Успехов!
P.S.
Кто может это использовать?
Как это работает?
Зачем это нужно?
Анализ поисковых систем
Каждый, кто занимается оптимизацией и продвижением сайтов рано или поздно задумывается об анализе значимости тех или иных факторов на выдачу поисковых систем. При этом обычно влияние оценивается качественно, на уровне влияет/мало влияет/не влияет. И никак не учитывается взаимодействие факторов.
Известно, что алгоритмы ранжирования поисковых систем существенно нелинейны. Даже найдя оптимальное значение какого-либо параметра (например процента ключевых слов на странице и их распределение на странице), нет никакой гарантии что при изменении других факторов (например количества страниц заточенных под конкретную тематику и количества тематик - ключевых фраз - по которым сайт продвигается в ПС, общего объёма контента) найденные значения останутся оптимальными. Многие оптимизаторы заняли позицию, что внутренние факторы не так важны и главное наращивать ссылочную массу. Мой опыт показывает что даже после поверхностного анализа и приведения в порядок внутренних факторов, затраты на покупку ссылок можно уменьшить в несколько раз с сохранением результата. Не правда ли - все мы видели сайты с далеко не впечатляющей ссылочной базой и довольно примитивным наполнением, "непонятным" образом оказывающиеся на первых местах в выдаче?
Теория планирования эксперимента - статистический метод, цель которого не получить точную зависимость между факторами (читай, функцию ранжирования), но практически полезное приближение к ней, которое можно использовать чтобы найти оптимальное сочетание факторов. В отличие от линейного анализа, ТПЭ варьирует сразу всеми факторами, что позволяет при минимальных затратах сил и времени.
Уникальный материал размещенный здесь написан доступным языком с подробными разъяснениями и представляет собой пошаговую инструкцию. Разбиение на главы сделано так, чтобы каждая из них занимала не больше одного-двух экранов, всего 12 глав. Материал доступен для студентов 1-2 курса технических ВУЗов и для любого человека, знакомого с теорией вероятности и статистикой, коих в среде оптимизаторов, верю, большинство:)
Надеюсь материал сайта позволит вам наконец перестать гадать на кофейной гуще и поставить вашу работу на научные рельсы, получать всегда предсказуемые результаты и тратить меньше времени и денег на оптимизацию!
Будем предполагать, что изучаемый процесс физически осуществлен и перед исследователем стоит задача его оптимизации.
Метод крутого восхождения позволяет получать статические математические модели процессов, используя факторное планирование, регрессионный анализ и движение по градиенту.
Будем предполагать, что:
- задача допускает выбор одного параметра оптимизации,
- множество определяющих факторов задано,
- каждый из факторов управляем,
- результаты опытов воспроизводятся,
- опыты равноценны, т.е. различием в стоимости
можно пренебречь, - решается задача поиска оптимальных условий
(или в некоторых случаях интерполяции), - математическая модель процесса заранее не известна.