insanları çekmek için kullanışlı bir Twitter kazıyıcı olan Twint'ten faydalandık. . Kazanan verilerimizi kullanarak, sonucu Gephi'de görselleştirmemize izin veren son bir liste hazırladık.

İşte keşfetmeniz için etkileşimli bir sürüm ve işte göründüğü gibi bir ekran görüntüsü:

Bu grafik hangi düğümlerin (etkileyicilerin) en çok Dereceli linklere sahip olduğunu gösterir. Başka bir deyişle: bize medya etkileyicilerimizden en çok hangisinin takip edildiğini söylüyor.

Bunlar en iyi 10 düğüm:

  • Maia Szalavitz (@maiasz) Sinirbilim Gazeteci, Başkan Yardımcısı ve Zaman
  • Radley Balko (@radleybalko) Görüş Gazetecisi, Washington Post
  • Johann Hari (@ johannhari101) New York Kez en çok satan yazar
  • David Kroll (@davidkroll) Serbest çalışan sağlık yazarı, Forbes Heath
  • Max Daly (@Narcomania) Küresel Uyuşturucu Editörü, VICE
  • Dana Milbank (@milbank) Köşe Yazarı, Washington Post
  • Sam Quinones (@ samquinones7), Yazar
  • Felice Freyer (@felicejfreyer), Boston Dünya Muhabiri, Zihinsel Sağlık ve Bağımlılık
  • Jeanne Whalen (@jeannewhalen) Business Reporter, Washington Post
  • Eric Bolling (@ericbolling) Yeni York Times'ın en çok satan yazarı

En etkili kim?

Gephi tarafından verilen “Betweenness Centrality” puanını kullanarak, ağdaki hangi düğümlerin (etkileyicilerin) bilgi aktarma merkezi olarak hareket ettiğini kaba bir şekilde anlıyoruz. En yüksek “Betweenness Centrality” sahibi olanlar ağın “bağlayıcıları” olarak düşünülebilir. Bunlar en iyi 10 etkileyici:

  • Maia Szalavitz (@maiasz) Sinirbilim Gazeteci Yardımcısı ve Zaman
  • David Kroll (@davidkroll) Serbest sağlık yazarlığı, Forbes Heath
  • Jeanne Whalen (@jeannewhalen) Business Reporter, Washington Post
  • Travis Lupick (@tlupick), Gazeteci, Yazar
  • Johann Hari (@ johannhari101) New York Times'ın en çok satan yazarı
  • Radley Balko (@radleybalko) Fikir gazetecisi, Washington Post
  • Sam Quinones (@ samquinones7), Yazar
  • Eric Bolling (@ericbolling) New York Times'ın en çok satan yazarı
  • Dana Milbank (@milbank) Köşe Yazarı, Washington Post
  • Mike Riggs (@mikeriggs) Yazar ve Editör, Reason Mag

@maiasz, @davidkroll ve @ johannhari101 göze çarpıyor. "Derece" ve "Betweenness Centrality" de kazananlar arasında önemli bir örtüşme var, ancak yine de oldukça farklılar.

Başka neler öğrenebiliriz?

Görselleştirmenin ortasındaki en büyük düğümlerin çoğu vardır. Bu görünümdeki düğümler "Derece" olarak boyutlandırılmıştır. Büyük, merkezi konumdaki düğümler, orantısız bir şekilde grafiğin diğer üyeleri tarafından takip edilmekte ve tahtanın genelinde (diğer etkili düğümlerin çoğundan) popülerlikten faydalanmaktadır. Bunlar genellikle herkes tarafından takip edilen gazetecilerdir. Bu merkezi konumdaki düğümleri taramak, başlangıçta BuzzSumo'dan çektiğiniz grubun etkileyicileri olarak davranan birçok gazetecinin yüzüne çıkacaktır.

Dolayısıyla, niş bir konuyla ilgili bir kampanyanız varsa, bu verilerden etkilenen bir etkileyiciye adım atmayı düşünebilirsiniz. görselleştirmemize göre, ağlarında paylaşılan bir makale en ulaşılabilir ve en yüksek yatırım getirisine sahip olacaktır

Bağlam içi bağlantı analizi olan bir konudaki en etkili web sitelerini bulmak için Gdelt'i kullanma

Bir niş içinde en iyi gazetecileri bulmak için harika bir yol, ancak en iyi gazeteciler genelde en çok tercih edilenler. Çoğu zaman, belli başlı yayınlarda az bilinen yazarlardan bir alıcı bulmak daha kolay olabilir. Bu nedenle, hangi ana yayıncıların en etkili olduğunu ve belirli bir tema, konu veya ritmin en geniş sendikasyonundan zevk almanın anlaşılması büyük ölçüde yardımcı olabilir.

Google BigQuery ve Gephi ile birlikte Gdelt’in geniş ve tam kapsamlı bir dijital haber öyküleri veritabanını kullanarak, içerik adım atmanıza öncelik vermenize yardımcı olacak önemli stratejik bilgiler vermek için daha derine inmek mümkündür.

Gdelt'in veritabanındaki belirli bir zaman dilimi içinde belirli bir tema hakkında bilinen makalelerin listesi. Bu durumda (önceki örnekte olduğu gibi) "davranış sağlığı" na baktık. Gdelt'in kriterlerimize uygun veri tabanında bulduğumuz her makale için, aynı zamanda sadece makale kapsamında bulunan bağlantıları da aldık.

İşte nasıl yapıldığı:

  • Google BigQuery'deki Gdelt'e bağlanın –
  • Verileri Gdelt'ten çekin. Bu komutu kullanabilirsiniz: SELECT DocumentIdentifier, V2Themes, Ekstralar, SourceCommonName, [gdelt-bq:gdeltv2.gkg] TARİHİ burada (V2Themes '% Temanız%' gibi).
  • Bulduğunuz herhangi bir temayı seçin – sadece yüzdeler arasındaki kısmı değiştirin
  • Her makalede bulunan bağlantıları ayıklamak ve bir kenar dosyası oluşturmak için. Bu, 'in hepsini sorgunun sonuçlarından çıkarmak, sadece kök alanlarını (tam URL'yi değil) göstermek ve bunları bir kenar dosya biçimine koymak için bağlantıları temizlemek için nispeten basit bir python betiği ile yapılabilir.

Not: Kenar dosyası Kaynak -> Hedef çiftlerinden oluşur. Kaynak, makaledir ve Hedef, makale içerisinde bulunan linklerdir. Kenar listesi şöyle görünecektir:

  • Madde 1, Makalede bulunan ilk bağlantı,
  • Madde 1, Makalede bulunan ikinci bağlantı,
  • Madde 2, Makalede bulunan ilk bağlantı.
  • Madde 2, Makalede bulunan İkinci link
  • Madde 2, Makalede bulunan Üçüncü link

Buradan, uç dosya düğümlerin yayıncılarının ve aralarındaki kenarların temsil ettiği bir ağ görselleştirmesi oluşturmak için kullanılabilir. Gdelt verilerimizde bulunan bağlam içi bağlantılar, istediğimiz konuyu ele alır.

Bu son görselleştirme, bağımlılık hakkında hikayeler yazan yayıncıların ve bu hikayelerin nereye bağlandığı yayıncıların bir ağ temsilidir.

Bu bize hangi düğümlerin (Yayımcı web sitelerinin) En Fazla Derece bağlantısına sahip olduğunu gösterir. Başka bir deyişle: en çok kim bağlantılıdır. Bu konu için en çok bağlantılı olduğunu görebiliriz:

  • tmz.com
  • people.com
  • cdc.gov
  • cnn.com
  • go.com
  • nih.gov
  • ap.org
  • latimes.com
  • jamanetwork.com
  • nytimes.com

Hangi yayıncı en etkili?

Gephi tarafından verilen "Betweenness Centrality" puanını kullanarak, ağdaki hangi düğümlerin (yayıncıların) bilgi aktarma merkezi olarak hareket ettiklerini kabaca anlıyoruz. En yüksek "Betweenness Centrality" olan düğümler ağın "bağlayıcıları" olarak düşünülebilir. Bu yüksek bahis ağırlıklı merkeziyet düğümlerinden araç almak, söz konusu konu / tema için daha büyük bir sendikalaşma olasılığını vermektedir.

  • Dailymail.co.uk
  • Nytimes.com
  • People.com
  • CNN.com
  • Latimes.com
  • washingtonpost.com
  • usatoday.com
  • cvslocal.com
  • huffingtonpost.com
  • sfgate.com

Başka ne öğrenebiliriz?

İlk örneğe benzer şekilde, merkeziyet sayıları, Derece dereceli bağlantı sayısı ve daha fazlası Grafikte merkezi olarak yer alan düğümün genellikle ne kadar “önemli” olduğu söylenebilir. Bunu bir rehber olarak kullanarak, en önemli atış hedefleri kolayca belirlenebilir.

Kenar kümelerinin bazılarını anlamak, diğer potansiyel fırsatlarla ilgili ek görüşler sağlar. Farklı bölgesel veya eyalet yerel haberlerine özgü birkaç kümeyi ve birkaç yabancı dil yayın kümesini içerir.

проволока

Fractl'de belirli topikal alanlardaki etki ağlarını anlamak için kullandığımız iki farklı teknik belirttim. hem yayınlar hem de bu yayınlardaki yazarlar açısından. Açıklanan görselleştirme teknikleri açık kılavuzlar değildir, fakat bunun yerine, büyük miktarda veriyi taramak ve gizli bilgileri bulmak için araçlardır. Oluşturmak için çok çalıştığınız içeriği göstermek için en iyi yerleri bulmaya hazırlanırken, yeni fırsatları ortaya çıkarmak ve öncelik sırasına koymak için bu teknikleri kullanın.

En iyisini kullandığınızdan emin olmak için benzer fikir veya taktikleriniz var mı içeriğinizle yazar ve yayıncılar? Aşağıdaki yorum!